Datadog registra su trimestre más sólido desde 2022 a medida que el negocio no relacionado con IA acelera por quinto trimestre consecutivo, incluso ante el retroceso de su mayor cliente
Resultados del segundo trimestre de 2026, reportados el 6 de agosto de 2026
Datadog obtuvo su mejor trimestre en cuatro años, con ingresos que aumentaron un 36% interanual hasta los $1.120 millones, superando el extremo superior de su guía y marcando el mayor incremento secuencial de ingresos en la historia de la compañía, con $115 millones. Sin embargo, la cifra principal ocultó la historia más relevante: incluso después de excluir el retroceso en el uso por parte de su mayor cliente, el negocio principal se está consolidando a un ritmo que, según la dirección, ha acelerado durante cinco trimestres consecutivos, una tendencia que pocas empresas de software de la escala de Datadog pueden reclamar en el entorno actual.
El negocio no relacionado con IA es, discretamente, la historia más importante
El dato más trascendental del reporte no tuvo nada que ver con las empresas nativas de IA. El crecimiento de los ingresos provenientes de la base de clientes de Datadog no relacionados con la IA se aceleró hasta un porcentaje cercano al 30% interanual, frente al rango medio del 20% del trimestre anterior y apenas el 18% hace un año. El CEO, Olivier Pomel, fue explícito sobre la razón de esto: "Si excluimos a nuestro mayor cliente de nuestro crecimiento, obtenemos prácticamente la misma tasa de crecimiento, ya que el resto del negocio ha estado acelerando de manera muy constante. Hemos visto cinco trimestres de aceleración continua en el resto del negocio". El CFO, David Obstler, atribuyó parte de esto a una mayor capacidad de comercialización y alcance geográfico que están "generando retornos", junto con vientos a favor derivados de una migración y modernización más amplia hacia la nube que la adopción de la IA parece estar acelerando, incluso entre empresas que no se consideran tradicionalmente nativas de IA.
El mayor cliente renueva, pero con un menor uso
Datadog reveló una reducción en el uso por parte de su mayor cliente, una renovación de 9 cifras con lo que describió como una compañía líder en IA que utiliza 17 productos de Datadog. La dirección "eliminó el riesgo" tanto de la guía del tercer trimestre como de la anual frente a este cliente, una decisión que Pomel describió como deliberada: "No controlamos lo que sucede con un cliente específico, pero sí tenemos un gran control sobre lo que sucede en el resto del negocio; el negocio está en auge y no queremos que esto eclipse la aceleración que vemos prácticamente en todas partes". Ni Pomel ni Obstler detallaron si la disminución en el uso refleja una renegociación de precios o una reducción de la carga de trabajo, y los analistas insistieron repetidamente sin obtener detalles sobre la duración del contrato o los términos de permanencia. La guía resultante para el tercer trimestre, con un crecimiento interanual del 28% al 29%, se situó por debajo de los patrones secuenciales típicos, lo que llevó al analista de KeyBanc a cuestionar el conservadurismo implícito en las perspectivas.
La cohorte de clientes de IA se diversifica más allá de las startups
Datadog cuenta ahora con más de 750 clientes de IA, incluidos los 10 líderes mundiales en IA, con 31 clientes que gastan más de $1 millón al año y 8 que superan los $10 millones. Cabe destacar que el grupo se ha ampliado para incluir a proveedores de hiperescala que operan sus propios laboratorios de IA, un conjunto de clientes distinto de los laboratorios de neurociencia a los que Datadog ha servido históricamente. La compañía cerró acuerdos anualizados de 7 cifras con dos laboratorios de IA este trimestre específicamente para la observabilidad del entrenamiento de modelos, un caso de uso que Pomel calificó como "un área de negocio que realmente no teníamos hace un par de años". La actividad de agentes está escalando aún más rápido: las llamadas a herramientas MCP se cuadruplicaron nuevamente trimestre a trimestre y han aumentado más de 22 veces en comparación con el cuarto trimestre de 2025, un punto de inflexión que la dirección cree que señala un cambio estructural hacia el gasto en observabilidad impulsado por la inferencia.
Bits AI se amplía de una función puntual a una plataforma integral
El producto de agentes de IA de Datadog, Bits AI, ha evolucionado sustancialmente desde su alcance original. Como explicó Pomel: "Bits AI solía ser bastante específico, dedicado a las alertas. Ahora, la superficie de contacto es mucho más amplia con el cliente", abarcando chat, investigación, creación de monitores, generación de código, automatización de pruebas y validación de lanzamientos. La compañía está migrando a un modelo de precios basado en créditos de IA para reflejar esta mayor superficie de uso. Ante la pregunta de si la automatización podría canibalizar el modelo de ingresos basado en el consumo, Pomel se mostró firme: "Cuando usan Bits AI, utilizan más de nuestro producto. Despliegan más. Crean más tableros y alertas. No es un juego de suma cero". Los inversores deben observar esta dinámica de cerca en los próximos trimestres, ya que sigue siendo una incógnita si la automatización mediante agentes finalmente expande o comprime los volúmenes de datos de observabilidad que Datadog monetiza.
El posicionamiento de seguridad se dirige hacia las ambiciones de un SOC de IA
Datadog está reposicionando su stack de seguridad para un entorno de amenazas nativo de IA, desacoplando su Bits AI Security Analyst de su propio SIEM para que pueda ejecutarse sobre productos SIEM de la competencia. Pomel describió esto como un movimiento deliberado de expansión de mercado: "Creemos que limitamos nuestro mercado si solo buscamos clientes que quieran cambiar su plataforma SIEM; esto puede tener un atractivo mucho más amplio como un SOC de IA". La compañía también lanzó productos AI Guard destinados al descubrimiento de agentes y protección en tiempo de ejecución contra ataques de tipo inyección de prompts, junto con un motor de priorización en tiempo de ejecución diseñado para reducir el ruido de las alertas de vulnerabilidad en más de un 95%. Pomel caracterizó el cambio sin rodeos: "Hay un cambio completo en la forma en que deben funcionar los productos de seguridad. No se puede esperar a poner a humanos en el proceso... es una reconstrucción completa para la mayor parte de la industria".
Mejora la economía de captación y expansión empresarial
Las reservas anualizadas de nuevos clientes empresariales se duplicaron con creces interanualmente, y los nuevos clientes están generando ingresos más rápido que en cohortes anteriores, contribuyendo con alrededor del 30% del crecimiento de los ingresos interanuales en el segundo trimestre, frente al 25% del primer trimestre. La retención neta de ingresos se mantuvo en el rango bajo del 120% y la retención bruta se mantuvo en el rango medio-alto del 90%. La dirección citó varios grandes acuerdos de expansión como prueba de la economía de consolidación de plataformas, incluida una aseguradora de salud Fortune 100 que amplió su uso a 19 productos y un acuerdo multianual de más de $30 millones con una importante compañía de medios digitales que desplazó a cuatro herramientas competidoras, incluyendo su mayor victoria de "Bring Your Own Cloud" hasta la fecha a escala de petabytes.
Guía y márgenes
La guía de ingresos para todo el año se sitúa entre los $4.450 millones y $4.470 millones, lo que implica un crecimiento del 30%, con un margen operativo no GAAP proyectado en el 23%. El margen bruto se situó en el 79,6% para el trimestre, una ligera disminución frente al 80,2% del primer trimestre y el 80,9% de hace un año, lo cual Obstler atribuyó a la inversión continua en innovación y no a un cambio estructural, reiterando el objetivo a largo plazo de la compañía de superar el 80%. El margen de flujo de caja libre fue del 25% sobre $279 millones de flujo de caja libre, con $5.000 millones en efectivo en el balance, lo que otorga a Datadog un amplio margen para seguir financiando I+D, incluida la reciente adquisición de Adaptive ML, destinada a acelerar la investigación de modelos post-entrenamiento para Bits AI.