Elastic rediseña su motor de búsqueda para métricas y asegura una ventaja de velocidad 30 veces mayor que Prometheus mientras las cargas de trabajo de IA transforman el gasto en observabilidad
Una llamada especial celebrada el 22 de septiembre de 2026 detalló la nueva oferta de métricas de la compañía y su estrategia de comercialización para consolidar el gasto en observabilidad
Elastic aprovechó una llamada especial con inversionistas el 22 de septiembre para exponer las bases técnicas y la lógica comercial detrás de su oferta de métricas, lanzada al inicio del año fiscal en junio. La propuesta se centra en una versión rediseñada de Elasticsearch que almacena métricas en un formato columnar en lugar del almacén de documentos que la compañía ha utilizado históricamente para los registros (logs), un cambio que, según la dirección, era necesario para competir directamente con plataformas de métricas dedicadas como Prometheus, Mimir y ClickHouse.
Santosh Krishnan, vicepresidente sénior de Soluciones de Seguridad y Observabilidad, reveló que el proyecto requirió entre 12 y 18 meses de investigación y desarrollo antes de su lanzamiento en junio, un dato que cuantifica el esfuerzo de ingeniería detrás de lo que la empresa posiciona como una ventaja competitiva plurianual. "Siempre obtenemos una ventaja asimétrica cada vez que sumamos innovación a la plataforma", afirmó Krishnan, al argumentar que la fortaleza existente de Elastic en datos de registros no estructurados ahora se extiende hacia un motor de métricas diseñado específicamente para este propósito.
Las afirmaciones sobre pruebas de rendimiento plantean un enfrentamiento directo con los líderes actuales
El dato nuevo más concreto de la llamada provino de las pruebas de rendimiento: Bahaaldine Azarmi, gerente general de Observabilidad, indicó que el nuevo almacén columnar de Elastic es 30 veces más rápido que Prometheus y Mimir, y 8 veces más rápido que ClickHouse, con pruebas publicadas y reproducibles mediante código de fuente abierta. La arquitectura utiliza técnicas como "dim filter" para gestionar datos de alta cardinalidad en la memoria y códecs optimizados para la eficiencia en el almacenamiento, abordando lo que Azarmi describió como el desafío técnico central en las métricas: a diferencia de los registros, las métricas llegan con numerosas dimensiones y etiquetas que deben consultarse de forma selectiva sin analizar datos irrelevantes. La dirección está enmarcando la cardinalidad —la cantidad de dimensiones que un sistema puede manejar sin penalizar a los clientes en costo o rendimiento— como el principal campo de batalla frente a las plataformas de métricas competidoras, varias de las cuales, según la compañía, obligan a los clientes a hacer concesiones en la retención de datos que generan puntos ciegos durante los incidentes.
La compatibilidad con PromQL se acerca a su finalización
Azarmi reveló que Elastic ha alcanzado un 90% de compatibilidad con PromQL, el estándar de lenguaje de consultas entre los usuarios de Prometheus, y está "en camino de llegar al 100%". Este es un dato significativo porque reduce los costos de cambio para la amplia base actual de usuarios de Prometheus, un sector que la dirección identificó explícitamente como uno de sus tres objetivos de comercialización, junto con su base actual de clientes de registros y aquellos clientes que actualmente están siendo "penalizados" en precios por otros proveedores de métricas debido a una mayor retención o cardinalidad.
Las cargas de trabajo de IA se presentan como el catalizador de la demanda, no solo como una función
La dirección vinculó reiteradamente el lanzamiento de métricas con la carga operativa generada por la IA agéntica. Azarmi argumentó que las cargas de trabajo basadas en agentes son estructuralmente diferentes del monitoreo tradicional de aplicaciones porque los pasos de razonamiento, las llamadas a herramientas y el recuento de turnos son impredecibles, a diferencia de las rutas de transacciones bien definidas de las aplicaciones heredadas. "La IA está provocando realmente una explosión en las métricas", señaló, al apuntar a los ciclos de GPU, las llamadas a LLM y los entornos de agentes ("agent harnesses") como nuevas categorías de señales que requieren monitoreo. Krishnan reforzó este punto en la sesión de preguntas y respuestas con analistas, al señalar que el gasto en observabilidad está siendo impulsado por la IA de dos maneras distintas: el monitoreo de infraestructura para el desarrollo de la computación en sí, y una categoría más nueva de monitoreo a nivel de agentes centrada en la seguridad y el comportamiento, no solo en el tiempo de actividad ("uptime").
La adopción será gradual y no un crecimiento exponencial
Sobre la trayectoria comercial, Krishnan fue notablemente sincero al admitir que la adopción a corto plazo no experimentará un despegue inmediato en forma de palo de hockey ("hockey stick"). Comentó a los analistas que la interacción inicial con los socios de diseño ha sido "extremadamente positiva", pero advirtió que los ciclos de ventas empresariales implican que la adopción seguirá "más un estilo de rampa" en lugar de un punto de inflexión inmediato. Aproximadamente dos tercios del negocio actual de Elastic están vinculados a los registros y a SIEM, y Krishnan confirmó que la oportunidad a corto plazo del producto de métricas radica principalmente en asociar una nueva venta a esa base de clientes existente enfocada en SRE, donde las herramientas de monitoreo de infraestructura de terceros a menudo ya tienen un valor económico mayor que los contratos de análisis de registros de Elastic. La dirección declinó cuantificar un incremento específico de ingresos por cliente; Krishnan se limitó a decir: "es el principio... manténganse atentos".
Consolidación del gasto y una nueva capa de demanda incremental
Al responder a una pregunta de Thomas Blakey, de Cantor Fitzgerald, sobre si el impulso de las métricas representa un cambio de participación de mercado frente a los competidores o un gasto genuinamente incremental, Krishnan lo calificó como ambas cosas. "Definitivamente hay un aspecto de consolidación del gasto", indicó, pero agregó que el crecimiento de la infraestructura impulsada por la IA está llevando a los clientes a reevaluar por completo sus herramientas actuales, lo que genera lo que denominó "un poco de beneficio adicional" ("gravy on top") más allá de la simple consolidación de proveedores. Los volúmenes de datos de métricas que ingresan al sistema, señaló, son de un orden de magnitud comparable al de los volúmenes de registros, aunque los períodos de retención de las métricas tienden a ser más cortos.
La adquisición de Deductive AI y el evento de productos de octubre se perfilan como catalizadores
Azarmi destacó que la reciente adquisición de Deductive AI, una empresa especializada en la investigación de análisis de causa raíz impulsada por agentes, se integrará en un anuncio de observabilidad más amplio planificado para el evento de Elastic el 8 de octubre en Nueva York. Describió la ambición de la compañía de permitir que los agentes de IA realicen análisis de causa raíz en métricas, seguimientos (traces), registros y bases de conocimiento vectorizadas dentro de una sola plataforma integrada, una capacidad que, según dijo, solo es posible porque los cuatro tipos de datos residen ahora en la misma arquitectura. Los inversionistas deben considerar el evento de octubre como el próximo punto de control para constatar evidencias de que el lanzamiento de métricas se está traduciendo en reservas, dado el reconocimiento de la propia dirección de que aún no se dispone de métricas de adopción cuantificables.
Un caso de éxito de un cliente: Norion Bank
En un video de clientes se presentó a Norion Bank, un usuario de Elastic desde hace ocho años, cuyos ingenieros de observabilidad afirmaron que las pruebas iniciales de los nuevos flujos de datos de series temporales produjeron ahorros de almacenamiento "sustanciales" en el primer mes de implementación. Un ingeniero ofreció una articulación clara de la propuesta de valor de la categoría bajo presión presupuestaria: "A menudo, la pregunta pasa a ser cómo logramos que esto sea más económico en lugar de cómo nos ayuda esto a salir de los incidentes más rápido". Esa tensión entre la contención de costos y la velocidad de detección es precisamente el equilibrio que Elastic busca resolver con su almacén de métricas consolidado, aunque los comentarios del banco también recalcaron que los marcos normativos como DORA y el RGPD (GDPR) añaden requisitos de retención y auditoría que complican las narrativas simplistas de reducción de costos en torno a los datos de telemetría.