硅谷坐标 x Datadog首席产品官｜HYSTA主席李严冰: AI 落地进入 ROI 时代

摘要

• 李严冰判断，AI落地已从验证“能不能用”进入衡量“能不能管、能不能信、能不能产生ROI”的阶段。 企业既要确认输出正确、安全、可靠，也要控制远超预期的 token 成本与整体预算；她认为，能够解释 AI 在做什么、实体如何关联、最终创造何种价值的可观测性，正成为规模化部署的关键环节。
• 李严冰将“AI需要更高可观测性”视为Datadog走出SaaS估值低谷的重要机会。 她称，公司市值自年初以来翻番、达到历史新高，全球十大AI公司均依赖Datadog；市场此前担心AI会取代可观测性，如今共识反转为“人工智能实际上需要更高的可观测性”。
• 产品边界正从网页仪表盘扩展至人类与AI代理共同参与的每一个工作流。 Datadog过去围绕人类用户设计丰富界面，未来则强调“无论我们在哪里工作，我们的工具也应该在那里”：工程师在CLI写代码、团队在Slack协作时，都应原地调用可观测能力。
• 面对OpenAI等前沿模型可能自行完成更多任务，李严冰把运营复杂度、领域经验、专有数据与垂直模型视为Datadog的护城河。 她以自动驾驶作对比：车辆只有加速、减速、转向三个控制点，而大规模软硬件基础设施叠加AI代理后复杂得多；她表示，Datadog的专用模型质量接近顶级前沿模型，成本则“至少降低了一个数量级”。
• 未来不会由单一前沿模型包办所有场景，post-training与企业数据将成为差异化来源。 一家顶尖AI实验室甚至询问Datadog能否标注并出售运营数据，反映通用模型在专业场景中的积累仍不足；Datadog也于去年收购强化学习公司AdaptiveML，加速内部模型投资。
• Datadog内部AI投入的最大部分可能是编码代理，但真正的考核指标不是token消耗，而是工程产出。 公司把使用量与PR速度、产品稳定性、功能交付和安全改进对应起来；更现实的风险来自员工自制的“业余级别”代理，它们可能泄露业务数据或API密钥，而非“人工智能杀死人类”的末日情景。

精读

1. 中国AI影响力正从研究人才外溢至创业与商业化

• 李严冰引用一份三天前发布的卡内基研究报告：研究分析NeurIPS的10,000位作者，发现57%在中国接受本科教育，涵盖目前身处中国、美国及其他地区的研究者。
• 她强调，中国人的影响力已不止于前沿研究，而是在把AI转化为企业：美国已有41家估值超过10亿美元的公司由中国人创立或联合创立，其中多家参与了本届华源人工智能大会。
• 因此，今年大会的议题从技术前沿和企业应用进一步延伸至规模化落地与商业成功，核心问题不再只是AI是否可行，而是如何真正扩大应用。

2. AI进入ROI时代，可观测性成为规模化关键环节

• 李严冰对企业决策链的概括是：最初问AI“是否真的可行”，随后追问能否信任其安全性与可靠性，今年又发现token成本和整体预算“远远超出了预期”。
• 她所说的可观测性，是深入理解AI“实际在做什么”、实体间如何关联以及创造了什么价值；这使企业能够更好地进行治理、成本控制与商业回报评估，从追逐潮流走向可控部署。
• 她称，Datadog可能是SaaS板块中“第一个走出低谷的公司”，市值自年初翻番。支撑这一判断的不只是叙事：全球十大AI公司都依赖Datadog，可观测性没有被AI取代，反而因AI而变得更重要。

3. AI代理重塑产品边界，但距离完全自动化的大规模生产运营仍很远

• Datadog过去通过精美界面和仪表盘服务人类用户，未来则由人类与代理共同使用；交互入口也从Web和移动端转向工作发生之处，包括CLI与Slack。“无论我们在哪里工作，我们的工具也应该在那里。”
• 曹卿云的追问值得保留：既然OpenAI的模型已能编写代码，Datadog的不可替代性在哪里？李严冰的回应是，编码主要生成代码，而运营涉及多样、任务关键且相互关联的系统，复杂度并不在同一量级。因此她表示并不担心被AI取代，尤其是Datadog自身也在开发AI技术。
• 她以曾任职的Aurora为例：这是一家领先的自动驾驶卡车公司，她称其为美国第一家、也可能是全球唯一一家在公共高速公路运营商用自动驾驶卡车的公司。自动驾驶只需理解视野内的局部环境，并控制加速、减速和转向；大规模生产系统却同时包含软件、硬件、基础设施与AI代理。

4. 垂直模型的经济性与专有数据构成Datadog的护城河

• 李严冰把护城河拆成三层：多年积累的运营领域经验、全球规模庞大的运营数据，以及对研究和基础模型的持续投资。
• 通用大模型覆盖面广，却可能速度慢、成本高，也未必能回答高度专业的问题。她称，Datadog基于可观测性数据构建的专用模型，质量与顶级前沿模型非常接近，成本则至少低一个数量级。
• 她并不认为企业应一律只依赖或弃用前沿模型，而是认为“最终取决于具体需求”；市场不会由一种或少数模型提供全部答案，post-training已非常普遍，因为它能把企业自己的数据“变成真正的护城河”。

5. 企业AI投入可量化，安全风险却集中在“业余代理”

• 李严冰称，一家顶尖AI实验室与Datadog彼此互为客户，并询问Datadog能否把运营数据标注后出售给它。她由此判断，即使最前沿的实验室也缺少垂直场景积累；Datadog去年收购AdaptiveML，以加速强化学习方向的投入。
• Datadog为下一年度研发或AI支出做预算时发现，AI支出增速远超直觉，其中编码代理可能占预算最大部分。公司不仅追踪token在哪里被使用，还把投入映射到PR速度、产品稳定性、功能交付和安全改进；面向客户的AI产品使用量则实现数倍增长。
• 知识型工作的用例仍处于“黑客”式探索：销售或HR可能自行制作面向自身需求、未经优化的工具或代理。李严冰认为，近期真正的企业安全问题不是成千上万代理逃出沙盒攻击其他公司的末日情景，而是这些非专业工具意外泄露业务数据或API密钥；缺少审查与控制，正是进一步普及的现实障碍。