企业家
2 场深度对话收录
李严冰
观点集合
AI 落地最大的障碍不是模型，是运维｜对话 Datadog 首席产品官李严冰
李严冰称，AI扩张瓶颈转向运维、可信度及超预算 token 成本，observability 关乎商业 ROI。她称头部 AI 公司需要 Datadog observability，其运维数据训练的模型接近前沿质量、成本至少低一个量级；数据泄露与 API key 暴露仍制约采用。
查看摘要（6段）
- 李严冰的核心判断：AI 落地推广、大规模采用的最大障碍是“如何对它进行运维管控”。 企业关注点从 AI 能否 work，转向能否信任和控制它，再到 token cost 超预算；大家关心 AI 能否给出正确结果、可控可信，并真正带来商业 ROI。背后的关键环节是 observability。
- Datadog 年初随 SaaS 板块市值大规模滑落，但率先从低谷中脱颖而出，年初至今市值已翻倍。 她给出的依据是，世界上最大的十家 AI 公司都需要使用 Datadog 帮助实现可观测性；市场共识已变成“AI 需要更多的 observability”。
- 对 Datadog 护城河的追问，她给出三层答案：问题复杂度、数据、自研智能。 她以自己在 Aurora 做自动驾驶卡车的经历类比：开车只有加速、减速、打方向盘三个控制，而大规模生产系统运维的复杂度远远超过自动驾驶；Datadog 拥有世界上最大的运维数据，用 observability 数据训练的专属模型质量与最前沿模型非常接近，成本至少降低一个量级。
- 一家排名前列的 AI lab 曾询问能否购买 Datadog 标注好的运维数据。 这说明即使最前沿的实验室在专业化场景也缺少积累。她认为，post-training 已很常见，能让自有数据成为护城河；Datadog 去年还收购了 RL 公司 Adaptive ML，以加速相关投入。
- Datadog 做明年研发或 AI 预算时发现投入增长远超预期；工程师使用 coding agent 的支出可能是最大预算支出之一。 公司能把 token 使用与 PR 速度、产品稳定性、feature shipping 和产品安全性等 outcome 对应起来，衡量投入是否转化为 engineering velocity。
- 她担心的企业级 AI 风险不是“世界末日”头条，而是业余 agent 的基本功失守。 销售、HR 等非工程师用 vibe coding 做出的工具，可能没有优化 token 使用或充分考虑安全，存在泄露商业数据、暴露 API key 等风险；这是企业进一步采用 AI 的重要障碍。
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
AI落地已从验证可行性转向衡量治理、可信度与ROI，可观测性由此成为控制token成本、预算和规模化部署的关键。Datadog凭运营复杂度、专有数据和垂直模型构筑护城河，其模型质量接近顶级前沿模型、成本至少低一个数量级；产品将延伸至CLI和Slack，但业余代理泄露数据或API密钥仍是普及风险。
查看摘要（6段）
- 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。