Datadog 기업리뷰 — AI 옵저버빌리티와 보안 플랫폼의 확장

Datadog 기업리뷰를 고른 이유는 옵저버빌리티가 AI 시대에 다시 중요해졌기 때문입니다. 예전에는 서버가 죽었는지, API 지연시간이 늘었는지, 로그가 어디서 터졌는지를 보는 도구가 중심이었습니다. 지금은 여기에 GPU 사용률, 모델 호출 실패율, AI 에이전트의 도구 사용, 보안 이벤트, 클라우드 비용까지 붙고 있습니다. Datadog은 이 복잡한 신호를 한 화면으로 모으는 회사에서, AI 옵저버빌리티와 보안 자동화까지 확장하는 플랫폼 회사로 움직이고 있습니다.

Datadog을 지금 볼 만한 이유는 AI 서비스가 운영팀의 감시 범위를 크게 넓히고 있기 때문입니다. 모델 호출 실패율, GPU 사용률, 토큰 비용, 에이전트의 도구 사용, 보안 이벤트가 모두 같은 장애 화면으로 밀려 들어옵니다. 원격 MCP와 PR 보안 같은 흐름이 확산될수록 운영 데이터의 연결성이 더 중요해집니다. 2026년 1분기 실적, DASH 2026 전후의 100개 이상 기능 발표, MCP Server, Bits AI Security Analyst, Adaptive ML 인수를 함께 보면 Datadog이 어디에 베팅하는지 더 선명해집니다.

이 회사는 무엇으로 돈을 버나

Datadog의 기본 사업은 클라우드 애플리케이션을 위한 모니터링과 보안 플랫폼입니다. 고객은 Datadog 에이전트, API, OpenTelemetry, 클라우드 연동을 통해 메트릭, 로그, 트레이스, 이벤트, 보안 신호를 수집합니다. Datadog은 이 데이터를 대시보드, 경보, APM, 인프라 모니터링, 로그 관리, RUM, 보안 분석, 클라우드 비용 관리 같은 제품으로 보여 줍니다. 고객은 보통 구독과 사용량 기반 가격을 함께 부담합니다.

회사의 장점은 제품 수가 많고 서로 붙어 있다는 점입니다. 인프라 모니터링을 쓰던 고객이 APM을 붙이고, 로그를 붙이고, 보안 제품을 붙이고, 디지털 경험 모니터링을 붙이는 식으로 확장됩니다. 2026년 1분기 보도자료에 따르면 ARR 10만 달러 이상 고객은 약 4,550개로 1년 전 약 3,770개보다 늘었습니다. 이는 단순 고객 수보다 “큰 고객이 더 많이, 더 깊게 쓰는가”를 보여 주는 지표입니다.

AI 시대에는 이 확장 논리가 더 강해질 수 있습니다. AI 서비스는 일반 웹 서비스보다 관찰해야 할 신호가 많습니다. 모델 응답 품질, 토큰 비용, 실패율, 지연시간, 도구 호출, GPU 병목, 보안 민감 데이터 흐름이 모두 운영 문제로 바뀝니다. Datadog은 이를 “AI-powered observability and security platform”으로 포장합니다. 마케팅 표현을 걷어내면, 기존 옵저버빌리티 데이터 자산 위에 AI 분석과 자동화 계층을 얹겠다는 전략입니다.

<Datadog AI 옵저버빌리티 구조 1.1>

사업 관점에서 Datadog은 클라우드 전환의 후행 수혜자였습니다. 기업이 AWS, Azure, Google Cloud, Kubernetes, 마이크로서비스를 쓰기 시작하면 장애 지점이 늘고, 그만큼 관측성 도구가 필요해집니다. 이제는 AI 도입이 같은 역할을 합니다. 회사가 2026년 1분기 자료에서 GPU Monitoring, MCP Server, Bits AI Security Analyst, Experiments를 강조한 이유도 여기에 있습니다. 고객의 운영 복잡도가 늘수록 Datadog이 팔 수 있는 제품 면적도 넓어집니다.

핵심 기술과 제품 구조

Datadog의 기술 구조는 크게 수집, 저장·상관관계, 분석·자동화, 사용자 경험으로 나눌 수 있습니다. 수집 계층은 에이전트와 통합입니다. 서버, 컨테이너, Kubernetes, 데이터베이스, 클라우드 서비스, CI/CD, 보안 도구에서 신호를 가져옵니다. OpenTelemetry를 지원한다는 점도 중요합니다. 고객이 특정 벤더 에이전트에 완전히 묶이지 않으려 할 때, 표준 기반 수집을 얼마나 잘 받아들이느냐가 선택 기준이 됩니다.

두 번째는 상관관계입니다. Datadog의 핵심 가치는 로그 한 줄, 메트릭 하나, 트레이스 하나를 따로 보여 주는 데 있지 않습니다. 같은 배포, 같은 서비스, 같은 사용자 세션, 같은 보안 이벤트를 서로 연결해 “무슨 일이 왜 생겼는지”를 좁혀 주는 데 있습니다. APM, 로그 관리, 인프라 모니터링, RUM, Error Tracking, CI Visibility가 붙을수록 이 상관관계의 밀도가 높아집니다. 고객이 제품을 여러 개 쓸수록 Datadog의 분석 품질과 전환 비용이 함께 올라가는 구조입니다.

세 번째는 AI 계층입니다. Datadog은 Watchdog 같은 자동 이상 탐지에서 출발해 Bits AI 계열로 확장했습니다. 2026년 1분기 발표에는 Bits AI Security Analyst가 Cloud SIEM에서 위협 조사 시간을 최대 98% 줄일 수 있다고 소개됩니다. 이 수치는 회사가 제시한 제품 주장으로, 모든 고객 환경에서 같은 결과가 나온다는 뜻은 아닙니다. 그래도 방향은 분명합니다. 보안 분석가나 SRE가 반복적으로 하던 로그 탐색, 원인 후보 정리, 영향 범위 파악을 AI 에이전트가 보조하게 하려는 것입니다.

Datadog MCP Server도 눈여겨볼 만합니다. MCP는 AI 코딩 에이전트와 도구가 연결되는 프로토콜로 주목받고 있습니다. Datadog은 MCP Server가 AI 코딩 에이전트와 IDE에 실시간 옵저버빌리티 데이터를 안전하게 제공한다고 설명합니다. 이는 AI 에이전트가 코드를 고칠 때 운영 데이터를 함께 보게 만드는 시도입니다. 단순히 “로그를 LLM에게 붙인다”가 아니라, 접근 제어, 실시간성, 감사 가능성을 가진 도구 인터페이스를 제공해야 합니다.

2026년 6월 Adaptive ML 인수는 이 AI 계층을 더 공격적으로 만들려는 움직임입니다. Datadog 공식 블로그에서 Alexis Lê-Quôc는 Adaptive ML이 강화학습, 합성 데이터, 평가, AI judge, A/B 테스트, 생산 신호 피드백을 이용해 특화 모델과 에이전트를 만들 수 있다고 설명합니다. 이 문장은 매우 중요합니다. Datadog이 범용 챗봇을 만들겠다는 것이 아니라, Datadog이 가진 운영 데이터와 평가 루프를 이용해 특정 업무에 맞는 에이전트를 학습·개선하려는 방향이기 때문입니다.

사람들: 기술을 만든 주요 인물

Datadog의 공동창업자는 Olivier Pomel과 Alexis Lê-Quôc입니다. 공식 리더십 페이지에 따르면 Olivier Pomel은 CEO이며, IBM Research와 여러 인터넷 스타트업을 거쳤고 VLC media player의 original author 중 한 명으로 소개됩니다. Alexis Lê-Quôc는 CTO이자 공동창업자로, Wireless Generation에서 수백만 학생을 대상으로 한 인프라 운영 경험을 쌓았고, DevOps 운동의 초기 구성원으로 소개됩니다. 이 배경은 Datadog이 왜 “운영”을 제품의 중심에 두는지 설명해 줍니다.

또 다른 중요한 인물은 Yanbing Li입니다. Datadog의 Chief Product Officer로 소개되며, Google Cloud Commerce, Cloud Operations, Service Infrastructure를 포함한 Google 경험과 VMware의 스토리지·가용성 사업 경험을 갖고 있습니다. Datadog이 단일 모니터링 도구에서 보안, AI, 제품 분석, 비용 관리까지 확장하려면 제품 포트폴리오 정리가 중요합니다. Li의 경력은 이런 대규모 플랫폼 제품 운영과 맞닿아 있습니다.

재무와 운영에서는 CFO David Obstler와 COO Adam Blitzer도 의미가 있습니다. Datadog은 빠르게 성장하면서도 2026년 1분기 GAAP 영업이익을 기록했습니다. 성장 SaaS 회사에서 제품 확장과 판매 효율을 동시에 관리하려면 재무·영업 운영 역량이 중요합니다. 특히 AI 제품이 많아질수록 연구개발비와 클라우드 인프라 비용, 고객지원 비용이 커질 수 있기 때문에, 재무 리더십은 기술 전략의 현실성을 검증하는 역할을 합니다.

Adaptive ML 인수 글의 저자가 CTO Alexis Lê-Quôc라는 점도 눈에 띕니다. 그는 글에서 “off-the-shelf models”만으로는 복잡하고 도메인 특화된 문제를 풀기 어렵다고 설명합니다. 짧은 문장이지만 Datadog의 AI 관점을 잘 보여 줍니다. 범용 모델 성능 경쟁이 아니라, 실제 운영 신호와 평가 루프를 이용해 현장 문제를 푸는 쪽에 무게를 둔다는 뜻입니다. 이 관점은 Datadog이 가진 데이터 자산과 잘 맞습니다.

숫자로 보는 기업 분석

SEC companyfacts와 2026년 1분기 10-Q 기준으로 Datadog의 최근 성장은 매우 강합니다. 2025년 연간 매출은 34억2,715만8천 달러였고, 2026년 1분기 매출은 10억642만6천 달러였습니다. 2026년 1분기 보도자료는 전년 대비 32% 성장이라고 설명합니다. GAAP 영업손익도 2025년 연간 4,437만3천 달러 손실에서 2026년 1분기 732만7천 달러 이익으로 개선되었습니다.

지표	기간	수치	근거
매출	FY2025	34억2,715만8천 달러	SEC 10-K, 2026-02-18
매출	2026 Q1	10억642만6천 달러	SEC 10-Q, 2026-05-07
GAAP 영업손익	FY2025	4,437만3천 달러 손실	SEC 10-K
GAAP 영업손익	2026 Q1	732만7천 달러 이익	SEC 10-Q
연구개발비	FY2025	15억4,845만1천 달러	SEC XBRL
연구개발비	2026 Q1	4억3,529만8천 달러	SEC XBRL
유형자산 취득 현금유출	2026 Q1	1,135만8천 달러	SEC XBRL
현금 및 현금성자산	2026-03-31	4억2,636만 달러	SEC XBRL

Datadog의 2026년 1분기 보도자료는 현금, 현금성자산, 시장성 증권 합계가 48억 달러라고 밝혔습니다. 위 표의 현금 및 현금성자산 4억2,636만 달러와 차이가 나는 이유는 표가 SEC XBRL의 현금성자산 항목만 잡은 것이고, 회사 보도자료는 시장성 증권까지 합친 유동성 지표를 사용했기 때문입니다. 이런 차이는 재무 분석에서 중요합니다. 같은 “cash”처럼 보이는 숫자라도 범위가 다르면 해석이 달라집니다.

R&D 비율도 인상적입니다. 2026년 1분기 연구개발비 4억3,529만8천 달러는 매출의 약 43%입니다. 이는 Datadog이 여전히 제품 개발과 AI·보안 확장에 큰 비용을 쓰고 있다는 뜻입니다. 단기 이익률만 보면 부담이지만, 플랫폼 확장기에는 필요한 투자일 수 있습니다. 관건은 이 R&D가 실제 고객당 제품 수 증가와 ARR 10만 달러 이상 고객 확대, 보안·AI 제품 매출 확대로 이어지는지입니다.

Datadog은 Cloudflare보다 훨씬 자본지출 부담이 낮아 보입니다. 2026년 1분기 유형자산 취득 현금유출은 1,135만8천 달러였습니다. 물론 Datadog도 클라우드 인프라 비용과 데이터 저장 비용이 있습니다. 다만 직접 글로벌 네트워크 장비를 대규모로 깔아야 하는 회사와는 투자 성격이 다릅니다. 이 점은 SaaS형 마진 구조를 기대하게 하는 장점입니다.

기대되는 점과 리스크

가장 기대되는 점은 Datadog이 AI 시대의 “운영 데이터 계층”을 이미 갖고 있다는 것입니다. AI 에이전트가 코드를 고치고, 보안 이벤트를 분석하고, 인프라를 조정하려면 실시간 데이터와 권한 있는 도구가 필요합니다. Datadog MCP Server는 이 흐름에 잘 맞는 제품입니다. Bits AI SRE, Bits AI Security Analyst, Adaptive ML의 특화 에이전트 연구가 실제 운영 현장에 붙으면, Datadog은 단순 대시보드가 아니라 운영 자동화의 중추가 될 수 있습니다.

하지만 리스크도 분명합니다. 첫째, 옵저버빌리티 시장은 경쟁이 치열합니다. New Relic, Dynatrace, Elastic, Splunk, Grafana Labs, hyperscaler의 자체 모니터링 도구가 모두 경쟁자입니다. 둘째, 고객의 데이터 양이 늘수록 비용 예측 문제가 생깁니다. Datadog은 강력하지만 비싸다는 평가를 받기 쉬운 제품군입니다. AI 로그와 모델 호출 데이터까지 들어오면 고객의 비용 민감도는 더 커질 수 있습니다.

셋째, AI 자동화는 신뢰 문제가 있습니다. 보안 분석 시간을 줄인다는 주장은 매력적이지만, 잘못된 우선순위, 누락된 경고, 과도한 자동 조치가 생기면 오히려 위험합니다. 따라서 Datadog의 AI 제품은 “자동으로 다 고친다”보다 “사람이 검토할 근거를 빠르게 정리한다”는 방식으로 자리 잡는 것이 안전합니다. 본문에서 언급한 98% 조사 시간 단축도 회사가 제시한 특정 제품 주장으로 보고, 도입 조직은 자기 환경에서 검증해야 합니다.

제 결론은 Datadog이 AI 시대에 다시 볼 만한 소프트웨어 회사라는 것입니다. AI가 복잡도를 줄여 줄 것처럼 보이지만, 실제 운영에서는 관찰해야 할 신호가 더 늘어납니다. Datadog은 그 신호를 모으는 자리에서 출발했기 때문에, AI 옵저버빌리티와 보안 자동화로 확장할 자연스러운 권리가 있습니다. 앞으로 Bits AI SRE, Datadog MCP Server, Adaptive ML 통합이 고객의 실제 운영 시간을 얼마나 줄이는지 지켜보면 좋겠습니다. Datadog이 개발자와 운영팀을 더 안전하고 덜 피곤하게 만드는 방향으로 성장하길 응원합니다.