SaaSの生存を採点する（Part 5）：データドッグ徹底解剖——12ファクター採点とモデル層検証で見るテレメトリの強さ

コンヴェクィティ

記事要約

■A1とB1を引き上げ、A3を引き下げた
システム・オブ・レコードの深さ（A1）を3から4.0、モデル層レバレッジ（B1）を3から3.5へ引き上げ、提供職能の需要弾力性（A3）は4から3.5へ引き下げました。

■ホスト起点のテレメトリは片手間で吸収しにくい
データドッグのエージェントは顧客のホスト上に物理展開され、SaaSのAPIとチャットするだけでは代替できません。コーディングエージェントが自前のコレクターを出荷する動機は本物です。

■監視対象の量と職能への需要は別物として採点した
成果への貢献度（A5）は無界の監視量を反映して5.0のままですが、オブザーバビリティがコストセンター寄りの職能であることを踏まえA3は3.5へ引き下げました。

■モデル層の取り組みは稀だが長期リスクが残る
データドッグは時系列基盤モデルの構築でSaaSの先頭集団にありますが、コードを書きかつ挙動を観測できるモデル企業が品質を一緒に伸ばせる点が本物のシナジー・リスクです。

この記事は約 42 分で読むことができます。（記事文字数：約 20,800 文字）

※本記事は「Part 1：エージェント型AIが迫る三つの経路」「Part 2：価格決定力・マージン・受益者と、22社のVAR耐性スコア」「Part 3：VAR耐性スコアカードの採点フレームワーク」「Part 4：Palantir徹底解剖」の続編となります。三つの経路と12ファクターの採点フレームワークを先にお読みいただくと、本稿の内容がより明確になります。

Part 4ではPalantir（PLTR）を取り上げ、経路3——経験層・ワークフロー・データの三層すべてを保有する経路——にとどまり続ける理由と、モデル層レバレッジ（B1）・バリュエーションの非対称性（C2）を引き上げた根拠を検証しました。本稿では、精査対象の2社目としてデータドッグ（DDOG）を取り上げます。

バケットと経路

データドッグの分類は据え置きです。バケットは成果連動型プラミング（OLP）、割り当てられた経路は成果レバレッジを伴う経路2——サードパーティのエージェント型経験層の下でヘッドレスのまま生き延びつつ、エージェントの量そのものから対価を得る形です。

SCORECARDの数値

A1 システム・オブ・レコードの深さとデータ重力：4.0（前稿の暫定3から精査後に引き上げ）
A2 ワークフロー吸収性（大脳テスト）：4.5
A3 提供職能の需要弾力性：3.5（前稿の暫定4から精査後に引き下げ）
A4 経路の運命と経路の質：4.0
A5 成果への貢献度（天井テスト）：5.0
B1 モデル層レバレッジ：3.5（前稿の暫定3から精査後に引き上げ）
B2 組織の代謝：4.0
B3 価格モデルの俊敏性：5.0
B4 信頼・セキュリティ・ガバナンスの態勢：4.0
B5 出荷ケイデンス：5.0
C1 トークン経済下のマージン軌道：4.0
C2 倍率に織り込まれたシナリオ（Rule of Xグリッド）：3.0

Palantir・データドッグ・クラウドフレアのレーダーチャートと柱別平均値の比較

(出典: Convequity)

これは弱い結果ではありません。高いA5（無界で量に対して弾力的な成果）と高いB3（既に効いている従量課金）の組み合わせこそが、フレームワークが定義する成果連動型プラミングそのものです。大脳はその資産を必要とし、エージェントはその資産がこなす仕事の量を何倍にも増やし、従量課金がその成長を収益へと変換します。データドッグは、カバレッジ・ユニバースの中でこのパターンを最も明

Pro Plan専用コンテンツ