AI 不会平均奖励软件平台

DDOG / NOW / CRM / SNOW 的控制权、收费权与利润池迁移对比

分析日期: 2026-04-26

第1章：旧地图为什么已经不够用

这四家公司最近最容易被放在同一个叙事里。它们都在讲 agent，都有大客户，都有复杂产品线，也都在试图把 AI 从演示层推进到真正收费的产品层。于是市场很自然地用一个省力的句子把它们装进去：大市值软件平台，AI 时代的重要受益者。问题在于，这个句子太方便，也太粗糙。它默认这四家公司在同一张地图上竞争，默认它们会以相似的方式受益，也默认它们大体配得上相似的估值语言。

可一旦把镜头从“谁有更多 AI 功能”，切到“AI 到底在哪一层变现”，画面就完全不同了。ServiceNow 的 Now Assist ACV 已经做到 6 亿美元，管理层把 FY2026 的目标推进到 9 亿到 10 亿美元，说明客户已经开始为某种“AI 真正进入工作流”的能力付钱。Snowflake 的 Cortex AI 目前 run-rate 约 1 亿美元，只占总收入约 2.2%，这不是说产品没价值，而是说它离“足以重写估值语言的新收费层”还很远。Salesforce 的 headline 更热：Agentforce headline 上是 8 亿美元 ARR，但其中 67% 的 deals 仍是免费的，这说明采用热度已经跑出来，付费质量却没有一起站稳。Datadog 的问题又不一样：Bits AI 和 LLM observability 让它离“从看见问题到参与处理问题”更近了一步，可 AI 收入还没有从传统产品盘子里真正独立出来，市场却已经开始按更远的未来给它估值。

如果只看估值，裂缝会更明显。NOW 现在仍能维持大约 27 倍 PE、13 倍 EV/Sales；DDOG 表面是 49 倍 Non-GAAP PE，但若换到更保守的 owner economics 口径，画面会立刻变得更紧；CRM 看起来只有 14.7 倍 PE，可“低 PE”并不等于便宜，因为它把一个放缓的旧核心和一个仍在试定价的新 optionality 平均在了一起；SNOW 还在 11 倍 EV/Sales 左右，可这层平台溢价到底是给数据工作负载，还是给一个正在外移的控制点，今天其实已经是开放问题。表面像同一板块，实际上市场已经在用四种不同的情绪定价，只是还没把那四种情绪说透。

如果必须先用一句话把它们压出来，今天更接近真实的位置大概是这样：

这张表最重要的地方，不是排名，而是它打碎了旧地图。NOW 最值钱的地方不是“有 AI 功能”，而是它能让状态在一个可写回、可追踪、可审计的系统里真正发生变化；DDOG 最值钱的地方不是图表做得漂亮，而是它离真实系统行为足够近，能把故障发现、诊断和修复压缩到更短时间；CRM 的问题不在于有没有 Agentforce，而在于 Service、Sales、Platform 这些业务线对 AI 的承受力完全不同；SNOW 的问题也不是有没有 Cortex，而是当数据格式、目录层和平台层都在开放后，它还能不能继续拿过去那层平台溢价。

如果这里必须先给出一个明确排序，我会写成：NOW > DDOG > CRM > SNOW。 这不是在比较谁的发布会更热闹，而是在比较谁已经更接近收费层、写回层与价值留存的厚处，谁又仍停在更容易被抽象或被拆开的层级。

这不是抽象的分类练习。它会直接决定四家公司该用什么估值语言、该等什么证据、又该在哪一层改写 thesis。真正难的部分，从这里才开始：不是给四家公司排一个热闹的 AI 名次，而是判断谁已经开始穿过收费、归因、责任和价值留存这几道门；谁还停在热度和演示里；谁必须拆开看；谁又该先被收回一部分平台溢价。下面这部分，才是这组名字真正值钱的地方。

第2章：同一个板块，四种资产

把这四家公司真正拆开，最有效的方式不是按行业标签，而是按它们在企业软件价值链里站在哪一层。

最底层，是数据与工作负载承载层。它的重要性从来都不低，但价值更多来自存储、查询、分发和算力利用率，而不是对最终业务结果的直接控制。再往上一层，是观测与反馈层，核心价值不在“拥有结果”，而在“比别人更快看到系统正在发生什么”。再往上，是工作流控制层：工单、事故、变更、审批、case、权限，这些对象并不是静态数据，而是状态机会持续流动的工作流。最难也最值钱的一层，则是责任与预算承接层。客户不是因为你做得漂亮而给你钱，而是因为你能把更大一块预算接过来，并在事情出错时下场扛住那层后果。

这四家公司正好站在四个不同位置。Snowflake 主要还停在数据与工作负载这一层；Datadog 已经明显站到观测与反馈层，并努力往处理层伸；ServiceNow 最接近工作流控制层，甚至摸到了责任与预算承接层的边缘；Salesforce 则不是一个单一对象，它既有更像老核心现金流的部分，也有更像 agent optionality 的部分。也因此，这组名字并不存在“一把尺子量完”的分析起点。从对象位置看，NOW 和 DDOG 更接近上层控制点，CRM 需要拆开才看得清，SNOW 则仍停在更容易被抽象的层级。

第3章：NOW：最接近闭环执行层的公司，但上行并非没有边界

如果只看这四家公司里谁最接近真正的 AI 第二曲线，我仍然会把 NOW 放在第一位。理由不是它说得最热闹，而是它已经站在企业工作流真正发生状态改变的地方。一个 ticket 从 open 到 resolved，一个 incident 从爆发到关闭，一个 change 从待审批到执行，一个 CMDB 记录从不完整到被更新，这些都不是“推荐”或者“灵感”，而是可审计、可回滚、可收费的真实动作。只要 AI 能在这个系统里持续写回，ServiceNow 卖的就不再只是建议，而是一台越来越自动化的状态机。

Now Assist ACV 已经到 6 亿美元，FY2026 的目标被推到 9 亿到 10 亿美元；Pro Plus 还能带来 25% 到 40% 的价格溢价。单看这两条，就已经和另外三家公司拉开距离。它说明客户不是只在试用一个“看起来很聪明的界面”，而是在为“让 AI 进入真实工作流”单独付钱。也正因此，NOW 的估值虽然不便宜，却不是没有对象。市场给它 27 倍 PE、13 倍 EV/Sales，本质上是在为一种更接近工作流控制层的资产付钱，而不是为一个普通 ITSM 龙头付钱。

更关键的是，NOW 的控制点不是孤立的。CMDB、历史 ticket、权限配置、审批规则、跨 SaaS 集成、AI Agent Studio、Workflow Data Fabric，这些东西不是七零八落摆在台上，而是形成了一种足够稠密的上下文。它让 AI 的价值不只来自模型推理，而来自模型能够在一个带权限、带审计、带状态记录的环境里真正执行动作。这也是为什么 NOW 的 AI 价值更容易变成预算：客户不是在买“比 Copilot 更会说话的机器人”，而是在买“一个把工单、变更、升级、更新和审计放在一起的执行框架”。这种东西很难被单点替代。即便 Microsoft Copilot 或 Salesforce Agentforce 在某些单点场景里更便宜、更快，它们要复制的也不是一个功能，而是一整套状态机。

但这不意味着 NOW 没有边界。它最值得认真对待的地方之一，是管理层其实比市场更清楚自己的边界。Pat Casey 公开拒绝 outcome pricing，这件事我一直觉得是 NOW 这个故事最重要的双刃剑。一面是保护：它避免公司为了追逐更大的 AI 叙事，过早承接过低毛利、过高责任的不对称风险；另一面也是天花板：只要它拒绝真正意义上的 outcome pricing，它就还没有进化成那种替客户承接结果预算的 operator。于是 NOW 形成了一种很少见、也很重要的形态：它是四家公司里最像闭环执行平台的一家，但同时又对自身责任边界保持克制。换句话说，它最强，可它的上行不是无穷的。

因此，NOW 的问题不是“行不行”，而是市场已经替它预付了多少年。最值得盯的变量也很具体：从公开披露倒推，当前 Pro Plus attach 更像仍在 10%-15% 区间，能不能继续向 30% 靠拢；Now Assist / Pro Plus 的商业化能不能把 ACV 推到 9 亿到 10 亿美元；AI 带来的推理成本会不会继续把毛利率往下压，尤其是在 GM 已经出现 -1.7 个百分点压力之后；Armis 这笔 77.5 亿美元的大型并购能不能顺利整合；以及 Microsoft Copilot for IT 和 Salesforce Agentforce IT 会不会在 2027-2028 年真正进入主战场。只要这几条里有两三条一起偏离，NOW 虽然还是好公司，但估值语言就需要收窄。

第4章：DDOG：产品价值极强，但商业化证据还没跟上估值

Datadog 是这组名字里第二强的业务，但股票比业务更难。它真正出色的地方，不是多了一个叫 Bits AI 的新产品，而是它从底层就站在真实系统行为旁边。Trace、metric、log、RUM、security、LLM observability，这些都不是财务表上的结果变量，而是生产环境本身。当一个公司的价值建立在“比任何人更快看到系统正在变坏”的能力上，它离真正的自动化就会很近。因为自动化的第一步不是行动，而是感知。感知越真实、越及时，AI 从建议走向处理的可能性就越高。

这就是 DDOG 产品层面最值钱的地方。Bits AI、Watchdog、LLM observability，甚至 Casey 和 Toto 这种更偏边缘的 AI 能力，本质上都在做同一件事：把“信号—诊断—处理”之间的时间压缩到更短。对 SRE 团队来说，这不是锦上添花。真正昂贵的不是云账单，而是当系统出问题时，人需要花多少时间把线索拼起来。Datadog 一旦能把 MTTR 从一小时压到十五分钟，或者把一次故障的单位成本从 2000-5000 美元压到 500-1000 美元，它就不是卖一个 dashboard，而是在切企业最硬的时间成本。换句话说，它离“快反馈执行层”已经很近。

但股票不是只为“产品有效”付钱。股票要为“第二曲线已经从产品层穿到财务层”付钱。而 DDOG 现在最核心的问题，是这条线还没有穿透。AI 收入没有独立披露，Bits AI 和 LLM observability 还嵌在现有产品定价里，没有像 NOW Pro Plus 那样形成一个独立、可识别、可验证的收费层。换句话说，整体 observability 业务已经是成熟的财务化收入，但 AI 单独看还停在更早的商业化阶段；若把真正具备 agent 特征的收入单独拎出来，规模会比 headline 想象小得多。你可以不同意折算幅度，但不能否认一个事实：市场今天已经在替一条尚未单独财务化的 AI 曲线付钱。

更难的是，DDOG 面对的不是一个竞争者，而是一组会同时泄压的结构。第一，是开放标准。OTel 不会直接“杀死” Datadog，但它会让客户切换数据源和观测栈的摩擦下降。第二，是开源和低成本替代，Grafana 是最直接的代表。第三，是大客户自建，尤其是 Top 100 互联网公司里 40%-50% 的自建比例，等于给高端市场划出一条天然天花板。第四，才是传统竞争者和新进入者。于是 Datadog 形成了一个典型、也很棘手的组合：它既是最容易让工程团队喜欢的产品之一，也是最容易在资本市场上被提前想象的一类公司。

估值把这个矛盾放大得更明显。表面看，DDOG 是 49 倍 Non-GAAP PE；可如果把 SBC 视作真实股东成本，FY2025 的 owner FCF 更接近 2.35 亿美元，对应 owner P/FCF 约 188 倍。这个数字不是公司官方口径，但足以说明问题：市场嘴上可能在用一个“高增长软件公司”的倍数看它，真正更保守的持有人却更接近在为一个“AI 尚未独立财务化、SBC 仍高、还存在多重泄漏”的资产付钱。这不是说 DDOG 一定贵到不能碰，而是说它需要非常不同的买入纪律。你不能因为喜欢它的产品就默认这只股票安全。相反，DDOG 可能是这组名字里最容易出现“公司很好，股价却不一定好做”的那个。

因此，DDOG 更适合把研究重点放在两类证据上：要么市场先给一次 reset，让估值不再建立在高度前置的想象之上；要么公司先把更硬的商业化证据做出来，比如 AI ARR 独立披露、Bits AI 或 LLM observability 形成独立 SKU、SBC/Revenue 进一步往 20% 以下收敛、增长中枢守在 22% 上下。在这些之前，DDOG 更适合高频跟踪，而不宜与 NOW 使用同样的确定性去理解。

第5章：CRM：不是便宜，而是一个必须拆开的分裂体

Salesforce 的问题很少出在 headline。headline 往往都很好：低 PE、大客户基盘、Agentforce 高热度、Data Cloud 还有第二曲线想象力。真正的问题在于，这些东西并不指向一个单一对象。CRM 今天最值得强调的，不是它有没有 AI，而是它内部的质量分布极不均匀。把这种公司平均成一个“低 PE 云软件龙头”，会比把 SNOW 当成平台股还危险，因为它会让投资者误把内部张力当成整体便宜。

Service Cloud 是最先暴露问题的地方。它的增速从 12% 掉到 6.5%，这不是小误差，也不是某个季度噪音。这更像 seat 模式承压的现实信号，甚至带有一部分 cannibalization 味道。也就是说，CRM 最接近真实工作流、最容易被 AI 直接改变单位经济的地方，已经开始感受到冲击。与此同时，Agentforce 的 headline 却很热：8 亿美元 stated ARR、全公司都在围绕它讲故事。可另一半事实同样清楚：67% 的 deals 还是免费，15 个月之内已经调价三次，说明产品关注度很高，但收费单位、客户预期和可持续 PMF 还没有找到稳定平衡。热度与质量没有同步，这才是 CRM 今天最大的麻烦。

比热度与质量错位更麻烦的，是价值捕获错位。即便 Agentforce 最后做起来，Salesforce 也未必能把最厚的那层经济回报留在自己手里。如果把项目实施报价和软件许可收入放在一起看，项目实施与流程改造的经济回报很大一部分仍由 Accenture、Deloitte 这类服务商拿走，而 CRM 自己拿到的更多是软件许可收入。于是会出现一种很容易骗过资本市场的局面：客户满意、项目上线、管理层也能给出 headline ARR，但真正留在股东这一侧的利润池，没有 headline 看上去那么厚。

Salesforce 自己对风险边界的表述，也没有市场想象得那么乐观。它并没有真的把 Agentforce 定价成 outcome pricing，反而更像在 task 和 seat 之间来回摸索。更现实的情况是，Marc Benioff 口头上推 outcome 叙事，但实际定价仍更接近 task pricing，甚至被压成了每次 conversation 计费。两者之间的差异，不是一个营销措辞的区别，而是 5 到 20 倍定价天花板的区别。只要 Salesforce 不真正承担 outcome SLA，它就还停在“帮你处理任务”的阶段，而没有进入“替你承接结果预算”的阶段。对于一只已经被广泛讨论的 AI 股票来说，这个差别很大。因为市场最爱给的溢价，恰恰是后一种。

这也是为什么 CRM 不能再用整体 PE 来看。更诚实的方式，是强制拆开看。Service Cloud 更像一条正在承受 seat 压力、但仍能产现金流的老业务；Sales Cloud 处在更弱的归因环境里；Platform、Data Cloud 和 Agentforce 则是另一台速度更快、但质量还未站稳的新机器。把这些业务线平均成一个 14.7 倍 PE，看起来便宜，其实只是在掩盖内部矛盾。整体 PE 看似低，但拆开看后安全边际并不宽，远没有“价值股 + AI 期权”听上去那么舒服。

因此，CRM 更适合用拆分视角跟踪。最值得盯的变量也非常具体：真实 paid Agentforce ARR 到底有多少；Service Cloud 能不能守住 5% 左右的增长；NRR 会不会首次公开并证明客户扩张引擎没有熄火；服务商拿大头这件事，会不会随着产品标准化而有所收敛；以及 Microsoft Copilot for Service 会不会真正进入大客户预算比较表。没有这些之前，CRM 更像一个需要持续拆分监控的复杂资产，而不是一个被市场错杀的统一便宜货。

第6章：SNOW：不是技术不够，而是控制点正在外移

Snowflake 可能是这四家公司里最容易被误判的一家，因为它最容易让研究者陷入“技术好，所以平台故事还在”的思维惯性。问题从来不是 SNOW 没有 AI，也不是 Cortex、AISQL、semantic layer、Openflow 这些东西没有产品价值，而是这些 AI 进展并没有自动沉淀成更高层的控制权。

Snowflake 的历史故事很强，因为它曾经把“数据集中到一个地方”这件事讲成了平台溢价。可 AI 时代最麻烦的地方，恰恰是数据集中不再自动等于控制点集中。因为 source of truth 仍然在客户自己的 ERP、CRM、应用系统和业务事件流里；数据格式正在开放，目录层和查询引擎之间的边界在重画；模型厂商、客户自建和更高层平台都开始直接接近数据本身。于是 SNOW 最危险的不是客户不喜欢它，而是即便客户继续喜欢它，它也可能只是整个 AI 栈里越来越重要、却越来越容易被替换的一层承载结构。

这也是为什么 2026 年 4 月 6 日那次写入 Unity Catalog–managed Iceberg 的动作那么重要。很多人会把它看成一项中性的互操作性功能：客户喜欢开放，支持更多标准，当然是好事。可从资本市场角度看，它传递的是另一层信号：Snowflake 愿意在 Databricks 控制的目录层之下，作为一个 writer 和 query engine 参与进去。问题不在“支持好不好”，问题在“谁在定义控制平面”。如果答案越来越不是 SNOW，也就意味着原本属于平台 owner 的那层溢价，不再像以前那样稳。在我看来，这已经是控制点反转的强信号，因为它不是普通兼容，而是平台地位的再表述。

再把商业化拉进来，这个故事会更尖锐。Cortex AI 现在约 1 亿美元 run-rate，服务 9100 个客户，只占 FY26 收入约 2.2%。这不是零，也不是可以被嘲笑成毫无进展；但它和“足以重写估值语言”的距离，仍然非常远。与此同时，若按更保守的 AI 毛利假设，模型供应商会拿走 Cortex 相当大一部分毛利；Iceberg 和客户自建降低了数据锁定；Databricks、Fabric、ClickHouse、DuckDB 在不同层面分走价值；云基础设施也继续拿走一部分利润率。于是 SNOW 的问题被压成一句话其实很简单：技术在进步，客户也不讨厌，但新增价值到底沉淀在哪里，并不由它完全决定。一个平台最怕的就是这件事。因为平台最值钱的时候，不是自己做得多，而是别人做什么都绕不开你。Snowflake 今天离这个状态，比三年前更远。

所以我不会再用“AI data cloud 龙头”这句话替 SNOW 辩护。那句话在 2024 年可能还有一些解释力，到 2026 年已经越来越像旧地图残留。更诚实的看法，是把它当成一只“数据和 AI 工作负载承载层很重要，但平台独占性正在减弱”的股票来研究。于是估值语言也必须随之改变：它不是一个自然该享受更高 EV/Sales 的平台，而是一个需要先证明平台溢价仍该存在的名字。要证明这一点，至少要看到几件事：Cortex 占比从 2.2% 先跨过 5%；Marketplace revenue 开始被单独看到；Databricks IPO 和 Iceberg feature parity 之后，控制点继续外移的趋势没有再恶化；以及 NRR 不要进一步跌破 120%。没有这些之前，我很难把 SNOW 放进“值得先给更高平台倍数”的那一侧。

第7章：估值桥：为什么这四家公司不能再用同一种语言

市场之所以容易误判这四个名字，很大程度上是因为先有板块标签，再有估值语言。正确的顺序应该反过来：先判断你到底在为什么层级的控制点付钱，再决定给它什么估值语言。

如果把旧地图写得最简化，它大概是这样的：四家公司都是大型软件平台，都在讲 AI，都有不错的毛利率和大客户基础，所以可以在一个“软件平台 + AI 期权”的语言里比较。这套语言不是完全错，它只是遗漏了真正承重的差异。因为一旦把收费层、责任层、写回层和价值泄漏拉进来，四家公司应该落入的是四套不同语法。

NOW 更适合用“工作流控制层 + attach economics”来看。它的核心不是 seat 增长，而是 AI 能不能作为更高 ARPU 的工作流层持续 attach 上去。于是关键不是单一目标价，而是 attach rate、ACV、毛利率与竞争压制之间的世界观切换。DDOG 更适合用“owner economics + AI monetization proof”来看。只要 AI 收入还没有独立显形，而 SBC 仍是结构性压力，你就不能只拿 Non-GAAP 倍数给它讲故事。CRM 必须强制 SOTP：慢核心要用慢核心的方法看，新 optionality 要用新 optionality 的方法看，整体 PE 只会掩盖真问题。SNOW 则更适合用“数据与 workload 承载层 + 平台折价风险”来理解。对它来说，重要的不是目标价能算出多少，而是 EV/Sales 这层平台溢价究竟应当继续维持，还是系统性下移。

这张表最重要的地方，不是它给出了四个标签，而是它把“估值桥”真正独立了出来。也就是说，读完对象模型后，你不该只觉得这四家公司不同；你应该立刻知道，为什么它们必须用不同的价格语言来谈。否则再好的业务判断，也会被错误的估值语法抵消掉。

第8章：真正该盯的变量，不是“AI 采用”，而是这五件事

如果只盯一个大词，比如“agent adoption”“AI 收入”或“客户反馈”，基本上会把这组名字全部看错。更有效的变量系统是这样的。

第一，AI 有没有真正形成独立预算。NOW 目前最接近这条线，因为 Now Assist ACV 和 Pro Plus 溢价已经能被单独看到。DDOG 还没到，CRM 更像“热度在前、定价在后”，SNOW 则明显还远。第二，AI 有没有真的写回系统。NOW 的优势最明显，DDOG 在诊断到执行之间逼近这一步，CRM 主要集中在 Service 场景，SNOW 则几乎没有真正写回客户 SoR。第三，新增价值有没有留在自己手里。CRM 和 SNOW 在这一点上最弱，一个大量被服务商抽走，一个大量被模型商、客户自建和更高层平台抽走。第四，毛利和 owner economics 能不能承接新叙事。DDOG 在这点上最尖锐，SNOW 次之。第五，竞争是切到表层功能，还是切到控制点本身。Copilot 对 NOW 和 CRM 的威胁，Iceberg/Databricks 对 SNOW 的威胁，Grafana/OTel/自建对 DDOG 的威胁，都属于后一种。

落到具体公司上，一号变量可以再压得更直接：NOW 看 Pro Plus attach rate 和 Now Assist/Pro Plus ACV，外加毛利率是否稳定在 77%-78% 附近；DDOG 看 AI ARR 是否独立披露、Bits AI 是否形成独立 SKU，以及 SBC/Revenue 能否继续往 20% 以下走；CRM 看真实 paid Agentforce ARR、Service Cloud 是否守住 +5%、以及 NRR 会不会首次披露；SNOW 则看 Cortex 占收入比例是否先跨过 5%、Marketplace revenue 是否开始可见、以及 Databricks/Iceberg 带来的控制点外移有没有继续恶化。只要这些变量不动，很多“AI 很热”的讨论其实都不值得花太多时间。

第9章：最强的反方：也许市场统一奖励大平台，其实是对的

最强的反方并不是针对某一家，而是针对整篇文章的排序。这个反方会说：你把写回、责任、独立收费层和价值捕获看得太细了。现实世界里，大客户并不会这么精密地给软件重估。他们只会把更多预算交给已经在企业里有默认分发、有销售体系、有客户关系的大平台。按照这个逻辑，NOW、CRM、DDOG、SNOW 最终都会从 AI 获得收益，差别可能远没有这里说得那么大。历史上软件行业也一次次证明，distribution 往往先于产品细节在报表里反映出来。

这个反方不是没道理。尤其是 CRM 和 SNOW，它们都很容易在情绪回暖时吃到“统一重估大平台”的顺风；DDOG 也完全可能在 AI 收入独立披露前，就先因为风险偏好上升而获得更高倍数；NOW 的 ceiling 也不妨碍它继续上涨，因为 ceiling 和上涨不是一回事。

但我今天仍然不站在这个反方一侧，理由也很简单：四家公司最承重的证据并没有站在一起。NOW 已经在写回、收费、归因和相对有限的价值泄漏上形成组合证据；DDOG 只有前两步做了一半，后两步还没穿透；CRM 的热度和付费质量还在错位；SNOW 的技术进展与控制点位置没有朝同一个方向走。也就是说，统一奖励大平台这件事，也许会在市场情绪上发生，但在研究层面还没有足够证据支撑把它当成主情景。

第10章：决策接口：研究顺序如何排，什么情况下重写 thesis

如果今天只按研究优先级和证据密度排序，我会这样看。

第一，NOW。它不是最便宜，但结构最稳，也最接近真正可验证的 AI 第二曲线。更适合持续投入跟踪资源。它成立的前提也很清楚：Pro Plus attach 继续上行，ACV 往 9 亿到 10 亿美元推进，毛利率不要继续下压，Armis 整合不要出大错。如果这些条件被系统性破坏，它仍然是好公司，但估值语言需要明显收窄。

第二，DDOG。这是“业务很好，股票更难”的典型。更合理的做法，不是在高倍数下提前把未来打满分，而是等两种时点之一：市场先给一次更可承受的 reset，或者公司先把 AI 收费层、SBC 收敛和 AI ARR 独立披露做出来。在这两种情况之前，DDOG 更适合高强度跟踪，而不宜与 NOW 用同样的确定性去理解。

第三，CRM。它不适合整体处理，只适合拆开研究。你如果看它，必须先想清楚自己到底在看哪一块：Service Cloud 的防守现金流，还是 Agentforce/Data Cloud 的期权。真正的上修触发器也已经很明确：真 paid ARR、NRR 首次披露且高于 115%、Service Cloud 守住增长。没有这些，就不该用一个统一 PE 去代替拆分判断。

第四，SNOW。这不是说它没有反弹机会，也不是说它没有产品亮点，而是说在估值上不应先假定它配得上“AI 平台自然重估”的语言。对它最诚实的做法，是先等更硬的证据：Cortex 占比先过 5%，Marketplace revenue 开始显形，Databricks/Iceberg 的抽象压力没有继续恶化。没有这些之前，SNOW 更像需要先证明平台溢价仍然存在的股票，而不是先享受那层溢价的股票。

如果再压成一句最简洁的研究顺序：先跟 NOW 的 attach economics，再等 DDOG 的独立商业化，再用拆分视角跟 CRM，SNOW 则先等平台溢价是否稳住。

第11章：四家公司各自最容易被误读的一点

这张表的意义，不是把四家公司再讲一遍，而是提醒读者：这四个名字最危险的误判，分别发生在四个不同层面。NOW 容易被高估边界，DDOG 容易被高估商业化穿透，CRM 容易被平均数掩盖，SNOW 则最容易把“产品进展”误听成“平台进展”。

第12章：不是所有 AI 收入都一样，这一点必须说透

这组名字还有一个最容易把人带偏的地方，就是“AI 收入”这四个字本身。很多横向研究会把它们放在一张表里比较，好像只要都能说出一个数字，就说明它们站在同一条商业化轨道上。事实并不是这样。

NOW 的 AI 收入，更接近工作流里一层更高 ARPU 的 attach。它的意义在于客户已经在为“让 AI 进入真实流程”单独付钱。DDOG 的 AI 收入，目前更像嵌在旧产品里的增强价值。它当然重要，但在成为独立财务化对象之前，不能和 NOW 的 ACV 证据简单等价。CRM 的 AI 收入则更像高热度采用与早期定价试探的混合物，真正的问题不是有没有 headline ARR，而是 paid quality 和收费稳定性。SNOW 的 AI 收入到目前为止，更接近一个很有技术含量、但仍然很小的新增 consumption 层，离重写整个公司估值语言还远。

所以这四家公司真正值得比较的，不是“谁的 AI 收入增长更快”，而是：这笔收入到底对应的是附加功能、独立工作流、任务收费，还是接近结果预算。只要把这个问题问清楚，很多表面上的可比性就会自动消失。

第13章：未来 4 到 8 个季度，什么证据最可能先改写这组名字的排序

如果这组名字未来会重排，最先动的不会是发布会，也不会是口号，而是几组更硬的证据。

对 NOW 来说，关键不是再多一个 agent，而是 Pro Plus attach economics 能不能继续成立。如果 attach rate 往上走、Now Assist ACV 继续兑现、毛利率压力没有进一步恶化，那么它的高估值会更像被业绩证明；反之，市场会开始重新讨论它到底是一家“高质量的 workflow 公司”，还是已经被预付过多年的 workflow 公司。

对 DDOG 来说，关键不是再多一个产品演示，而是 AI 收费层是否终于独立可见。只要 AI ARR 仍然埋在旧产品里、SBC 仍高、Grafana/OTel/自建的泄压结构仍在，它就会继续是一只“产品比股票更顺”的名字。真正能改变排序的，是商业化证据先追上产品热度。

对 CRM 来说，最先改写排序的，不会是 Agentforce 的 headline，而是付费质量和旧核心能否同时站住。只要真实 paid ARR、Service Cloud 增速和 NRR 这三条线没有一起向上，CRM 的“低 PE + AI 期权”就更像一句方便的话，而不是一句可以落成决策的话。

对 SNOW 来说，排序能不能被改写，最终取决于平台位置而不是功能数量。Cortex 占比若先跨过 5%，Marketplace revenue 开始显形，且控制点外移没有继续恶化，市场才有理由重新给它更高的平台语言；否则，技术进步和客户满意度都不足以自动对冲平台折价。

第14章：为什么这四家公司不适合用同一个篮子去管理

把 NOW、DDOG、CRM、SNOW 放在同一个“AI 软件平台篮子”里管理，最大的问题不是粗糙，而是它会自动遮掉真正需要不同对待的风险来源。NOW 的主要风险在 attach economics、成本结构和并购整合；DDOG 的主要风险在独立收费层迟迟不显形，以及 SBC 与标准化压力的叠加；CRM 的主要风险在分裂体内部的质量错位；SNOW 的主要风险则是平台抽象带来的估值语言下移。四种风险的触发器、验证节奏和修正方式都不一样。

这意味着，哪怕你最终在组合里同时跟踪这四个名字，也不该默认它们互相替代。它们不是四只程度不同的“AI 软件股”，而是四种层级不同的资产。只有先承认这一点，后面的估值、仓位和验证节奏才会变得诚实。

再压成更实用的一句：NOW 更怕估值预支过头，DDOG 更怕商业化证明来得太慢，CRM 更怕内部错配长期不收敛，SNOW 更怕平台外移继续加速。四种风险不是强弱不同，而是失效机制根本不同，验证节奏也完全不同。

第15章：总结

市场最喜欢把复杂问题讲成板块，因为板块最省力。可真正决定回报的，往往不是板块标签，而是谁在一条工作流里真正拥有了状态变化、收费单位和责任边界。

这组名字里，NOW 最接近把 AI 推进到真实工作流写回层；DDOG 最接近把快反馈变成快处理；CRM 不是一家公司，而是至少两台速度不同的机器；SNOW 的问题则不是没有 AI，而是控制点开始外移。只要这四个判断成立，它们就不该再共享同一种估值语言。

AI 不会平均奖励软件平台。
它奖励的，从来不是“谁会讲更多功能”，而是：谁真正控制了状态变化，谁真正拿到了收费权，谁又把新增价值留在了自己账上。
这才是我今天看这四个名字的主线。

第16章：这篇文章与我之前那篇 SaaS NRR 报告是什么关系

如果你读过我之前那篇 SaaS NRR 报告，看到这里大概率会问一个很自然的问题：为什么那篇文章里，CRM 的风险回报排序可以更靠前；而这篇文章里，我却把 NOW 放在更接近 AI 控制点的位置，也把 DDOG 的业务位置抬得更高？这不是我忘了前文，而是两篇文章从一开始就在回答两个不同的问题。

那篇 NRR 报告，核心是在修正旧 SaaS 时代最常见的一种误判：市场太习惯用 Rule of 40、单一 NRR 和 Non-GAAP 利润去给软件公司定价，却没有继续追问这些增长和利润到底来自什么引擎。所以那篇文章更像一张估值地图。它主要回答的是：如果今天必须在这一组 SaaS 资产里做取舍，谁的现金流质量更真，谁的安全边际更厚，谁的赔率更适合先放进组合。

而这篇文章往前再走了一层。它不先问谁便宜，而先问这四家公司到底各自控制了 AI 软件栈里的哪一层。也就是说，它更像一张对象地图，或者一张控制点地图。它主要回答的是：在 AI 把软件利润池重新分配的过程中，谁更接近写回层，谁更接近真实工作流，谁的收费权更稳，谁又更容易被上层抽象。

于是，两篇文章看起来像有分歧，其实只是观察高度不同。前一篇更接近“股票视角”，所以 CRM 的相对安全边际会显得更突出；后一篇更接近“资产视角”，所以 NOW 和 DDOG 在产业位置上的重要性会被看得更重。前者解决的是“今天哪一个名字更像好赔率”，后者解决的是“未来几年哪一种控制点更值得被赋予更高语言”。这不是互相推翻，而是先后顺序不同。

如果一定要把两篇文章的关系压成一句最实用的话，那就是：先用这篇文章定义对象，再回到那篇 NRR 报告决定赔率。 先搞清楚你手里拿的到底是一只 workflow 写回层资产、一只快反馈执行层资产、一只分裂体，还是一只控制点正在外移的平台；然后再讨论它贵不贵、安不安全、值不值得配更多仓位。只做后一步，很容易把估值讨论建立在错误的对象定义上；只做前一步，又容易把“好资产”误买成“坏股票”。

所以我并不想把这两篇文章表述成“新观点推翻旧观点”。更准确的说法是：那篇文章解决的是 SaaS 定价语言为什么失灵，这篇文章解决的是 AI 时代对象定义为什么变了。前者仍然重要，因为市场最后总要回到现金流和赔率；后者同样重要，因为如果连对象是什么都定义错了，后面的估值就只是精致地算错。

这也是我希望读者理解的最终关系：同一家公司，完全可能同时拥有两张面孔。一张是今天的股票面孔，决定你现在要不要急着付这个价钱；另一张是未来几年的资产面孔，决定它有没有资格长期留在更高的位置。真正该做的，不是强迫两篇文章在表面排序上完全一致，而是先问清楚：你现在到底在回答哪一个问题。