身份不明的发言人
Eric Prengel（集团副总裁 - 财务）
Ken Exner（首席产品官）
身份不明的参会者
Robbie Owens（Piper Sandler公司）
好的，各位早上好。我是Rob Owens，技术研究联合主管，专注于我们的基础设施和安全软件业务。感谢大家今天上午参加会议。非常高兴Elastic的各位，Eric Pringle和Ken Exner能和我们一起，聊一聊公司目前的情况以及未来的发展方向。我想，先生们，谢谢你们。感谢回到纳什维尔。
Ken和我去年回家时经历了一次惊魂时刻，我们刚刚还在回忆，当时我们的飞机在跑道上差点撞上另一架飞机，然后我们在机场一起待了九个小时。
希望今年我们起飞后开始爬升，然后突然飞机刹车了。我以为是跑道不够长，但显然我们差点撞上另一架飞机。所以我们上了新闻，还挺有意思的。但我后来沿着停机坪走了半英里才回去。所以感谢你们回来，而且我们今年不一起飞了。太好了。我们来聊聊第一季度，我想在你们之前的Mongo会议上，Brent指出了这个领域正在发生的很多拐点。我认为如果我们看收入或订阅收入，你们的数据中也出现了这种情况。但你们知道，其中有价格上涨的因素，顺便说一下，软件公司确实会这样做。我很想了解你们所看到的成功的不同组成部分。你们如何为今年剩下的时间做准备，也许Erica也可以谈谈定价问题。
好的。你想让我先从第一季度开始吗？
当然。
我想说第一季度的业绩我们非常满意。我们看到了强劲的承诺和强劲的消费。这确实是我们衡量业务的方式，即承诺和消费。业务总收入增长了20%，这非常好。我们提到了“销售主导收入”这一指标，即不包括月度云服务的订阅收入。这部分业务增长了22%，这是一个非常不错的增长率。我们还看到了非常强劲的营业利润率。我们的利润率略低于16%，这很棒。这真的是由很多因素驱动的。
该产品取得了巨大的成功。生成式AI显然是该产品的一大驱动力，我认为相关性变得更加重要。这正是我们所提供的。当你考虑智能体（agentic）时，它不仅仅是给你一个答案，实际上还可能采取行动。因此，我们通过检索增强生成（RAG）和相关性带来的能力在这里变得更加重要。在安全领域，我们看到了很多整合，这对我们来说非常有利。当你看到安全堆栈的不同组成部分，无论是安全信息和事件管理（SIEM）、扩展检测和响应（XDR）、云安全开始融合时，这确实对我们有利。
在可观测性方面，我们也看到了强劲的势头，这得益于我们在安全领域通过AI助手和其他功能所做的一些AI工作。因此，总体而言，产品表现强劲，市场推广执行得非常好。显然，一年前我们进行了一些变革，现在我们看到这些变革在很大程度上得到了恢复，执行情况良好。因此，总体而言，我们在第一季度看到了强劲的表现，我们对其表现非常满意。考虑到去年第一季度的情况以及一些不同的销售变化，今年的对比基数相对容易一些，但我认为我们看到这个领域有很多事情在加速发展。从基础设施的角度来看，你觉得我们是否接近那个拐点？我很想让Ken就我们所处的位置发表意见。
为什么是生成式AI，或者更广泛地说。生成式AI的热潮发生在几年前，我认为人们对生成式AI有巨大的热情，每个人都在等待那些巨大的拐点，而且它将会发生，将会有显著的增长。我认为如果你看看我们行业的重大变革，比如云计算，再看看互联网的诞生，即使是最保守的估计，抱歉，即使是最激进的估计往往也过于保守。比如我记得互联网出现时，人们说它将对行业产生2000亿美元的影响。
每个人都说，哦不，那太疯狂了。我看到的最激进的估计是1万亿美元。每个人都说那太离谱了。但我认为30年后我们意识到，它的实际影响要大得多。达到那个程度需要时间，但最终会呈阶梯式增长。我在云计算初期就在AWS。实际上，当我们推出DC2时我就在AWS。最初的三四年，它就像是一个保守得最好的秘密。我们就想，为什么没人关注这个？初创公司在使用我们的服务。
大概在第四年左右，人们开始注意到，企业说我们需要制定云计算战略。然后又过了三四年，云计算才真正对亚马逊的整体业务产生影响。今天，我们知道云计算在非常根本的层面上改变了这个领域，但这需要时间，然后它会呈阶梯式增长。我认为随着生成式AI，人们意识到它将对所有行业产生巨大的变革性影响。最初的几年是关于实验，是关于试图弄清楚它将用于什么，人们将如何利用它？我认为很多早期的实验都是围绕助手、基于聊天的体验和副驾驶展开的。
这很有趣，也很好。但我认为当人们转向自动化时，智能体AI将在所有行业中发挥巨大影响，因为它不再仅仅是助手，不再是Clippy（微软早期的办公助手），而是关于如何实现自动化，从根本上改变人们的工作方式，并提高巨大的生产力。我很兴奋，因为我认为智能体AI正在激发人们的想象力，让他们思考如何利用AI从根本上改变我们的工作方式。因此，我认为在未来几年，你将看到由智能体AI驱动的大量自动化，而智能体AI将由上下文工程驱动。
上下文工程是我们工作的核心。
那么有哪些相似之处，我们应该关注哪些证明点？你在AWS亲身经历了基层的情况，我们应该寻找哪些证明点？因为从投资角度来看，我们看到周期时间在缩短，对吧？我们看到ChatGPT的采用率与之前的周期相比，比如人们使用互联网的周期，这些东西一开始的势头非常疯狂。但随之而来的是期望，期望带来的是一段失望期。所以，如果你将你第一次经历的和我们现在看到的进行比较，你认为这些证明点会是什么？
我认为这将是看到人们从企业内部的第一次实验转向更广泛的跨部门应用。我们看到的一件事是，我们合作的许多企业在一个领域进行原型设计和实验，然后当他们取得成功时，它开始在整个企业中推广。这是一个方面。另一个方面是用例开始超越最初的几个实验性用例。所以我提到这些基于聊天的体验一直是使用AI的典型例子。转向其他类型的用例是我认为的信号。
我认为今年，Vibe编码和使用AI驱动软件开发在过去12到18个月里成为了突破性的用例。之前是聊天。展望未来，我很想看看人们如何扩展到其他自动化用例。所以看到用例数量的增长。
扩展我认为会很有趣。Elastic在这一切中扮演什么角色？短期和长期来看？
我们的核心业务是搜索引擎。这很重要，因为当你试图构建生成式AI应用时，你需要向生成式AI传递上下文。你需要向大型语言模型（LLM）传递上下文。这本质上是一个搜索功能。过去几年每个人都听说过向量数据库。我们从2017年开始就是向量数据库。我们做这个已经很久了。但这不仅仅是成为向量数据库。这是关于支持开发人员构建这些应用程序的整个工作流程。从弄清楚如何摄入数据，到如何分块数据，如何对数据进行推理或编码以创建向量。
当然，还有向量搜索或将其与不同技术结合。我们有一系列不同的模型来辅助这个过程，比如查询理解模型和重排序模型。以进一步从数据中获得更好的相关性。你可以将地理空间搜索与向量搜索结合起来，最终将上下文传递给智能体或LLM。你可以通过几种不同的方式做到这一点。你可以通过提示工程将其放入上下文窗口，你可以通过MCP接口，你可以将事物公开为MCP资源或工具，所有这些。
整个工具链就是我们所做的。所以不像很多只存储和查询向量的向量数据库。我们支持整个工作流程。
我想补充一点，我认为这很重要，Ken也提到了一点。当你考虑这场生成式AI革命时，2023年，很多公司在ChatGPT出现时开始思考生成式AI。随着ChatGPT的出现，人们有了那种顿悟的时刻。很多公司说，哦，我们需要进入生成式AI领域，他们开始追逐生成式AI。Elastic在2017年就开始研究向量数据库。我们已经做了很多向量相关的工作。我想说的是，Elastic并不是在追逐这个市场，可以称之为运气或者随便你怎么说，或者称之为准备，我希望是准备，Elastic一直在朝着这个市场努力，构建能力，这个市场真的是向我们走来，而不是我们去追逐市场。我认为相对于这个领域的很多其他公司，这是Elastic的一个重要特点。
太好了。这似乎正在转化到其他领域。也许你可以谈谈安全领域的机会，围绕你们的SIEM产品，甚至可观测性，机会似乎都在改善，以及为什么客户希望整合这些领域。因为通常这可能是一个采购中心，但我认为历史上在一个组织中是多个采购中心，不同的用户和不同的用例。所以你认为为什么你们会看到整合，以及你们在这方面取得的成功？
首先，我来解释一下。除了核心搜索业务外，我们还涉足安全业务。我们进入安全业务是因为威胁猎人使用我们来搜索所有日志和所有不同的非结构化数据，以寻找大海捞针般的威胁。所以我们开始成为所有这些威胁猎人搜索其业务中所有信息和数据的选择。在可观测性方面，同样如此，人们使用我们作为日志分析解决方案来搜索过去几年的大量日志。
这一直是我们可观测性和安全业务的核心，作为SIEM或安全分析平台以及日志分析平台。但我们一直在将其扩展到多个不同领域。所以在安全方面，我们一直在悄悄构建一系列EDR（端点检测和响应）能力和云安全能力，这样我们不仅可以进入SIEM领域，还可以扩展到EDR和云安全领域。我们的EDR能力实际上是评分最高的。看看AV Comparatives，他们将我们评为市场上评分最高的恶意软件检测解决方案。
在可观测性方面也是如此，我们一直在将其扩展到指标和APM（应用性能监控）。我们的策略是通过日志切入，在那里与业务建立牢固的关系，然后扩展到这些相邻领域。所以这对我们来说非常顺利。AI在这方面也发挥着巨大的作用，因为我们能够使用AI来改善威胁猎人的体验，并通过自动化他们所做的许多事情来改善SRES和DevOps从业者的体验。如果你想想典型的安全分析师的工作，他们做很多模式匹配，做很多手动工作，每天筛选数百个警报，试图弄清楚他们业务中发生了什么。
这个警报是真实的吗？是误报吗？它与其他警报有什么关系？他们处理的所有这些工作都可以通过生成式AI自动化。所以我们一直在使用AI，我们自己的能力来改变这些体验，使这些从业者能够更快地完成他们的任务。我很惊讶我们在这两个领域部署AI方面处于领先地位，但我很惊讶没有人赶上。比如当我们在安全领域推出ATTCK Discovery时，它在RSA获得了最佳展示奖，是非常受欢迎的功能。
它基本上是获取从业者收到的所有不同警报，并自动绘制攻击链，大致说明这些警报之间的关系。仍然没有人弄清楚如何做到这一点。我认为我们能够做很多事情是因为我们是一个AI平台，我们知道如何利用所有数据的上下文来构建这些类型的体验。所以我认为你看到一些势头，人们开始选择我们，因为我们已经弄清楚如何使用AI来真正改变这些体验。
Ash喜欢说安全是一个数据问题。让我展开说说。如果你看看安全分析师在做什么，他们在筛选数据，他们有大量的数据需要仔细查看，以确定是否存在安全事件。他们必须大海捞针。有几个问题。一是如果你缺少数据，或者你没有收集所有数据，你可能会错过潜在的漏洞。所以我们总是说不要丢弃数据。确保你保留所有数据，如果你有所有这些日志数据，就使用日志数据，AI可以帮助你更快地处理它。
第二点是，历史上我们总是使用手动方法来筛选数据。所以威胁狩猎的过程是通过更好的工具来进行分析。AI证明你不必手动完成。你不应该必须手动完成所有这些关联分析，所有这些威胁狩猎。机器人更擅长这个，机器更擅长这个。所以我认为对我们来说，如果我们能够部署AI来进行威胁狩猎，找到大海捞针，并告诉你这个针与另一个针有什么关系，然后帮助你修复它，我认为这不仅可以帮助人们更快地行动，还可以修复问题。
也许换个话题，谈谈无服务器（serverless）的机会。
当然。
也许可以先向观众解释一下你们在这个旅程中所处的位置。
这是我们最近一直在谈论的事情，因为我们最近推出了无服务器云产品，并在所有三大云提供商上全面上市。我猜甲骨文正在成为主要的云提供商。显然是的。我想我必须调整我的谈话要点，但今年夏天针对谷歌、AWS和Azure，无服务器产品本质上是云中Elastic的完全托管版本。所以你可以想想。我们支持客户部署Elastic有三种不同的方式。一种是自管理，所以你可以自己运行它，无论是在本地还是在云上，无论你想在哪里。
你自己管理它，只需支付许可费用。第二种是托管产品。这是我们在其中一个云提供商上为你托管。我们将配置实例，安装软件，保持补丁更新，但这是一个共享责任模型。所以客户负责扩展，负责集群健康，负责分片所有这些其他事情。我们的无服务器产品是完全托管的。你可以把它想象成SaaS。它是一个SaaS产品，所以它是无版本的。你不必考虑底层资源。
它完全对你抽象化了。所以从用户体验的角度来看，就像是将PAAS与SaaS进行比较。我想你可以说这是一种完全托管的体验。另一个方面是它建立在云原生架构上，这使我们能够利用云的许多效率，包括对象存储。这是一个完全无状态的架构。所以我们基本上构建了一个数据湖风格的架构作为支撑。这很重要，因为它使我们能够更高效地运行。所以它将为我们的业务提供更好的利润率，并使我们能够控制成本，同时也为客户降低成本，特别是对于较小的工作负载，你只需为你使用的东西付费。
所以对客户来说会更便宜。最后我要提到的是，我们的 packaging 方式也略有不同，所以我们能够为安全专业人员打包安全产品，为可观测性专业人员打包可观测性产品，并以此定价。所以如果你想要一个安全解决方案，我们有一个无服务器安全项目，其定价方式对你来说是合理的。它按千兆字节定价。你为摄入的千兆字节和存储的千兆字节付费，仅此而已。你不必考虑你的工作负载需要多少内存或多少CPU。
你不必考虑硬件。
太好了，Eric。如果你想想过去几年Elastic的情况，这个故事多次接近拐点，我知道投资者很兴奋，这是一个相当不稳定的业务。如果我们看看你们最近的成功，尤其是第一季度，你是否发现在这个模型中更具可预测性？相对于一年前市场推广的变化，你们是否看到了更多关于这些机会的可见性？
是的，这是个好问题。随着规模的扩大，你自然会有更多的可预测性，更容易看到未来的情况。但在消费模型中也会有一些挑战。你一开始提到了价格上涨，我们还没有谈到这一点。但在第一季度，嗯，在第一季度初，我们提高了价格，前一年我们也这样做了。价格上涨是所有软件公司用来推动价值的杠杆。所以今年我们提高了自管理业务和云业务的价格。
云业务的价格上涨立即对业务产生了影响。我们看到了很多积极的方面，因为当你考虑消费业务时，它不仅仅是简单的价格乘以数量的分析。有不同的变动因素，有持续的优化，价格上涨肯定会让人们重新考虑优化。此外，我们提高价格的部分原因是我们为平台增加了很多价值。所以当你考虑logsdb时，它显著减少了客户需要使用的存储量，降低了他们的总拥有成本。
这类似于我们几年前发布的可搜索快照功能，这也降低了一些成本。所以在我们提高客户价格的同时，我们也通过我们添加的功能降低了他们的成本。还进行了额外的优化。总而言之，我们看到客户的消费增加了，这意味着他们在我们这里的支出增加了，我们认为这是非常积极的信号。但回到可预测性的问题，像这样的事情，消费本质上我认为比一些更传统的基于席位的SaaS模型更难预测。
你知道，你为席位付费。所以随着我们变得更大，随着我们在消费模型方面有更多经验，我认为我们在预测方面做得更好了。我们开始在我们的生态系统中构建不同的模型。我们正在监控不同的事情来跟踪它。但我认为消费模型总是比这些其他模型更难预测。
太好了。如果有的话，我们还有时间问一两个问题。
来吧。Ethan。是的，关于无服务器，你能谈谈客户将现有的云工作负载或用例迁移到无服务器的过程吗？有多难？是的，这类似于从自管理迁移到云。所以典型的过程是你创建数据快照，然后从快照恢复。也就是说，我们希望让这变得更容易，所以没有理由我们不能非常透明地做到这一点。所以我们在未来六个月左右正在努力的事情之一是让客户更容易做到这一点，使其成为一键式操作。
这将分阶段进行。我们将推出一些工具，并不断完善。但我希望能够在明年让客户只需按一下按钮就能无缝迁移。
我想问一下“吃自己的狗粮”或者说“喝香槟”的情况。
我喜欢我们同一天都这样说。
你们在哪里利用AI和Elastic的一些不同工具和功能来提高效率？
好吧，我的意思是，我们首先开始使用IT来改变可观测性和安全领域的游戏规则。所以那是第一件事。我之前提到过，我很惊讶其他人花了这么长时间，他们在某些领域仍然没有赶上使用AI，但在内部我们也使用IT。我们有一个销售运营团队，使用它来构建销售自动化。我们有一个IT团队在内部使用它。我们的支持团队正在使用AI构建各种支持助手。所以支持领域非常适合生成式AI。
如果你想真正增强支持人员的能力，你可以通过AI完成他们的很多工作。所以我们意识到，你可以使用AI来自动化他们所做的很多工作。比如试图弄清楚，这个客户之前是否因为这个问题打过电话？他们的情绪是什么。他们生气吗？在他们打电话之前就知道他们生气了？基于之前的对话，有很多事情你可以做来为支持工程师提供大量信息。
所以我们正在利用所有这些来为人们打电话寻求支持时创造良好的体验，因为我们可以查看所有过去的信息，了解这个人的很多背景。
这是否在你们开始使用它的任何这些职能领域带来了实际的成本节约或减少了人员？
是的，这是个好问题。我认为我们仍在观察，有很多方法可以提高效率。所以我不知道我们是否一定减少了业务中的人员，但当我们考虑能够利用生成式AI来真正提高生产力和效率时，我们可能减少了新增人员的数量。就像Ken说的，这真的是销售支持。即使在工程方面，我们开始看到我们能够利用的一些能力给我们带来了巨大的好处。
太好了。我们就到这里。谢谢你们。
谢谢。
谢谢，Sa。Sa。