เมื่อซอฟต์แวร์ซับซ้อนเกินกว่าจะ “เพ่งดู” ด้วยตา ใครคือคนที่มองเห็นทุกอย่างแทนเรา

เหตุผลง่ายๆ คือ เวลาที่ระบบล่ม = เงินที่หายไปเป็นนาที เว็บช้อปปิ้งล่มหนึ่งชั่วโมงในวันเซลใหญ่ อาจหมายถึงยอดขายหายหลายสิบล้าน แอปเทรดหุ้นค้างตอนตลาดผันผวน อาจหมายถึงคดีความ ยิ่งทุกธุรกิจย้ายขึ้นไปอยู่บนซอฟต์แวร์มากเท่าไหร่ “การที่ระบบต้องไม่ล่ม และถ้าล่มต้องแก้ได้เร็ว” ก็ยิ่งกลายเป็นเรื่องคอขาดบาดตาย

ภาพประกอบ (blackbox.png)

ผลคือเครื่องมือกลุ่มนี้กลายเป็นตลาดที่ใหญ่และโตเร็ว ตลาด observability เพียงอย่างเดียวอยู่ที่ราว $3,000 ล้านในปี 2025 และคาดว่าจะโตเป็นราว $6,000 ล้านในปี 2030 (โตเฉลี่ยราว 12–16% ต่อปี ขึ้นกับสำนักวิจัย) ส่วนตลาด DevOps/CI-CD ที่กว้างกว่า อยู่ที่ราว $16,000–20,000 ล้านในปี 2025 และหลายสำนักมองว่าจะพุ่งไปแตะ $44,000–80,000 ล้านในช่วงต้นทศวรรษหน้า ด้วยอัตราเติบโตราว 20% ต่อปี

แต่ตัวเลขตลาดยังเล็กกว่ามูลค่าจริงที่ตลาดหุ้นให้ เพราะผู้นำในกลุ่มนี้ถูกมองว่าเป็น “โครงสร้างพื้นฐานที่ถอดออกยาก” พอ Datadog ผู้นำ observability มีรายได้ทั้งปี 2025 ราว $3,390 ล้าน (โตราว 26%) แต่มูลค่าบริษัทกลับสูงถึงระดับหลายหมื่นล้านดอลลาร์ — เพราะเมื่อบริษัทหนึ่ง “เสียบ” เครื่องมือเข้าไปในระบบตัวเองแล้ว การถอดออกไปใช้เจ้าอื่นนั้นเจ็บปวดมาก

หัวใจของ observability คือแนวคิดที่เรียกว่า “สามเสาหลัก” (the three pillars) — ข้อมูลสามชนิดที่ทุกชิ้นส่วนของระบบส่งออกมา แล้วแพลตฟอร์มเอามาประกอบเป็นภาพรวม ลองนึกว่าระบบคือคนป่วยที่หมอต้องวินิจฉัย สามเสานี้คือเครื่องมือตรวจสามแบบ:

• Logs (บันทึก) — ตอบว่า “เกิดอะไรขึ้น”: ข้อความที่แต่ละชิ้นส่วนเขียนทิ้งไว้เมื่อมีเหตุการณ์ เช่น “เวลา 14:03 ผู้ใช้คนนี้จ่ายเงินไม่ผ่านเพราะบัตรหมดอายุ” — เหมือนไดอารี่ละเอียดยิบของระบบ
• Metrics (ค่าวัด) — ตอบว่า “ระบบสุขภาพดีแค่ไหน”: ตัวเลขสรุปที่วัดเป็นช่วงๆ เช่น จำนวนคำขอต่อวินาที, เวลาตอบสนองเฉลี่ย, % การใช้หน่วยความจำ — เหมือนสัญญาณชีพ (ชีพจร, ความดัน) ที่ดูแล้วรู้ทันทีว่าปกติไหม
• Traces (รอยทาง) — ตอบว่า “คำขอนี้วิ่งไปทางไหน”: เมื่อคุณกดปุ่ม “จ่ายเงิน” หนึ่งครั้ง คำขอนั้นวิ่งผ่านบริการย่อยอาจ 20–30 ชิ้น trace คือการตามรอยทั้งเส้นทางว่ามันแวะที่ไหนบ้าง และ ช้าที่จุดไหน — เหมือน GPS ติดตามพัสดุทีละด่าน

ลำพังเสาเดียวไม่พอ พลังที่แท้จริงเกิดเมื่อรวมทั้งสาม: metrics เด้งเตือนว่ามีปัญหา → traces ชี้ว่าปัญหาอยู่ที่บริการย่อยตัวไหน → logs บอกรายละเอียดว่าตัวนั้นพังเพราะอะไร ทั้งหมดนี้ภายในไม่กี่นาที แทนที่จะต้องนั่งเดาทั้งคืน

นี่คือส่วนที่ทำให้ธุรกิจนี้ทั้ง “ทำเงินดีมาก” และ “เป็นที่บ่นมากที่สุด” พร้อมกัน เพราะส่วนใหญ่คิดเงินแบบ “จ่ายตามปริมาณข้อมูลที่ใช้” (usage / data-volume pricing) ยิ่งระบบของคุณส่ง logs และ metrics เข้ามามากเท่าไหร่ บิลก็ยิ่งบวมเท่านั้น

ยกตัวอย่าง Datadog คิดเงินแยกเป็นสิบๆ รายการซ้อนกัน: ค่าเฝ้าดูเซิร์ฟเวอร์ราว $15 ต่อเครื่องต่อเดือน, ค่า APM ราว $31 ต่อเครื่องต่อเดือน, ค่าดูด log ราว $0.10 ต่อกิกะไบต์ บวกอีก $1.70 ต่อล้านรายการ ที่จะค้นหาได้ ฟังดูถูก — จนกระทั่งระบบโต ปริมาณข้อมูลพุ่ง แล้วบิลก็ระเบิด

ภาพประกอบ (meter.png)

คำว่า “บิลช็อก” (bill shock) กลายเป็นเรื่องเล่าประจำวงการ — ทีมวิศวกรเล่าว่าได้บิลที่แพงกว่าที่ตั้งงบไว้ 3 เท่า 5 เท่า บางทีถึง 10 เท่า ไม่ใช่เพราะใช้ผิด แต่เพราะค่าใช้จ่ายซ่อนอยู่หลายชั้น (เช่น ทุก “แท็ก” ที่ต่างกันนับเป็นค่าวัดใหม่ทั้งหมด พอมีแท็กเยอะก็บานปลาย) บริษัทขนาดกลางทีมวิศวกร 50 คน อาจจ่ายราว $220,000 ต่อปี ส่วนระดับองค์กรที่ส่งข้อมูล 1 เทระไบต์ต่อวัน บิล observability อย่างเดียวอาจ เกิน $1 ล้านต่อปี — เทียบเท่าเงินเดือนวิศวกรอาวุโส 5–8 คน

ในมุมผู้ขาย โมเดลนี้มหัศจรรย์: รายได้โต “ตามธรรมชาติ” ทุกปี เพราะลูกค้าทุกรายส่งข้อมูลมากขึ้นเรื่อยๆ โดยไม่ต้องไปขายของเพิ่ม (นี่คือที่มาของ net revenue retention ~120%) แต่ในมุมลูกค้า มันสร้างความสัมพันธ์แบบ “รักก็แค้น” — ขาดไม่ได้ แต่ก็เจ็บใจทุกครั้งที่เปิดบิล จนเกิดทั้งทีม FinOps ที่ทำหน้าที่ “จัดการค่า observability” โดยเฉพาะ และคู่แข่งหน้าใหม่ที่ขายจุดเด่นว่า “ถูกกว่า/เก็บข้อมูลได้นานกว่าในราคาเท่าเดิม”

Observability & DevOps เป็น “ชั้นที่มองเห็นทุกอย่าง” ของโลกคลาวด์ จึงเชื่อมโยงกับเทรนด์อื่นแน่นหนา:

• นั่งอยู่บน Hyperscale Cloud: เครื่องมือกลุ่มนี้คอยเฝ้าดูทุกอย่างที่รันบน AWS, Azure, Google Cloud — ยิ่งโลกย้ายขึ้นคลาวด์มาก ก็ยิ่งมีของให้ “เฝ้าดู” มากตาม (แต่เจ้าคลาวด์เองก็มีเครื่องมือ observability ของตัวเองมาแข่งด้วย)
• คาบเกี่ยวกับ Data Platforms & Analytics: เพราะแก่นของ observability คือ “การเก็บและค้นข้อมูลมหาศาลให้เร็ว” — Elastic เกิดมาจากเครื่องมือค้นข้อมูล (search) ก่อนจะกลายเป็นแพลตฟอร์ม observability เส้นแบ่งระหว่างสองโลกนี้บางลงเรื่อยๆ
• บรรจบกับ Cybersecurity & Digital Trust: ข้อมูล logs ชุดเดียวกัน ใช้ทั้ง “หาว่าระบบช้าตรงไหน” และ “หาว่ามีใครบุกรุกไหม” ได้ — นี่คือเหตุผลที่ Cisco ทุ่มซื้อ Splunk และทำให้ observability กับ security ค่อยๆ หลอมรวมกัน
• ป้อนและถูกป้อนโดย AI Tooling & MLOps: โมเดล AI ที่รันในโปรดักชันก็เป็นระบบที่ต้อง “เฝ้าดู” เช่นกัน — เกิดสาขาใหม่ชื่อ LLM observability ที่คอยจับว่า AI ตอบผิด ตอบช้า หรือใช้เงินบานปลายหรือเปล่า

พูดอีกแบบคือ ทุกเทรนด์ดิจิทัล (AI, การเงินดิจิทัล, smart city) เมื่อสร้างซอฟต์แวร์ขึ้นมา ก็ต้องมี observability คอยดูแลเบื้องหลังเสมอ — มันจึงเป็น “ภาษีที่เก็บจากความซับซ้อน” ของทั้งวงการ ยิ่งโลกสร้างซอฟต์แวร์มากและซับซ้อนขึ้น ตลาดนี้ก็ยิ่งโต

ภาพปี 2025–2026 มีสองกระแสใหญ่ที่กำลังหล่อหลอมตลาดนี้

กระแสแรกคือ การรวมศูนย์เป็น “แพลตฟอร์มเดียว” (consolidation) เมื่อก่อนทีมวิศวกรใช้เครื่องมือ 5–10 ตัวต่อกัน แต่ตอนนี้ทุกคนอยากตัดให้เหลือแพลตฟอร์มเดียวที่ทำได้ทั้ง logs/metrics/traces (และบางทีรวม security ด้วย) ดีลที่สะเทือนวงการที่สุดคือ Cisco ซื้อ Splunk ด้วยมูลค่า $28,000 ล้าน (ปิดดีลมีนาคม 2024 ดีลใหญ่ที่สุดในประวัติศาสตร์ Cisco) เพิ่ม ARR ให้ Cisco อีกราว $4,000 ล้านทันที และรวมทีม AppDynamics เข้าไปอยู่ใต้ Splunk

กระแสที่สองคือ AI เข้ามาเป็นทั้งงานใหม่ที่ต้องเฝ้าดู และเป็นเครื่องมือในแพลตฟอร์มเอง Datadog เผยว่า กลุ่มลูกค้า “AI-native” (บริษัทที่ธุรกิจคือ AI ล้วนๆ) คิดเป็นราว 8 จุดเปอร์เซ็นต์ ของการเติบโตรายได้ในไตรมาส 3 ปี 2025 — สะท้อนว่าคลื่น AI กำลังสร้างของใหม่ๆ ให้ต้องเฝ้าดูมหาศาล

ผู้นำตัวจริงของ observability ยังเป็น Datadog — บริษัทที่เริ่มจากเครื่องมือเฝ้าดูเซิร์ฟเวอร์ แล้วค่อยๆ ขยายเป็นแพลตฟอร์มที่ทำได้เกือบทุกอย่าง ขณะที่ฝั่ง DevOps/CI-CD มีผู้เล่นคนละกลุ่ม นำโดย GitLab และ Atlassian ที่เน้นการเขียน-ทดสอบ-ปล่อยโค้ด ที่น่าสนใจคือผู้เล่นรายใหญ่ที่สุดในตารางหุ้นกลุ่มนี้ มักเป็นยักษ์ที่ทำ observability เป็น “ธุรกิจรอง” — Microsoft, Cisco, Broadcom — ส่วนบริษัทที่ทั้งชีวิตคือเรื่องนี้จริงๆ กลับเป็นรายที่เล็กกว่าแต่โฟกัสกว่า

อนาคตของ node นี้ผูกกับ AI แบบที่มีสองด้านในเหรียญเดียว และนี่คือเรื่องราวที่น่าสนใจที่สุดของตลาด

ภาพประกอบ (aiwatch.png)

ด้านที่หนึ่ง — AI คืองานใหม่ที่ต้องเฝ้าดู: เมื่อทุกบริษัทเริ่มเอา AI ไปใส่ในโปรดักต์ ก็เกิดของใหม่ที่ต้องตามดูเต็มไปหมด — โมเดลตอบถูกไหม ตอบช้าไหม ค่าเรียกใช้ (token) บานปลายไหม มี “อาการหลอน” ไหม นี่คือสาขาใหม่ชื่อ LLM observability ที่ทุกเจ้ากำลังแย่งกันสร้าง และเป็นเหตุผลหนึ่งที่ลูกค้า AI-native ดันการเติบโตของ Datadog อย่างเห็นได้ชัด

ด้านที่สอง — AI คือเครื่องมือในตัวแพลตฟอร์ม: เดิม observability บอกได้แค่ว่า “มีปัญหา” แล้วปล่อยให้คนไปสืบเอง ทิศทางใหม่คือใส่ “AI agent” ที่สืบสาเหตุและแก้ให้เอง เช่น Bits AI ของ Datadog หรือเอนจิน Davis ของ Dynatrace ที่เคลมว่าชี้สาเหตุได้อัตโนมัติ ปลายทางคือระบบที่ “รักษาตัวเองได้” (self-healing) โดยมีคนคอยดูแค่ภาพรวม

ทิศทางที่สามคือ การบีบให้รวมศูนย์ต่อไป ลูกค้าเบื่อบิลช็อกและเบื่อต้องต่อเครื่องมือสิบตัว แรงกดดันนี้จะดันให้เกิดทั้งดีลควบรวมเพิ่ม และการมาของมาตรฐานเปิดอย่าง OpenTelemetry ที่ทำให้ย้ายเจ้าง่ายขึ้น — ซึ่งเป็นดาบสองคมต่อผู้นำเดิมที่เคยพึ่ง “การล็อกลูกค้า” เป็นคูเมือง

เสน่ห์ของธุรกิจนี้ (รายได้โตเองตามปริมาณข้อมูล + ลูกค้าถอดยาก) มาพร้อมความเสี่ยงที่ฝังในโมเดลเอง

ความเสี่ยงข้อแรกคือ “บิลช็อก” ที่ย้อนกลับมากัดเจ้าของ โมเดลจ่ายตามปริมาณทำให้รายได้สวยตอนเศรษฐกิจดี แต่พอองค์กรเริ่มรัดเข็มขัด สิ่งแรกที่ทีม FinOps ไล่บี้คือ “ลดค่า observability” — ลดปริมาณ log ที่ส่ง, เก็บข้อมูลสั้นลง, หรือย้ายไปเจ้าที่ถูกกว่า ความ “แพงจนน่าเกลียด” จึงเป็นทั้งเครื่องพิมพ์เงินและจุดอ่อนที่เปิดช่องให้คู่แข่งราคาถูกอย่าง Grafana เข้ามาแย่ง

ความเสี่ยงข้อสองคือ มาตรฐานเปิดลดอำนาจล็อกลูกค้า ตราบใดที่ข้อมูลถูกล็อกในรูปแบบเฉพาะของแต่ละเจ้า การย้ายก็แพงและเจ็บ แต่ OpenTelemetry กำลังทำให้ข้อมูล observability “พกพาได้” — เมื่อย้ายเจ้าง่ายขึ้น การแข่งขันก็จะกลับมาที่ราคาและคุณภาพ มากกว่าการ “ติดกับ” ซึ่งกดดันมาร์จิ้นของผู้นำในระยะยาว

ความเสี่ยงข้อสามคือ ยักษ์คลาวด์และ AI กลืนตลาด AWS, Azure, Google ต่างมีเครื่องมือ observability ของตัวเองที่ “ดีพอใช้” และผูกมากับคลาวด์อยู่แล้ว ขณะที่คลื่น AI agent อาจเปลี่ยนนิยามของงานนี้ทั้งหมด — ถ้าวันหนึ่ง AI สืบและแก้บั๊กได้เองเกือบหมด มูลค่าอาจย้ายจาก “แดชบอร์ดให้คนดู” ไปอยู่ที่ “เอเจนต์ที่ฉลาดที่สุด” แทน ใครปรับตัวช้าก็เสี่ยงถูกแซง

สรุปสั้นๆ: ทุกครั้งที่แอปคุณ “ยังไม่ล่ม” หรือ “ฟื้นเร็วหลังล่ม” เบื้องหลังมีอุตสาหกรรมเงียบๆ ที่คอยมองเห็นทุกอย่างแทนทีมวิศวกรอยู่ มันไม่ใช่เทรนด์ที่หวือหวาเหมือน AI หรือหุ่นยนต์ แต่เป็น “ภาษีที่ทุกบริษัทดิจิทัลต้องจ่าย” — และตราบใดที่โลกยังสร้างซอฟต์แวร์ที่ซับซ้อนขึ้นเรื่อยๆ คนที่ขายแว่นให้มองเห็นมัน ก็ยังมีงานทำไปอีกนาน