MongoDB公司研究：AI應用浪潮有望推動新一輪客戶滲透用量提升周期.pdf

MongoDB公司研究：AI應用浪潮有望推動新一輪客戶滲透用量提升周期。MongoDB 的核心邏輯：AI 應用浪潮驅動企業 IT 支出增長，且 結構轉向 AI/ML 市場關注 MongoDB 的核心主要是 AI 受益邏輯，其核心邏輯為： 1、每一輪計算范式的變革都會帶來應用開發技術棧的轉變。AI 可能會促進自動化開發，推動 1）應用開發數量的提升；2）數據 密集型應用增加（數據庫支出占比提升）等。MongoDB 在 AI 應 用開發中占據重要地位，適應應用開發場景（相比其他數據庫成 本低，I/O、CPU 利用率高）。此外，AI 應用開發衍生出新需求 （向量搜索），相當于 MongoDB Atlas 增加工作負載，會提升客 戶的平均付費。2、AI 應用會加速其從傳統架構的遷移（從 RDBMS 遷移至 NRDBMS）。理由是 AI 會降低代碼生成的成本。

行業的成長邏輯是非關系型數據庫受益 AI 應用浪潮及應用架構 現代化。

1）Generative AI 對開發成本的降低會促進應用生態繁榮。自動 化開發顯著降低應用開發、維護成本，這可能推動應用數量的增 加。更重要的是，在 AI 驅動應用中存在“數據-模型-AI 功能” 的循環，這導致對一些非結構化數據的處理需求提升。MongoDB 在應用相關領域占據核心位置，也將受益于 AI 應用開發浪潮。 隨著 Google 發布 Gemini Nano，微軟發布 Windows Copilot，未 來端側 AI 應用將逐步落地，初期主要是 Google/微軟等商業化示 范，中長期外部應用空間廣闊，MongoDB 將受益客戶新增工作 負載和向量數據庫需求。

2）非結構化數據占數據量比例高，但處理能力弱，AI 加速數據遷移。企業遷移一般遵循新增負載放置新 數據庫，原有負載存放舊數據庫，因此工作負載/數據生產增速決定遷移周期，而 AI 應用數據生產量高于傳統 應用，這會加速工作負載的遷移，并且 AI 也能降低遷移成本，這也有利于 MongoDB。但需要注意，核心數據/ 系統對一致性/安全性的需求嚴格，因此主要在關系型數據庫內部遷移，較少跨架構遷移至非關系型數據庫，因 此 MongoDB 主要受益企業非核心系統/數據增長。

競爭邏輯主要是原有數據庫架構與場景的匹配性，AI 目前對數據庫性能/成本等影響有限。傳統關系型數 據庫強調一致性和安全性，但擴展性方面有所欠缺，與應用快速迭代的需求匹配較弱，同時處理非結構化數據 方面弱于文檔數據庫。專用的向量數據庫在數據庫基本性能方面不夠完備，例如 Pinecone 主要通過 APIs 發送和 接收索引數據，但缺乏一致性保障機制，即無法保證索引與源數據同步，這在高工作負載下可能造成嚴重問題。 數據庫領域的基本機制需要不斷工程迭代，因此專用向量數據庫在面向大客戶、商用場景需求可能不足，往往 需要外接其他數據庫，此時向量數據庫自身的擴展性和維護成本成為問題，業界當前思路聚焦傳統數據庫增加 向量處理能力。

AI 對向量數據庫行業預計貢獻增量，至 25 年行業規模可達 8.2 億美元。數據庫在行業穩定發展后增速往 往小于收入增速（主要得益于工程優化），但在行業快速發展階段其確定性高于下游應用，且持續性強于上游 硬件（周期性）。在企業 IT 支出結構中，非關系型數據庫僅次于 BI 及應用占比，受益 AI 應用的敞口較大。價 值量增量方面，考慮當前 OpenAI 200 萬開發者，平均每個應用 4-6 個月的開發周期，假設 20 個開發者/團隊，1 年維度對應 20 萬 AI 應用的增量，對應約 3.4%的滲透率，結合 Top 100 的末位應用開支，對應 15.7 億美元的增 量開支。需要考慮 20%/30%的 AI 功能滲透率，那對應 3.1~4.7 億美元/年的增量開支，預計至 25 年行業規模可 達 8.2 億美元，還需要考慮 AI 帶來的傳統數據庫間接開支增量。