MongoDB, Inc. (MDB) - 我們畫樹
資料庫公司，還是 AI 時代的統一資料底層？假設驅動 ｜相互獨立 ｜完全窮盡
一、MongoDB 是誰？
從 schema-free 到 AI Agent 的資料底層
2007 年，10gen 的創辦人厭倦了關聯式資料庫對應用開發的束縛。傳統資料庫要求開發者在寫第一行程式前，先把所有資料欄位定義清楚——每一次業務需求改變，就是一次代價高昂的 schema 遷移。10gen 的回答是文件模型：資料以 JSON 格式儲存，欄位可以即時增減，不同筆記錄可以有不同結構。這家公司後來改名 MongoDB，2017 年 IPO，目前收入達 $2.46B、客戶超過 65,200 家，約 75% 的 Fortune 100 企業是其用戶 。stocktitan
今天 MongoDB 的核心引擎是 Atlas——一個完全托管的雲端資料庫服務，採用消費計費模式，用多少付多少。Atlas 佔 FY26 總收入約 71%，Atlas Q4 FY26 年增 29% 至 $502.6M 。自管版本 Enterprise Advanced 仍存在，但正逐步退居配角。investing
為什麼 AI 時代需要一個新的資料底層
要理解這棵樹所提出的假設，先要理解一件事：AI Agent 的資料需求形狀，與傳統應用完全不同。
傳統應用的資料是結構化的——訂單、用戶資料、交易紀錄，schema 穩定，關聯式資料庫應付自如。但一個 AI Agent 需要處理的是：對話紀錄、工具調用日誌、推理過程的中間狀態、文件摘要、跨 session 的長期記憶。這些東西沒有固定欄位，每個 Agent、每個版本、每個客戶的資料形狀都在變。
更重要的是，一個 AI Agent 同時需要對資料做三件事：
存（operational data）：記錄當前對話、工具結果、agent 狀態
搜（vector search）：用語意相似度從龐大的知識庫找回相關上下文
記（memory）：跨 session 保留長期知識，讓 Agent 「記得」過去的互動
傳統的做法是湊系統：用 Postgres 存 + Pinecone 做向量 + Redis 做 memory，三個系統各有 API、各有 schema、各需同步。資料不一致、延遲、維運成本，是每個 AI 工程團隊都在抱怨的問題。
MongoDB 的主張是：一個 Atlas 實例，同時做完「存＋搜＋記」。2026 年 5 月，MongoDB 宣布 Atlas Vector Search 整合自動化 Voyage embeddings，MongoDB CEO CJ Desai 的原話是：「要在規模上信任一個 Agent，它必須取得正確的上下文、跨 session 保留記憶、以機器速度運行——資料層是運行 AI Agent 最難的部分。」constellationr
為什麼現在是問這個問題的時機
2025 年 8 月，MDB 單月上漲 67%——市場貼上「AI 基礎設施贏家」標籤。2026 年 3 月 3 日，MDB 單日下跌 25–27%——市場撕掉標籤，換上「成長正常化的成熟 SaaS」。兩次劇烈波動之間，股價從 $420 跌回 $236，估值框架從 EV/Revenue 切換至 P/E 。
這不是隨機波動。這是市場在對同一個問題來回投票：MongoDB 到底是哪種公司？ 兩次框架切換之間，真正尚未被獨立檢驗的命題才浮現出來。
二、它靠什麼賺錢？
消費引擎 Atlas
MongoDB 的商業模式是消費計費（consumption-based）。客戶不買年授權，而是按照實際的讀寫量、儲存量、向量搜尋次數付費。這意味著收入與客戶的業務量直接掛鉤——客戶業務爆發，MongoDB 的收入自動放大；客戶縮減預算，MongoDB 的收入也立即下滑。
FY26 全年收入 $2.46B，其中 Atlas 約佔 71% 。Q4 FY26 數據：總收入 $695.1M（YoY +27%），Atlas 收入 $502.6M（YoY +29%）。非 GAAP EPS $1.65，超預期 $0.17，Rule of 40 達標 。客戶總數 65,200+，年化 ARR 超 $100K 的客戶有 2,799 家。
兩台引擎，一台在轉型
Atlas 是成長引擎，但收入組成正在發生質變。傳統 CRUD 應用（增刪查改）是歷史基礎，AI 工作負載（向量搜尋、Agentic 記憶、embedding 推理）是邊際增量。目前 MongoDB 尚未獨立披露 AI 工作負載佔 Atlas 收入的比例——這個「不可見」本身，是本研究最核心的資訊不對稱之一。
