1. Warum jetzt auf Databricks achten? Eine Bewertung von über 134 Mrd. $ – Spitzenklasse unter privaten Softwareunternehmen
1.1 Weltklasse-Privatunternehmen: Umsatzgröße vergleichbar mit Snowflake bei höherem Wachstum
Zunächst zur Größenordnung. Databricks erreichte in seiner jüngsten Serie-L-Finanzierungsrunde eine Bewertung von 134 Milliarden Dollar und sicherte sich zusammen mit einem weiteren Abschluss im Februar 2026 insgesamt über 7 Milliarden Dollar (ca. 5 Mrd. $ Eigenkapital + 2 Mrd. $ Fremdkapital). Bei einem Wechselkurs von 160 Yen pro Dollar entspricht die Bewertung etwa 21 Billionen Yen.
Diese Bewertung bedeutet, dass Databricks bereits vor dem explosionsartigen Aufstieg generativer KI-Unternehmen wie Anthropic und OpenAI eines der am höchsten bewerteten privaten Softwareunternehmen der Welt war. Es belegte Platz 3 auf CNBCs "Disruptor 50"-Liste 2026 und steht damit neben Anthropic und OpenAI als führendes globales Technologieunternehmen.
Es geht nicht nur um die Bewertung. Der annualisierte Umsatz von Databricks hat die 5,4-Milliarden-Dollar-Marke überschritten, mit einer Wachstumsrate von über 65 % im Jahresvergleich. Im Gegensatz dazu betrug der Produktumsatz von Snowflake für das gesamte Geschäftsjahr 2026 etwa 4,5 Milliarden Dollar bei einer Wachstumsrate von rund 30 %.
Während die Zahlen von Databricks annualisierte Laufraten und die von Snowflake Gesamtjahresergebnisse sind – was bei einem direkten Vergleich Vorsicht erfordert – ist klar, dass Databricks eine mit Snowflake vergleichbare Umsatzgröße erreicht und gleichzeitig eine deutlich höhere Wachstumsrate beibehält.
Warum gewinnt Databricks so an Dynamik? Der Hintergrund liegt in den unterschiedlichen Ursprüngen der beiden Unternehmen.
Beide verarbeiten Unternehmensdaten, aber ihre Ausgangspunkte waren gegensätzlich. Snowflake begann damit, mit SQL strukturierte Daten (wie Verkaufstabellen und Kundenlisten) schnell zu aggregieren und zu analysieren, um zu sehen, "was in der Vergangenheit passiert ist. " Databricks hingegen begann mit der Verarbeitung massiver, unstrukturierter Daten (wie Logs und Maschinendaten), um sie für maschinelles Lernen und KI vorzubereiten.
Um KI im Geschäftsumfeld einzusetzen, ist es entscheidend, nicht nur strukturierte Daten, sondern auch Logs, Dokumente, Bilder, Audio- und Echtzeitdaten zu verwalten und für die KI-Nutzung aufzubereiten. Aus diesem Grund wird das Fachgebiet von Databricks im KI-Zeitalter neu bewertet. Natürlich sind dies nur die Ursprünge; heute haben sich sowohl Snowflake als auch Databricks in die Territorien des jeweils anderen ausgeweitet, und ihre Wettbewerbsbereiche überschneiden sich erheblich.
1.2 13 Jahre lang die großen Technologiewellen erfasst
Über seine Größe hinaus ist Databricks interessant, weil es seine Positionierung seit seiner Gründung im Jahr 2013 kontinuierlich an die großen Technologiewellen angepasst hat. Es begann mit Apache Spark, der Kerntechnologie für die Big-Data-Verarbeitung. Dann startete es den "Lakehouse", der Data Lakes und Data Warehouses integriert, und baut nun die Infrastruktur aus, die die unternehmerische KI-Nutzung unterstützt.
Bemerkenswert ist, dass seine Leistung diesen Erwartungen gerecht wird. Während es seine Umsatzlaufrate mit über 65 % im Jahresvergleich steigerte, erzielte es auf Basis der letzten zwölf Monate einen positiven freien Cashflow, bei Bruttomargen von rund 80 %. Obwohl dies begrenzte Kennzahlen sind, die von einem Privatunternehmen offengelegt werden, ist die gleichzeitige Demonstration von hohem Wachstum und Cash-Generierung ein Hauptgrund für seine hohe Bewertung durch Investoren.
Allerdings bleibt Databricks hinsichtlich eines Börsengangs im Jahr 2026 vorsichtig. CEO Ali Ghodsi sagte in einem Bloomberg-TV-Interview im Juni 2024: "Wir werden definitiv irgendwann an die Börse gehen. Aber dies ist das schlechteste Jahr für einen Börsengang." Angesichts massiver Börsengänge von SpaceX, Anthropic und OpenAI möchte das Unternehmen wahrscheinlich einen überfüllten Markt für institutionelles Kapital vermeiden.
Anstatt überstürzt an die Börse zu gehen, beschleunigt es die Mittelbeschaffung auf dem privaten Markt. Im Juni 2026 berichtete The Information, dass Databricks eine neue Runde zu einer Bewertung von 165 bis 175 Milliarden Dollar (ca. 26–28 Billionen Yen) verhandele.
1.3 Der Wert der "Mittelschicht" ist schwer zu erkennen
Die Software, die wir täglich sehen, sind "Geschäftsanwendungen" wie Slack oder Salesforce. Da sie direkt Benutzeraufgaben berühren, ist ihr Wert relativ leicht zu vermitteln. Im Gegensatz dazu sind Unternehmen wie Databricks die "Grundlage", die Daten im Hintergrund unterstützt. Dies ist die "Mittelschicht" oder "Dateninfrastruktur".
In der Softwarewelt wird oft gesagt, dass "Value Capture" dazu neigt, sich in den oberen, kundennäheren Schichten zu konzentrieren – den Anwendungen. Während Anwendungen sichtbar sind, ist die darunterliegende Infrastrukturschicht oft vor Endbenutzern verborgen und neigt zur Kommoditisierung.
Warum wird Databricks trotz dieser Infrastrukturschicht so hoch bewertet? Schauen wir uns im nächsten Kapitel die Quelle seiner Stärke an.
2. Die Stärke von Databricks: Wie der "Meister der Daten" kämpft
2.1 Ursprünge: Eine "Geniegruppe, die die Big-Data-Verarbeitung um das 100-fache beschleunigte"
Die Stärke von Databricks hat ihren Ursprung in seinen Gründungsmitgliedern. Im Jahr 2013 wurde das Unternehmen von Forschern des UC Berkeley AMPLab gegründet. Sie waren die Kernentwickler von Apache Spark, der repräsentativen Open-Source-Technologie für die Big-Data-Verarbeitung.
Zu dieser Zeit explodierte das Datenvolumen, das von Unternehmen verarbeitet wurde, und "wie man massive Daten schnell verarbeitet" war eine große Herausforderung. Der damals vorherrschende Hadoop MapReduce war für die groß angelegte Stapelverarbeitung stark, hatte aber aufgrund häufiger Festplatten-Lese- und Schreibvorgänge Geschwindigkeitsbegrenzungen für iteratives maschinelles Lernen und interaktive Analysen.
Dann kam Apache Spark, entwickelt von Matei Zaharia (heute CTO von Databricks) und anderen. Spark nutzte speicherbasierte verteilte Verarbeitung, wodurch es bestimmte Arbeitslasten bis zu 100-mal schneller verarbeiten konnte als Hadoop MapReduce.
Einfach ausgedrückt: Während ein PC langsam ist, wenn er ständig Daten von und zu einer Festplatte bewegt, ist die Arbeit schneller, wenn man die Daten auf dem Schreibtisch (Arbeitsspeicher) verteilt. Spark wandte dieses Konzept auf die verteilte Verarbeitung großer Datenmengen an.
Spark wurde 2010 als Open Source veröffentlicht und entwickelte sich zu einer Standardtechnologie. Das Besondere an Databricks ist, dass genau die Mitglieder, die eng mit dieser weit verbreiteten Open-Source-Community verbunden sind, den kommerziellen Dienst entwickeln.
2.2 "Lakehouse": Die Idee der Integration von Data Lakes und Warehouses
Databricks hat das Konzept des "Lakehouse" stark vorangetrieben. Diese Architektur kombiniert die Flexibilität eines Data Lake mit der Verwaltungs- und Analyseleistung eines Data Warehouse.
- Data Warehouse = Wie ein "organisiertes Lager." Geeignet für die Hochgeschwindigkeitsanalyse strukturierter Daten wie Verkäufe, Kunden und Bestände in festen Formaten.
- Data Lake = Wie ein "großer Stausee." Einfach, um riesige Mengen verschiedener Daten wie Logs, Bilder, Videos und Dokumente unverändert zu speichern. Es kann jedoch schwierig zu analysieren sein, wenn es nicht richtig verwaltet wird.
Traditionell hielten viele Unternehmen diese beiden getrennt und verursachten Kosten für das Kopieren, Verschieben und die doppelte Verwaltung von Daten. Databricks' Lakehouse zielt darauf ab, die "Benutzerfreundlichkeit eines organisierten Lagers" und die "Flexibilität eines großen Stausees" auf einer einzigen Plattform zu erreichen. Dies ist "Lake + House = Lakehouse".
Dieser Ansatz erleichtert es beispielsweise, "alle Kundenverhaltensprotokolle, Anfrageverläufe und Kaufdaten an einem Ort zu verarbeiten und KI die nächste beste Aktion vorschlagen zu lassen", während Datenbewegungen minimiert werden.
2.3 Erhöhte Bedeutung im KI-Zeitalter: "Nur Daten zu haben" reicht nicht
Mit dem Aufkommen generativer KI hat die Bedeutung von Databricks weiter zugenommen. Denn damit Unternehmen KI ernsthaft einsetzen können, müssen sie die Qualität, Aktualität, Berechtigungen und den Kontext ihrer internen Daten organisieren, nicht nur die Modelle selbst.
Egal wie leistungsfähig ein KI-Modell ist, wenn die Daten, auf die es verweist, alt, mehrdeutig sind oder keine Zugriffskontrolle haben, führt dies nicht zu korrekten Entscheidungen. Databricks wird beachtet, weil es die Schicht kontrolliert, die "Unternehmensdaten für die KI-Nutzung aufbereitet".
Das übersehene Wesentliche ist, dass Daten nicht nur gespeichert werden sollten. Wenn sich beispielsweise die Definition von "Umsatz" je nach Abteilung unterscheidet, könnte KI auf dieselbe Frage unterschiedliche Antworten geben. Ohne verwaltete Datenherkunft und -genauigkeit besteht das Risiko, plausible, aber falsche Antworten zu generieren.
Daher steigt im KI-Zeitalter der Wert der Organisation und Verwaltung von Daten, damit KI sie sicher und genau nutzen kann. Genau hier liegt die Stärke von Databricks.
Tatsächlich hat die annualisierte Umsatzlaufrate der KI-Produkte von Databricks 1,4 Milliarden Dollar erreicht, was etwa einem Viertel der gesamten Umsatzlaufrate des Unternehmens entspricht.
2.4 Von der "Dateninfrastruktur" zum "Betriebssystem für KI-Agenten"
Nun betritt Databricks die nächste Domäne.
Auf dem "Data + AI Summit 2026", der im Juni 2026 in San Francisco stattfand, wurde die nächste Richtung von Databricks deutlicher. Analysten sehen, dass Databricks den Lakehouse von einer reinen Datenplattform zu einem "Betriebssystem" für den Betrieb von KI-Agenten weiterentwickelt.
Aus geschäftlicher Perspektive definiert sich Databricks neu von einem "Ort, um Daten abzulegen" zu einer "integrierten Plattform für Unternehmen, um KI-Agenten und Geschäftsanwendungen sicher zu erstellen, auszuführen, zu verwalten und zu monetarisieren. "
Wichtige Ankündigungen umfassten:
- Unity AI Gateway: Ein "Kontrollpunkt" zur zentralen Verwaltung und Überwachung verschiedener KI-Agenten, Modelle und Tools, der Kosten und Berechtigungen kontrolliert.
- Agent Bricks: Eine Plattform zur Entwicklung und zum Betrieb von KI-Agenten. Seit dem Start wurden über 100.000 Agenten erstellt.
- Lakebase: Eine neue Datenbankinfrastruktur, die für KI-Agenten und -Apps entwickelt wurde und Technologie aus der Übernahme von Neon integriert.
- Lakehouse//RT & LTAP: Eine Vision, sowohl "sofortige Transaktionsverarbeitung" als auch "Analyse" auf derselben Datenplattform zu handhaben, mit dem Ziel von Antwortzeiten unter 100 ms.
- CustomerLake: Ein Einstieg in den Bereich der Customer Data Platform (CDP), der Marketingdaten direkt in der Dateninfrastruktur des Unternehmens verarbeitet.
Dies zeigt den nächsten Schritt von Databricks. Damit KI-Agenten wirklich nützlich sind, müssen sie genaue Unternehmensdaten und deren Kontext verstehen. Durch die Kontrolle der Speicher- und Verwaltungsschicht bewegt sich Databricks nach oben in die Schicht, in der KI-Agenten und Geschäftsanwendungen tatsächlich ausgeführt werden.
3. Strategische Stärke: Ein Modell zur Umwandlung von Technologietrends in Wachstum
3.1 Standardisierung durch Open Source: Erweitern Sie die Community, monetarisieren Sie über die kommerzielle Plattform
Die konsequente Waffe von Databricks ist Open Source. Es hat Kerntechnologien wie Apache Spark, Delta Lake (für Zuverlässigkeit), MLflow (für Lebenszyklen des maschinellen Lernens) und Unity Catalog (für Governance) als Open Source erweitert.
Dies ist keine reine Wohltätigkeit; es ist eine Strategie zum Aufbau eines Ökosystems. Durch die Offenlegung der Technologie: (1) wird sie zum De-facto-Standard, der von Entwicklern weltweit genutzt wird; (2) macht die Standardisierung die kommerziellen Verwaltungs- und Sicherheitsfunktionen attraktiver; und (3) gibt es den Kunden die Sicherheit, dass sie nicht an einen bestimmten Anbieter gebunden sind.
3.2 Präventive Übernahmen: Aufnahme fehlender Fähigkeiten
Die zweite Waffe sind agile Übernahmen unter Nutzung reichlich vorhandenen Kapitals.
- MosaicML (2023, ~1,3 Mrd. $): Technologie für Unternehmen, um KI-Modelle mit ihren eigenen Daten zu trainieren und anzupassen. Dies ist heute die Grundlage von Mosaic AI.
- Tabular (2024, 1 Mrd. $+): Gegründet von den Schöpfern von Apache Iceberg. Durch die Übernahme erhöhte Databricks seine Neutralität und Interoperabilität bei offenen Datenformaten.
- Neon (2025, ~1 Mrd. $): Ein serverloser Postgres-Anbieter. Diese Technologie treibt Lakebase an und antizipiert eine Welt, in der KI-Agenten nach Bedarf Datenbanken generieren.
3.3 Förderung der Neutralität: Reaktion auf Lock-in-Ängste
Databricks positioniert sich als Plattform, die mehrere KI-Modelle und Datenformate verarbeiten kann, anstatt geschlossen zu sein. Es ermöglicht die Integration mit Modellen von Anthropic, OpenAI, Google und anderen, sodass Kunden das beste Werkzeug für die jeweilige Aufgabe auswählen können, während die Verwaltung zentralisiert bleibt.
4. Implikationen für japanische Startups: Dynamische Daten und Branchenspezialisierung
4.1 Das Wesentliche: Die Fähigkeit, mit "bewegten Daten" umzugehen
Die Kernstärke von Databricks ist die Fähigkeit, mit "Daten, die sich ständig bewegen", umzugehen. Traditionelle Analysen befassten sich mit statischen Momentaufnahmen der Vergangenheit. Im Zeitalter der KI-Agenten geht es darum, kontinuierlich aktualisierte Daten zu lesen und sofortige Entscheidungen zu treffen – wie das Erkennen von Betrug oder das Ändern von Vorschlägen in Millisekunden.
4.2 Warum "branchenspezifische Datenplattformen" die Chance sind
Ein direkter Wettbewerb mit einer horizontalen Plattform wie Databricks ist aufgrund von Skaleneffekten und der globalen Natur der Infrastruktur schwierig. Für japanische Startups ist der klarere Weg zum Sieg, die "Lücken" zu nutzen, die Allzweckplattformen nicht erreichen können – insbesondere "branchenspezifische Datenplattformen".
Ein Paradebeispiel ist Veeva Systems in der Pharmaindustrie. Veeva war erfolgreich, indem es branchenspezifische Vorschriften und Arbeitsabläufe tiefgreifend verstand und schließlich zu einer Infrastruktur für diesen Sektor wurde.
Warum tun sich horizontale Plattformen hier schwer? Nehmen Sie "Baupläne" in der Fertigung oder im Bauwesen. Ein Bauplan ist nicht nur ein Bild; er enthält branchenspezifische Notationen für Abmessungen, Materialien und Teile. Databricks kann die Datei speichern, versteht aber nicht inhärent, "wie diese Form mit Beschaffungskosten, Lieferanten und Vorschriften zusammenhängt."
4.3 Drei Bedingungen für den Erfolg
Ich glaube, dass Chancen dort bestehen, wo diese drei Bedingungen zusammentreffen:
- Sprach- und Geschäftsgepflogenheitsbarrieren: Bereiche, die für globale Plattformen schwer zu handhaben sind, wie japanische Baupläne oder spezifische lokale Handelspraktiken.
- Tiefe Bedeutungserschließung branchenspezifischer "physischer Vermögenswerte": Daten wie medizinische Bilder oder Finanzformulare, die Fachwissen erfordern, um in Geschäftsvermögenswerte umgewandelt zu werden.
- Integration in Geschäftsabläufe: Über die Suche/Analyse hinausgehen und in die tatsächliche Ausführung wie Beschaffung, Kostenschätzung und Prüfung eintreten.
Zusammenfassung: Die nächsten 10 Jahre drehen sich darum, "wer den Daten, der Bedeutung und der Ausführung am nächsten kommt"
Databricks ist ein weltklasse Softwareunternehmen, weil es die Grundlage kontrolliert, die Unternehmensdaten für den sicheren KI-Einsatz aufbereitet. Seine Strategie der Standardisierung durch OSS, präventive Übernahmen und die Wahrung der Neutralität bietet eine Blaupause für Wachstum.
Für japanische Herausforderer lautet die Lektion, den direkten Wettbewerb mit horizontalen Giganten zu vermeiden und sich stattdessen darauf zu konzentrieren, die "branchenspezifische Bedeutungsschicht" zu werden, die auf ihnen aufbaut. Im nächsten Jahrzehnt, wenn KI-Agenten ernsthaft zu arbeiten beginnen, wird derjenige gewinnen, der die Daten, ihre Bedeutung und die geschäftliche Ausführung kontrolliert.
