Tanto en SaaStr en mayo como en el propio evento de Databricks en junio (Data + AI Summit 2026), el mensaje común fue: "Los datos de calidad crean agentes de calidad". La pregunta central que impulsó la cumbre no fue "qué modelo de IA es el más inteligente", sino "qué infraestructura de datos puede ejecutar IA de manera fiable en operaciones empresariales reales".
Aunque las demostraciones llamativas de agentes de IA suelen acaparar la atención, la infraestructura de datos es esencial para que las empresas realmente ejecuten IA en operaciones del mundo real. Si los datos a los que hace referencia la IA están desactualizados, mal definidos o carecen de una gestión de permisos adecuada, incluso los mejores modelos no lograrán tomar decisiones correctas ni ejecutarlas.
Databricks ha recibido una evaluación de clase mundial en esta capa de infraestructura de datos. En más de 13 años desde su fundación, la empresa ha pasado de "Spark para el procesamiento de big data" al "Data Lakehouse", y ahora a una "Infraestructura de IA Corporativa".
Este artículo organiza el valor de Databricks desde una perspectiva empresarial, explora por qué está ganando una atención renovada en la era de la IA y considera las implicaciones para las startups japonesas.
1. ¿Por qué prestar atención a Databricks ahora? Una valoración de más de $134 mil millones, entre las mejores empresas de software privadas
1.1 Empresa privada de clase mundial: escala de ingresos que rivaliza con Snowflake con mayor crecimiento
Primero, la escala. Databricks alcanzó una valoración de $134 mil millones en su reciente Serie L, y junto con un cierre adicional en febrero de 2026, aseguró más de $7 mil millones en total (aproximadamente $5 mil millones en capital + $2 mil millones en deuda). A un tipo de cambio de 160 yenes por dólar, la valoración alcanza aproximadamente 21 billones de yenes.
Esta valoración significa que incluso antes del explosivo auge de empresas de IA generativa como Anthropic y OpenAI, Databricks ya era una de las empresas de software privadas más valoradas del mundo. Ocupó el tercer lugar en la lista "Disruptor 50" de CNBC de 2026, posicionada junto a Anthropic y OpenAI como una empresa tecnológica global líder.
No es solo la valoración. La tasa de ingresos anualizados de Databricks ha superado los $5.4 mil millones, con una tasa de crecimiento interanual superior al 65%. En contraste, los ingresos totales por productos de Snowflake para el año fiscal 2026 fueron de aproximadamente $4.5 mil millones, con una tasa de crecimiento de alrededor del 30%.
Si bien las cifras de Databricks son tasas anualizadas y las de Snowflake son resultados de año completo, lo que requiere precaución en la comparación directa, está claro que Databricks está alcanzando una escala de ingresos comparable a la de Snowflake mientras mantiene una tasa de crecimiento significativamente mayor.
¿Por qué Databricks está ganando tanto impulso? El trasfondo radica en los diferentes orígenes de las dos empresas.
Ambas manejan datos corporativos, pero sus puntos de partida fueron opuestos. Snowflake comenzó usando SQL para agregar y analizar rápidamente datos estructurados (como tablas de ventas y listas de clientes) para ver "lo que sucedió en el pasado". Databricks, por otro lado, comenzó procesando datos masivos y desordenados (como registros y datos de máquinas) para prepararlos para el aprendizaje automático y la IA.
Para utilizar la IA en los negocios, es crucial gestionar no solo datos estructurados, sino también registros, documentos, imágenes, audio y datos en tiempo real, y prepararlos para su uso en IA. Esta es la razón por la que el área de especialización de Databricks está siendo reevaluada en la era de la IA. Por supuesto, estos son solo orígenes; hoy en día, tanto Snowflake como Databricks se han expandido a los territorios del otro, y sus áreas competitivas se superponen significativamente.
1.2 13 años aprovechando las grandes olas tecnológicas
Más allá de su tamaño, Databricks es interesante porque ha actualizado continuamente su posicionamiento para igualar las grandes olas tecnológicas desde su fundación en 2013. Comenzó con Apache Spark, la tecnología central para el procesamiento de big data. Luego lanzó el "Lakehouse", integrando data lakes y data warehouses, y ahora se está expandiendo hacia la infraestructura que respalda la utilización de la IA corporativa.
En particular, su rendimiento está cumpliendo con estas expectativas. Mientras aumenta su tasa de ingresos a más del 65% interanual, logró un flujo de caja libre positivo en los últimos doce meses, con márgenes brutos reportados de alrededor del 80%. Si bien estos son indicadores limitados divulgados por una empresa privada, la demostración simultánea de alto crecimiento y generación de efectivo es una razón clave para su alta valoración por parte de los inversores.
Sin embargo, Databricks se mantiene cautelosa respecto a una OPI en 2026. El CEO Ali Ghodsi declaró en una entrevista de Bloomberg TV en junio de 2024: "Definitivamente saldremos a bolsa eventualmente. Pero este es el peor año para hacerlo." Con las enormes OPI esperadas de SpaceX, Anthropic y OpenAI, la empresa probablemente quiera evitar un mercado saturado para el capital institucional.
En lugar de apresurarse a salir a bolsa, está acelerando la financiación en el mercado privado. En junio de 2026, The Information informó que Databricks estaba negociando una nueva ronda con una valoración de $165 mil millones a $175 mil millones (aproximadamente 26–28 billones de yenes) .
1.3 El valor de la "capa intermedia" es difícil de ver
El software que vemos a diario son "aplicaciones empresariales" como Slack o Salesforce. Debido a que tocan directamente las tareas del usuario, su valor es relativamente fácil de comunicar. En contraste, empresas como Databricks son la "base" que respalda los datos detrás de escena. Esta es la "capa intermedia" o "infraestructura de datos".
En el mundo del software, a menudo se dice que la "Captura de Valor" tiende a concentrarse en las capas superiores más cercanas al cliente: las aplicaciones. Si bien las aplicaciones son visibles, la capa de infraestructura subyacente a menudo está oculta para los usuarios finales y es propensa a la mercantilización.
A pesar de estar en esta capa de infraestructura, ¿por qué se valora tanto a Databricks? Veamos la fuente de su fortaleza en el próximo capítulo.
2. La fortaleza de Databricks: cómo lucha el "Maestro de los Datos"
2.1 Raíces: un "grupo de genios que aceleró el procesamiento de big data 100 veces"
La fortaleza de Databricks se origina en sus miembros fundadores. En 2013, la empresa fue fundada por investigadores del AMPLab de UC Berkeley. Eran los desarrolladores principales de Apache Spark, la tecnología de código abierto representativa para el procesamiento de big data.
En ese momento, el volumen de datos manejados por las empresas estaba explotando, y "cómo procesar datos masivos rápidamente" era un gran desafío. El Hadoop MapReduce dominante era fuerte para el procesamiento por lotes a gran escala, pero tenía limitaciones de velocidad para el aprendizaje automático iterativo y el análisis interactivo debido a las frecuentes lecturas y escrituras en disco.
Entonces llegó Apache Spark, desarrollado por Matei Zaharia (ahora CTO de Databricks) y otros. Spark utilizaba procesamiento distribuido basado en memoria, lo que le permitía procesar ciertas cargas de trabajo hasta 100 veces más rápido que Hadoop MapReduce.
En términos simples, mientras que una PC es lenta si mueve constantemente datos dentro y fuera de un disco duro, el trabajo es más rápido si extiendes los datos sobre tu escritorio (memoria). Spark aplicó este concepto al procesamiento de datos distribuidos a gran escala.
Spark se lanzó como código abierto en 2010 y se convirtió en una tecnología estándar. La característica única de Databricks es que los mismos miembros profundamente conectados con esta comunidad de código abierto ampliamente utilizada son quienes desarrollan el servicio comercial.
2.2 "Lakehouse": la idea de integrar data lakes y data warehouses
Databricks promovió fuertemente el concepto del "Lakehouse". Esta arquitectura combina la flexibilidad de un data lake con la gestión y el rendimiento analítico de un data warehouse.
- Data Warehouse = Como un "almacén organizado". Adecuado para el análisis de alta velocidad de datos estructurados como ventas, clientes e inventario en formatos fijos.
- Data Lake = Como un "gran depósito". Fácil de almacenar grandes cantidades de datos diversos como registros, imágenes, videos y documentos tal cual. Sin embargo, puede volverse difícil de analizar si no se gestiona adecuadamente.
Tradicionalmente, muchas empresas mantenían estos dos por separado, incurriendo en costos de copia, movimiento y doble gestión de datos. El Lakehouse de Databricks tiene como objetivo lograr la "usabilidad de un almacén organizado" y la "flexibilidad de un gran depósito" en una sola plataforma. Esto es "Lake + House = Lakehouse".
Este enfoque facilita, por ejemplo, "manejar todos los registros de comportamiento del cliente, el historial de consultas y los datos de compra en un solo lugar y hacer que la IA sugiera la mejor acción siguiente", minimizando al mismo tiempo el movimiento de datos.
2.3 Mayor importancia en la era de la IA: "solo tener datos" no es suficiente
Con la llegada de la IA generativa, la importancia de Databricks ha crecido aún más. Esto se debe a que para que las empresas utilicen la IA en serio, necesitan organizar la calidad, la actualidad, los permisos y el contexto de sus datos internos, no solo los modelos en sí.
No importa cuán alto sea el rendimiento de un modelo de IA, si los datos a los que hace referencia son antiguos, ambiguos o carecen de control de acceso, no conducirá a decisiones correctas. Databricks es notada porque controla la capa que "prepara los datos corporativos para su uso en IA".
La esencia pasada por alto es que los datos no solo deben almacenarse. Por ejemplo, si la definición de "ventas" difiere según el departamento, la IA podría dar diferentes respuestas a la misma pregunta. Sin una procedencia y precisión de datos gestionadas, existe el riesgo de generar respuestas plausibles pero incorrectas.
Por lo tanto, en la era de la IA, el valor de organizar y gestionar los datos para que la IA pueda usarlos de manera segura y precisa está aumentando. Esto es exactamente en lo que Databricks sobresale.
De hecho, la tasa de ingresos de los productos de IA de Databricks ha alcanzado los $1.4 mil millones, lo que representa aproximadamente una cuarta parte de la tasa de ingresos total de la empresa.
2.4 De "infraestructura de datos" a "sistema operativo para agentes de IA"
Ahora, Databricks está entrando en el siguiente dominio.
En el "Data + AI Summit 2026" celebrado en San Francisco en junio de 2026, la próxima dirección de Databricks se hizo más clara. Los analistas ven a Databricks evolucionando el Lakehouse de una mera plataforma de datos a un "sistema operativo" para ejecutar agentes de IA.
Desde una perspectiva empresarial, Databricks se está redefiniendo de un "lugar para poner datos" a una "plataforma integrada para que las empresas construyan, ejecuten, gestionen y moneticen de forma segura agentes de IA y aplicaciones empresariales. "
Los anuncios clave incluyeron:
- Unity AI Gateway: Un "punto de control" para gestionar y monitorear de forma centralizada varios agentes, modelos y herramientas de IA, controlando costos y permisos.
- Agent Bricks: Una plataforma para desarrollar y operar agentes de IA. Se han construido más de 100,000 agentes desde su lanzamiento.
- Lakebase: Una nueva infraestructura de base de datos diseñada para agentes y aplicaciones de IA, que incorpora tecnología de la adquisición de Neon.
- Lakehouse//RT & LTAP: Una visión para manejar tanto el "procesamiento instantáneo de transacciones" como el "análisis" en la misma plataforma de datos, con el objetivo de lograr respuestas en menos de 100 ms.
- CustomerLake: Una entrada en el espacio de las Plataformas de Datos del Cliente (CDP), manejando datos de marketing directamente dentro de la infraestructura de datos de la empresa.
Esto muestra el próximo movimiento de Databricks. Para que los agentes de IA sean realmente útiles, deben comprender datos corporativos precisos y su contexto. Al controlar la capa de almacenamiento y gestión, Databricks está ascendiendo a la capa donde realmente se ejecutan los agentes de IA y las aplicaciones empresariales.
3. Fortaleza estratégica: un modelo para convertir las tendencias tecnológicas en crecimiento
3.1 Estandarización a través del código abierto: expandir la comunidad, monetizar a través de la plataforma comercial
El arma constante de Databricks es el código abierto. Ha expandido tecnologías centrales como Apache Spark, Delta Lake (para confiabilidad), MLflow (para ciclos de vida de aprendizaje automático) y Unity Catalog (para gobernanza) como código abierto.
Esto no es solo caridad; es una estrategia para construir un ecosistema. Al hacer que la tecnología sea abierta: (1) se convierte en un estándar de facto utilizado por desarrolladores de todo el mundo; (2) la estandarización hace que las funciones comerciales de gestión y seguridad sean más atractivas; y (3) brinda a los clientes la tranquilidad de que no están atrapados en un proveedor específico.
3.2 Adquisiciones preventivas: absorción de capacidades faltantes
La segunda arma son las adquisiciones ágiles utilizando capital abundante.
- MosaicML (2023, ~$1.3B): Tecnología para que las empresas entrenen y personalicen modelos de IA utilizando sus propios datos. Esta es ahora la base de Mosaic AI.
- Tabular (2024, $1B+): Fundada por los creadores de Apache Iceberg. Al adquirirlos, Databricks aumentó su neutralidad e interoperabilidad en formatos de datos abiertos.
- Neon (2025, ~$1B): Un proveedor de Postgres sin servidor. Esta tecnología impulsa Lakebase, anticipando un mundo donde los agentes de IA generan bases de datos según sea necesario.
3.3 Promoción de la neutralidad: respuesta a los temores de bloqueo
Databricks se posiciona como una plataforma que puede manejar múltiples modelos de IA y formatos de datos, en lugar de ser cerrada. Permite la integración con modelos de Anthropic, OpenAI, Google y otros, permitiendo a los clientes elegir la mejor herramienta para el trabajo mientras mantienen la gestión centralizada.
4. Implicaciones para las startups japonesas: datos dinámicos y especialización en la industria
4.1 La esencia: el poder de manejar "datos en movimiento"
La fortaleza central de Databricks es la capacidad de manejar "datos que se mueven constantemente". El análisis tradicional se centraba en observar instantáneas estáticas del pasado. En la era de los agentes de IA, la clave es leer datos actualizados continuamente y tomar decisiones inmediatas, como detectar fraudes o cambiar sugerencias en milisegundos.
4.2 Por qué las "plataformas de datos específicas de la industria" son la oportunidad
Competir directamente con una plataforma horizontal como Databricks es difícil debido a las economías de escala y la naturaleza global de la infraestructura. Para las startups japonesas, el camino más claro hacia la victoria es aprovechar los "vacíos" que las plataformas de uso general no pueden alcanzar, específicamente, las "Plataformas de Datos Específicas de la Industria".
Un ejemplo principal es Veeva Systems en la industria farmacéutica. Veeva tuvo éxito al comprender profundamente las regulaciones y los flujos de trabajo específicos de la industria, convirtiéndose eventualmente en una infraestructura para ese sector.
¿Por qué las plataformas horizontales luchan aquí? Tomemos los "planos" en la fabricación o la construcción. Un plano no es solo una imagen; contiene notaciones específicas de la industria para dimensiones, materiales y piezas. Databricks puede almacenar el archivo, pero no comprende inherentemente "cómo se relaciona esta forma con los costos de adquisición, los proveedores y las regulaciones".
4.3 Tres condiciones para ganar
Creo que existen oportunidades donde se superponen estas tres condiciones:
- Barreras de idioma y personalización empresarial: Áreas difíciles de manejar para las plataformas globales, como los planos japoneses o las prácticas comerciales locales específicas.
- Creación de significado profundo de "activos físicos" específicos de la industria: Datos como imágenes médicas o formularios financieros que requieren conocimiento del dominio para convertirse en activos empresariales.
- Integración en los flujos de trabajo empresariales: Ir más allá de la búsqueda y el análisis hacia la ejecución real, como adquisiciones, estimaciones y auditorías.
Resumen: los próximos 10 años se tratan de "quién se acerca más a los datos, el significado y la ejecución"
Databricks es una empresa de software de clase mundial porque controla la base que prepara los datos corporativos para un uso seguro de la IA. Su estrategia de estandarización a través de OSS, adquisiciones preventivas y mantenimiento de la neutralidad proporciona un modelo para el crecimiento.
Para los retadores japoneses, la lección es evitar la competencia directa con los gigantes horizontales y, en su lugar, centrarse en convertirse en la "capa de significado específica de la industria" que se asienta sobre ellos. En la próxima década, a medida que los agentes de IA comiencen a trabajar en serio, el ganador será quien controle los datos, su significado y la ejecución empresarial.
