Voici la traduction en français (Français) du texte fourni, en respectant toutes les consignes de formatage, de terminologie et de qualité de localisation.
Lors du SaaStr en mai et de l'événement de Databricks en juin (Data + AI Summit 2026), le message commun était : « De bonnes données font de bons agents. » La question centrale qui animait le sommet n'était pas « quel modèle d'IA est le plus intelligent », mais « quelle infrastructure de données peut faire fonctionner l'IA de manière fiable dans les opérations commerciales en production ? »
Bien que les démonstrations tape-à-l'œil d'agents IA attirent souvent l'attention, l'infrastructure de données est essentielle pour que les entreprises puissent réellement utiliser l'IA dans leurs opérations concrètes. Si les données auxquelles l'IA se réfère sont obsolètes, mal définies ou manquent de gestion des autorisations appropriée, même les meilleurs modèles échoueront à fournir des décisions ou des exécutions correctes.
Databricks a reçu une évaluation de classe mondiale dans cette couche d'infrastructure de données. Depuis sa création il y a plus de 13 ans, l'entreprise est passée de « Spark pour le traitement du big data » au « Data Lakehouse », et maintenant à une « Infrastructure d'IA d'entreprise ».
Cet article organise la valeur de Databricks d'un point de vue commercial, explore pourquoi elle suscite un regain d'intérêt à l'ère de l'IA, et examine les implications pour les startups japonaises.
1. Pourquoi s'intéresser à Databricks maintenant ? Une valorisation de plus de 134 milliards de dollars, parmi les meilleures des sociétés de logiciels privées
1.1 Une entreprise privée de classe mondiale : une échelle de revenus rivalisant avec Snowflake et une croissance plus élevée
Tout d'abord, l'échelle. Databricks a atteint une valorisation de 134 milliards de dollars lors de son récent tour de table de série L, et avec une clôture supplémentaire en février 2026, elle a sécurisé plus de 7 milliards de dollars au total (environ 5 milliards de dollars en actions + 2 milliards de dollars en dette). À un taux de change de 160 yens pour un dollar, la valorisation atteint environ 21 000 milliards de yens.
Cette valorisation signifie que même avant l'essor explosif des entreprises d'IA générative comme Anthropic et OpenAI, Databricks était déjà l'une des sociétés de logiciels privées les plus valorisées au monde. Elle s'est classée 3ème sur la liste « Disruptor 50 » 2026 de CNBC, aux côtés d'Anthropic et d'OpenAI en tant que leader technologique mondial.
Ce n'est pas seulement la valorisation. Le taux de revenus annualisé de Databricks a dépassé les 5,4 milliards de dollars, avec un taux de croissance annuel supérieur à 65 %. En comparaison, le chiffre d'affaires annuel des produits de Snowflake pour l'exercice 2026 était d'environ 4,5 milliards de dollars, avec un taux de croissance d'environ 30 %.
Bien que les chiffres de Databricks soient des taux annualisés et ceux de Snowflake des résultats annuels complets—ce qui nécessite de la prudence dans la comparaison directe—il est clair que Databricks atteint une échelle de revenus comparable à celle de Snowflake tout en maintenant un taux de croissance nettement plus élevé.
Pourquoi Databricks gagne-t-elle autant de terrain ? Le contexte réside dans les origines différentes des deux entreprises.
Les deux traitent des données d'entreprise, mais leurs points de départ étaient opposés. Snowflake a commencé par utiliser SQL pour agréger et analyser rapidement des données structurées (comme des tableaux de ventes et des listes de clients) afin de voir « ce qui s'est passé dans le passé. » Databricks, quant à elle, a commencé par traiter des données massives et désordonnées (comme des logs et des données machine) pour les préparer à l'apprentissage automatique et à l'IA.
Pour utiliser l'IA en entreprise, il est crucial de gérer non seulement les données structurées, mais aussi les logs, les documents, les images, l'audio et les données en temps réel, et de les préparer pour une utilisation par l'IA. C'est pourquoi le domaine d'expertise de Databricks est réévalué à l'ère de l'IA. Bien sûr, il ne s'agit là que de leurs origines ; aujourd'hui, Snowflake et Databricks ont toutes deux étendu leurs activités dans les territoires de l'autre, et leurs zones de concurrence se chevauchent considérablement.
1.2 13 ans à surfer sur les grandes vagues technologiques
Au-delà de sa taille, Databricks est intéressante car elle a continuellement mis à jour son positionnement pour s'aligner sur les grandes vagues technologiques depuis sa création en 2013. Elle a commencé avec Apache Spark, la technologie de base pour le traitement du big data. Elle a ensuite lancé le « Lakehouse », intégrant les lacs de données et les entrepôts de données, et s'étend maintenant à l'infrastructure soutenant l'utilisation de l'IA par les entreprises.
Notamment, ses performances sont à la hauteur de ces attentes. Tout en augmentant son taux de revenus annualisé de plus de 65 % d'une année sur l'autre, elle a atteint un flux de trésorerie disponible positif sur une base mobile de 12 mois, avec des marges brutes rapportées autour de 80 %. Bien qu'il s'agisse de mesures limitées divulguées par une entreprise privée, la démonstration simultanée d'une croissance élevée et d'une génération de trésorerie est une raison clé de sa valorisation élevée par les investisseurs.
Cependant, Databricks reste prudente quant à une introduction en bourse en 2026. Le PDG Ali Ghodsi a déclaré lors d'une interview sur Bloomberg TV en juin 2024 : « Nous finirons par entrer en bourse. Mais c'est la pire année pour le faire. » Avec les introductions en bourse massives attendues de SpaceX, Anthropic et OpenAI, l'entreprise souhaite probablement éviter un marché encombré pour les capitaux institutionnels.
Au lieu de se précipiter pour entrer en bourse, elle accélère le financement sur le marché privé. En juin 2026, The Information a rapporté que Databricks négociait un nouveau tour de table à une valorisation de 165 à 175 milliards de dollars (environ 26 à 28 000 milliards de yens) .
1.3 La valeur de la « couche intermédiaire » est difficile à percevoir
Les logiciels que nous voyons quotidiennement sont des « applications métier » comme Slack ou Salesforce. Parce qu'ils touchent directement aux tâches des utilisateurs, leur valeur est relativement facile à communiquer. En revanche, des entreprises comme Databricks sont le « fondement » qui soutient les données en coulisses. C'est la « couche intermédiaire » ou « infrastructure de données ».
Dans le monde du logiciel, on dit souvent que la « capture de valeur » a tendance à se concentrer dans les couches supérieures, plus proches du client—les applications. Alors que les applications sont visibles, la couche d'infrastructure sous-jacente est souvent cachée aux utilisateurs finaux et sujette à la marchandisation.
Malgré sa position dans cette couche d'infrastructure, pourquoi Databricks est-elle si valorisée ? Examinons la source de sa force dans le chapitre suivant.
2. La force de Databricks : comment le « maître des données » se bat
2.1 Racines : un « groupe de génies qui a accéléré le traitement du big data 100 fois »
La force de Databricks provient de ses membres fondateurs. En 2013, l'entreprise a été fondée par des chercheurs de l'AMPLab de l'Université de Californie à Berkeley. Ils étaient les développeurs principaux d'Apache Spark, la technologie open source représentative du traitement du big data.
À l'époque, le volume de données traitées par les entreprises explosait, et « comment traiter rapidement des données massives » était un défi majeur. Le Hadoop MapReduce dominant était performant pour le traitement par lots à grande échelle, mais avait des limitations de vitesse pour l'apprentissage automatique itératif et l'analyse interactive en raison de lectures et d'écritures fréquentes sur disque.
C'est alors qu'est arrivé Apache Spark, développé par Matei Zaharia (aujourd'hui CTO de Databricks) et d'autres. Spark utilisait le traitement distribué en mémoire, lui permettant de traiter certaines charges de travail jusqu'à 100 fois plus rapidement que Hadoop MapReduce.
En termes simples, si un PC est lent lorsqu'il déplace constamment des données depuis et vers un disque dur, le travail est plus rapide si vous étalez les données sur votre bureau (mémoire). Spark a appliqué ce concept au traitement distribué de données à grande échelle.
Spark a été publié en open source en 2010 et est devenu une technologie standard. La particularité de Databricks est que les membres mêmes profondément liés à cette communauté open source largement utilisée sont ceux qui développent le service commercial.
2.2 « Lakehouse » : l'idée d'intégrer les lacs de données et les entrepôts
Databricks a fortement promu le concept du « Lakehouse ». Cette architecture combine la flexibilité d'un lac de données avec les performances de gestion et d'analyse d'un entrepôt de données.
- Entrepôt de données (Data Warehouse) = Comme un « entrepôt organisé. » Adapté à l'analyse à haute vitesse de données structurées comme les ventes, les clients et les stocks dans des formats fixes.
- Lac de données (Data Lake) = Comme un « grand réservoir. » Facile pour stocker telles quelles des données massives et diverses comme des logs, des images, des vidéos et des documents. Cependant, il peut devenir difficile à analyser s'il n'est pas géré correctement.
Traditionnellement, de nombreuses entreprises maintenaient ces deux systèmes séparément, encourant des coûts de copie, de déplacement et de double gestion des données. Le Lakehouse de Databricks vise à atteindre « l'utilisabilité d'un entrepôt organisé » et la « flexibilité d'un grand réservoir » sur une seule plateforme. C'est « Lac + Entrepôt = Lakehouse ».
Cette approche facilite, par exemple, le fait de « gérer tous les logs de comportement des clients, l'historique des demandes et les données d'achat en un seul endroit et de laisser l'IA suggérer la meilleure action suivante » tout en minimisant les déplacements de données.
2.3 Importance accrue à l'ère de l'IA : « Avoir des données » ne suffit pas
Avec l'avènement de l'IA générative, l'importance de Databricks a encore grandi. En effet, pour que les entreprises utilisent sérieusement l'IA, elles doivent organiser la qualité, la fraîcheur, les autorisations et le contexte de leurs données internes, et pas seulement les modèles eux-mêmes.
Quel que soit le modèle d'IA le plus performant, si les données auxquelles il se réfère sont anciennes, ambiguës ou sans contrôle d'accès, cela ne mènera pas à des décisions correctes. Databricks est remarquée parce qu'elle contrôle la couche qui « prépare les données d'entreprise pour une utilisation par l'IA ».
L'essence négligée est que les données ne doivent pas seulement être stockées. Par exemple, si la définition des « ventes » diffère selon les départements, l'IA pourrait donner des réponses différentes à la même question. Sans une traçabilité et une exactitude des données gérées, il existe un risque de générer des réponses plausibles mais incorrectes.
Par conséquent, à l'ère de l'IA, la valeur de l'organisation et de la gestion des données afin que l'IA puisse les utiliser en toute sécurité et avec précision augmente. C'est exactement là où Databricks excelle.
En fait, le taux de revenus annualisé des produits d'IA de Databricks a atteint 1,4 milliard de dollars, représentant environ un quart du taux de revenus total de l'entreprise.
2.4 De l'« infrastructure de données » au « système d'exploitation pour les agents IA »
Aujourd'hui, Databricks s'aventure dans le domaine suivant.
Lors du « Data + AI Summit 2026 » qui s'est tenu à San Francisco en juin 2026, la prochaine direction de Databricks est devenue plus claire. Les analystes voient Databricks faire évoluer le Lakehouse d'une simple plateforme de données vers un « OS » pour faire fonctionner les agents IA.
D'un point de vue commercial, Databricks se redéfinit, passant d'un « endroit pour mettre des données » à une « plateforme intégrée permettant aux entreprises de construire, faire fonctionner, gérer et monétiser en toute sécurité des agents IA et des applications métier. »
Les annonces clés comprenaient :
- Unity AI Gateway : Un « point de contrôle » pour gérer et surveiller de manière centralisée divers agents IA, modèles et outils, en contrôlant les coûts et les autorisations.
- Agent Bricks : Une plateforme pour développer et exploiter des agents IA. Plus de 100 000 agents ont été construits depuis son lancement.
- Lakebase : Une nouvelle infrastructure de base de données conçue pour les agents et applications IA, intégrant la technologie issue de l'acquisition de Neon.
- Lakehouse//RT & LTAP : Une vision pour traiter à la fois le « traitement instantané des transactions » et « l'analyse » sur la même plateforme de données, visant des réponses inférieures à 100 ms.
- CustomerLake : Une entrée dans le domaine des plateformes de données clients (CDP), gérant les données marketing directement dans l'infrastructure de données de l'entreprise.
Cela montre la prochaine étape de Databricks. Pour que les agents IA soient vraiment utiles, ils doivent comprendre les données d'entreprise précises et leur contexte. En contrôlant la couche de stockage et de gestion, Databricks remonte vers la couche où les agents IA et les applications métier fonctionnent réellement.
3. Force stratégique : un modèle pour transformer les tendances technologiques en croissance
3.1 Standardisation via l'open source : développer la communauté, monétiser via la plateforme commerciale
L'arme constante de Databricks est l'open source. Elle a étendu des technologies de base comme Apache Spark, Delta Lake (pour la fiabilité), MLflow (pour les cycles de vie de l'apprentissage automatique) et Unity Catalog (pour la gouvernance) en open source.
Ce n'est pas seulement de la philanthropie ; c'est une stratégie pour construire un écosystème. En rendant la technologie ouverte : (1) elle devient une norme de facto utilisée par les développeurs du monde entier ; (2) la standardisation rend les fonctionnalités commerciales de gestion et de sécurité plus attractives ; et (3) elle donne aux clients la tranquillité d'esprit qu'ils ne sont pas enfermés chez un fournisseur spécifique.
3.2 Acquisitions préemptives : absorber les capacités manquantes
La deuxième arme est constituée par les acquisitions agiles utilisant un capital abondant.
- MosaicML (2023, ~1,3 milliard de dollars) : Technologie permettant aux entreprises de former et de personnaliser des modèles d'IA en utilisant leurs propres données. C'est désormais le fondement de Mosaic AI.
- Tabular (2024, 1 milliard de dollars+) : Fondée par les créateurs d'Apache Iceberg. En l'acquérant, Databricks a accru sa neutralité et son interopérabilité dans les formats de données ouverts.
- Neon (2025, ~1 milliard de dollars) : Un fournisseur de Postgres sans serveur. Cette technologie alimente Lakebase, anticipant un monde où les agents IA génèrent des bases de données selon les besoins.
3.3 Promotion de la neutralité : répondre aux craintes de verrouillage
Databricks se positionne comme une plateforme capable de gérer plusieurs modèles d'IA et formats de données, plutôt que d'être fermée. Elle permet l'intégration avec des modèles d'Anthropic, OpenAI, Google et d'autres, laissant les clients choisir le meilleur outil pour le travail tout en gardant la gestion centralisée.
4. Implications pour les startups japonaises : données dynamiques et spécialisation sectorielle
4.1 L'essence : la capacité à gérer des « données en mouvement »
La force principale de Databricks est la capacité à gérer des « données qui bougent constamment. » L'analyse traditionnelle consistait à examiner des instantanés statiques du passé. À l'ère des agents IA, la clé est de lire des données continuellement mises à jour et de prendre des décisions immédiates—comme détecter une fraude ou modifier des suggestions en quelques millisecondes.
4.2 Pourquoi les « plateformes de données spécifiques à un secteur » sont l'opportunité
Concurrencer directement une plateforme horizontale comme Databricks est difficile en raison des économies d'échelle et de la nature mondiale de l'infrastructure. Pour les startups japonaises, la voie de la victoire la plus claire est de s'emparer des « lacunes » que les plateformes généralistes ne peuvent pas atteindre—plus précisément, les « plateformes de données spécifiques à un secteur. »
Un exemple frappant est Veeva Systems dans l'industrie pharmaceutique. Veeva a réussi en comprenant profondément les réglementations et les flux de travail spécifiques à l'industrie, devenant finalement une infrastructure pour ce secteur.
Pourquoi les plateformes horizontales ont-elles du mal ici ? Prenons les « plans » dans l'industrie manufacturière ou la construction. Un plan n'est pas seulement une image ; il contient des notations spécifiques à l'industrie pour les dimensions, les matériaux et les pièces. Databricks peut stocker le fichier, mais elle ne comprend pas intrinsèquement « comment cette forme se rapporte aux coûts d'approvisionnement, aux fournisseurs et aux réglementations. »
4.3 Trois conditions pour gagner
Je pense que les opportunités existent là où ces trois conditions se chevauchent :
- Barrières linguistiques et de personnalisation métier : Des domaines difficiles à traiter pour les plateformes mondiales, comme les plans japonais ou les pratiques commerciales locales spécifiques.
- Création de sens approfondie des « actifs physiques » spécifiques à l'industrie : Des données comme les images médicales ou les formulaires financiers qui nécessitent une connaissance du domaine pour être transformées en actifs commerciaux.
- Intégration dans les flux de travail métier : Aller au-delà de la recherche/de l'analyse vers l'exécution réelle comme les achats, les devis et l'audit.
Résumé : Les 10 prochaines années porteront sur « qui se rapproche le plus des données, du sens et de l'exécution »
Databricks est une société de logiciels de classe mondiale parce qu'elle contrôle le fondement qui prépare les données d'entreprise pour une utilisation sûre de l'IA. Sa stratégie de standardisation via l'OSS, d'acquisitions préemptives et de maintien de la neutralité fournit un modèle de croissance.
Pour les challengers japonais, la leçon est d'éviter la concurrence frontale avec les géants horizontaux et de se concentrer plutôt sur le fait de devenir la « couche de sens spécifique à l'industrie » qui se superpose à eux. Dans la prochaine décennie, alors que les agents IA commenceront à travailler sérieusement, le gagnant sera celui qui contrôlera les données, leur sens et l'exécution métier.
