Ecco la traduzione in italiano del testo fornito, seguendo tutte le linee guida specificate.
Sia al SaaStr di maggio che all'evento di Databricks a giugno (Data + AI Summit 2026), il messaggio comune è stato: "Dati di buona qualità generano buoni agenti AI." La domanda centrale che ha guidato il Summit non è stata "quale modello AI è il più intelligente", ma "quale infrastruttura dati può eseguire l'AI in modo affidabile nelle operazioni aziendali reali?"
Mentre le demo appariscenti di agenti AI spesso rubano la scena, l'infrastruttura dati è essenziale affinché le aziende possano effettivamente utilizzare l'AI in contesti operativi reali. Se i dati a cui l'AI fa riferimento sono obsoleti, mal definiti o privi di una corretta gestione delle autorizzazioni, anche i migliori modelli falliranno nel fornire decisioni o esecuzioni corrette.
Databricks ha ricevuto una valutazione di livello mondiale in questo strato di infrastruttura dati. In oltre 13 anni dalla sua fondazione, l'azienda si è espansa da "Spark per l'elaborazione di big data" al "Data Lakehouse", e ora a un' "Infrastruttura AI Aziendale".
Questo articolo organizza il valore di Databricks da una prospettiva aziendale, esplora perché sta ottenendo rinnovata attenzione nell'era dell'AI e considera le implicazioni per le startup giapponesi.
1. Perché Prestare Attenzione a Databricks Ora? Una Valutazione di $134 Miliardi+, Tra le Migliori tra le Società Software Private
1.1 Società Privata di Classe Mondiale: Scala di Ricavi che Gareggia con Snowflake con una Crescita Più Elevata
Innanzitutto, la scala. Databricks ha raggiunto una valutazione di $134 miliardi nel suo recente round Series L e, insieme a una chiusura aggiuntiva a febbraio 2026, ha raccolto oltre $7 miliardi in totale (circa $5 miliardi in equity + $2 miliardi in debito). Con un tasso di cambio di 160 yen per dollaro, la valutazione raggiunge circa 21 trilioni di yen.
Questa valutazione significa che anche prima dell'ascesa esplosiva delle aziende di AI generativa come Anthropic e OpenAI, Databricks era già una delle società software private più valutate al mondo. Si è classificata al 3° posto nella lista "Disruptor 50" del 2026 di CNBC, posizionandosi accanto ad Anthropic e OpenAI come azienda tecnologica leader a livello globale.
Non è solo la valutazione. Il tasso di ricavi annualizzato di Databricks ha superato i $5,4 miliardi, con un tasso di crescita anno su anno superiore al 65%. Al contrario, i ricavi annuali dei prodotti di Snowflake per l'anno fiscale 2026 sono stati di circa $4,5 miliardi, con un tasso di crescita di circa il 30%.
Sebbene le cifre di Databricks siano tassi annualizzati e quelle di Snowflake siano risultati annuali completi, richiedendo cautela nel confronto diretto, è chiaro che Databricks sta raggiungendo una scala di ricavi paragonabile a Snowflake mantenendo un tasso di crescita significativamente più elevato.
Perché Databricks sta guadagnando così tanto slancio? Il background risiede nelle diverse origini delle due aziende.
Entrambe gestiscono dati aziendali, ma i loro punti di partenza erano opposti. Snowflake è partita utilizzando SQL per aggregare e analizzare rapidamente dati strutturati (come tabelle di vendita e elenchi di clienti) per vedere "cosa è successo in passato. " Databricks, d'altra parte, è partita elaborando dati massicci e disordinati (come log e dati macchina) per prepararli all'apprendimento automatico e all'AI.
Per utilizzare l'AI nel business, è fondamentale gestire non solo dati strutturati, ma anche log, documenti, immagini, audio e dati in tempo reale, e prepararli per l'uso dell'AI. Questo è il motivo per cui l'area di competenza di Databricks viene rivalutata nell'era dell'AI. Naturalmente, queste sono solo le origini; oggi, sia Snowflake che Databricks si sono espanse nei territori l'una dell'altra e le loro aree competitive si sovrappongono in modo significativo.
1.2 13 Anni di Inseguimento delle Grandi Onde Tecnologiche
Oltre alle sue dimensioni, Databricks è interessante perché ha continuamente aggiornato il suo posizionamento per allinearsi alle grandi ondate tecnologiche sin dalla sua fondazione nel 2013. È iniziata con Apache Spark, la tecnologia principale per l'elaborazione di big data. Ha poi lanciato il "Lakehouse", integrando data lake e data warehouse, e ora si sta espandendo nell'infrastruttura che supporta l'utilizzo dell'AI aziendale.
In particolare, le sue performance stanno soddisfacendo queste aspettative. Mentre faceva crescere il suo tasso di ricavi a oltre il 65% su base annua, ha raggiunto un flusso di cassa libero positivo su base mobile a 12 mesi, con margini lordi riportati intorno all'80%. Sebbene questi siano parametri limitati divulgati da una società privata, la dimostrazione simultanea di alta crescita e generazione di cassa è un motivo chiave per la sua elevata valutazione da parte degli investitori.
Tuttavia, Databricks rimane cauta riguardo a un'IPO nel 2026. L'Amministratore Delegato Ali Ghodsi ha dichiarato in un'intervista a Bloomberg TV del giugno 2024: "Alla fine andremo sicuramente pubblici. Ma questo è l'anno peggiore per diventare pubblici." Con IPO massicce previste da SpaceX, Anthropic e OpenAI, l'azienda probabilmente vuole evitare un mercato affollato per il capitale istituzionale.
Invece di affrettarsi a quotarsi in borsa, sta accelerando i finanziamenti nel mercato privato. A giugno 2026, The Information ha riportato che Databricks stava negoziando un nuovo round a una valutazione compresa tra $165 miliardi e $175 miliardi (circa 26-28 trilioni di yen) .
1.3 Il Valore del "Livello Intermedio" è Difficile da Vedere
Il software che vediamo quotidianamente sono "app aziendali" come Slack o Salesforce. Poiché toccano direttamente le attività degli utenti, il loro valore è relativamente facile da comunicare. Al contrario, aziende come Databricks sono la "fondamenta" che supporta i dati dietro le quinte. Questo è il "livello intermedio" o "infrastruttura dati".
Nel mondo del software, si dice spesso che il "Value Capture" tende a concentrarsi nei livelli superiori più vicini al cliente, le applicazioni. Mentre le applicazioni sono visibili, il livello infrastrutturale sottostante è spesso nascosto agli utenti finali e incline alla commoditizzazione.
Nonostante si trovi in questo livello infrastrutturale, perché Databricks è valutata così in alto? Diamo un'occhiata alla fonte della sua forza nel prossimo capitolo.
2. Il Punto di Forza di Databricks: Come il "Maestro dei Dati" Combatte
2.1 Radici: Un "Gruppo di Geni che ha Accelerato l'Elaborazione dei Big Data di 100 Volte"
Il punto di forza di Databricks ha origine dai suoi membri fondatori. Nel 2013, l'azienda è stata fondata da ricercatori dell'AMPLab dell'UC Berkeley. Erano gli sviluppatori principali di Apache Spark, la tecnologia open source rappresentativa per l'elaborazione di big data.
All'epoca, il volume di dati gestito dalle aziende stava esplodendo e "come elaborare rapidamente grandi quantità di dati" era una sfida importante. Il mainstream Hadoop MapReduce era potente per l'elaborazione batch su larga scala, ma aveva limiti di velocità per l'apprendimento automatico iterativo e l'analisi interattiva a causa delle frequenti letture e scritture su disco.
Entra in gioco Apache Spark, sviluppato da Matei Zaharia (ora CTO di Databricks) e altri. Spark utilizzava l'elaborazione distribuita basata sulla memoria, consentendo di elaborare determinati carichi di lavoro fino a 100 volte più velocemente di Hadoop MapReduce.
In parole povere, mentre un PC è lento se sposta costantemente dati dentro e fuori da un disco rigido, il lavoro è più veloce se si distribuiscono i dati sulla scrivania (memoria). Spark ha applicato questo concetto all'elaborazione distribuita di dati su larga scala.
Spark è stato rilasciato come open source nel 2010 ed è diventato una tecnologia standard. La caratteristica unica di Databricks è che gli stessi membri profondamente legati a questa comunità open source ampiamente utilizzata sono quelli che sviluppano il servizio commerciale.
2.2 "Lakehouse": L'Idea di Integrare Data Lake e Data Warehouse
Databricks ha fortemente promosso il concetto di "Lakehouse". Questa architettura combina la flessibilità di un data lake con le prestazioni di gestione e analisi di un data warehouse.
- Data Warehouse = Come un "magazzino organizzato. " Adatto per l'analisi ad alta velocità di dati strutturati come vendite, clienti e inventario in formati fissi.
- Data Lake = Come un "grande bacino idrico. " Facile da memorizzare grandi quantità di dati eterogenei come log, immagini, video e documenti così come sono. Tuttavia, può diventare difficile da analizzare se non gestito correttamente.
Tradizionalmente, molte aziende mantenevano questi due separati, sostenendo costi per la copia, lo spostamento e la doppia gestione dei dati. Il Lakehouse di Databricks mira a raggiungere l'"usabilità di un magazzino organizzato" e la "flessibilità di un grande bacino idrico" su un'unica piattaforma. Questo è "Lake + House = Lakehouse".
Questo approccio rende più facile, ad esempio, "gestire tutti i log del comportamento dei clienti, la cronologia delle richieste e i dati di acquisto in un unico posto e far sì che l'AI suggerisca la prossima azione migliore" riducendo al minimo lo spostamento dei dati.
2.3 Maggiore Importanza nell'Era dell'AI: "Avere Semplicemente Dati" Non è Sufficiente
Con l'avvento dell'AI generativa, l'importanza di Databricks è cresciuta ulteriormente. Questo perché affinché le aziende utilizzino seriamente l'AI, devono organizzare la qualità, la freschezza, le autorizzazioni e il contesto dei loro dati interni, non solo i modelli stessi.
Non importa quanto sia performante un modello AI, se i dati a cui fa riferimento sono vecchi, ambigui o privi di controllo degli accessi, non porterà a decisioni corrette. Databricks è notata perché controlla il livello che "prepara i dati aziendali per l'uso dell'AI".
L'essenza trascurata è che i dati non dovrebbero essere solo memorizzati. Ad esempio, se la definizione di "vendite" differisce per reparto, l'AI potrebbe dare risposte diverse alla stessa domanda. Senza una gestione della derivazione e dell'accuratezza dei dati, c'è il rischio di generare risposte plausibili ma errate.
Pertanto, nell'era dell'AI, il valore di organizzare e gestire i dati in modo che l'AI possa usarli in modo sicuro e accurato è in aumento. Questo è esattamente il punto in cui Databricks eccelle.
In effetti, il tasso di ricavi dei prodotti AI di Databricks ha raggiunto $1,4 miliardi, rappresentando circa un quarto del tasso di ricavi totale dell'azienda.
2.4 Dall' "Infrastruttura Dati" al "Sistema Operativo per Agenti AI"
Ora, Databricks sta entrando nel prossimo dominio.
Al "Data + AI Summit 2026" tenutosi a San Francisco nel giugno 2026, la prossima direzione di Databricks è diventata più chiara. Gli analisti vedono Databricks evolvere il Lakehouse da una semplice piattaforma dati a un "sistema operativo" per eseguire agenti AI.
Da una prospettiva aziendale, Databricks si sta ridefinendo da un "posto dove mettere i dati" a una "piattaforma integrata per le aziende per costruire, eseguire, gestire e monetizzare in modo sicuro agenti AI e app aziendali. "
Gli annunci chiave includevano:
- Unity AI Gateway: Un "checkpoint" per gestire e monitorare centralmente vari agenti AI, modelli e strumenti, controllando costi e autorizzazioni.
- Agent Bricks: Una piattaforma per sviluppare e operare agenti AI. Oltre 100.000 agenti sono stati costruiti dal lancio.
- Lakebase: Una nuova infrastruttura di database progettata per agenti e app AI, che incorpora la tecnologia dell'acquisizione di Neon.
- Lakehouse//RT & LTAP: Una visione per gestire sia l'"elaborazione delle transazioni istantanee" che l'"analisi" sulla stessa piattaforma dati, puntando a risposte inferiori a 100 ms.
- CustomerLake: Un ingresso nello spazio della Customer Data Platform (CDP), gestendo i dati di marketing direttamente all'interno dell'infrastruttura dati dell'azienda.
Questo mostra la prossima mossa di Databricks. Affinché gli agenti AI siano veramente utili, devono comprendere dati aziendali accurati e il loro contesto. Controllando il livello di archiviazione e gestione, Databricks si sta spostando verso l'alto, al livello in cui gli agenti AI e le app aziendali vengono effettivamente eseguiti.
3. Forza Strategica: Un Modello per Trasformare le Tendenze Tecnologiche in Crescita
3.1 Standardizzazione tramite Open Source: Espandere la Community, Monetizzare tramite Piattaforma Commerciale
L'arma costante di Databricks è l'open source. Ha ampliato tecnologie chiave come Apache Spark, Delta Lake (per l'affidabilità), MLflow (per i cicli di vita del machine learning) e Unity Catalog (per la governance) come open source.
Questa non è solo beneficenza; è una strategia per costruire un ecosistema. Rendendo la tecnologia aperta: (1) diventa uno standard de facto utilizzato dagli sviluppatori di tutto il mondo; (2) la standardizzazione rende le funzionalità commerciali di gestione e sicurezza più attraenti; e (3) dà ai clienti la tranquillità di non essere bloccati con un fornitore specifico.
3.2 Acquisizioni Preventive: Assorbire le Capacità Mancanti
La seconda arma sono le acquisizioni agili utilizzando capitale abbondante.
- MosaicML (2023, ~$1,3 miliardi): Tecnologia per consentire alle aziende di addestrare e personalizzare modelli AI utilizzando i propri dati. Questa è ora la base di Mosaic AI.
- Tabular (2024, $1 miliardo+): Fondata dai creatori di Apache Iceberg. Acquisendola, Databricks ha aumentato la sua neutralità e interoperabilità nei formati di dati aperti.
- Neon (2025, ~$1 miliardo): Un provider Postgres serverless. Questa tecnologia alimenta Lakebase, anticipando un mondo in cui gli agenti AI generano database secondo necessità.
3.3 Promuovere la Neutralità: Rispondere ai Timori di Lock-in
Databricks si posiziona come una piattaforma in grado di gestire più modelli AI e formati di dati, piuttosto che essere chiusa. Consente l'integrazione con modelli di Anthropic, OpenAI, Google e altri, permettendo ai clienti di scegliere lo strumento migliore per il lavoro mantenendo la gestione centralizzata.
4. Implicazioni per le Startup Giapponesi: Dati Dinamici e Specializzazione di Settore
4.1 L'Essenza: Il Potere di Gestire "Dati in Movimento"
Il punto di forza principale di Databricks è la capacità di gestire "dati che continuano a muoversi." L'analisi tradizionale riguardava l'osservazione di istantanee statiche del passato. Nell'era degli agenti AI, la chiave è leggere dati continuamente aggiornati e prendere decisioni immediate, come rilevare frodi o modificare suggerimenti in millisecondi.
4.2 Perché le "Piattaforme Dati Specifiche per Settore" Sono l'Opportunità
Competere frontalmente con una piattaforma orizzontale come Databricks è difficile a causa delle economie di scala e della natura globale dell'infrastruttura. Per le startup giapponesi, il percorso più chiaro verso la vittoria è sfruttare i "vuoti" che le piattaforme generiche non possono raggiungere, in particolare le "Piattaforme Dati Specifiche per Settore".
Un esempio lampante è Veeva Systems nel settore farmaceutico. Veeva ha avuto successo comprendendo a fondo le normative e i flussi di lavoro specifici del settore, diventando infine un'infrastruttura per quel settore.
Perché le piattaforme orizzontali faticano qui? Prendiamo i "progetti" nel settore manifatturiero o edile. Un progetto non è solo un'immagine; contiene notazioni specifiche del settore per dimensioni, materiali e parti. Databricks può archiviare il file, ma non comprende intrinsecamente "come questa forma si relaziona ai costi di approvvigionamento, ai fornitori e alle normative."
4.3 Tre Condizioni per Vincere
Credo che le opportunità esistano dove queste tre condizioni si sovrappongono:
- Barriere Linguistiche e di Personalizzazione Aziendale: Aree difficili da gestire per le piattaforme globali, come i progetti giapponesi o le pratiche commerciali locali specifiche.
- Creazione di Significato Profondo per "Asset Fisici" Specifici del Settore: Dati come immagini mediche o moduli finanziari che richiedono conoscenze di dominio per essere trasformati in asset aziendali.
- Integrazione nei Flussi di Lavoro Aziendali: Andare oltre la ricerca/analisi per entrare nell'esecuzione effettiva come approvvigionamento, preventivazione e revisione contabile.
Riepilogo: I Prossimi 10 Anni Riguardano "Chi si Avvicina di Più ai Dati, al Significato e all'Esecuzione"
Databricks è un'azienda software di livello mondiale perché controlla le fondamenta che preparano i dati aziendali per un uso sicuro dell'AI. La sua strategia di standardizzazione tramite OSS, acquisizioni preventive e mantenimento della neutralità fornisce un modello per la crescita.
Per gli sfidanti giapponesi, la lezione è evitare la competizione frontale con i giganti orizzontali e concentrarsi invece sul diventare il "livello di significato specifico del settore" che si basa su di essi. Nel prossimo decennio, quando gli agenti AI inizieranno a lavorare seriamente, il vincitore sarà chi controllerà i dati, il loro significato e l'esecuzione aziendale.
