5月のSaaStrでも、6月のDatabricks自身のイベント（Data + AI Summit 2026）で共通して打ち出されていたのは、「良いデータが、良いエージェントをつくる」という発想でした。Summitを貫いていたのも、「どのAIモデルが一番賢いか」ではなく、「どのデータ基盤なら、AIを本番の業務で確実に動かせるか」という問いです。
AIエージェントの華やかなデモに目が向きがちですが、企業が実際の業務でAIを動かすには、その下にあるデータ基盤が欠かせません。AIが参照するデータが古い、定義がずれている、権限管理ができていない――そうした状態では、どれだけ優れたモデルを使っても、正しい判断や業務実行にはつながらないからです。
このデータ基盤レイヤーで、世界でも屈指の評価を受けてきたのがDatabricksです。創業から13年、同社は「ビッグデータ処理のSpark」から「データレイクハウス」、そして現在の「企業AI基盤」へと領域を広げながら成長してきました。
本稿では、一見すると分かりづらいDatabricksの価値を、ビジネスの観点から整理します。そのうえで、なぜ同社がAI時代に改めて注目されているのか、そして日本のスタートアップにとってどのような示唆があるのかを考察していきます。
1. なぜいまDatabricksに注目すべきか ー 評価額約21兆円、未上場ソフトウェア企業として世界トップクラス
1.1 未上場企業として世界トップクラス ー Snowflakeに匹敵する売上規模と、より高い成長率
まず規模感です。Databricksは直近のシリーズLで評価額1,340億ドルを付け、2026年2月の追加クローズと合わせて、株式約50億ドル＋デット約20億ドルの合計70億ドル超を確保しました（出典：Databricks公式、CNBC）。1ドル約160円で換算すると、評価額は約21兆円に達します。
この「約21兆円」が意味するのは、AnthropicやOpenAIといった生成AI企業の評価額が爆発的に高まる以前から、Databricksが未上場ソフトウェア企業の中でも世界有数の評価を受けてきた、ということです。米CNBCの2026年版「Disruptor 50」でも3位にランクインし、AnthropicやOpenAIと並ぶ、世界有数の未上場テック企業として位置づけられています（出典：CNBC Disruptor 50）。
注目すべきは、評価額だけではありません。Databricksの年換算売上ランレートは54億ドル超、前年比成長率は65%超に達しています。対するSnowflakeは、2026会計年度の通期製品売上が約45億ドル、前年比成長率が約30%です（出典：Snowflake SEC提出8-K）。
もちろん、Databricksの数字は「直近売上を年率換算したランレート」であり、Snowflakeの数字は「通期の実績」です。単純な横比較には注意が必要です。それでも、DatabricksがSnowflakeに匹敵する売上規模に達しつつ、より高い成長率を維持していることは、この市場での勢いを示しています。
なぜDatabricksは、ここまで勢いを増しているのでしょうか。背景には、両社のそもそもの出自の違いがあります。
両社はともに企業のデータを扱う基盤ですが、出発点が対照的でした。Snowflakeは、売上表や顧客リストのように整理された構造化データをSQLで高速に集計・分析する、いわば「過去に何が起きたか」を見る側から出発した会社です。一方のDatabricksは、ログや機械データのような大量で雑多なデータを処理し、機械学習やAIに使える形に整える側から出発した会社です。
AIを企業で活用するには、構造化データだけでなく、ログ、文書、画像、音声、リアルタイムデータなどを、安全に管理し、AIが使える形に整える力が重要になります。Databricksが得意としてきた領域が、AI時代に改めて注目される理由はここにあります。もちろん、これはあくまで出自の違いであり、現在はSnowflakeもDatabricksも互いの領域に踏み込み、競争領域は大きく重なっています。
1.2 創業13年、テックの大きな波を捉え続けてきた会社
巨大なだけではありません。Databricksが興味深いのは、2013年の創業以来、テック業界の大きな波に合わせて自らの位置づけを更新し続けてきた点です。出発点は、ビッグデータ処理の中核技術であるApache Spark。その後、データレイクとデータウェアハウスを統合する「レイクハウス」を打ち出し、現在は企業のAI活用を支える基盤へと領域を広げています。
注目すべきは、業績がこの期待にきちんと応えている点です。売上ランレートを前年比65%超で伸ばしながら、過去12か月ベースでフリーキャッシュフロー黒字を達成し、粗利率も約80%とされています（出典：Databricks公式・前掲、CNBC）。もちろん、これは未上場企業が公表している限られた指標であり、上場企業のように詳細な財務諸表が開示されているわけではありません。それでも、高成長とキャッシュ創出力を同時に示している点は、投資家から高く評価される理由の一つです。
もっとも、Databricksは少なくとも2026年中の上場には慎重な姿勢を示しています。Ali Ghodsi CEOは2026年6月4日のBloomberg TVのインタビューで、「我々はいずれ必ず上場する。ただ、今年は上場するには最悪の年だ」と述べました。SpaceX・Anthropic・OpenAIといった超大型IPO観測が重なるなか、機関投資家の資金配分が過密になる市場環境を避けたい意図があるとみられます（出典：Bloomberg）。
上場を急がない代わりに未上場マーケットでの資金調達は加速しており、米メディアThe Informationは2026年6月、Databricksが1,650億〜1,750億ドル（約26〜28兆円）の評価額で新ラウンドを交渉中と報じています（出典：The Information）。※新ラウンドの正式クローズは本稿執筆時点で未確認
1.3 「ミドルレイヤー」の価値は、見えづらい
私たちが日常で目にしやすいソフトは、SlackやSalesforceのような「業務アプリ」です。ユーザーの業務に直接触れるため、価値が比較的伝わりやすい。一方、Databricksのような会社は、その裏側でデータを支える“土台”にあたります。「ミドルレイヤー」あるいは「データ基盤」と呼ばれる領域です。
ソフトウェアの世界では、価値の取り分、つまりValue Captureは、顧客に近い上位レイヤー、すなわちアプリケーション側に集まりやすいと言われます。ユーザーに直接触れるアプリケーションは価値が伝わりやすい一方、その下にある基盤レイヤーは、エンドユーザーから見えにくく、コモディティ化しやすいからです。
にもかかわらず、Databricksはアプリケーションより下のデータ基盤レイヤーにいながら、なぜここまで高く評価されているのか。次章から、その強さの正体を見ていきます。
2. Databricksの強さ ー 「データを制する者」の戦い方
2.1 ルーツは「ビッグデータの処理速度を100倍にした天才集団」
Databricksの強さの源流は創業メンバーにあります。2013年、同社はカリフォルニア大学バークレー校（UC Berkeley）のAMPLabにいた研究者たちによって設立されました。彼らは、ビッグデータ処理の代表的なオープンソース技術であるApache Sparkの開発に深く関わったメンバーです（出典：Bigeye: A brief history of Databricks）。
当時、企業が扱うデータ量は急速に増え、「膨大なデータをどう速く処理するか」が大きな課題になっていました。主流だったHadoop MapReduceは大規模バッチ処理に強みを持つ一方、反復的な機械学習処理やインタラクティブな分析では、ディスクへの読み書きが多く、速度面に制約がありました。
そこに登場したのが、UC Berkeleyの大学院生だったMatei Zaharia氏（現Databricks CTO）らが開発したApache Sparkです。Sparkはメモリを活用した分散処理によって、特定のワークロードではHadoop MapReduceに比べて最大100倍高速に処理できるとされ、ビッグデータ処理の世界で大きな注目を集めました（出典：Generational: Databricks）。
ざっくり言えば、パソコンでハードディスクから毎回データを出し入れすると遅い一方、よく使うデータを机の上（メモリ）に広げておけば作業は速くなります。Sparkは、この考え方を大規模な分散データ処理に応用した技術だと考えると分かりやすいでしょう。
Sparkは2010年にオープンソースとして公開され、その後、ビッグデータ処理の代表的な技術の一つとして広く使われるようになりました。Databricksの特徴は、この広く使われるオープンソース技術の開発者コミュニティと深くつながるメンバーが、商用サービスを展開している点にあります。
2013年の創業期には、Andreessen Horowitz（a16z）などが出資し、研究発の技術を企業向けプラットフォームに育てる挑戦が始まりました。
2.2 「レイクハウス」ー データレイクとウェアハウスを統合する発想
Databricksが強く打ち出してきたのが、「レイクハウス（Lakehouse）」という考え方です。これは、データレイクの柔軟性と、データウェアハウスの管理性・分析性能を組み合わせようとするアーキテクチャです。
- データウェアハウス＝「整理された倉庫」に近い存在。売上、顧客、在庫のように構造化されたデータを、決まった形で高速に分析することに向いています。
- データレイク＝「大きな貯水池」に近い存在です。ログ、画像、動画、文書など、形式の異なる大量のデータをそのまま蓄積しやすい。ただし、きちんと管理しなければ、後から分析や活用がしづらくなるという課題があります。
従来、多くの企業はこの2つを別々に持ち、データのコピーや移動、二重管理にコストをかけていました。Databricksが打ち出したレイクハウスは、「整理された倉庫の使い勝手」と「大きな貯水池の柔軟さ」を、できるだけ一つの基盤で実現しようとする考え方です。これが「湖（レイク）＋倉庫（ハウス）＝レイクハウス」です。
この考え方によって、たとえば「全顧客の行動ログ・問い合わせ履歴・購買データを一か所で扱い、AIが次のおすすめ行動を提案する仕組み」を、データのコピーや移動をできるだけ減らしながら作りやすくなります。
Snowflakeも分析基盤として非常に強力な企業ですが、Databricksはもともと大量で多様なデータを処理し、機械学習やAIに活用する側から発展してきました。そのため、レイクハウスという発想は、AI時代に求められる「多様なデータを一元的に扱い、分析や機械学習につなげる」ニーズと相性が良かったのです。
2.3 AI時代に重要性が増した ー 「データがあるだけ」ではダメ
生成AIの登場で、Databricksの重要性は一段と増しました。理由は、企業がAIを本格的に使うには、モデルそのものだけでなく、社内にあるデータの品質、鮮度、権限、文脈を整える必要があるからです。
どれだけ高性能なAIモデルを使っても、参照するデータが古い、定義が曖昧、アクセス権限が管理されていない、という状態では、正しい判断や業務実行にはつながりません。AI時代にDatabricksが注目されるのは、この「企業データをAIが使える状態に整える」レイヤーを押さえているからです。
ここで見落とされがちな本質は、データはただ貯めればいいわけではない、ということです。たとえば、部署ごとに「売上」という言葉の意味が違っていたり、営業は受注額、経理は請求額、SaaSチームはMRRを見ていたりすると、AIは同じ質問に対して異なる答えを返しかねません。データの出どころや正しさが管理されていなければ、もっともらしいが誤った回答を出すリスクもあります。
だからAI時代には、データを「AIが安全かつ正確に使える状態」に整え、管理することの価値が高まっています。Databricksは、まさにこの「整え、管理する」レイヤーで強みを持っています。
実際、DatabricksのAI製品の売上ランレートは14億ドルに達し、全社売上ランレートの約4分の1を占める規模になっています（出典：Databricks公式、CNBC Disruptor 50・前掲）。
また、Anthropic、OpenAI、Googleなどの主要AIモデルをDatabricksの環境から利用・統合できるようにする動きも進めています。これは、Databricksが特定のモデルに賭けるのではなく、企業が複数のモデルを選びながら、自社データと安全につなげるための基盤になろうとしていることを示しています。
2.4 「データ基盤」から「AIエージェントのOS」へ
そしていま、Databricksは次の領域に踏み出しています。
2026年6月15〜18日、サンフランシスコで開かれた同社最大の年次イベント「Data + AI Summit 2026」では、Databricksの次の方向性がより明確になりました。公式発表によれば、同イベントには3万人超が参加し、150か国以上から参加者が集まり、800超のセッションが行われました（出典：Databricks公式）。
複数のアナリストは、このイベントを通じて、Databricksがレイクハウスを単なるデータ基盤ではなく、AIエージェントを動かすための“OS”へ進化させようとしている、と捉えています。（出典：theCUBE Research、Moor Insights & Strategy）。
ビジネス観点で見ると、Databricksは「データを置く場所」から、「企業がAIエージェントや業務アプリを安全に作り、動かし、管理し、収益化するための統合基盤」へと自らを再定義しようとしています。
今回の発表は一見ばらばらに見えますが、共通しているのは「企業データの上でAIを作り、管理し、動かす」領域へDatabricksが広がっている点です。象徴的な発表をいくつか挙げます。
- Unity AI Gateway：社内で使われるさまざまなAIエージェント、モデル、ツールを一元的に管理・監視し、コストや権限をコントロールするための“関所”。
- Agent Bricks：AIエージェントを開発・運用するための基盤。Databricksによれば、ローンチ以来10万超のエージェントが構築され、年間1京トークン超を処理しているとされています。
- Lakebase：AIエージェントやアプリケーション向けに設計された、新しいデータベース基盤。Databricksが買収したNeonの技術を取り込み、サーバーレスPostgresの領域に踏み込む動きです。
- Lakehouse//RT・LTAP：これまで分かれていた「即時の取引処理」と「分析」を、同じデータ基盤上で扱おうとする構想。100ミリ秒未満の応答を掲げ、AIエージェントが“いまこの瞬間”のデータを読んで動ける世界を目指しています。
- CustomerLake：顧客データ基盤、いわゆるCDP領域に踏み込む発表。マーケティング用の顧客データを別システムに切り出すのではなく、企業のデータ基盤の中で直接扱う発想です。
- Free Edition：無料版を拡張し、より多くの開発者や学生がDatabricksに触れられるようにする取り組み。将来のユーザー層を広げる、開発者エコシステム戦略の一環と見られます。
ここに、Databricksの次の戦い方が見えます。AIエージェントが本当に役立つには、企業の正確なデータと、その文脈、つまり「何が正しい数字なのか」「誰がどのデータにアクセスしてよいのか」を理解する必要があります。
Databricksは、企業データを保管・処理・管理する基盤を押さえているからこそ、その上でAIエージェントや業務アプリを動かすレイヤーへと登ろうとしています。これは、単なるデータ基盤企業から、企業AIの実行基盤へと広がる動きです。
ただし、CustomerLakeのような発表は、従来であればパートナーだった業務アプリやマーケティングSaaSの領域と重なります。Databricksの上位レイヤー進出がエコシステム内にどのような摩擦を生むのかは、今後の注視点です。
（本節2.4の出典：Agent Bricks公式ブログ、Qubikaまとめ、theCUBE Research、Moor Insights & Strategy、Azure Databricksブログ）
3. Databricksの戦略的な強さ ー 技術トレンドを事業成長につなげる型
Databricksが13年にわたりトップクラスの評価を維持してきた背景には、プロダクト進化の背後にある一貫した戦略があります。ビジネス観点で、3つに整理します。
3.1 オープンソースで標準化を進める ー コミュニティを広げ、商用基盤で回収する
Databricksの一貫した武器が、オープンソースです。OSSとは、一定のライセンス条件のもとで公開され、誰でも利用・改良できるソフトウェアを指します。
Databricksは、創業メンバーが深く関わったApache Sparkを出発点に、データレイクの信頼性を高めるDelta Lake、機械学習ライフサイクルを管理するMLflow、データとAIのガバナンスを担うUnity Catalogなど、データ・AI基盤の中核に関わる技術をオープンな形で広げてきました（出典：Databricks公式、Databricks公式②、InfoWorld）。
一見すると、「中核技術をオープンにしてしまって大丈夫なのか」と思えます。しかし、Databricksにとってこれは単なる無償提供ではなく、エコシステムを広げるための戦略です。
オープンな技術として広がることで、(1)世界中の開発者や企業が使い、技術が事実上の標準になりやすい、(2)標準化が進めば、その上で動く管理・運用・セキュリティ・企業向け機能が選ばれやすくなる、(3)「中身がオープンだから特定ベンダーに縛られにくい」という安心感を顧客に与えられる、という効果が生まれます。
実際、Unity Catalogをオープンソース化した際、DatabricksはAWS、Google Cloud、Microsoft、NVIDIA、Salesforceなどのエコシステムパートナーから支持を得たと発表しています。同社はそこで、「ベンダーロックインなしに、顧客が必要とする柔軟性とコントロールを提供する」というメッセージを打ち出しました（出典：Databricks公式）。
技術をオープンに広げ”標準”を作り、その上で企業向けの管理・運用・統合機能を提供する。これがDatabricksの基本戦略です。
3.2 買収で先手を打つ ー 不足する能力を一気に取り込む
第2の武器は、潤沢な資金を使った機動的な買収です。自前で作るには時間がかかる技術やチームを買収によって取り込み、将来重要になると見た領域に早めに資本を投じてきました。代表的な3件を挙げます。
- MosaicML（2023年6月・約13億ドル）：企業が自社データを使ってAIモデルを訓練・カスタマイズするための技術を持つ会社です。ChatGPT登場後、生成AI投資が急速に広がるなかで、Databricksは「企業が自社データで独自モデルを作る」ニーズに早くから賭けました。これが現在のMosaic AIの土台になっています（出典：InfoWorld）。
- Tabular（2024年6月・10億ドル超）：Apache Icebergの開発者が創業した会社です。Icebergは、Delta Lakeと並ぶオープンなテーブルフォーマットの一つで、Snowflakeを含む多くのデータ基盤で採用が進んでいました。Databricksは自社のDelta Lakeに加え、Iceberg側の知見とチームを取り込むことで、オープンなデータ形式をめぐる競争において中立性と相互運用性を高めようとしたと見られます。SnowflakeやConfluentも買収に関心を示していたと報じられており、発表のタイミングもSnowflakeの年次イベントと重なったため、業界内で大きな話題を呼びました（出典：CNBC、ERP.today）。
- Neon（2025年5月・約10億ドル）：サーバーレスPostgresを提供する企業です。Databricksによれば、Neon上で作られるデータベースの約8割がAIエージェントによって生成されており、AIエージェント時代には、アプリケーションやエージェントが必要に応じてデータベースを作る世界が広がる可能性があります。Neonの技術は、前章で触れたLakebaseの基盤になっています（出典：Databricks公式、TechTarget）。
Databricksの買収戦略に共通しているのは、自前主義にこだわらず、将来重要になると見た技術やチームを早めに取り込む姿勢です。MosaicMLは生成AI、Tabularはオープンなデータ形式、NeonはAIエージェント時代のデータベースというように、いずれも同社が次に広げたい領域と直結しています。
もっとも、これらの買収がどこまで収益や競争優位につながるかは、今後の統合と顧客導入次第です。ここでもDatabricksは、大きな市場変化を先読みし、必要な能力を外部から取り込むという戦い方を選んでいます。
3.3 中立性を打ち出す ー ロックイン不安に応える戦略
第3の武器が、顧客に複数の選択肢を残すポジショニングです。特定のAIモデルやデータ形式に完全に閉じるのではなく、複数のモデルや形式を扱える基盤であることを打ち出しています。
いまAIモデルは、Anthropic、OpenAI、Googleなどが激しく競い、短期間で勢力図が変わりうる領域です。多くの顧客企業にとっての不安は、「どれか一社のモデルに依存しすぎてよいのか」という点にあります。
Databricksはここに対して、Claude、OpenAIのモデル、Gemini、Grokなど、複数のモデルをDatabricksの環境から利用・統合できる選択肢を広げています。重要なのは、特定のモデルに賭けるのではなく、顧客が用途に応じてモデルを選べる状態を作ろうとしている点です（出典Agent Bricks公式ブログ）。
さらに、MosaicML由来のMosaic AIによって、企業が自社データを使ってモデルを訓練・カスタマイズする選択肢も提供しています。外部の汎用モデルを使うだけでなく、自社用途に合わせたモデルを持つ道も用意している、ということです。
データ形式の面でも同じです。前述のDelta LakeとIcebergの相互運用や、Unity Catalogのオープンソース化は、「複数の形式やツールをまたいで使える基盤でありたい」というDatabricksから顧客へのメッセージでもあります。
モデルやデータ形式の選択肢が短期間で変わるほど、顧客は「一つに賭けすぎるリスク」を嫌います。Databricksは、その不安に対して、複数のモデル、複数のデータ形式、複数のクラウドやツールをまたいで使える基盤であることを打ち出しています。
完全に中立な存在というより、Databricks自身のプラットフォームを軸にしながら、顧客に選択肢を残す戦略です。この「選べるが、管理は一元化できる」というポジションが、変化の激しいAI時代に効いているのです。
4. 日本のスタートアップへの示唆 ー 動的データと業界特化の勝ち筋
4.1 本質は「動き続けるデータ」を扱う力
ここまでを一段俯瞰して捉え直すと、Databricksの本質的な強さは、「動き続けるデータ」を扱う力にあります。
従来のデータ分析の多くは、「先月の売上はいくらだった」という過去の状態を把握するものでした。いわば、過去の静止画を見る分析です。
しかしAIエージェントの時代に重要になるのは、更新され続けるデータを読み取り、その場で判断や業務実行につなげる仕組みです。たとえば、不正取引を検知して止める、顧客の行動に応じて秒単位・ミリ秒単位で提案を変える、センサーの異常を即座に察知して対応する、といった使い方です。
こうした「いま動いているデータ」を扱うには、データを貯める、流す、処理する、AIに渡す、という流れをできるだけ途切れなくつなぐ必要があります。Databricksが今回のSummitで、100ミリ秒未満の応答を掲げるLakehouse//RTや、取引処理と分析を同じ基盤上で扱うLTAPを打ち出したのは、まさにリアルタイム性の高いデータ活用に対応するためだと見られます（出典：theCUBE Research、Moor Insights & Strategy・前掲）。
データは一度きりの買い物ではなく、企業活動が続く限り生まれ、更新され続けます。その流れ続けるデータの入口と処理基盤を押さえることができれば、利用量が増えるほどDatabricksの価値も積み上がりやすくなります。
売上ランレートの前年比65%超成長や、既存顧客からの売上拡大を示すNRR140%超という数字は、同社の利用が既存顧客の中でも広がっていることを示しています（出典：Databricks公式・前掲）。
ここまで見てきたのは、AI時代において、データ基盤レイヤーの価値が構造的に高まりやすいという話です。では、この動きは日本のスタートアップにとって何を意味するのでしょうか。ここからは、事実を踏まえつつ、私の見立てとして考察していきます。
4.2 「同じ土俵」での正面勝負は難しい ー だからこそ“すき間”に機会がある
率直に言えば、Databricksと同じような水平型のデータ基盤を一から作り、グローバルで正面から競うのは、容易な道ではありません。理由は2つあります。
第一に、基盤レイヤーでは、グローバルなオープンソースコミュニティ、クラウド事業者、エンタープライズ販売網が絡み合い、規模の経済が働きやすい。前章で見たとおり、DatabricksはSpark、Delta Lake、Unity Catalogなどを通じて、データ・AI基盤の標準形成に深く関わってきました。ここで競うには、深い研究人材、世界規模の開発者コミュニティ、巨額資本、グローバルな営業網が必要になります。
第二に、水平型の基盤は、アプリケーションや業界特化ソフトに比べると、言語や地域性の影響を受けにくい領域です。もちろん日本特有の商習慣、セキュリティ要件、既存システムとの接続はありますが、基盤そのものは海外の強いプレイヤーが入り込みやすい。Databricksのように巨額の資本を持つ企業と、同じレイヤーで正面から競う難しさはここにあります。
もちろん例外もありますが、日本のスタートアップにとっては、「同じ基盤をつくる」よりも、「海外の汎用基盤だけでは届きにくい“すき間”を取る」ほうが、より明確な勝ち筋になりやすい――というのが私の見立てです。
その“すき間”の一例として、ここでは「業界特化のデータ基盤」を考えます。
4.3 機会は「業界特化のデータ基盤」 ー 業界固有の“意味づけ”を誰が担うか
Databricksのような水平型の基盤は、データを保存し、処理し、分析やAI活用につなげる土台として非常に強力です。しかし、特定の業界に固有の“現物”を、業務上の意味まで理解し、使える資産に変えるところまでは、汎用基盤だけでは埋まりにくい領域が残ります。
海外には、特定の業界に深く入り込み、その業界の業務とデータの標準に関与することで巨大化した先例があります。ライフサイエンス、特に製薬業界に特化したVeeva Systemsです。
正確に言うと、Veevaは“データ基盤専業”ではありません。出発点は、製薬業界向けの業務クラウドです。汎用クラウドだけでは十分に満たしにくい、製薬業界特有の規制・コンプライアンス・業務フローに着目し、まず臨床・品質・薬事・営業などの業務アプリで深く入り込みました。
そのうえで、業界専用のデータ基盤である「Veeva Data Cloud」や、ライフサイエンス業界向けの共通データ規格「Common Data Architecture for Life Sciences」を展開しています。1,500社超の顧客を抱えるVeevaは、単なる業務ソフトというより、規制業界に深く入り込んだインフラ的な存在になっています（出典：Veeva公式: Data Cloud、Veeva: Common Data Architecture、IntuitionLabs: Veeva analysis）。
Veevaが示すのは2つです。ひとつは、業界固有の規制・業務フロー・データの意味を深く理解した専用プレイヤーは、汎用ソフトでは代替しにくい価値を築けること。もうひとつは、その入り口が「最初からデータ基盤だけを売る」ことではなく、業務アプリで深く入り込み、固有データを蓄積し、その業界におけるデータの持ち方や扱い方の標準に近づいていく、という順路だったことです。
この2点は、後述の「勝ち筋の3条件」と「標準を握る教え」につながります。
では、なぜ汎用基盤だけでは、こうした業界固有データの“意味づけ”が埋まりにくいのでしょうか。製造業や建設業の「図面」を例に考えます。
製造業や建設業の現場には、膨大な数の図面が蓄積されています。しかし図面は、単なる画像ファイルではありません。業務で使える資産にするには、(a)図面に書かれた寸法・公差・材質・部品記号といった業界固有の記法を読み取り、(b)部品や構造物の形状を理解して「似た形」を探し出し、(c)それを調達価格、サプライヤー、部品表（BOM）、施工仕様、法規といった業務情報に紐づける必要があります。
Databricksは図面ファイルを保存し、その上で画像認識AIを動かす基盤にはなり得ます。しかし、「この形状はどの部品にあたり、過去にいくらで、どの取引先から調達し、どの法規に適合するのか」といった業務文脈の意味づけは、通常、汎用基盤だけで完結するものではありません。
しかも、図面の多くは紙やPDFのまま残っていたり、社内サーバー、オンプレミス環境、物理的な保管庫に分散していたりします。そもそもクラウド基盤に乗る前の段階に課題があるケースも少なくありません。
同じ構図は、ほかの規制業界にも当てはまります。
医療では、カルテや読影画像が高度な個人情報規制の下にあり、レガシーな院内システムに残っていることも少なくありません。さらに、専門用語や診療プロセスだけでなく、「有資格者が判断に責任を負う」という制度的な要請も伴います。
金融・保険では、約款、帳票、稟議書、審査資料などが、日本固有の書式や規制、社内ルールの中で扱われています。
いずれにも共通するのは、データを保存・処理するだけでは足りず、“意味づけ”には深い業界知識、言語、規制、現場文脈が必要になるという点です。汎用基盤はあくまで土台であり、その上で「この現物が、業務上どういう意味を持つのか」を翻訳する層は、業界に深く入り込んだプレイヤーが作り込む必要があります。ここに、業界特化プレイヤーの陣地があります。
4.4 ただし、Databricks自身も“意味づけの層”に踏み込んでいる
Databricksは今回のSummitで、「Genie Ontology（ジニー・オントロジー）」という機能を強化しました。これは、企業内のデータ、文書、タグ、業務ツール、ユーザーの利用状況などをもとに、その会社にとっての言葉の意味や関係性を学習し、AIが業務文脈を理解しやすくするための層だとされています。
たとえば、「粗利」とは何を指すのか、どのデータを参照すべきなのか、といった文脈を整理するイメージです（出典：Moor Insights & Strategy、theCUBE Research・前掲）。ここで言う「オントロジー」とは、ものごとの関係性を整理した辞書のようなものです。「この部品はこの製品の一部で、この工程で使われる」といった意味のつながりを、AIが理解できる形にするものだと考えると分かりやすいでしょう。
つまりDatabricksは、「データを置く土台」だけでなく、「業務の意味を理解する層」にも踏み込み始めています。これは、業界特化プレイヤーにとって機会であると同時に脅威でもあります。
汎用基盤が意味づけの一部まで担うようになれば、単にデータを整理するだけの薄いレイヤーは飲み込まれやすくなります。一方で、規制、現場業務、責任分界、実行ワークフローまで深く押さえるプレイヤーには、なお独自の余地が残ります。
4.5 勝ち筋の3条件 ー 日本の業界特化プレイヤーは何を握るべきか
では、日本の業界特化データ基盤に勝ち筋があるとすれば、どのような条件が必要なのでしょうか。現時点での私の見立てでは、次の3条件が重なる領域に機会があると考えます。
- 言語・商習慣の壁が効くこと ―― 日本語の図面、帳票、現場用語、業界特有の商習慣など、海外の汎用基盤だけでは扱いにくい領域
- 業界固有の“現物”の意味づけが深いこと ―― 図面、建築関連データ、医療画像、金融帳票など、ドメイン知識がないと業務上の資産に変えにくいデータ
- 業務ワークフローへの書き戻しまで入り込めること ―― 単に検索・分析するだけでなく、調達、見積、受発注、審査、記録作成など、実際の業務実行まで踏み込める領域
逆に言えば、この3条件のいずれも十分に押さえられない中間ツールは、Databricks、Snowflake、Microsoftのような巨大基盤に機能として取り込まれたり、代替されたりするリスクが高くなります。
Veevaが製薬業界の規制、業務フロー、データの意味に深く入り込むことで大きな価値を築いたのは、この3条件に近い構造を持っていたからだと読めます。
そして、第3章で見たDatabricks自身の戦い方には、日本の業界特化プレイヤーが取り込めるヒントがあります。
ひとつは、「標準形成に関わる」発想です。Databricksは、自社プロダクトを売るだけでなく、OSSを通じてデータ基盤の標準形成に深く関わってきました。
日本の垂直プレイヤーにとっての応用は、自社が入り込む業界で、「データの構造化や意味づけのやり方」のデファクトスタンダードに近づくことです。図面でも帳票でも、「この業界のデータはこう持つのが使いやすい」という型を作ることができれば、後発が簡単には崩しにくい参入障壁になります。Veevaが業界向けのデータ規格を打ち出しているのも、この方向性に近い動きです。
もうひとつは、「中立性を打ち出す」発想です。Databricksは、特定のAIモデルやデータ形式に完全に閉じるのではなく、「選べるが、管理は一元化できる」基盤であることを打ち出してきました。
日本の垂直プレイヤーが学べるのは、巨大な水平基盤と正面から競うのではなく、Databricks、Snowflake、クラウド基盤の上に乗り、相互運用しながらドメイン固有の価値に集中する構え方です。土台は巨大基盤を活用し、その上で「どの基盤の上でも動く、業界特化の意味づけ層」になる。そうした立ち位置を取れれば、巨大基盤に代替されにくく、かつ巨大基盤の成長にも相乗りしやすくなります。
まとめ ー 次の10年は「誰がデータと、その意味と、業務実行に近づくか」
改めて整理すると、Databricksは未上場ソフトウェア企業として世界有数の評価額を持ち、Snowflakeに匹敵する売上規模に達しながら、より高い成長率を示しています。
その強さは、多様な企業データをAIが安全に使える状態へ整え、管理する土台を押さえている点にあります。そしてその背後には、OSSを通じて標準形成に関わり、先手の買収で必要な能力を取り込み、顧客に選択肢を残すポジショニングを取る、という一貫した戦略の型があります。
ここから導かれる日本スタートアップへの意味合いは、次のように整理できます。
第一に、動的に生まれ続けるデータを扱う基盤の価値は、AI時代に高まりやすい。第二に、その同じ土俵でDatabricksのような巨大な水平基盤と正面から競うのは簡単ではない。第三に、だからこそ「日本語 × 業界ドメインの意味づけ × 業務実行」が重なる業界特化データ基盤には、汎用基盤だけでは届きにくい現実的な機会があります。
Veevaは、その成立可能性を示す一つの先例です。一方で、Databricks自身もGenie Ontologyのような形で“意味づけの層”に踏み込んでおり、この領域がどこまで汎用基盤に吸収され、どこから業界特化プレイヤーの領域として残るのかは、重要な論点になります。
日本の挑戦者は、Databricksの戦い方そのもの、つまり標準形成に関わり、選択肢を残すポジションを取り、巨大基盤の上に賢く乗る、という発想から学べることが多いはずです。
AIエージェントが本格的に働き始める次の10年、「誰がデータと、その意味と、業務実行に近い場所を押さえるか」は、ソフトウェア業界の大きな争点になります。Databricksは、まさにその中心に近づこうとしている会社です。
そして日本にも、業界や領域に固有の“すき間”で勝てる余地はあります。そこから日本ならではの業界特化プレイヤーが台頭してくるのか。データ基盤レイヤーの変化は、引き続き注視すべきテーマです。
（注：本記事に記載の数値・日付・ファクトは、2026年6月23日時点で確認できた公開情報に基づきます。本記事の作成にはAIを活用していますが、最終的な編集および事実確認は筆者が行う前提の素案です。本記事は筆者個人の見解・分析を含むものであり、筆者が所属する企業・団体の公式見解を示すものではありません。また、特定の投資判断や事業判断を推奨するものではありません。）
