Tanto no SaaStr em maio quanto no evento da própria Databricks em junho (Data + AI Summit 2026), a mensagem comum foi: "Dados bons geram agentes bons." A questão central que impulsionou o Summit não foi "qual modelo de IA é o mais inteligente", mas "qual infraestrutura de dados pode executar IA de forma confiável em operações de negócios reais?"
Embora demonstrações chamativas de agentes de IA frequentemente roubem os holofotes, a infraestrutura de dados é essencial para que as empresas realmente executem IA em operações do mundo real. Se os dados que a IA referencia estão desatualizados, mal definidos ou carecem de gerenciamento de permissões adequado, até mesmo os melhores modelos falharão em entregar decisões ou execuções corretas.
A Databricks recebeu uma avaliação de classe mundial nesta camada de infraestrutura de dados. Ao longo de mais de 13 anos desde sua fundação, a empresa expandiu-se do "Spark para processamento de big data" para o "Data Lakehouse", e agora para uma "Infraestrutura Corporativa de IA".
Este artigo organiza o valor da Databricks sob uma perspectiva de negócios, explora por que ela está ganhando atenção renovada na era da IA e considera as implicações para startups japonesas.
1. Por Que Prestar Atenção na Databricks Agora? Uma Avaliação de US$ 134 Bilhões+, Topo Entre Empresas de Software Privadas
1.1 Empresa Privada de Classe Mundial: Escala de Receita Comparável à Snowflake com Maior Crescimento
Primeiro, a escala. A Databricks atingiu uma avaliação de US$ 134 bilhões em sua recente Série L e, combinada com um fechamento adicional em fevereiro de 2026, garantiu mais de US$ 7 bilhões no total (aproximadamente US$ 5 bilhões em ações + US$ 2 bilhões em dívida). A uma taxa de câmbio de 160 ienes por dólar, a avaliação chega a aproximadamente 21 trilhões de ienes.
Essa avaliação significa que, mesmo antes da ascensão explosiva de empresas de IA generativa como Anthropic e OpenAI, a Databricks já era uma das empresas de software privadas mais bem avaliadas do mundo. Ela ficou em 3º lugar na lista "Disruptor 50" de 2026 da CNBC, posicionada ao lado da Anthropic e OpenAI como uma empresa de tecnologia global líder.
Não é apenas a avaliação. A taxa de receita anualizada da Databricks ultrapassou US$ 5,4 bilhões, com uma taxa de crescimento anual superior a 65%. Em contraste, a receita total de produtos da Snowflake no ano fiscal de 2026 foi de aproximadamente US$ 4,5 bilhões, com uma taxa de crescimento de cerca de 30%.
Embora os números da Databricks sejam taxas anualizadas e os da Snowflake sejam resultados anuais completos — exigindo cautela na comparação direta — está claro que a Databricks está alcançando uma escala de receita comparável à da Snowflake, mantendo uma taxa de crescimento significativamente maior.
Por que a Databricks está ganhando tanto impulso? O contexto está nas diferentes origens das duas empresas.
Ambas lidam com dados corporativos, mas seus pontos de partida eram opostos. A Snowflake começou usando SQL para agregar e analisar rapidamente dados estruturados (como tabelas de vendas e listas de clientes) para ver "o que aconteceu no passado." A Databricks, por outro lado, começou processando dados massivos e bagunçados (como logs e dados de máquina) para prepará-los para aprendizado de máquina e IA.
Para utilizar IA nos negócios, é crucial gerenciar não apenas dados estruturados, mas também logs, documentos, imagens, áudio e dados em tempo real, e prepará-los para uso em IA. É por isso que a área de especialização da Databricks está sendo reavaliada na era da IA. Claro, estas são apenas origens; hoje, tanto a Snowflake quanto a Databricks se expandiram para os territórios uma da outra, e suas áreas competitivas se sobrepõem significativamente.
1.2 13 Anos Acompanhando Grandes Ondas Tecnológicas
Além de seu tamanho, a Databricks é interessante porque atualizou continuamente seu posicionamento para acompanhar as grandes ondas tecnológicas desde sua fundação em 2013. Começou com o Apache Spark, a tecnologia central para processamento de big data. Em seguida, lançou o "Lakehouse", integrando data lakes e data warehouses, e agora está se expandindo para a infraestrutura que suporta a utilização corporativa de IA.
Notavelmente, seu desempenho está atendendo a essas expectativas. Enquanto crescia sua taxa de receita em mais de 65% ao ano, alcançou fluxo de caixa livre positivo nos últimos 12 meses, com margens brutas relatadas em torno de 80%. Embora sejam métricas limitadas divulgadas por uma empresa privada, a demonstração simultânea de alto crescimento e geração de caixa é uma razão chave para sua alta avaliação pelos investidores.
No entanto, a Databricks permanece cautelosa quanto a um IPO em 2026. O CEO Ali Ghodsi afirmou em uma entrevista à Bloomberg TV em junho de 2024: "Definitivamente abriremos o capital eventualmente. Mas este é o pior ano para abrir o capital." Com IPOs massivos esperados da SpaceX, Anthropic e OpenAI, a empresa provavelmente quer evitar um mercado lotado para capital institucional.
Em vez de se apressar para abrir o capital, está acelerando a captação de recursos no mercado privado. Em junho de 2026, o The Information relatou que a Databricks estava negociando uma nova rodada a uma avaliação de US$ 165 bilhões a US$ 175 bilhões (aproximadamente 26–28 trilhões de ienes) .
1.3 O Valor da "Camada Intermediária" é Difícil de Ver
O software que vemos diariamente são "aplicativos de negócios" como Slack ou Salesforce. Porque eles tocam diretamente as tarefas do usuário, seu valor é relativamente fácil de comunicar. Em contraste, empresas como a Databricks são a "fundação" que suporta os dados nos bastidores. Esta é a "camada intermediária" ou "infraestrutura de dados".
No mundo do software, costuma-se dizer que a "Captura de Valor" tende a se concentrar nas camadas superiores, mais próximas do cliente — os aplicativos. Enquanto os aplicativos são visíveis, a camada de infraestrutura subjacente é frequentemente oculta dos usuários finais e propensa à comoditização.
Apesar de estar nesta camada de infraestrutura, por que a Databricks é tão valorizada? Vamos examinar a fonte de sua força no próximo capítulo.
2. A Força da Databricks: Como o "Mestre dos Dados" Luta
2.1 Raízes: Um "Grupo de Gênios que Acelerou o Processamento de Big Data em 100x"
A força da Databricks origina-se de seus membros fundadores. Em 2013, a empresa foi estabelecida por pesquisadores do AMPLab da UC Berkeley. Eles eram os desenvolvedores principais do Apache Spark, a tecnologia open source representativa para processamento de big data.
Na época, o volume de dados manipulados pelas empresas estava explodindo, e "como processar dados massivos rapidamente" era um grande desafio. O mainstream Hadoop MapReduce era forte para processamento em lote em larga escala, mas tinha limitações de velocidade para aprendizado de máquina iterativo e análise interativa devido a leituras e gravações frequentes em disco.
Então surgiu o Apache Spark, desenvolvido por Matei Zaharia (agora CTO da Databricks) e outros. O Spark utilizava processamento distribuído baseado em memória, permitindo processar certas cargas de trabalho até 100 vezes mais rápido que o Hadoop MapReduce.
Simplificando, enquanto um PC é lento se move dados constantemente para dentro e para fora de um disco rígido, o trabalho é mais rápido se você espalhar os dados em sua mesa (memória). O Spark aplicou este conceito ao processamento de dados distribuídos em larga escala.
O Spark foi lançado como open source em 2010 e se tornou uma tecnologia padrão. A característica única da Databricks é que os próprios membros profundamente conectados a esta comunidade open source amplamente utilizada são os que desenvolvem o serviço comercial.
2.2 "Lakehouse": A Ideia de Integrar Data Lakes e Data Warehouses
A Databricks promoveu fortemente o conceito do "Lakehouse". Esta arquitetura combina a flexibilidade de um data lake com o gerenciamento e desempenho analítico de um data warehouse.
- Data Warehouse = Como um "armazém organizado." Adequado para análise de alta velocidade de dados estruturados como vendas, clientes e estoque em formatos fixos.
- Data Lake = Como um "grande reservatório." Fácil de armazenar grandes quantidades de dados diversos como logs, imagens, vídeos e documentos como estão. No entanto, pode se tornar difícil de analisar se não for gerenciado adequadamente.
Tradicionalmente, muitas empresas mantinham esses dois separadamente, incorrendo em custos de cópia, movimentação e dupla gestão de dados. O Lakehouse da Databricks visa alcançar a "usabilidade de um armazém organizado" e a "flexibilidade de um grande reservatório" em uma única plataforma. Isto é "Lake + House = Lakehouse".
Esta abordagem torna mais fácil, por exemplo, "lidar com todos os logs de comportamento do cliente, histórico de consultas e dados de compra em um só lugar e ter IA sugerindo a próxima melhor ação", minimizando a movimentação de dados.
2.3 Importância Aumentada na Era da IA: "Apenas Ter Dados" Não é Suficiente
Com o advento da IA generativa, a importância da Databricks cresceu ainda mais. Isso porque para as empresas usarem IA seriamente, elas precisam organizar a qualidade, atualidade, permissões e contexto de seus dados internos, não apenas os modelos em si.
Não importa quão alto desempenho um modelo de IA tenha, se os dados que ele referencia são antigos, ambíguos ou carecem de controle de acesso, não levará a decisões corretas. A Databricks é notada porque controla a camada que "prepara dados corporativos para uso em IA".
A essência negligenciada é que os dados não devem apenas ser armazenados. Por exemplo, se a definição de "vendas" difere por departamento, a IA pode dar respostas diferentes para a mesma pergunta. Sem linhagem e precisão de dados gerenciadas, há o risco de gerar respostas plausíveis, mas incorretas.
Portanto, na era da IA, o valor de organizar e gerenciar dados para que a IA possa usá-los de forma segura e precisa está aumentando. É exatamente nisso que a Databricks se destaca.
Na verdade, a taxa de receita de produtos de IA da Databricks atingiu US$ 1,4 bilhão, representando cerca de um quarto da taxa de receita total da empresa.
2.4 Da "Infraestrutura de Dados" ao "SO para Agentes de IA"
Agora, a Databricks está entrando no próximo domínio.
No "Data + AI Summit 2026" realizado em São Francisco em junho de 2026, a próxima direção da Databricks ficou mais clara. Analistas veem a Databricks evoluindo o Lakehouse de uma mera plataforma de dados para um "SO" para executar agentes de IA.
De uma perspectiva de negócios, a Databricks está se redefinindo de um "lugar para colocar dados" para uma "plataforma integrada para empresas construírem, executarem, gerenciarem e monetizarem com segurança agentes de IA e aplicativos de negócios. "
Anúncios chave incluíram:
- Unity AI Gateway: Um "ponto de verificação" para gerenciar e monitorar centralmente vários agentes de IA, modelos e ferramentas, controlando custos e permissões.
- Agent Bricks: Uma plataforma para desenvolver e operar agentes de IA. Mais de 100.000 agentes foram construídos desde o lançamento.
- Lakebase: Uma nova infraestrutura de banco de dados projetada para agentes e aplicativos de IA, incorporando tecnologia da aquisição da Neon.
- Lakehouse//RT & LTAP: Uma visão para lidar tanto com "processamento instantâneo de transações" quanto com "análise" na mesma plataforma de dados, visando respostas abaixo de 100ms.
- CustomerLake: Uma entrada no espaço de Plataforma de Dados do Cliente (CDP), lidando com dados de marketing diretamente dentro da infraestrutura de dados da empresa.
Isso mostra o próximo movimento da Databricks. Para que os agentes de IA sejam verdadeiramente úteis, eles devem entender dados corporativos precisos e seu contexto. Ao controlar a camada de armazenamento e gerenciamento, a Databricks está subindo para a camada onde os agentes de IA e aplicativos de negócios realmente são executados.
3. Força Estratégica: Um Modelo para Transformar Tendências Tecnológicas em Crescimento
3.1 Padronização via Open Source: Expanda a Comunidade, Monetize via Plataforma Comercial
A arma consistente da Databricks é o open source. Ela expandiu tecnologias centrais como Apache Spark, Delta Lake (para confiabilidade), MLflow (para ciclos de vida de aprendizado de máquina) e Unity Catalog (para governança) como open source.
Isso não é apenas caridade; é uma estratégia para construir um ecossistema. Ao tornar a tecnologia aberta: (1) ela se torna um padrão de facto usado por desenvolvedores em todo o mundo; (2) a padronização torna os recursos comerciais de gerenciamento e segurança mais atraentes; e (3) dá aos clientes a tranquilidade de que não estão presos a um fornecedor específico.
3.2 Aquisições Preventivas: Absorvendo Capacidades Faltantes
A segunda arma são aquisições ágeis usando capital abundante.
- MosaicML (2023, ~US$ 1,3B): Tecnologia para empresas treinarem e personalizarem modelos de IA usando seus próprios dados. Esta é agora a base do Mosaic AI.
- Tabular (2024, US$ 1B+): Fundada pelos criadores do Apache Iceberg. Ao adquiri-la, a Databricks aumentou sua neutralidade e interoperabilidade em formatos de dados abertos.
- Neon (2025, ~US$ 1B): Um provedor de Postgres serverless. Esta tecnologia alimenta o Lakebase, antecipando um mundo onde agentes de IA geram bancos de dados conforme necessário.
3.3 Promovendo Neutralidade: Respondendo aos Medos de Lock-in
A Databricks se posiciona como uma plataforma que pode lidar com múltiplos modelos de IA e formatos de dados, em vez de ser fechada. Ela permite integração com modelos da Anthropic, OpenAI, Google e outros, permitindo que os clientes escolham a melhor ferramenta para o trabalho, mantendo o gerenciamento centralizado.
4. Implicações para Startups Japonesas: Dados Dinâmicos e Especialização Setorial
4.1 A Essência: O Poder de Lidar com "Dados em Movimento"
A força central da Databricks é a capacidade de lidar com "dados que continuam se movendo." A análise tradicional era sobre olhar para instantâneos estáticos do passado. Na era dos agentes de IA, a chave é ler dados continuamente atualizados e tomar decisões imediatas — como detectar fraudes ou alterar sugestões em milissegundos.
4.2 Por Que "Plataformas de Dados Específicas do Setor" São a Oportunidade
Competir de frente com uma plataforma horizontal como a Databricks é difícil devido às economias de escala e à natureza global da infraestrutura. Para startups japonesas, o caminho mais claro para a vitória é aproveitar as "lacunas" que as plataformas de uso geral não conseguem alcançar — especificamente, "Plataformas de Dados Específicas do Setor".
Um exemplo primordial é a Veeva Systems na indústria farmacêutica. A Veeva teve sucesso ao compreender profundamente as regulamentações e fluxos de trabalho específicos do setor, eventualmente se tornando uma infraestrutura para aquele setor.
Por que as plataformas horizontais têm dificuldade aqui? Tomemos como exemplo "plantas baixas" na manufatura ou construção. Uma planta baixa não é apenas uma imagem; ela contém notações específicas do setor para dimensões, materiais e peças. A Databricks pode armazenar o arquivo, mas não entende inerentemente "como esta forma se relaciona com custos de aquisição, fornecedores e regulamentações."
4.3 Três Condições para Vencer
Acredito que oportunidades existem onde estas três condições se sobrepõem:
- Barreiras de Idioma e Costumes de Negócios: Áreas difíceis para plataformas globais lidarem, como plantas baixas japonesas ou práticas comerciais locais específicas.
- Criação de Significado Profundo de "Ativos Físicos" Específicos do Setor: Dados como imagens médicas ou formulários financeiros que exigem conhecimento de domínio para se tornarem ativos de negócios.
- Integração em Fluxos de Trabalho de Negócios: Ir além da pesquisa/análise para execução real, como aquisição, orçamento e auditoria.
Resumo: Os Próximos 10 Anos São Sobre "Quem Fica Mais Próximo dos Dados, do Significado e da Execução"
A Databricks é uma empresa de software de classe mundial porque controla a fundação que prepara dados corporativos para uso seguro em IA. Sua estratégia de padronização via OSS, aquisições preventivas e manutenção da neutralidade fornece um modelo para o crescimento.
Para os desafiadores japoneses, a lição é evitar a competição direta com gigantes horizontais e, em vez disso, focar em se tornar a "camada de significado específica do setor" que se situa sobre eles. Na próxima década, à medida que os agentes de IA começarem a trabalhar a sério, o vencedor será aquele que controlar os dados, seu significado e a execução dos negócios.
