1. ทำไมต้องสนใจ Databricks ตอนนี้? มูลค่ากว่า $134B+ อันดับต้นๆ ในกลุ่ม Private Software Companies
1.1 Private Company ระดับโลก: ขนาดรายได้เทียบชั้น Snowflake พร้อมอัตราการเติบโตสูงกว่า
ก่อนอื่น มาดูขนาดกันก่อน Databricks มีมูลค่าถึง $134 พันล้านในการระดมทุน Series L ล่าสุด และเมื่อรวมกับการปิดรอบเพิ่มเติมในเดือนกุมภาพันธ์ 2026 ก็สามารถระดมทุนรวมกว่า $7 พันล้าน (ประมาณ $5B ในหุ้น + $2B ในหนี้) ที่อัตราแลกเปลี่ยน 160 เยนต่อดอลลาร์ มูลค่าของบริษัทสูงถึง ประมาณ 21 ล้านล้านเยน
มูลค่านี้หมายความว่า ก่อนที่ generative AI อย่าง Anthropic และ OpenAI จะระเบิดตัวขึ้นเสียอีก Databricks ก็เป็นหนึ่งใน private software companies ที่มีมูลค่าสูงที่สุดในโลกอยู่แล้ว บริษัทติดอันดับ 3 ในรายชื่อ "Disruptor 50" ปี 2026 ของ CNBC อยู่เคียงข้าง Anthropic และ OpenAI ในฐานะบริษัทเทคโนโลยียักษ์ใหญ่ระดับโลก
ไม่ใช่แค่มูลค่าเท่านั้น Databricks มีรายได้ต่อปี (annualized revenue run rate) ทะลุ $5.4 พันล้าน โดยมีอัตราการเติบโตแบบปีต่อปีเกิน 65% ในทางตรงกันข้าม รายได้จากผลิตภัณฑ์ทั้งปีของ Snowflake สำหรับปีงบประมาณ 2026 อยู่ที่ประมาณ $4.5 พันล้าน โดยมีอัตราการเติบโตประมาณ 30%
แม้ว่าตัวเลขของ Databricks จะเป็น annualized run rates และของ Snowflake เป็นผลประกอบการทั้งปี ซึ่งต้องใช้ความระมัดระวังในการเปรียบเทียบโดยตรง แต่ก็ชัดเจนว่า Databricks กำลังมีขนาดรายได้ที่เทียบเคียงได้กับ Snowflake ในขณะที่รักษาอัตราการเติบโตที่สูงกว่าอย่างมีนัยสำคัญ
ทำไม Databricks ถึงได้รับแรงผลักดันขนาดนี้? เบื้องหลังคือจุดเริ่มต้นที่แตกต่างกันของทั้งสองบริษัท
ทั้งสองบริษัทจัดการข้อมูลขององค์กร แต่จุดเริ่มต้นกลับตรงกันข้าม Snowflake เริ่มต้นจากการใช้ SQL เพื่อรวบรวมและวิเคราะห์ structured data (เช่น ตารางยอดขายและรายชื่อลูกค้า) อย่างรวดเร็วเพื่อดูว่า "เกิดอะไรขึ้นในอดีต" ส่วน Databricks เริ่มต้นจากการประมวลผล ข้อมูลขนาดใหญ่ที่ยุ่งเหยิง (เช่น logs และ machine data) เพื่อเตรียมให้พร้อมสำหรับ machine learning และ AI
เพื่อใช้ AI ในธุรกิจ การจัดการไม่เพียงแค่ structured data แต่ยังรวมถึง logs, เอกสาร, รูปภาพ, เสียง และข้อมูลแบบ real-time และเตรียมให้พร้อมสำหรับการใช้งาน AI นั้นเป็นสิ่งสำคัญ นี่คือเหตุผลที่ความเชี่ยวชาญของ Databricks กำลังถูกประเมินค่าใหม่ในยุค AI แน่นอนว่านี่เป็นเพียงจุดเริ่มต้นเท่านั้น ปัจจุบันทั้ง Snowflake และ Databricks ต่างก็ขยายอาณาเขตเข้าหากัน และพื้นที่การแข่งขันของทั้งสองก็ทับซ้อนกันอย่างมาก
1.2 13 ปีแห่งการจับคลื่นเทคโนโลยีใหญ่
นอกเหนือจากขนาดแล้ว Databricks น่าสนใจเพราะมัน ปรับตำแหน่งทางธุรกิจของตัวเองอย่างต่อเนื่องให้สอดคล้องกับคลื่นเทคโนโลยีใหญ่ๆ นับตั้งแต่ก่อตั้งในปี 2013 มันเริ่มต้นด้วย Apache Spark ซึ่งเป็นเทคโนโลยีหลักสำหรับการประมวลผลข้อมูลขนาดใหญ่ จากนั้นก็เปิดตัว "Lakehouse" ที่รวม data lakes และ data warehouses เข้าด้วยกัน และตอนนี้กำลังขยายไปสู่โครงสร้างพื้นฐานที่สนับสนุนการใช้งาน AI ในองค์กร
ที่น่าสังเกตคือ ผลการดำเนินงานของมันก็ตอบสนองความคาดหวังเหล่านี้ได้ ในขณะที่เติบโตของรายได้มากกว่า 65% เมื่อเทียบเป็นรายปี มันก็สามารถทำกำไรจากกระแสเงินสดอิสระ (positive free cash flow) ในรอบ 12 เดือนที่ผ่านมา โดยมีอัตรากำไรขั้นต้นรายงานอยู่ที่ประมาณ 80% แม้ว่าสิ่งเหล่านี้จะเป็นตัวชี้วัดที่จำกัดซึ่งเปิดเผยโดยบริษัทเอกชน แต่การแสดงให้เห็นถึงการเติบโตสูงและการสร้างเงินสดไปพร้อมกันนั้นเป็นเหตุผลสำคัญที่ทำให้นักลงทุนประเมินมูลค่าสูง
อย่างไรก็ตาม Databricks ยังคงระมัดระวังเกี่ยวกับการเข้าตลาดหุ้น (IPO) ในปี 2026 CEO Ali Ghodsi กล่าวในการให้สัมภาษณ์กับ Bloomberg TV ในเดือนมิถุนายน 2024 ว่า "ในที่สุดเราจะเข้าตลาดหุ้นแน่นอน แต่นี่เป็นปีที่แย่ที่สุดในการเข้าตลาดหุ้น" ด้วยการเข้าตลาดหุ้นครั้งใหญ่ที่คาดว่าจะเกิดขึ้นจาก SpaceX, Anthropic และ OpenAI บริษัทจึงอาจต้องการหลีกเลี่ยงตลาดที่แออัดสำหรับเงินทุนจากสถาบัน
แทนที่จะรีบเข้าตลาดหุ้น มันกลับเร่งระดมทุนในตลาดเอกชน ในเดือนมิถุนายน 2026 The Information รายงานว่า Databricks กำลังเจรจารอบใหม่ที่ มูลค่า $165 พันล้านถึง $175 พันล้าน (ประมาณ 26–28 ล้านล้านเยน)
1.3 คุณค่าของ "Middle Layer" มองเห็นได้ยาก
ซอฟต์แวร์ที่เราเห็นในชีวิตประจำวันคือ "business apps" อย่าง Slack หรือ Salesforce เพราะมันสัมผัสกับงานของผู้ใช้โดยตรง คุณค่าของมันจึงสื่อสารได้ค่อนข้างง่าย ในทางตรงกันข้าม บริษัทอย่าง Databricks คือ "รากฐาน" ที่สนับสนุนข้อมูลเบื้องหลัง นี่คือ "middle layer" หรือ "data infrastructure"
ในโลกของซอฟต์แวร์ มักมีการกล่าวกันว่า "Value Capture" มักจะกระจุกตัวอยู่ในชั้นบนที่ใกล้กับลูกค้ามากกว่า นั่นคือแอปพลิเคชัน ในขณะที่แอปพลิเคชันมองเห็นได้ ชั้นโครงสร้างพื้นฐานเบื้องล่างมักถูกซ่อนจากผู้ใช้ปลายทางและมีแนวโน้มที่จะกลายเป็นสินค้าทั่วไป (commoditization)
แม้จะอยู่ในชั้นโครงสร้างพื้นฐานนี้ ทำไม Databricks ถึงมีมูลค่าสูงขนาดนั้น? มาดูที่มาของความแข็งแกร่งในบทถัดไปกัน
2. จุดแข็งของ Databricks: "จ้าวแห่งข้อมูล" สู้อย่างไร
2.1 รากเหง้า: "กลุ่มอัจฉริยะที่เร่งความเร็วการประมวลผลข้อมูลขนาดใหญ่ขึ้น 100 เท่า"
จุดแข็งของ Databricks มาจากสมาชิกผู้ก่อตั้ง ในปี 2013 บริษัทก่อตั้งโดยนักวิจัยจาก AMPLab ของ UC Berkeley พวกเขาคือผู้พัฒนาหลักของ Apache Spark ซึ่งเป็นเทคโนโลยีโอเพนซอร์สที่เป็นตัวแทนของการประมวลผลข้อมูลขนาดใหญ่
ในเวลานั้น ปริมาณข้อมูลที่บริษัทต่างๆ จัดการกำลังระเบิดตัวขึ้น และ "วิธีประมวลผลข้อมูลจำนวนมากอย่างรวดเร็ว" เป็นความท้าทายที่สำคัญ Hadoop MapReduce ซึ่งเป็นกระแสหลักในตอนนั้นแข็งแกร่งสำหรับการประมวลผลแบบแบตช์ขนาดใหญ่ แต่มีข้อจำกัดด้านความเร็วสำหรับ iterative machine learning และการวิเคราะห์แบบโต้ตอบ เนื่องจากการอ่านและเขียนดิสก์บ่อยครั้ง
จากนั้น Apache Spark ก็เข้ามา พัฒนาโดย Matei Zaharia (ปัจจุบันเป็น CTO ของ Databricks) และคนอื่นๆ Spark ใช้การประมวลผลแบบกระจายบนหน่วยความจำ (in-memory distributed processing) ทำให้สามารถประมวลผล workload บางอย่าง เร็วกว่า Hadoop MapReduce ถึง 100 เท่า
พูดง่ายๆ ก็คือ ในขณะที่พีซีทำงานช้าหากต้องย้ายข้อมูลเข้าออกจากฮาร์ดไดรฟ์ตลอดเวลา งานจะเร็วขึ้นถ้าคุณกระจายข้อมูลไว้บนโต๊ะทำงาน (หน่วยความจำ) Spark นำแนวคิดนี้ไปใช้กับการประมวลผลข้อมูลแบบกระจายขนาดใหญ่
Spark เปิดตัวเป็นโอเพนซอร์สในปี 2010 และกลายเป็นเทคโนโลยีมาตรฐาน จุดเด่นเฉพาะของ Databricks คือสมาชิกที่เชื่อมโยงอย่างลึกซึ้งกับชุมชนโอเพนซอร์สที่ใช้กันอย่างแพร่หลายนี้เป็นผู้พัฒนาบริการเชิงพาณิชย์ด้วยตนเอง
2.2 "Lakehouse": แนวคิดการรวม Data Lakes และ Warehouses เข้าด้วยกัน
Databricks ผลักดันแนวคิด "Lakehouse" อย่างแข็งแกร่ง สถาปัตยกรรมนี้รวมความยืดหยุ่นของ data lake เข้ากับประสิทธิภาพการจัดการและการวิเคราะห์ของ data warehouse
- Data Warehouse = เหมือน "คลังสินค้าที่จัดระเบียบ" เหมาะสำหรับการวิเคราะห์ structured data ความเร็วสูง เช่น ยอดขาย ลูกค้า และสินค้าคงคลังในรูปแบบที่แน่นอน
- Data Lake = เหมือน "อ่างเก็บน้ำขนาดใหญ่" ง่ายต่อการจัดเก็บข้อมูลหลากหลายปริมาณมาก เช่น logs, รูปภาพ, วิดีโอ และเอกสารตามสภาพเดิม อย่างไรก็ตาม มันอาจวิเคราะห์ได้ยากหากไม่ได้รับการจัดการอย่างเหมาะสม
ตามธรรมเนียมแล้ว บริษัทหลายแห่ง แยกทั้งสองอย่างนี้ออกจากกัน ทำให้เกิดต้นทุนในการคัดลอกข้อมูล การย้ายข้อมูล และการจัดการซ้ำซ้อน Lakehouse ของ Databricks มีเป้าหมายเพื่อให้บรรลุ "ความสามารถในการใช้งานของคลังสินค้าที่จัดระเบียบ" และ "ความยืดหยุ่นของอ่างเก็บน้ำขนาดใหญ่" บนแพลตฟอร์มเดียว นี่คือ "Lake + House = Lakehouse"
แนวทางนี้ทำให้ง่ายขึ้น เช่น "จัดการ logs พฤติกรรมลูกค้า ประวัติการสอบถาม และข้อมูลการซื้อทั้งหมดในที่เดียว และให้ AI แนะนำการดำเนินการที่ดีที่สุดถัดไป" ในขณะที่ลดการเคลื่อนย้ายข้อมูลให้น้อยที่สุด
2.3 ความสำคัญที่เพิ่มขึ้นในยุค AI: "มีแค่ข้อมูล" ยังไม่พอ
ด้วยการมาถึงของ generative AI ความสำคัญของ Databricks ก็เพิ่มขึ้นอีก นี่เป็นเพราะว่า เพื่อให้บริษัทต่างๆ ใช้ AI อย่างจริงจัง พวกเขาจำเป็นต้องจัดระเบียบคุณภาพ ความสดใหม่ สิทธิ์การเข้าถึง และบริบทของข้อมูลภายในองค์กร ไม่ใช่แค่ตัวโมเดลเท่านั้น
ไม่ว่าโมเดล AI จะมีประสิทธิภาพสูงแค่ไหน หากข้อมูลที่มันอ้างอิงนั้นเก่า คลุมเครือ หรือขาดการควบคุมการเข้าถึง มันก็จะไม่นำไปสู่การตัดสินใจที่ถูกต้อง Databricks ถูกจับตามองเพราะมันควบคุมเลเยอร์ที่ "เตรียมข้อมูลองค์กรสำหรับการใช้งาน AI"
สาระสำคัญที่ถูกมองข้ามคือ ข้อมูลไม่ควรถูกจัดเก็บอย่างเดียว ตัวอย่างเช่น หากคำจำกัดความของ "ยอดขาย" แตกต่างกันไปในแต่ละแผนก AI อาจให้คำตอบที่แตกต่างกันสำหรับคำถามเดียวกัน หากไม่มี data lineage และความถูกต้องที่ได้รับการจัดการ ก็มีความเสี่ยงที่จะสร้างคำตอบที่ดูน่าเชื่อถือแต่ไม่ถูกต้อง
ดังนั้น ในยุค AI คุณค่าของ การจัดระเบียบและจัดการข้อมูลเพื่อให้ AI สามารถใช้งานได้อย่างปลอดภัยและแม่นยำ จึงเพิ่มขึ้น นี่คือสิ่งที่ Databricks ถนัดอย่างแท้จริง
อันที่จริง รายได้จากผลิตภัณฑ์ AI ของ Databricks (annualized run rate) สูงถึง $1.4 พันล้าน คิดเป็นประมาณหนึ่งในสี่ของรายได้รวมของบริษัท
2.4 จาก "Data Infrastructure" สู่ "OS สำหรับ AI Agents"
ตอนนี้ Databricks กำลังก้าวเข้าสู่โดเมนถัดไป
ในงาน "Data + AI Summit 2026" ที่จัดขึ้นในซานฟรานซิสโกเมื่อเดือนมิถุนายน 2026 ทิศทางถัดไปของ Databricks ชัดเจนยิ่งขึ้น นักวิเคราะห์มองว่า Databricks กำลังพัฒนา Lakehouse จากแพลตฟอร์มข้อมูลธรรมดาไปเป็น "OS" สำหรับรัน AI agents
จากมุมมองทางธุรกิจ Databricks กำลังนิยามตัวเองใหม่จาก "สถานที่เก็บข้อมูล" เป็น "แพลตฟอร์มแบบบูรณาการสำหรับบริษัทต่างๆ ในการสร้าง รัน จัดการ และสร้างรายได้จาก AI agents และแอปพลิเคชันทางธุรกิจอย่างปลอดภัย"
ประกาศสำคัญได้แก่:
- Unity AI Gateway: "จุดตรวจ" เพื่อ จัดการและตรวจสอบ AI agents, โมเดล และเครื่องมือต่างๆ แบบรวมศูนย์ ควบคุมต้นทุนและสิทธิ์การเข้าถึง
- Agent Bricks: แพลตฟอร์มสำหรับพัฒนาและดำเนินการ AI agents มีการสร้าง agents มากกว่า 100,000 ตัวนับตั้งแต่เปิดตัว
- Lakebase: โครงสร้างพื้นฐานฐานข้อมูลใหม่ที่ออกแบบมาสำหรับ AI agents และแอปพลิเคชัน โดยผสานรวมเทคโนโลยีจากการเข้าซื้อ Neon
- Lakehouse//RT & LTAP: วิสัยทัศน์ในการ จัดการทั้ง "การประมวลผลธุรกรรมแบบทันที" และ "การวิเคราะห์" บนแพลตฟอร์มข้อมูลเดียวกัน โดยมีเป้าหมายการตอบสนองต่ำกว่า 100ms
- CustomerLake: การเข้าสู่พื้นที่ Customer Data Platform (CDP) จัดการข้อมูลการตลาดโดยตรงภายในโครงสร้างพื้นฐานข้อมูลของบริษัท
สิ่งนี้แสดงให้เห็นถึงการเคลื่อนไหวครั้งต่อไปของ Databricks เพื่อให้ AI agents มีประโยชน์อย่างแท้จริง พวกมันต้องเข้าใจข้อมูลองค์กรที่แม่นยำและบริบทของมัน ด้วยการควบคุมเลเยอร์การจัดเก็บและการจัดการ Databricks กำลังขยับขึ้นไปยังเลเยอร์ที่ AI agents และแอปพลิเคชันทางธุรกิจทำงานจริง
3. ความแข็งแกร่งเชิงกลยุทธ์: โมเดลสำหรับเปลี่ยนเทรนด์เทคโนโลยีให้เป็นการเติบโต
3.1 การสร้างมาตรฐานผ่านโอเพนซอร์ส: ขยายชุมชน สร้างรายได้ผ่านแพลตฟอร์มเชิงพาณิชย์
อาวุธที่สม่ำเสมอของ Databricks คือ โอเพนซอร์ส มันขยายเทคโนโลยีหลักอย่าง Apache Spark, Delta Lake (เพื่อความน่าเชื่อถือ), MLflow (สำหรับวงจรชีวิต machine learning) และ Unity Catalog (สำหรับการกำกับดูแล) ในรูปแบบโอเพนซอร์ส
นี่ไม่ใช่แค่การกุศล มันเป็นกลยุทธ์ในการสร้างระบบนิเวศ การทำให้เทคโนโลยีเปิดเผย: (1) มันกลายเป็น มาตรฐานโดยพฤตินัย (de facto standard) ที่นักพัฒนาทั่วโลกใช้; (2) การสร้างมาตรฐานทำให้ คุณสมบัติการจัดการเชิงพาณิชย์และความปลอดภัยน่าสนใจยิ่งขึ้น; และ (3) มันทำให้ลูกค้าอุ่นใจว่าพวกเขาไม่ได้ ถูกล็อคกับผู้ขายรายใดรายหนึ่ง
3.2 การเข้าซื้อกิจการเชิงรุก: ดูดซับความสามารถที่ขาดหายไป
อาวุธที่สองคือ การเข้าซื้อกิจการที่คล่องตัวโดยใช้เงินทุนที่มีอยู่มากมาย
- MosaicML (2023, ~$1.3B): เทคโนโลยีสำหรับบริษัทต่างๆ ในการฝึกฝนและปรับแต่งโมเดล AI โดยใช้ข้อมูลของตนเอง ปัจจุบันนี่คือรากฐานของ Mosaic AI
- Tabular (2024, $1B+): ก่อตั้งโดยผู้สร้าง Apache Iceberg การเข้าซื้อกิจการทำให้ Databricks เพิ่มความเป็นกลางและความสามารถในการทำงานร่วมกันในรูปแบบข้อมูลเปิด
- Neon (2025, ~$1B): ผู้ให้บริการ Postgres แบบ serverless เทคโนโลยีนี้ขับเคลื่อน Lakebase โดยคาดการณ์ถึงโลกที่ AI agents สร้างฐานข้อมูลตามความต้องการ
3.3 การส่งเสริมความเป็นกลาง: ตอบสนองต่อความกลัวการถูกล็อค
Databricks วางตำแหน่งตัวเองเป็นแพลตฟอร์มที่สามารถจัดการ โมเดล AI และรูปแบบข้อมูลที่หลากหลาย แทนที่จะปิดตัวเอง มันอนุญาตให้รวมเข้ากับโมเดลจาก Anthropic, OpenAI, Google และอื่นๆ ทำให้ลูกค้าสามารถเลือกเครื่องมือที่ดีที่สุดสำหรับงานนั้นๆ ในขณะที่ยังคงการจัดการแบบรวมศูนย์
4. นัยสำหรับสตาร์ทอัพญี่ปุ่น: ข้อมูลพลวัตและความเชี่ยวชาญเฉพาะอุตสาหกรรม
4.1 สาระสำคัญ: พลังในการจัดการ "ข้อมูลที่เคลื่อนที่"
จุดแข็งหลักของ Databricks คือ ความสามารถในการจัดการ "ข้อมูลที่เคลื่อนที่ตลอดเวลา" การวิเคราะห์แบบดั้งเดิมเกี่ยวกับการดูภาพนิ่งของอดีต ในยุคของ AI agents กุญแจสำคัญคือการอ่านข้อมูลที่อัปเดตอย่างต่อเนื่องและตัดสินใจทันที เช่น การตรวจจับการฉ้อโกงหรือเปลี่ยนคำแนะนำในมิลลิวินาที
4.2 ทำไม "แพลตฟอร์มข้อมูลเฉพาะอุตสาหกรรม" ถึงเป็นโอกาส
การแข่งขันแบบตัวต่อตัวกับแพลตฟอร์มแนวนอนอย่าง Databricks เป็นเรื่องยากเนื่องจาก economies of scale และลักษณะระดับโลกของโครงสร้างพื้นฐาน สำหรับสตาร์ทอัพญี่ปุ่น เส้นทางสู่ชัยชนะที่ชัดเจนกว่าคือการใช้ "ช่องว่าง" ที่แพลตฟอร์มเอนกประสงค์ไม่สามารถเข้าถึงได้ โดยเฉพาะ "แพลตฟอร์มข้อมูลเฉพาะอุตสาหกรรม"
ตัวอย่างที่สำคัญคือ Veeva Systems ในอุตสาหกรรมยา Veeva ประสบความสำเร็จด้วยการทำความเข้าใจกฎระเบียบและขั้นตอนการทำงานเฉพาะอุตสาหกรรมอย่างลึกซึ้ง และกลายเป็นโครงสร้างพื้นฐานสำหรับภาคส่วนนั้นในที่สุด
ทำไมแพลตฟอร์มแนวนอนถึงมีปัญหาที่นี่? ยกตัวอย่าง "พิมพ์เขียว" ในอุตสาหกรรมการผลิตหรือก่อสร้าง พิมพ์เขียวไม่ใช่แค่รูปภาพ มันมีสัญลักษณ์เฉพาะอุตสาหกรรมสำหรับขนาด วัสดุ และชิ้นส่วน Databricks สามารถจัดเก็บไฟล์ได้ แต่มันไม่เข้าใจโดยเนื้อแท้ว่า "รูปร่างนี้เกี่ยวข้องกับต้นทุนการจัดหา ซัพพลายเออร์ และกฎระเบียบอย่างไร"
4.3 สามเงื่อนไขสู่ชัยชนะ
ผมเชื่อว่าโอกาสมีอยู่ตรงที่เงื่อนไขสามข้อนี้ทับซ้อนกัน:
- อุปสรรคด้านภาษาและธรรมเนียมทางธุรกิจ: พื้นที่ที่แพลตฟอร์มระดับโลกจัดการได้ยาก เช่น พิมพ์เขียวญี่ปุ่นหรือแนวปฏิบัติทางการค้าเฉพาะท้องถิ่น
- การสร้างความหมายเชิงลึกของ "สินทรัพย์ทางกายภาพ" เฉพาะอุตสาหกรรม: ข้อมูลเช่นภาพทางการแพทย์หรือแบบฟอร์มทางการเงินที่ต้องใช้ความรู้เฉพาะโดเมนเพื่อเปลี่ยนเป็นสินทรัพย์ทางธุรกิจ
- การบูรณาการเข้ากับขั้นตอนการทำงานทางธุรกิจ: ก้าวไปไกลกว่าการค้นหา/การวิเคราะห์ไปสู่การดำเนินการจริง เช่น การจัดซื้อ การประมาณราคา และการตรวจสอบ
สรุป: 10 ปีข้างหน้าคือเรื่องของ "ใครจะเข้าใกล้ข้อมูล ความหมาย และการดำเนินการมากที่สุด"
Databricks เป็นบริษัทซอฟต์แวร์ระดับโลกเพราะมันควบคุมรากฐานที่เตรียมข้อมูลองค์กรสำหรับการใช้งาน AI อย่างปลอดภัย กลยุทธ์ของมันในการสร้างมาตรฐานผ่าน OSS การเข้าซื้อกิจการเชิงรุก และการรักษาความเป็นกลาง เป็นพิมพ์เขียวสำหรับการเติบโต
สำหรับผู้ท้าชิงชาวญี่ปุ่น บทเรียนคือ หลีกเลี่ยงการแข่งขันแบบตัวต่อตัวกับยักษ์ใหญ่แนวนอน และมุ่งเน้นไปที่การเป็น "เลเยอร์ความหมายเฉพาะอุตสาหกรรม" ที่อยู่เหนือพวกเขาแทน ในทศวรรษหน้า เมื่อ AI agents เริ่มทำงานอย่างจริงจัง ผู้ชนะคือผู้ที่ควบคุมข้อมูล ความหมายของมัน และการดำเนินการทางธุรกิจ
