Tại cả SaaStr vào tháng 5 và sự kiện của Databricks vào tháng 6 (Data + AI Summit 2026), thông điệp chung là: "Dữ liệu tốt tạo ra tác nhân AI tốt." Câu hỏi cốt lõi thúc đẩy Hội nghị thượng đỉnh không phải là "mô hình AI nào thông minh nhất", mà là "cơ sở hạ tầng dữ liệu nào có thể vận hành AI một cách đáng tin cậy trong các hoạt động kinh doanh thực tế?"
Trong khi các bản demo AI hào nhoáng thường thu hút sự chú ý, cơ sở hạ tầng dữ liệu lại rất cần thiết để các công ty thực sự chạy AI trong các hoạt động thực tế. Nếu dữ liệu mà AI tham chiếu đã lỗi thời, được định nghĩa kém hoặc thiếu quản lý phân quyền phù hợp, ngay cả những mô hình tốt nhất cũng sẽ thất bại trong việc đưa ra quyết định hoặc thực thi chính xác.
Databricks đã nhận được sự đánh giá đẳng cấp thế giới về lớp cơ sở hạ tầng dữ liệu này. Hơn 13 năm kể từ khi thành lập, công ty đã mở rộng từ "Spark để xử lý dữ liệu lớn" sang "Data Lakehouse", và giờ đây là "Cơ sở hạ tầng AI doanh nghiệp."
Bài viết này hệ thống hóa giá trị của Databricks từ góc độ kinh doanh, khám phá lý do tại sao nó lại nhận được sự chú ý mới trong kỷ nguyên AI và xem xét những tác động đối với các startup Nhật Bản.
1. Tại Sao Lại Quan Tâm Đến Databricks Ngay Bây Giờ? Định Giá Hơn 134 Tỷ USD, Hàng Đầu Trong Số Các Công Ty Phần Mềm Tư Nhân
1.1 Công Ty Tư Nhân Đẳng Cấp Thế Giới: Quy Mô Doanh Thu Sánh Ngang Snowflake Với Tốc Độ Tăng Trưởng Cao Hơn
Đầu tiên, hãy nói về quy mô. Databricks đạt định giá 134 tỷ USD trong vòng Series L gần đây và cùng với một đợt chốt thêm vào tháng 2 năm 2026, đã huy động được tổng cộng hơn 7 tỷ USD (khoảng 5 tỷ USD vốn cổ phần + 2 tỷ USD nợ). Với tỷ giá 160 yên đổi 1 đô la, mức định giá lên tới khoảng 21 nghìn tỷ yên.
Mức định giá này có nghĩa là ngay cả trước sự trỗi dậy bùng nổ của các công ty AI tạo sinh như Anthropic và OpenAI, Databricks đã là một trong những công ty phần mềm tư nhân được định giá cao nhất thế giới. Nó đứng thứ 3 trong danh sách "Disruptor 50" năm 2026 của CNBC, được xếp cùng hàng với Anthropic và OpenAI như một công ty công nghệ hàng đầu toàn cầu.
Không chỉ là định giá. Tốc độ doanh thu hàng năm của Databricks đã vượt quá 5,4 tỷ USD, với tốc độ tăng trưởng năm qua năm vượt quá 65%. Ngược lại, doanh thu sản phẩm cả năm tài chính 2026 của Snowflake là khoảng 4,5 tỷ USD, với tốc độ tăng trưởng khoảng 30%.
Mặc dù các con số của Databricks là tốc độ hàng năm và của Snowflake là kết quả cả năm—cần thận trọng khi so sánh trực tiếp—rõ ràng là Databricks đang đạt quy mô doanh thu tương đương Snowflake trong khi vẫn duy trì tốc độ tăng trưởng cao hơn đáng kể.
Tại sao Databricks lại đạt được đà tăng trưởng như vậy? Bối cảnh nằm ở nguồn gốc khác nhau của hai công ty.
Cả hai đều xử lý dữ liệu doanh nghiệp, nhưng điểm xuất phát của họ đối lập nhau. Snowflake bắt đầu bằng cách sử dụng SQL để tổng hợp và phân tích nhanh chóng dữ liệu có cấu trúc (như bảng doanh số và danh sách khách hàng) để xem "điều gì đã xảy ra trong quá khứ." Databricks, mặt khác, bắt đầu bằng cách xử lý dữ liệu khổng lồ, lộn xộn (như nhật ký và dữ liệu máy móc) để chuẩn bị cho máy học và AI.
Để sử dụng AI trong kinh doanh, điều quan trọng là phải quản lý không chỉ dữ liệu có cấu trúc, mà còn cả nhật ký, tài liệu, hình ảnh, âm thanh và dữ liệu thời gian thực, đồng thời chuẩn bị chúng cho việc sử dụng AI. Đây là lý do tại sao lĩnh vực chuyên môn của Databricks đang được đánh giá lại trong kỷ nguyên AI. Tất nhiên, đây chỉ là nguồn gốc; ngày nay, cả Snowflake và Databricks đều đã mở rộng sang lãnh thổ của nhau và các lĩnh vực cạnh tranh của họ chồng chéo lên nhau đáng kể.
1.2 13 Năm Bắt Kịp Các Làn Sóng Công Nghệ Lớn
Ngoài quy mô, Databricks còn thú vị vì nó đã liên tục cập nhật định vị của mình để phù hợp với các làn sóng công nghệ lớn kể từ khi thành lập vào năm 2013. Nó bắt đầu với Apache Spark, công nghệ cốt lõi để xử lý dữ liệu lớn. Sau đó, nó ra mắt "Lakehouse", tích hợp data lake và data warehouse, và hiện đang mở rộng sang cơ sở hạ tầng hỗ trợ việc sử dụng AI của doanh nghiệp.
Đáng chú ý, hiệu suất của nó đang đáp ứng những kỳ vọng này. Trong khi tăng trưởng tốc độ doanh thu hơn 65% so với cùng kỳ năm ngoái, nó đã đạt được dòng tiền tự do dương trên cơ sở 12 tháng gần nhất, với tỷ suất lợi nhuận gộp được báo cáo ở mức khoảng 80%. Mặc dù đây là những số liệu hạn chế được tiết lộ bởi một công ty tư nhân, việc đồng thời thể hiện tăng trưởng cao và tạo ra tiền mặt là lý do chính khiến các nhà đầu tư định giá cao.
Tuy nhiên, Databricks vẫn thận trọng về việc IPO vào năm 2026. CEO Ali Ghodsi đã tuyên bố trong một cuộc phỏng vấn trên Bloomberg TV vào tháng 6 năm 2024, "Cuối cùng chúng tôi chắc chắn sẽ IPO. Nhưng đây là năm tồi tệ nhất để IPO." Với các đợt IPO lớn dự kiến từ SpaceX, Anthropic và OpenAI, công ty có khả năng muốn tránh một thị trường đông đúc cho vốn tổ chức.
Thay vì vội vã IPO, nó đang đẩy nhanh việc huy động vốn trên thị trường tư nhân. Vào tháng 6 năm 2026, The Information đưa tin rằng Databricks đang đàm phán một vòng mới với mức định giá từ 165 tỷ USD đến 175 tỷ USD (khoảng 26–28 nghìn tỷ yên).
1.3 Giá Trị Của "Lớp Trung Gian" Thật Khó Thấy
Các phần mềm chúng ta thấy hàng ngày là "ứng dụng kinh doanh" như Slack hay Salesforce. Bởi vì chúng trực tiếp chạm đến các tác vụ của người dùng, giá trị của chúng tương đối dễ truyền đạt. Ngược lại, các công ty như Databricks là "nền tảng" hỗ trợ dữ liệu đằng sau hậu trường. Đây là "lớp trung gian" hay "cơ sở hạ tầng dữ liệu."
Trong thế giới phần mềm, người ta thường nói rằng "Value Capture" có xu hướng tập trung ở các lớp trên gần với khách hàng hơn—các ứng dụng. Trong khi các ứng dụng có thể nhìn thấy được, lớp cơ sở hạ tầng bên dưới thường bị ẩn khỏi người dùng cuối và dễ bị hàng hóa hóa.
Mặc dù nằm ở lớp cơ sở hạ tầng này, tại sao Databricks lại được định giá cao như vậy? Hãy xem xét nguồn gốc sức mạnh của nó trong chương tiếp theo.
2. Sức Mạnh Của Databricks: "Bậc Thầy Dữ Liệu" Chiến Đấu Như Thế Nào
2.1 Nguồn Gốc: "Nhóm Thiên Tài Đã Tăng Tốc Xử Lý Dữ Liệu Lớn Lên 100 Lần"
Sức mạnh của Databricks bắt nguồn từ các thành viên sáng lập của nó. Năm 2013, công ty được thành lập bởi các nhà nghiên cứu từ AMPLab của UC Berkeley. Họ là những nhà phát triển cốt lõi của Apache Spark, công nghệ mã nguồn mở tiêu biểu cho xử lý dữ liệu lớn.
Vào thời điểm đó, khối lượng dữ liệu mà các công ty xử lý đang bùng nổ và "làm thế nào để xử lý dữ liệu khổng lồ một cách nhanh chóng" là một thách thức lớn. Hadoop MapReduce chủ đạo rất mạnh trong xử lý hàng loạt quy mô lớn nhưng có những hạn chế về tốc độ đối với máy học lặp đi lặp lại và phân tích tương tác do việc đọc và ghi đĩa thường xuyên.
Hãy đến với Apache Spark, được phát triển bởi Matei Zaharia (nay là CTO của Databricks) và những người khác. Spark sử dụng xử lý phân tán dựa trên bộ nhớ, cho phép nó xử lý một số khối lượng công việc nhanh hơn tới 100 lần so với Hadoop MapReduce.
Nói một cách đơn giản, trong khi một chiếc PC chậm nếu nó liên tục di chuyển dữ liệu vào và ra khỏi ổ cứng, công việc sẽ nhanh hơn nếu bạn trải dữ liệu ra trên bàn làm việc (bộ nhớ) của mình. Spark đã áp dụng khái niệm này cho xử lý dữ liệu phân tán quy mô lớn.
Spark được phát hành dưới dạng mã nguồn mở vào năm 2010 và trở thành một công nghệ tiêu chuẩn. Điểm độc đáo của Databricks là chính các thành viên có mối liên hệ sâu sắc với cộng đồng mã nguồn mở được sử dụng rộng rãi này là những người phát triển dịch vụ thương mại.
2.2 "Lakehouse": Ý Tưởng Tích Hợp Data Lake và Data Warehouse
Databricks đã thúc đẩy mạnh mẽ khái niệm "Lakehouse". Kiến trúc này kết hợp tính linh hoạt của data lake với hiệu suất quản lý và phân tích của data warehouse.
- Data Warehouse = Giống như một "nhà kho có tổ chức." Phù hợp để phân tích tốc độ cao dữ liệu có cấu trúc như doanh số, khách hàng và hàng tồn kho ở các định dạng cố định.
- Data Lake = Giống như một "hồ chứa lớn." Dễ dàng lưu trữ khối lượng lớn dữ liệu đa dạng như nhật ký, hình ảnh, video và tài liệu nguyên trạng. Tuy nhiên, nó có thể trở nên khó phân tích nếu không được quản lý đúng cách.
Theo truyền thống, nhiều công ty duy trì hai thứ này riêng biệt, phát sinh chi phí cho việc sao chép, di chuyển và quản lý kép dữ liệu. Lakehouse của Databricks nhằm mục đích đạt được "khả năng sử dụng của một nhà kho có tổ chức" và "tính linh hoạt của một hồ chứa lớn" trên một nền tảng duy nhất. Đây là "Lake + House = Lakehouse."
Cách tiếp cận này giúp dễ dàng hơn, ví dụ, "xử lý tất cả nhật ký hành vi khách hàng, lịch sử yêu cầu và dữ liệu mua hàng ở một nơi và để AI đề xuất hành động tốt nhất tiếp theo" đồng thời giảm thiểu việc di chuyển dữ liệu.
2.3 Tầm Quan Trọng Gia Tăng Trong Kỷ Nguyên AI: "Chỉ Có Dữ Liệu" Là Không Đủ
Với sự ra đời của AI tạo sinh, tầm quan trọng của Databricks càng tăng lên. Điều này là do để các công ty sử dụng AI một cách nghiêm túc, họ cần tổ chức chất lượng, tính mới, quyền và ngữ cảnh của dữ liệu nội bộ của mình, không chỉ các mô hình.
Cho dù một mô hình AI có hiệu suất cao đến đâu, nếu dữ liệu mà nó tham chiếu đã cũ, mơ hồ hoặc thiếu kiểm soát truy cập, nó sẽ không dẫn đến các quyết định chính xác. Databricks được chú ý vì nó kiểm soát lớp "chuẩn bị dữ liệu doanh nghiệp để sử dụng cho AI."
Bản chất bị bỏ qua là dữ liệu không chỉ nên được lưu trữ. Ví dụ, nếu định nghĩa về "doanh số" khác nhau giữa các phòng ban, AI có thể đưa ra các câu trả lời khác nhau cho cùng một câu hỏi. Nếu không có dòng dữ liệu và độ chính xác được quản lý, có nguy cơ tạo ra các câu trả lời có vẻ hợp lý nhưng không chính xác.
Do đó, trong kỷ nguyên AI, giá trị của việc tổ chức và quản lý dữ liệu để AI có thể sử dụng nó một cách an toàn và chính xác đang tăng lên. Đây chính xác là lĩnh vực mà Databricks vượt trội.
Trên thực tế, tốc độ doanh thu sản phẩm AI của Databricks đã đạt 1,4 tỷ USD, chiếm khoảng một phần tư tổng tốc độ doanh thu của công ty.
2.4 Từ "Cơ Sở Hạ Tầng Dữ Liệu" Đến "Hệ Điều Hành Cho Các Tác Nhân AI"
Giờ đây, Databricks đang bước vào lĩnh vực tiếp theo.
Tại "Data + AI Summit 2026" được tổ chức ở San Francisco vào tháng 6 năm 2026, hướng đi tiếp theo của Databricks đã trở nên rõ ràng hơn. Các nhà phân tích thấy Databricks đang phát triển Lakehouse từ một nền tảng dữ liệu đơn thuần thành một "Hệ điều hành" để chạy các tác nhân AI.
Từ góc độ kinh doanh, Databricks đang tự định nghĩa lại từ một "nơi để đặt dữ liệu" thành một "nền tảng tích hợp để các công ty xây dựng, chạy, quản lý và kiếm tiền từ các tác nhân AI và ứng dụng kinh doanh một cách an toàn."
Các thông báo chính bao gồm:
- Unity AI Gateway: Một "trạm kiểm soát" để quản lý và giám sát tập trung các tác nhân AI, mô hình và công cụ khác nhau, kiểm soát chi phí và quyền.
- Agent Bricks: Một nền tảng để phát triển và vận hành các tác nhân AI. Hơn 100.000 tác nhân đã được xây dựng kể từ khi ra mắt.
- Lakebase: Một cơ sở hạ tầng cơ sở dữ liệu mới được thiết kế cho các tác nhân và ứng dụng AI, kết hợp công nghệ từ việc mua lại Neon.
- Lakehouse//RT & LTAP: Một tầm nhìn để xử lý cả "xử lý giao dịch tức thời" và "phân tích" trên cùng một nền tảng dữ liệu, nhằm đạt được phản hồi dưới 100ms.
- CustomerLake: Một bước tiến vào không gian Nền tảng dữ liệu khách hàng (CDP), xử lý dữ liệu tiếp thị trực tiếp trong cơ sở hạ tầng dữ liệu của công ty.
Điều này cho thấy bước đi tiếp theo của Databricks. Để các tác nhân AI thực sự hữu ích, chúng phải hiểu dữ liệu doanh nghiệp chính xác và ngữ cảnh của nó. Bằng cách kiểm soát lớp lưu trữ và quản lý, Databricks đang tiến lên lớp nơi các tác nhân AI và ứng dụng kinh doanh thực sự chạy.
3. Sức Mạnh Chiến Lược: Một Mô Hình Biến Xu Hướng Công Nghệ Thành Tăng Trưởng
3.1 Tiêu Chuẩn Hóa Thông Qua Mã Nguồn Mở: Mở Rộng Cộng Đồng, Kiếm Tiền Qua Nền Tảng Thương Mại
Vũ khí nhất quán của Databricks là mã nguồn mở. Nó đã mở rộng các công nghệ cốt lõi như Apache Spark, Delta Lake (để đảm bảo độ tin cậy), MLflow (cho vòng đời máy học) và Unity Catalog (để quản trị) dưới dạng mã nguồn mở.
Đây không chỉ là từ thiện; đó là một chiến lược để xây dựng một hệ sinh thái. Bằng cách làm cho công nghệ trở nên mở: (1) nó trở thành một tiêu chuẩn thực tế được các nhà phát triển trên toàn thế giới sử dụng; (2) tiêu chuẩn hóa làm cho các tính năng quản lý và bảo mật thương mại trở nên hấp dẫn hơn; và (3) nó mang lại cho khách hàng sự yên tâm rằng họ không bị khóa vào một nhà cung cấp cụ thể.
3.2 Mua Lại Phòng Ngừa: Hấp Thụ Các Khả Năng Còn Thiếu
Vũ khí thứ hai là mua lại linh hoạt bằng cách sử dụng nguồn vốn dồi dào.
- MosaicML (2023, ~1,3 tỷ USD): Công nghệ để các công ty đào tạo và tùy chỉnh các mô hình AI bằng dữ liệu của riêng họ. Đây hiện là nền tảng của Mosaic AI.
- Tabular (2024, 1 tỷ USD+): Được thành lập bởi những người tạo ra Apache Iceberg. Bằng cách mua lại họ, Databricks đã tăng tính trung lập và khả năng tương tác của mình trong các định dạng dữ liệu mở.
- Neon (2025, ~1 tỷ USD): Một nhà cung cấp Postgres không máy chủ. Công nghệ này cung cấp năng lượng cho Lakebase, dự đoán một thế giới nơi các tác nhân AI tạo ra cơ sở dữ liệu khi cần.
3.3 Thúc Đẩy Tính Trung Lập: Đáp Ứng Nỗi Sợ Bị Khóa
Databricks định vị mình là một nền tảng có thể xử lý nhiều mô hình AI và định dạng dữ liệu, thay vì bị đóng kín. Nó cho phép tích hợp với các mô hình từ Anthropic, OpenAI, Google và những nơi khác, cho phép khách hàng chọn công cụ tốt nhất cho công việc trong khi vẫn giữ quản lý tập trung.
4. Hàm Ý Cho Các Startup Nhật Bản: Dữ Liệu Động và Chuyên Môn Hóa Ngành
4.1 Bản Chất: Sức Mạnh Xử Lý "Dữ Liệu Đang Di Chuyển"
Sức mạnh cốt lõi của Databricks là khả năng xử lý "dữ liệu liên tục di chuyển." Phân tích truyền thống là về việc xem xét các ảnh chụp nhanh tĩnh của quá khứ. Trong kỷ nguyên của các tác nhân AI, chìa khóa là đọc dữ liệu được cập nhật liên tục và đưa ra quyết định ngay lập tức—chẳng hạn như phát hiện gian lận hoặc thay đổi đề xuất trong mili giây.
4.2 Tại Sao "Nền Tảng Dữ Liệu Theo Ngành" Lại Là Cơ Hội
Cạnh tranh trực diện với một nền tảng ngang như Databricks là khó khăn do tính kinh tế theo quy mô và tính chất toàn cầu của cơ sở hạ tầng. Đối với các startup Nhật Bản, con đường chiến thắng rõ ràng hơn là tận dụng các "khoảng trống" mà các nền tảng đa năng không thể với tới—cụ thể là "Nền tảng dữ liệu theo ngành."
Một ví dụ điển hình là Veeva Systems trong ngành dược phẩm. Veeva đã thành công bằng cách hiểu sâu sắc các quy định và quy trình làm việc cụ thể của ngành, cuối cùng trở thành cơ sở hạ tầng cho lĩnh vực đó.
Tại sao các nền tảng ngang lại gặp khó khăn ở đây? Hãy lấy "bản thiết kế" trong sản xuất hoặc xây dựng. Một bản thiết kế không chỉ là một hình ảnh; nó chứa các ký hiệu cụ thể của ngành cho kích thước, vật liệu và bộ phận. Databricks có thể lưu trữ tệp, nhưng nó không hiểu một cách cố hữu "hình dạng này liên quan như thế nào đến chi phí mua sắm, nhà cung cấp và quy định."
4.3 Ba Điều Kiện Để Chiến Thắng
Tôi tin rằng các cơ hội tồn tại ở nơi ba điều kiện này chồng chéo lên nhau:
- Rào cản về Ngôn ngữ và Tùy chỉnh Kinh doanh: Các lĩnh vực khó để các nền tảng toàn cầu xử lý, như bản thiết kế tiếng Nhật hoặc các thông lệ thương mại địa phương cụ thể.
- Tạo Ý Nghĩa Sâu Sắc Cho "Tài Sản Vật Chất" Theo Ngành: Dữ liệu như hình ảnh y tế hoặc biểu mẫu tài chính đòi hỏi kiến thức miền để biến thành tài sản kinh doanh.
- Tích Hợp Vào Quy Trình Làm Việc Kinh Doanh: Tiến xa hơn tìm kiếm/phân tích để thực thi thực tế như mua sắm, ước tính và kiểm toán.
Tóm Tắt: 10 Năm Tới Là Về "Ai Đến Gần Nhất Với Dữ Liệu, Ý Nghĩa và Thực Thi"
Databricks là một công ty phần mềm đẳng cấp thế giới vì nó kiểm soát nền tảng chuẩn bị dữ liệu doanh nghiệp để sử dụng AI an toàn. Chiến lược tiêu chuẩn hóa thông qua OSS, mua lại phòng ngừa và duy trì tính trung lập của nó cung cấp một khuôn mẫu cho sự tăng trưởng.
Đối với những người thách thức Nhật Bản, bài học là tránh cạnh tranh trực diện với các gã khổng lồ ngang và thay vào đó tập trung vào việc trở thành "lớp ý nghĩa theo ngành" nằm trên chúng. Trong thập kỷ tới, khi các tác nhân AI bắt đầu làm việc một cách nghiêm túc, người chiến thắng sẽ là người kiểm soát dữ liệu, ý nghĩa của nó và việc thực thi kinh doanh.
