在五月的 SaaStr 大會以及六月 Databricks 自家舉辦的 Data + AI Summit 2026 活動中，傳達的共同訊息是：「好的數據造就好的 Agent。」驅動這場峰會的核心問題並非「哪個 AI 模型最聰明」，而是「哪種數據基礎設施能夠在實際的商業營運中可靠地運行 AI」。
雖然炫目的 AI Agent 展示往往搶盡風頭，但數據基礎設施對於企業在真實世界中實際運行 AI 至關重要。如果 AI 所參考的數據過時、定義不清或缺乏適當的權限管理，即使是最優秀的模型也無法做出正確的決策或執行。
Databricks 在數據基礎設施這個層面獲得了世界級的評價。 自成立以來的 13 年多裡，該公司已從「用於大數據處理的 Spark」擴展到「Data Lakehouse」，再到如今的「企業 AI 基礎設施」。
本文將從商業角度梳理 Databricks 的價值，探討為何它在 AI 時代重新獲得關注，並思考這對日本新創公司的啟示。
1. 為何現在要關注 Databricks？估值超過 1340 億美元，位居頂級私有軟體公司之列
1.1 世界級的私有公司：營收規模可與 Snowflake 匹敵，且增長更快
首先，來看規模。Databricks 在最近的 L 輪融資中估值達到 1340 億美元，加上 2026 年 2 月的額外融資，總計籌集了超過 70 億美元（約 50 億美元股權 + 20 億美元債務）。以 1 美元兌 160 日圓的匯率計算，其估值達到 約 21 兆日圓。
這個估值意味著，即使在 Anthropic 和 OpenAI 等生成式 AI 公司爆炸性崛起之前，Databricks 也已經是全球估值最高的私有軟體公司之一。 它在 CNBC 2026 年「顛覆者 50 強」名單中排名第三，與 Anthropic 和 OpenAI 並列為全球領先的科技公司。
不僅是估值。Databricks 的年化營收運行率已超過 54 億美元，年增長率超過 65%。相比之下，Snowflake 2026 財年的全年產品營收約為 45 億美元，增長率約為 30%。
雖然 Databricks 的數字是年化運行率，而 Snowflake 是全年業績，直接比較時需要謹慎，但很明顯，Databricks 正在達到與 Snowflake 相當的營收規模，同時保持著顯著更高的增長率。
為什麼 Databricks 能獲得如此大的動力？其背景在於兩家公司不同的起源。
兩者都處理企業數據，但它們的起點是相反的。Snowflake 從使用 SQL 快速匯總和分析結構化數據（如銷售表格和客戶列表）開始，以查看「過去發生了什麼」。而 Databricks 則從處理大量、雜亂的數據（如日誌和機器數據）開始，為機器學習和 AI 做好準備。
要在商業中運用 AI，不僅要管理結構化數據，還要管理日誌、文件、圖像、音頻和即時數據，並為 AI 使用做好準備。這就是為什麼 Databricks 的專業領域在 AI 時代被重新評估的原因。當然，這些只是起源；如今，Snowflake 和 Databricks 都已擴展到對方的領域，它們的競爭領域有大量重疊。
1.2 13 年來緊抓重大科技浪潮
除了規模之外，Databricks 的有趣之處在於，它自 2013 年成立以來，不斷調整其定位以順應重大科技浪潮。 它始於大數據處理的核心技術 Apache Spark。隨後推出了整合數據湖和數據倉儲的「Lakehouse」，現在正擴展到支持企業 AI 應用的基礎設施。
值得注意的是，其業績表現符合這些期望。 在年營收運行率同比增長超過 65% 的同時，它在過去 12 個月的基礎上實現了正的自由現金流，毛利率據報導約為 80%。雖然這些是一家私有公司披露的有限指標，但同時展現高增長和現金生成能力，是其獲得投資者高估值評估的關鍵原因。
然而，Databricks 對 2026 年上市仍持謹慎態度。執行長 Ali Ghodsi 在 2024 年 6 月接受彭博電視採訪時表示：「我們最終肯定會上市。但今年是上市最糟糕的一年。」考慮到 SpaceX、Anthropic 和 OpenAI 預計將有大規模 IPO，該公司可能希望避免機構資本市場過於擁擠。
與其急於上市，不如加速私募市場融資。2026 年 6 月，《The Information》報導稱，Databricks 正在談判一輪新的融資，估值為 1650 億至 1750 億美元（約 26-28 兆日圓）。
1.3 「中間層」的價值難以被看見
我們每天看到的軟體是像 Slack 或 Salesforce 這樣的「商業應用程式」。因為它們直接觸及用戶的任務，其價值相對容易傳達。相比之下，像 Databricks 這樣的公司是在幕後支持數據的「基礎」。這就是「中間層」或「數據基礎設施」。
在軟體世界中，常有人說「價值獲取」往往集中在更接近客戶的上層——即應用程式。雖然應用程式是可見的，但底層的基礎設施層通常對終端用戶隱藏，並且容易商品化。
儘管身處這個基礎設施層，為什麼 Databricks 能獲得如此高的估值？讓我們在下一章看看其優勢的來源。
2. Databricks 的優勢：「數據大師」如何作戰
2.1 根源：「將大數據處理速度提升 100 倍的天才團隊」
Databricks 的優勢源於其創始成員。 2013 年，該公司由加州大學柏克萊分校 AMPLab 的研究人員創立。他們是代表大數據處理的開源技術 Apache Spark 的核心開發者。
當時，企業處理的數據量正在爆炸式增長，「如何快速處理海量數據」是一個重大挑戰。主流技術 Hadoop MapReduce 擅長大規模批次處理，但由於頻繁的磁碟讀寫，在迭代機器學習和互動式分析方面存在速度限制。
這時，由 Matei Zaharia（現任 Databricks CTO）等人開發的 Apache Spark 登場了。Spark 利用基於記憶體的分散式處理，能夠將某些工作負載的處理速度比 Hadoop MapReduce 快上 100 倍。
簡單來說，如果一台電腦不斷地將數據移入和移出硬碟，速度就會很慢；但如果將數據攤開在桌上（記憶體），工作就會更快。Spark 將這個概念應用於大規模的分散式數據處理。
Spark 於 2010 年作為開源軟體發布，並成為一項標準技術。Databricks 的獨特之處在於，與這個廣泛使用的開源社群有著深厚聯繫的成員，正是開發商業服務的人。
2.2 「Lakehouse」：整合數據湖與數據倉儲的理念
Databricks 大力推廣「Lakehouse」的概念。這種架構結合了數據湖的靈活性與數據倉儲的管理和分析性能。
- 數據倉儲 = 像一個「有組織的倉庫」。適合對固定格式的結構化數據（如銷售、客戶、庫存）進行高速分析。
- 數據湖 = 像一個「大型水庫」。易於按原樣儲存大量多樣化的數據，如日誌、圖像、影片和文件。但如果管理不善，可能會變得難以分析。
傳統上，許多公司分別維護這兩者，導致數據複製、移動和雙重管理的成本。 Databricks 的 Lakehouse 旨在一個平台上實現「有組織倉庫的可用性」和「大型水庫的靈活性」。這就是「湖 + 屋 = Lakehouse」。
這種方法使得，例如，「在一個地方處理所有客戶行為日誌、查詢歷史和購買數據，並讓 AI 建議下一個最佳行動」變得更容易，同時最大限度地減少數據移動。
2.3 在 AI 時代的重要性提升：「僅有數據」是不夠的
隨著生成式 AI 的出現，Databricks 的重要性進一步提升。這是因為對於企業認真使用 AI 來說，他們需要組織內部數據的品質、新鮮度、權限和上下文，而不僅僅是模型本身。
無論 AI 模型的性能多高，如果它參考的數據過時、模糊或缺乏存取控制，都無法帶來正確的決策。Databricks 之所以受到關注，是因為它掌控了「為 AI 使用準備企業數據」的層面。
被忽略的本質是，數據不應該只是被儲存。 例如，如果各部門對「銷售」的定義不同，AI 可能會對同一個問題給出不同的答案。如果沒有管理好數據血統和準確性，就有可能產生看似合理但實際上錯誤的答案。
因此，在 AI 時代，組織和管理數據以便 AI 能夠安全、準確地使用它的價值正在增加。這正是 Databricks 的強項。
事實上，Databricks 的 AI 產品年化營收運行率已達到 14 億美元，約占公司總營收運行率的四分之一。
2.4 從「數據基礎設施」到「AI Agent 的作業系統」
現在，Databricks 正踏入下一個領域。
在 2026 年 6 月於舊金山舉行的「Data + AI Summit 2026」上，Databricks 的下一個方向變得更加清晰。分析師認為 Databricks 正在將 Lakehouse 從一個單純的數據平台演進為運行 AI Agent 的「作業系統」。
從商業角度來看，Databricks 正在將自己重新定義，從一個「存放數據的地方」轉變為一個「讓企業能夠安全地建構、運行、管理和貨幣化 AI Agent 及商業應用程式的整合平台」。
主要公告包括：
- Unity AI Gateway：一個「檢查點」，用於集中管理和監控各種 AI Agent、模型和工具，控制成本和權限。
- Agent Bricks：一個用於開發和運作 AI Agent 的平台。自推出以來，已建構超過 10 萬個 Agent。
- Lakebase：一個專為 AI Agent 和應用程式設計的新資料庫基礎設施，整合了收購 Neon 所獲得的技術。
- Lakehouse//RT & LTAP：一個願景，旨在在同一個數據平台上處理「即時交易處理」和「分析」，目標是實現低於 100 毫秒的回應。
- CustomerLake：進軍客戶數據平台領域，直接在公司的數據基礎設施內處理行銷數據。
這顯示了 Databricks 的下一步。為了讓 AI Agent 真正有用，它們必須理解準確的企業數據及其上下文。透過控制儲存和管理層，Databricks 正在向上移動到 AI Agent 和商業應用程式實際運行的層面。
3. 策略優勢：將科技趨勢轉化為增長的模式
3.1 透過開源標準化：擴大社群，透過商業平台獲利
Databricks 一貫的武器是開源。 它已將核心技術如 Apache Spark、Delta Lake（用於可靠性）、MLflow（用於機器學習生命週期）和 Unity Catalog（用於治理）擴展為開源。
這不僅僅是慈善；這是一種建立生態系統的策略。透過將技術開源：(1) 它成為全球開發者使用的事實標準；(2) 標準化使得商業管理和安全功能更具吸引力；(3) 它讓客戶安心，因為他們不會被鎖定在特定供應商。
3.2 先發制人的收購：吸收缺失的能力
第二個武器是利用充裕資本進行敏捷收購。
- MosaicML（2023 年，約 13 億美元）：讓公司能夠使用自己的數據訓練和自訂 AI 模型的技術。這現在是 Mosaic AI 的基礎。
- Tabular（2024 年，超過 10 億美元）：由 Apache Iceberg 的創建者創立。透過收購他們，Databricks 增加了在開放數據格式方面的中立性和互通性。
- Neon（2025 年，約 10 億美元）：一個無伺服器 Postgres 提供商。這項技術為 Lakebase 提供動力，預見了一個 AI Agent 可以按需生成資料庫的世界。
3.3 促進中立性：回應對鎖定的擔憂
Databricks 將自己定位為一個可以處理多種 AI 模型和數據格式的平台，而不是封閉的。它允許與 Anthropic、OpenAI、Google 等公司的模型整合，讓客戶可以為工作選擇最佳工具，同時保持集中管理。
4. 對日本新創公司的啟示：動態數據與行業專業化
4.1 本質：處理「移動中數據」的能力
Databricks 的核心優勢是處理「不斷移動的數據」的能力。 傳統分析是查看過去的靜態快照。在 AI Agent 的時代，關鍵在於讀取持續更新的數據並立即做出決策——例如在毫秒內檢測欺詐或更改建議。
4.2 為什麼「行業特定數據平台」是機會所在
與像 Databricks 這樣的橫向平台正面競爭是困難的，因為存在規模經濟和基礎設施的全球性。對於日本新創公司來說，更清晰的勝利之路是抓住通用平台無法觸及的「缺口」，特別是「行業特定數據平台」。
一個典型的例子是製藥行業的 Veeva Systems。Veeva 透過深入理解行業特定的法規和工作流程而取得成功，最終成為該行業的基礎設施。
為什麼橫向平台在這裡會遇到困難？以製造業或建築業的「藍圖」為例。藍圖不僅僅是一張圖像；它包含行業特定的尺寸、材料和零件標記。Databricks 可以儲存文件，但它無法內在地理解「這個形狀如何與採購成本、供應商和法規相關聯」。
4.3 取勝的三個條件
我認為機會存在於這三個條件重疊的地方：
- 語言和商業習慣障礙：全球平台難以處理的領域，例如日本的藍圖或特定的當地貿易慣例。
- 行業特定「實體資產」的深度意義建構：需要領域知識才能轉化為商業資產的數據，例如醫學影像或財務表格。
- 整合到商業工作流程中：超越搜尋/分析，進入實際執行，例如採購、估價和審計。
總結：未來 10 年關乎「誰能最接近數據、意義和執行」
Databricks 是一家世界級的軟體公司，因為它掌控了為企業數據安全地用於 AI 做好準備的基礎。其透過 OSS 標準化、先發制人的收購和保持中立性的策略，為增長提供了藍圖。
對於日本的挑戰者來說，教訓是避免與橫向巨頭正面競爭，而是專注於成為建立在它們之上的「行業特定意義層」。 在未來十年，隨著 AI Agent 開始認真工作，勝者將是掌控數據、數據的意義以及商業執行的人。
