Databricks-Google-Allianz steht vor einer 7-Milliarden-Dollar-Bewährungsprobe, während das Wachstum über 80 % steigt

Databricks erklärt, dass der Umsatz nach einem Wachstum von mehr als 80 % gegenüber dem Vorjahr im zweiten Quartal eine annualisierte Umsatzrate von 7 Milliarden Dollar überschritten hat. Dieser Meilenstein verleiht der Databricks-Google-Allianz in einem Markt mehr Gewicht, in dem Ausgaben für Unternehmens-KI zunehmend gesteuerten Unternehmensdaten folgen.

Diese Zahl ist kein testierter Umsatz eines börsennotierten Unternehmens. Eine Umsatzrate annualisiert die jüngste Vertriebsaktivität und kann sich daher schneller bewegen als der ausgewiesene Jahresumsatz. Dennoch folgt die neue Marke auf die von Databricks nur sechs Monate zuvor gemeldete Umsatzrate von 5,4 Milliarden Dollar und ein Wachstum von 65 %.

Der tieferliegende Konflikt betrifft Google Cloud, nicht einfach Databricks gegen Snowflake. Google verkauft BigQuery als eigene Daten- und KI-Plattform, hostet zugleich Databricks, integriert Gemini-Modelle und unterstützt gemeinsame Unternehmenskunden. Databricks ist bei der Infrastruktur auf Hyperscaler angewiesen, doch seine wachsende Softwareschicht kann die Kundenbeziehung oberhalb dieser Infrastruktur an sich ziehen.

Diese Konstellation funktioniert, solange beide Seiten den Markt vergrößern. Schwerer auszubalancieren wird sie, wenn Agenten, Datenbanken, Analytik, Governance und Modellzugang in weniger Kaufentscheidungen zusammenlaufen.

Databricks muss nun zeigen, dass der rasche KI-Verbrauch nachhaltige Margen und Kundenwert schafft. Google muss entscheiden, wie viel Plattformterritorium ein schnell wachsender Partner einnehmen sollte.

Die 7-Milliarden-Dollar-Marke verändert die Größenordnung des Wettbewerbs

Databricks verkauft nicht länger eine aufstrebende Datenarchitektur. Das Unternehmen versucht, zur Betriebsschicht für Unternehmensdaten und KI zu werden.

Das Unternehmen erklärt, seine annualisierte Umsatzrate habe 7 Milliarden Dollar überschritten, bei einem Wachstum von mehr als 80 % gegenüber dem Vorjahr. Da Databricks weiterhin privat ist, können Leser diese Zahlen nicht anhand vierteljährlicher regulatorischer Meldungen überprüfen.

Die Richtung lässt sich leichter verifizieren als die präzise jüngste Messung. Im Februar bezifferte ein offizielles Finanzupdate die Umsatzrate auf mehr als 5,4 Milliarden Dollar. Databricks meldete zudem über die vorangegangenen zwölf Monate einen positiven freien Cashflow.

Diese Offenlegung enthielt mehrere nützliche Kennzahlen. KI-Produkte hatten eine Umsatzrate von 1,4 Milliarden Dollar überschritten, während die Nettobindung über 140 % blieb. Die Nettobindung misst, wie sich die Kundenausgaben nach Erweiterungen, Kürzungen und Abgängen verändern.

Mehr als 800 Kunden bezogen Dienste zu jährlichen Raten von über 1 Million Dollar. Mehr als 70 Kunden hatten 10 Millionen Dollar überschritten. Diese Zahlen deuteten darauf hin, dass sich das Wachstum nicht auf Experimente oder kleine Abteilungseinführungen beschränkte.

Der Sprung von 5,4 Milliarden Dollar in Richtung 7 Milliarden Dollar innerhalb von zwei Quartalen würde eine deutliche Beschleunigung darstellen. Er würde auch erklären, warum Investoren trotz einer breiteren Neubewertung konventioneller Softwareunternehmen weiterhin Kapital bereitstellten.

Databricks kündigte im Juli einen strategischen Finanzierungsprozess bei einer Bewertung von 188 Milliarden Dollar an. Berichte zu diesem Zeitpunkt wiesen darauf hin, dass die Transaktion noch nicht abgeschlossen war und ihre endgültige Größe nicht veröffentlicht wurde. Berichten zufolge schloss das Unternehmen im August eine größere Runde bei einer Bewertung von nahezu 190 Milliarden Dollar ab.

Die Bewertung ist damit wesentlich schneller gestiegen, als die meisten reifen Softwareunternehmen erwarten könnten. Ein Finanzierungsbericht vom Juli zeichnete diese Entwicklung von 62 Milliarden Dollar Ende 2024 auf 134 Milliarden Dollar im Februar 2026 nach.

Diese Wertsteigerung setzt voraus, dass Databricks mehr als eine Alternative zu Data Warehouses wird. Investoren behandeln den Zugang des Unternehmens zu Unternehmensdaten faktisch als strategische Position im Agentenmarkt.

KI-Agenten sind Softwaresysteme, die Ziele interpretieren, Aktionen auswählen und Werkzeuge mit begrenzter menschlicher Anleitung einsetzen. Sie benötigen Modelle, aber auch aktuelle Geschäftsdaten, Identitätskontrollen, Transaktionsdaten und verlässliche Berechtigungen.

Databricks verwaltet viele dieser Eingaben bereits für große Kunden. Nun baut es diese Position mit Genie, Lakebase, Unity AI Gateway und seiner breiteren Data-Intelligence-Plattform aus.

Genie ermöglicht es Mitarbeitern, mithilfe von Alltagssprache Fragen zu gesteuerten Unternehmensdaten zu stellen. Lakebase ist eine verwaltete PostgreSQL-Datenbank für Anwendungen und Agenten, die operative Datensätze benötigen.

Unity AI Gateway wendet Kontrollen auf die Nutzung von Modellen und Agenten an. Es kann Unternehmen dabei helfen, Anfragen weiterzuleiten, Aktivitäten nachzuverfolgen, Zugriffe zu verwalten und den Verbrauch über verschiedene Modelle hinweg zu überwachen.

Jedes Produkt rückt Databricks näher an die Anwendungsentwicklung und Mitarbeiter-Workflows. Das ist die wichtige Verschiebung hinter dem finanziellen Meilenstein.

Die 7-Milliarden-Dollar-Angabe signalisiert nicht nur stärkere Verkäufe. Sie legt nahe, dass Kunden mehr Daten- und KI-Arbeit rund um dieselbe Steuerungsebene konsolidieren.

Diese Konsolidierung schafft die zentrale Spannung. Databricks benötigt Cloud-Infrastruktur von Google, Microsoft und Amazon, konkurriert jedoch zunehmend mit Diensten aller drei Anbieter.

Warum die Databricks-Google-Partnerschaft jetzt wichtig ist

Google gewinnt Infrastrukturverbrauch, wenn Databricks erfolgreich ist, riskiert jedoch zugleich, die höherwertige Softwarebeziehung abzugeben.

Die Databricks-Google-Partnerschaft bietet Kunden einen relativ direkten Weg, die Databricks-Plattform mit Google-Infrastruktur und -Modellen zu kombinieren. Databricks-Workspaces können auf Google Cloud laufen und dabei Dienste wie BigQuery und Gemini anbinden.

Google positioniert die Zusammenarbeit als Multicloud-Option für Daten und KI. Seine Partnerschaftsübersicht hebt den Zugang zu Gemini, die BigQuery-Integration, offene Modelle und Googles KI-Infrastruktur hervor.

Für Kunden senkt diese Kombination eine häufige Hürde bei der KI-Einführung. Ein Unternehmen kann etablierte Pipelines und Governance in Databricks beibehalten und zugleich Google-Modelle oder spezialisierte Infrastruktur nutzen.

Der Ansatz verringert auch den Druck, sämtliche Datensätze vor dem Test eines neuen Modells zu verschieben. Datenbewegungen bleiben teuer, langsam und riskant, wenn Datensätze Kundeninformationen oder reguliertes Material enthalten.

Ein Einzelhändler könnte beispielsweise Produktereignisse und Empfehlungsmerkmale in Databricks speichern. Seine Entwickler könnten Gemini für einen Einkaufsassistenten evaluieren, ohne die gesamte Datenlandschaft andernorts neu aufzubauen.

Ein Finanzinstitut könnte die Databricks-Governance für Modelleingaben nutzen und ausgewählte Workloads auf Google-Infrastruktur ausführen. Die technischen Details variieren, doch die Beschaffungslogik bleibt konsistent.

Käufer wollen Modellflexibilität, ohne einen weiteren isolierten Daten-Stack zu schaffen. Sie wollen außerdem, dass Richtlinien Daten über Analytik, Anwendungen und KI-Agenten hinweg begleiten.

Google profitiert, weil diese Workloads Speicher, Netzwerke, Beschleuniger und verwaltete Cloud-Dienste verbrauchen. Databricks bringt Unternehmenskunden ein, deren Nutzung wachsen kann, sobald Experimente die Produktion erreichen.

Databricks profitiert, weil Google globale Infrastruktur und eine bedeutende Familie von KI-Modellen bereitstellt. Die Unterstützung von Google Cloud unterstreicht zudem Databricks’ Aussage, dass Kunden die Abhängigkeit von einem einzelnen Anbieter vermeiden können.

Die Partnerschaft enthält jedoch überlappende Produkte. BigQuery übernimmt Data Warehousing und Analytik. Google verkauft außerdem Werkzeuge für Modellentwicklung, Datenbanken, Business Intelligence, Governance und konversationelle Analyse.

Databricks adressiert viele derselben Anforderungen. Das Unternehmen möchte, dass Kunden seinen Katalog, Abfragewerkzeuge, Anwendungsdienste, Datenbanken und Agentenkontrollen über mehrere Clouds hinweg nutzen.

Google hat BigQuery weiter über die traditionelle SQL-Analytik hinaus ausgebaut. Seine Veröffentlichung zu konversationeller Analytik ermöglicht es Nutzern, mit Gemini Fragen zu gesteuerten Daten zu stellen und auf einige cloudübergreifende Quellen zuzugreifen.

Diese Veröffentlichung unterstützt ausdrücklich lakehouse-verwaltete Daten und Databricks-Unity-Quellen. Sie erleichtert die Zusammenarbeit, positioniert aber zugleich Googles konversationelle Schnittstelle über Daten, die andernorts verwaltet werden.

Die Unterscheidung ist wichtig, weil die Schnittstelle künftige Kaufentscheidungen prägen kann. Der Anbieter, der kontrolliert, wie Mitarbeiter Daten abfragen, kann Einfluss auf Modelle, Governance und Anwendungsentwicklung gewinnen.

Dadurch entsteht ein mehrschichtiger Wettbewerb. Google kann mit einem Databricks-Kunden Infrastrukturumsätze erzielen, selbst wenn BigQuery einen Analytik-Workload verliert.

Databricks kann Gemini nutzen, ohne Google die Kontrolle über die Datensteuerungsebene zu überlassen. Jedes Unternehmen kann daher vom anderen profitieren und zugleich versuchen, mehr strategische Funktionen zu übernehmen.

Die Beziehung ähnelt anderen Cloud-Partnerschaften, bei denen Infrastrukturanbieter unabhängige Softwareanbieter hosten. Der ungewöhnliche Faktor sind Databricks’ Größe und Geschwindigkeit.

Ein kleinerer Partner bedroht selten die Fähigkeit des Host-Cloud-Anbieters, die Architektur oberhalb der eigenen Cloud zu definieren. Ein Unternehmen, das sich einer Umsatzrate von 7 Milliarden Dollar nähert, verfügt über genügend Reichweite, um zu beeinflussen, wie Unternehmen ihre KI-Systeme zusammenstellen.

Die Partnerschaft bleibt rational, weil Unternehmensumgebungen heterogen sind. Große Unternehmen platzieren nur selten jede Datenbank, Anwendung und jedes Modell bei einem einzigen Anbieter.

Diese Realität begünstigt Interoperabilität. Sie verschafft Databricks zudem Hebelwirkung, weil Unity Catalog und verwandte Dienste eine gemeinsame Governance-Schicht über fragmentierte Landschaften hinweg bieten können.

Doch Interoperabilität beseitigt den Wettbewerb nicht. Sie verlagert ihn auf Kontrolle, Voreinstellungen und Beschaffung.

Die entscheidende Frage ist nicht, ob Google Databricks weiterhin unterstützen wird. Sie lautet, welche Plattform zum Standardort wird, an dem Kunden Datenzugriff, Agentenrichtlinien und Anwendungskontext definieren.

Verbrauchswachstum ist der Mechanismus, nicht die ganze Antwort

Databricks wächst, wenn Kunden mehr Workloads ausführen, doch derselbe Mechanismus kann Infrastrukturkosten erhöhen und Margen verkomplizieren.

Databricks folgt vor allem einem verbrauchsorientierten Modell. Die Umsätze steigen, wenn Kunden mehr Daten verarbeiten, mehr Abfragen ausführen, Modelle trainieren, Vorhersagen bereitstellen und Produktionsanwendungen betreiben.

Das unterscheidet sich von konventioneller Software, die hauptsächlich über Mitarbeiterlizenzen verkauft wird. Das Hinzufügen eines Agenten kann kontinuierlichen Rechenbedarf erzeugen, ohne einen menschlichen Nutzer hinzuzufügen.

Dieser Unterschied hilft zu erklären, warum Databricks-CEO Ali Ghodsi argumentiert hat, dass KI die Nutzung erhöht, statt Software lediglich zu ersetzen. Agenten schaffen neue Datenoperationen, Inferenzanfragen, Evaluierungen und Überwachungsanforderungen.

Sie können auch bestehende Workloads ausweiten. Ein Support-Agent könnte während einer Interaktion die Kontohistorie abrufen, Anspruchsregeln prüfen, frühere Fälle zusammenfassen und ein Ticket aktualisieren.

Jeder Schritt kann Speicherzugriffe, Datenbankabfragen, Modellaufrufe oder Governance-Prüfungen auslösen. Die Wiederholung dieses Workflows über Tausende tägliche Gespräche hinweg erzeugt erheblichen Verbrauch.

Lakebase erweitert diesen Mechanismus auf operative Anwendungen. Traditionelle Analyseplattformen untersuchten Daten hauptsächlich, nachdem Ereignisse eingetreten waren. Agenten müssen auch den aktuellen Anwendungsstatus lesen und aktualisieren.

Ein Bestandsagent muss gegenwärtige Lagerbestände, offene Bestellungen und Lieferbeschränkungen kennen. Ein Finanzagent benötigt möglicherweise genehmigten Zugriff auf Rechnungen, Lieferantendaten und Zahlungsstatus.

Databricks möchte diese transaktionalen Workloads in die Nähe seiner Analyse- und KI-Dienste bringen. Bei Erfolg würden Kunden eine gesteuerte Umgebung für Data Engineering, Reporting, Agenten und Anwendungen nutzen.

Genie erschließt einen weiteren Wachstumspfad. Geschäftsnutzer können Fragen stellen, ohne SQL zu schreiben, wodurch sich potenziell die Zahl der Menschen erhöht, die analytische Ressourcen nutzen.

Eine niedrigere Einstiegshürde bei der Benutzeroberfläche kann messbare Umsätze schaffen. Sie kann jedoch auch schwache Datendefinitionen, inkonsistente Berechtigungen oder kostspielige Abfragemuster offenlegen.

Unity AI Gateway zielt auf ein verwandtes Problem. Unternehmen, die mehrere Modelle nutzen, benötigen eine Schicht für Zugangsdaten, Routing, Richtliniendurchsetzung und Kostenüberwachung.

Ein Gateway kann Experimente sicherer machen, positioniert Databricks aber auch zwischen Kunden und Modellanbietern. Diese Position gewinnt an Wert, wenn Unternehmen Gemini, OpenAI, Anthropic und Modelle mit offenen Gewichten kombinieren.

Die Beziehung zwischen Databricks und Google stärkt diese Verbrauchsmaschine, weil Kunden Databricks-Dienste mit Google-Infrastruktur und Gemini kombinieren können. Keine der beiden Parteien muss jede Produktkategorie gewinnen, um Umsatz zu erzielen.

Allerdings sind nutzungsbasierte Umsätze nicht automatisch hochwertige Umsätze. Der Anbieter muss für Infrastruktur zahlen, schwankende Workloads unterstützen und Kapazitäten verwalten.

KI-Workloads können eine andere Wirtschaftlichkeit haben als planmäßige Datenverarbeitung. Lange Modellkontexte, wiederholte Agentenschleifen, Evaluierungen und Serving mit niedriger Latenz können teure Ressourcen verbrauchen.

Ein Agent, der eine Aufgabe mehrmals wiederholt, kann mehr Nutzung erzeugen, ohne mehr Kundennutzen zu schaffen. Schlecht konzipierte Retrieval-Systeme können große Datensätze wiederholt durchsuchen.

Unternehmen können Ineffizienzen während der Experimentierphase tolerieren. Beschaffungsteams werden weniger nachsichtig, sobald Pilotprojekte in wiederkehrende Betriebsbudgets übergehen.

Databricks muss daher belegen, dass das Verbrauchswachstum mit akzeptablen Stückkosten einhergeht. Die Stückkosten vergleichen die Einnahmen aus einem Workload mit dessen direkten Bereitstellungskosten.

Die frühere Offenlegung eines positiven freien Cashflows durch das Unternehmen ist ermutigend, liefert jedoch nur begrenzte Details. Sie zeigt weder die Bruttomarge nach Produkt noch das Kostenprofil neuer Agentendienste.

Die Berichterstattung eines Privatunternehmens erschwert zudem Vergleiche. Databricks kann ausgewählte Kennzahlen zu Run-Rate, Kundenbindung und Cashflow veröffentlichen, ohne eine vollständige Gewinn- und Verlustrechnung vorzulegen.

Die Wachstumsbehauptung von 80 % sollte vor diesem Hintergrund gelesen werden. Sie signalisiert außergewöhnliche Nachfrage, kann jedoch Fragen zu Profitabilität oder Umsatzbeständigkeit nicht eigenständig beantworten.

Eine Run-Rate kann auch eine starke jüngere Periode widerspiegeln. Sie garantiert nicht, dass der aktuelle Verbrauch ein volles Jahr lang anhält.

Kunden können Workloads optimieren, Verpflichtungen neu verhandeln oder erfolglose Agenten abschalten. Cloud-Ausgaben haben wiederholt gezeigt, dass technische Einführung und Kostensenkung gleichzeitig stattfinden können.

Der Mechanismus, der Databricks vorantreibt, ist real. Mehr Datenarbeit erzeugt mehr Verbrauch, und KI kann Datenarbeit vervielfachen.

Offen bleibt, ob diese Vervielfachung wirtschaftlich attraktiv bleibt, nachdem Infrastruktur-, Support- und Optimierungskosten in die Rechnung einfließen.

Snowflake steht unter Druck, doch Google setzt die härtere Grenze

Snowflake ist der sichtbare Produktrivale, während Google bestimmt, wie weit Databricks expandieren kann, ohne mit seinem Infrastrukturpartner zu kollidieren.

Snowflake bleibt der direkteste unabhängige Wettbewerber von Databricks. Beide Unternehmen verkaufen Cloud-Datenplattformen und expandieren in KI, Anwendungen, Governance und Entwicklertools.

Ihre technischen Wurzeln unterscheiden sich. Snowflake entstand als Cloud-Data-Warehouse, während Databricks aus Apache Spark und dem Lakehouse-Ansatz hervorging.

Diese Unterschiede haben sich verringert. Snowflake unterstützt breitere Datenengineering- und KI-Workloads, während Databricks stark in SQL-Warehousing und Business Intelligence investiert hat.

Kunden vergleichen zunehmend Ergebnisse statt Architekturbezeichnungen. Sie fragen, wie schnell Teams kontrollierte Workloads bereitstellen, Ausgaben steuern und mehrere Modelle unterstützen können.

Das berichtete Wachstum von Databricks erhöht den Druck auf Snowflake, große Unternehmenskonten zu verteidigen. Es stärkt Databricks zudem in Verhandlungen über Plattformkonsolidierung.

Doch Snowflake ist nicht der einzige Bezugspunkt. Google, Microsoft, Amazon und Oracle können Datenbanken, Analytik, Modelle und Infrastruktur in umfassendere Cloud-Vereinbarungen bündeln.

Dieses Bündeln verschafft Hyperscalern mehrere Vorteile. Sie kontrollieren bereits Kundenverpflichtungen, Identitätssysteme, regionale Infrastruktur und viele Beschaffungsbeziehungen.

Sie können KI-Dienste zudem mit etablierten Produkten verbinden. Google kann BigQuery, Gemini, Looker, Datenbanken und Cloud-Infrastruktur unter einem Konto kombinieren.

Databricks setzt dem Multicloud-Unterstützung und eine unabhängigere Steuerungsebene entgegen. Ein Kunde kann ähnliche Muster über Google Cloud, Azure und AWS hinweg anwenden, statt separate native Stacks zu übernehmen.

Diese Unabhängigkeit wird wertvoller, wenn Unternehmen Modellwahl wünschen. Sie wird weniger wertvoll, wenn native Cloud-Integration eine geringere betriebliche Komplexität bietet.

Der zentrale Wettbewerb ist daher kein einfacher Kampf Databricks gegen Google. Es geht darum, wo Kunden architektonische Autorität verorten.

Wenn Unity Catalog Berechtigungen und Datenbedeutung definiert, nimmt Databricks eine zentrale Rolle ein. Wenn BigQuery und Googles Agentenplattform diese Kontrollen definieren, erfasst Google einen größeren Teil des Stacks.

Dieselbe Logik gilt für die Benutzeroberfläche. Genie kann zum dialogbasierten Einstiegspunkt für Geschäftsdaten werden. Google kann Gemini als Einstiegspunkt für Daten, Dokumente, Anwendungen und Produktivitätstools positionieren.

Diese Produkte können interoperieren, doch Kunden standardisieren sich gewöhnlich auf eine begrenzte Zahl von Schnittstellen. Jede zusätzliche Steuerungsebene verursacht Schulungs-, Sicherheits- und Supportkosten.

Auch Googles Distribution über Workspace verändert den Wettbewerb. Mitarbeitende können Gemini begegnen, bevor sie auf eine spezialisierte Analytikoberfläche stoßen.

Databricks ist kontrollierten Daten und technischen Teams näher. Google ist Endnutzern, Infrastrukturadministratoren und bestehenden Cloud-Verträgen näher.

Keine der beiden Positionen garantiert Kontrolle. Die Einführung in Unternehmen hängt häufig davon ab, welches Team das Projekt finanziert und welchen Risiken Priorität eingeräumt wird.

Eine Datenorganisation könnte Databricks wegen Portabilität und einheitlicher Governance bevorzugen. Ein Cloud-Plattformteam könnte native Google-Dienste wegen einfacherer Abläufe bevorzugen.

Eine Geschäftseinheit könnte den Assistenten wählen, der bereits in ihrem täglichen Workflow erscheint. Sicherheitsverantwortliche könnten die Plattform mit klareren Audit- und Richtlinienkontrollen bevorzugen.

Das jüngste Wachstum von Databricks deutet darauf hin, dass das Unternehmen genug dieser Debatten gewonnen hat, um zu einer bedeutenden Plattform zu werden. Es beweist nicht, dass jeder neue Agenten-Workload innerhalb seiner Oberfläche bleibt.

Die Allianz zwischen Databricks und Google funktioniert gerade deshalb, weil die Grenzen verhandelbar bleiben. Kunden können Databricks für die Datenschicht und Google für Infrastruktur oder Modelle wählen.

Der Druck wird steigen, wenn jeder Anbieter vollständigere Agentenplattformen einführt. Überschneidungen werden dann zu einem Vertriebsthema und nicht bloß zu einer technischen Kuriosität.

Der Gewinner innerhalb eines Kundenkontos könnte die Plattform sein, die Governance-Komplexität reduziert, ohne die Modell- oder Cloud-Wahl einzuschränken. Dieser Test spricht konzeptionell für Databricks, doch Hyperscaler können die Lücke durch Integration verkleinern.

Was die Wachstumsbehauptung von 80 % nicht zeigt

Die berichtete Beschleunigung ist bedeutsam, doch die verfügbaren Angaben können für sich genommen weder Margen, die Qualität der Kundenbindung noch die endgültigen Finanzierungsbedingungen belegen.

Databricks befindet sich in Privatbesitz, daher stammen seine Finanzangaben vor allem aus Unternehmensankündigungen und Interviews. Investoren erhalten vertrauliche Informationen, die Öffentlichkeit jedoch keine gleichwertigen Details.

Dadurch entstehen mehrere Überprüfungslücken. Das Unternehmen hat keine vollständige Aufschlüsselung von ausgewiesenen Umsätzen, aufgeschobenen Verpflichtungen, Bruttomarge, Betriebsausgaben oder Kundenkonzentration veröffentlicht.

Bei Run-Rate-Kennzahlen ist besondere Vorsicht geboten. Unternehmen können sie durch Hochrechnung eines jüngsten Monats oder Quartals berechnen, doch der gewählte Zeitraum kann das Ergebnis beeinflussen.

Verbrauchsbasierte Geschäftsmodelle unterliegen zudem saisonalen Schwankungen. Die Kundenaktivität kann sich rund um Feiertage, Budgetzyklen, Migrationen oder große Trainingsprojekte verändern.

Die jüngste Behauptung bezieht sich Berichten zufolge auf das zweite Quartal von Databricks und ein Wachstum von mehr als 80 % gegenüber dem Vorjahr. Ohne die zugrunde liegenden Quartalszahlen können Außenstehende diese Berechnung nicht nachvollziehen.

Die Basislinie vom Februar bietet einen nützlichen Kontrollpunkt. Damals erklärte Databricks, seine Run-Rate habe 5,4 Milliarden US-Dollar überschritten, KI-Produkte hätten mehr als 1,4 Milliarden US-Dollar erreicht und die Net Retention habe über 140 % gelegen.

Diese Zahlen stützen eine umfassendere Wachstumsgeschichte. Sie bestätigen jedoch nicht eigenständig den genauen August-Meilenstein.

Auch Finanzierungsberichte erfordern ähnliche Präzision. Databricks gab im Juli bekannt, eine Term Sheet bei einer Bewertung von 188 Milliarden US-Dollar unterzeichnet zu haben. Eine Term Sheet hält vorgeschlagene Investitionsbedingungen fest, bevor die endgültigen Abschlussdokumente vorliegen.

Berichte beziffern die abgeschlossene Finanzierung nun auf nahezu 190 Milliarden US-Dollar und ihr Volumen auf rund 5 Milliarden US-Dollar. Bis Databricks vollständige endgültige Bedingungen veröffentlicht, sollten diese Details zugeschrieben bleiben und nicht als geprüfte Fakten behandelt werden.

Eine Bewertung entspricht zudem nicht dem dem Unternehmen verfügbaren Bargeld. Die Struktur kann Primärinvestitionen, Mitarbeiterliquidität oder andere Transaktionen mit unterschiedlichen wirtschaftlichen Effekten umfassen.

Investoren können Präferenzen anknüpfen, die ihre Renditen schützen. Eine Schlagzeilenbewertung verrät wenig über Liquidationsrechte, Governance-Bestimmungen oder künftige Verwässerung.

Der Kundennutzen stellt eine weitere Unsicherheit dar. Hoher Verbrauch kann eine erfolgreiche Einführung in der Produktion zeigen, aber auch ineffiziente Systeme oder kostspielige Migrationen widerspiegeln.

Unternehmenskäufer werden Agenten letztlich an erledigter Arbeit, Fehlerraten, menschlicher Überprüfung und Betriebseinsparungen messen. Tokenvolumen und Abfragewachstum sind Zwischensignale.

Auch Governance-Behauptungen erfordern Tests in der Praxis. Ein zentraler Katalog kann Zugriffsregeln definieren, doch Unternehmen benötigen weiterhin präzise Metadaten, Verantwortlichkeiten, Monitoring und Incident Response.

Ein Agent kann Plattformberechtigungen befolgen und dennoch eine schlechte Entscheidung treffen. Er kann ein genehmigtes Dokument abrufen, das veraltet, unvollständig oder missverstanden ist.

Hier wird die Qualität des Wissens ebenso wichtig wie die Infrastruktur. Teams benötigen nachvollziehbare Quellen und gepflegten Kontext, nicht nur Modellzugang.

Databricks kann bei der Governance strukturierter und unstrukturierter Daten helfen. Es kann nicht automatisch jeden organisatorischen Konflikt lösen, der in diesen Daten verborgen ist.

Die Wettbewerbsbedrohung durch Hyperscaler bleibt ein weiteres Risiko. Google kann Databricks unterstützen und zugleich native Dienste verbessern, die den Bedarf an einer unabhängigen Schicht verringern.

Microsoft kann über Azure und seine breitere Unternehmensdistribution eine vergleichbare Strategie verfolgen. Amazon kann Infrastruktur, Datenbanken, Analytik und Modelldienste innerhalb von AWS kombinieren.

Snowflake kann mit Produktänderungen, kommerziellen Anreizen und Partnerschaften reagieren. Open-Source-Projekte können zudem Wechselkosten bei Formaten und Katalogen senken.

Die Multicloud-Position von Databricks schützt das Unternehmen vor direkter Abhängigkeit von einem einzelnen Anbieter. Sie erfordert jedoch auch, dass das Unternehmen konsistente Fähigkeiten über mehrere sich rasch verändernde Plattformen hinweg aufrechterhält.

Diese Arbeit verursacht Engineering- und Supportkosten. Native Cloud-Dienste können neue Infrastrukturmerkmale früher erhalten oder enger integrieren.

Keine dieser Bedenken widerlegt das berichtete Wachstum. Sie definieren, was die Schlagzeile nicht beantworten kann.

Der Meilenstein zeigt, dass Databricks ein großes und wachsendes Geschäft rund um den Verbrauch von Unternehmensdaten aufgebaut hat. Er klärt nicht, wie viel Gewinn dieser Verbrauch erzielt oder wer letztlich die Agentenschicht kontrolliert.

Drei Signale werden das Gleichgewicht zwischen Databricks und Google testen

Die nächste Phase wird durch verifizierte Finanzqualität, die Einführung von Agenten in der Produktion und Veränderungen an den Plattformgrenzen von Google entschieden.

Das erste Signal ist die nächste detaillierte Finanzoffenlegung von Databricks. Leser sollten über die Run-Rate hinaus auf ausgewiesenes Wachstum, Net Retention, freien Cashflow und Kundenausbau achten.

Eine anhaltende Umsatzrate von über 7 Milliarden US-Dollar, verbunden mit weiterhin positiver Cash-Generierung, würde die Positionierung des Unternehmens stärken. Sinkende Kundenbindung oder eine schwächere Cash-Performance könnten dagegen darauf hindeuten, dass das beschleunigte Nutzungswachstum versteckten Druck erzeugt.

Besonders wertvoll wäre die Bruttomarge. Sie würde zeigen, wie effizient Databricks neuere KI-, Agenten- und Datenbank-Workloads bereitstellt.

Das Unternehmen ist vor einem Börsengang nicht verpflichtet, diese Kennzahl öffentlich offenzulegen. IPO-Vorbereitungen oder zusätzliche Finanzierungen könnten jedoch für mehr Transparenz sorgen.

Das zweite Signal ist die produktive Nutzung von Lakebase, Genie und Unity AI Gateway. Produktankündigungen sind weniger wichtig als wiederholbare Workloads, die Kunden dauerhaft betreiben.

Aussagekräftige Hinweise wären Wachstum bei großen Implementierungen, messbare Abfragegenauigkeit, kontrollierte Agentenaktionen und eine Ausweitung nach ersten Pilotprojekten.

Lakebase verdient besondere Aufmerksamkeit, weil es Databricks in den Bereich operativer Datenbanken führt. Erfolg würde zeigen, dass Kunden der Plattform live genutzte Anwendungszustände anvertrauen – nicht nur analytische Kopien.

Genie muss beweisen, dass konversationeller Zugriff nützliche Analysen erweitert, ohne unzuverlässige Antworten oder unkontrollierte Ausgaben zu verursachen. Unity AI Gateway muss Governance über verschiedene Modelle hinweg ermöglichen, ohne selbst zu einem weiteren Managementengpass zu werden.

Wenn diese Produkte innerhalb bestehender Kundenkonten wachsen, kann Databricks seine Datenposition in eine Agentenplattform umwandeln. Eine schwache Akzeptanz würde das Unternehmen stärker von etablierten Engineering- und Analytics-Workloads abhängig machen.

Das dritte Signal ist Googles Umgang mit plattformübergreifenden Daten und Agenten. Eine fortgesetzte Gemini-Integration mit Databricks würde die Partnerschaft untermauern.

Ein tieferer BigQuery-Zugriff auf externe Lakehouse-Daten würde Kunden helfen, könnte aber auch mehr Kontrolle in Googles Oberfläche verlagern. Neue Funktionen zur Agenten-Governance könnten sich direkt mit Unity AI Gateway überschneiden.

Beobachten Sie, welche Produkte innerhalb von Unternehmensimplementierungen zum Standard werden. Standards beeinflussen Identitätsmanagement, Monitoring, Abrechnung und Entwicklergewohnheiten lange bevor eine formelle Plattformentscheidung fällt.

Die Vereinbarung zwischen Databricks und Google wird kooperativ bleiben, solange Kunden offene Architekturen verlangen und beide Unternehmen vom Konsum profitieren. Sie wird wettbewerbsintensiver werden, wenn Käufer Governance- und Agentenoberflächen konsolidieren.

Für Unternehmenskäufer lautet die praktische Antwort, Grenzen vor einer Festlegung zu testen. Messen Sie Modellportabilität, Datenbewegung, Richtlinienkonsistenz und den gesamten Infrastrukturverbrauch.

Entwickler sollten zudem eindrucksvolle Demonstrationen von dauerhaft gewarteten Produktionssystemen unterscheiden. Verfolgen Sie Wiederholungsversuche, Tool-Fehler, Latenz und den menschlichen Aufwand, der nötig ist, um Agentenoutput zu korrigieren.

Wissensarbeiter sollten fragen, ob konversationelle Antworten Zitate, Berechtigungen und Geschäftsdefinitionen bewahren. Eine schnellere Oberfläche hat nur begrenzten Wert, wenn Teams ihre Begründungsquellen nicht prüfen können.

Databricks hat eine Größenordnung erreicht, die es Wettbewerbern schwer macht, seine Strategie abzutun. Das berichtete Wachstum von 80 % deutet darauf hin, dass Ausgaben für Enterprise-KI zu Plattformen fließen, die bereits mit Unternehmensdaten verbunden sind.

Die nächste Frage ist anspruchsvoller. Kann Databricks seine Multicloud-Unabhängigkeit bewahren, während seine größten Infrastrukturpartner konkurrierende Daten- und Agentenschichten aufbauen?

Die Antwort wird sich in der finanziellen Qualität, der produktiven Nutzung und den Plattformstandards zeigen. Käufer sollten diese Signale beobachten, bevor sie eine Umsatzrate von 7 Milliarden US-Dollar als bereits entschiedenen Sieg betrachten.