L’alliance entre Databricks et Google face à l’épreuve des 7 milliards de dollars alors que la croissance dépasse 80 %

Databricks affirme que ses revenus ont dépassé un rythme annualisé de 7 milliards de dollars après une croissance de plus de 80 % sur un an au cours de son deuxième trimestre. Cette étape donne davantage de poids à l’alliance entre Databricks et Google dans un marché où les dépenses d’IA des entreprises suivent de plus en plus les données d’entreprise gouvernées.

Ce chiffre ne correspond pas à des revenus audités d’une société cotée. Un rythme de revenus annualise l’activité commerciale récente et peut donc évoluer plus vite que les revenus annuels comptabilisés. Il intervient néanmoins seulement six mois après que Databricks a annoncé un rythme de 5,4 milliards de dollars et une croissance de 65 %.

Le conflit plus profond concerne Google Cloud, et ne se résume pas à Databricks contre Snowflake. Google commercialise BigQuery comme sa propre plateforme de données et d’IA tout en hébergeant Databricks, en intégrant les modèles Gemini et en accompagnant des clients entreprises communs. Databricks dépend des hyperscalers pour son infrastructure, mais sa couche logicielle en expansion peut lui permettre de capter la relation client au-dessus de cette infrastructure.

Cet arrangement fonctionne tant que les deux parties élargissent le marché. Il devient plus difficile à équilibrer lorsque les agents, les bases de données, l’analytique, la gouvernance et l’accès aux modèles convergent dans un nombre plus restreint de décisions d’achat.

Databricks doit désormais démontrer qu’une consommation rapide d’IA produit des marges durables et de la valeur pour les clients. Google doit déterminer quelle part du territoire de la plateforme un partenaire en forte croissance devrait occuper.

Le seuil des 7 milliards de dollars change l’échelle de la compétition

Databricks ne vend plus une architecture de données émergente. L’entreprise cherche à devenir la couche opérationnelle des données et de l’IA en entreprise.

L’entreprise affirme que son rythme de revenus annualisés a dépassé 7 milliards de dollars, avec une croissance supérieure à 80 % par rapport à l’année précédente. Databricks restant une société privée, les lecteurs ne peuvent pas confronter ces chiffres à des dépôts réglementaires trimestriels.

La tendance est plus facile à vérifier que la mesure précise la plus récente. En février, une mise à jour financière officielle plaçait le rythme au-dessus de 5,4 milliards de dollars. Databricks a également indiqué un flux de trésorerie disponible positif sur les 12 mois précédents.

Cette communication comprenait plusieurs indicateurs utiles. Les produits d’IA avaient dépassé un rythme de revenus de 1,4 milliard de dollars, tandis que le taux de rétention net restait supérieur à 140 %. Le taux de rétention net mesure l’évolution des dépenses des clients après les expansions, réductions et départs.

Plus de 800 clients consommaient des services à un rythme annuel supérieur à 1 million de dollars. Plus de 70 avaient dépassé 10 millions de dollars. Ces chiffres suggéraient que la croissance ne se limitait pas à des expérimentations ou à de petits déploiements départementaux.

Passer de 5,4 milliards de dollars à près de 7 milliards en deux trimestres représenterait une nette accélération. Cela expliquerait aussi pourquoi les investisseurs ont continué à apporter des capitaux malgré une réévaluation plus large des entreprises logicielles conventionnelles.

Databricks a annoncé en juillet un processus de financement stratégique à une valorisation de 188 milliards de dollars. Les informations publiées à l’époque indiquaient que la transaction n’était pas finalisée et que son montant définitif restait inconnu. L’entreprise aurait finalisé un tour de table plus important en août, à une valorisation proche de 190 milliards de dollars.

La valorisation a donc augmenté bien plus vite que ce que la plupart des entreprises logicielles matures pourraient espérer. Un compte rendu de financement de juillet retrace cette évolution, de 62 milliards de dollars fin 2024 à 134 milliards en février 2026.

Cette appréciation repose sur l’hypothèse que Databricks devient davantage qu’une alternative aux entrepôts de données. Les investisseurs considèrent de fait son accès aux données d’entreprise comme une position stratégique sur le marché des agents.

Les agents d’IA sont des systèmes logiciels qui interprètent des objectifs, choisissent des actions et utilisent des outils avec une intervention humaine limitée. Ils ont besoin de modèles, mais aussi de données métier à jour, de contrôles d’identité, de registres de transactions et d’autorisations fiables.

Databricks gère déjà bon nombre de ces entrées pour de grands clients. L’entreprise étend désormais cette position avec Genie, Lakebase, Unity AI Gateway et sa plateforme plus large de data intelligence.

Genie permet aux employés de poser des questions sur des données d’entreprise gouvernées en langage conversationnel. Lakebase est une base de données PostgreSQL gérée, conçue pour les applications et les agents ayant besoin d’enregistrements opérationnels.

Unity AI Gateway applique des contrôles à l’usage des modèles et des agents. Il peut aider les entreprises à acheminer les demandes, suivre l’activité, gérer les accès et surveiller la consommation entre différents modèles.

Chaque produit rapproche Databricks du développement d’applications et des flux de travail des employés. C’est le changement important derrière cette étape financière.

L’affirmation des 7 milliards de dollars ne signale pas seulement des ventes plus fortes. Elle suggère que les clients regroupent davantage de travail autour des données et de l’IA dans le même plan de contrôle.

Cette consolidation crée la tension centrale. Databricks a besoin de l’infrastructure cloud de Google, Microsoft et Amazon, mais concurrence de plus en plus les services proposés par les trois.

Pourquoi le partenariat entre Databricks et Google compte désormais

Google gagne en consommation d’infrastructure lorsque Databricks réussit, mais risque aussi de céder la relation logicielle à plus forte valeur.

Le partenariat entre Databricks et Google offre aux clients un moyen relativement direct de combiner la plateforme Databricks avec l’infrastructure et les modèles de Google. Les espaces de travail Databricks peuvent fonctionner sur Google Cloud tout en se connectant à des services tels que BigQuery et Gemini.

Google présente cet arrangement comme une option de données et d’IA multicloud. Sa présentation du partenariat met en avant l’accès à Gemini, l’intégration de BigQuery, les modèles ouverts et l’infrastructure d’IA de Google.

Pour les clients, cette combinaison réduit un obstacle fréquent au déploiement de l’IA. Une entreprise peut conserver ses pipelines établis et sa gouvernance dans Databricks tout en utilisant les modèles de Google ou une infrastructure spécialisée.

Cette approche réduit également la pression visant à déplacer chaque jeu de données avant de tester un nouveau modèle. Le déplacement des données reste coûteux, lent et risqué lorsque les enregistrements comprennent des informations clients ou des éléments réglementés.

Un détaillant, par exemple, pourrait stocker les événements produits et les caractéristiques de recommandation dans Databricks. Ses développeurs pourraient évaluer Gemini pour un assistant d’achat sans reconstruire l’ensemble du patrimoine de données ailleurs.

Une institution financière pourrait utiliser la gouvernance de Databricks pour les entrées de modèles tout en exécutant certaines charges de travail sur l’infrastructure de Google. Les détails techniques varient, mais la logique d’achat reste cohérente.

Les acheteurs recherchent une flexibilité des modèles sans créer une autre pile de données déconnectée. Ils souhaitent également que les politiques suivent les données à travers l’analytique, les applications et les agents d’IA.

Google en bénéficie, car ces charges de travail consomment du stockage, du réseau, des accélérateurs et des services cloud gérés. Databricks apporte des clients entreprises dont l’usage peut s’étendre à mesure que les expérimentations passent en production.

Databricks en bénéficie parce que Google fournit une infrastructure mondiale et une importante famille de modèles d’IA. La prise en charge de Google Cloud renforce également l’affirmation de Databricks selon laquelle les clients peuvent éviter de dépendre d’un seul fournisseur.

Cependant, le partenariat comporte des produits qui se chevauchent. BigQuery gère l’entreposage de données et l’analytique. Google commercialise aussi des outils de développement de modèles, de bases de données, de business intelligence, de gouvernance et d’analyse conversationnelle.

Databricks répond à bon nombre des mêmes besoins. L’entreprise souhaite que les clients utilisent son catalogue, ses outils de requête, ses services applicatifs, ses bases de données et ses contrôles d’agents sur plusieurs clouds.

Google a continué d’étendre BigQuery au-delà de l’analytique SQL traditionnelle. Sa publication sur l’analytique conversationnelle permet aux utilisateurs d’interroger des données gouvernées via Gemini et d’accéder à certaines sources multicloud.

Cette version prend explicitement en charge les données gérées par lakehouse et les sources Databricks Unity. Elle facilite la coopération tout en plaçant également l’interface conversationnelle de Google au-dessus de données gérées ailleurs.

La distinction est importante, car l’interface peut influencer les achats futurs. Le fournisseur qui contrôle la manière dont les employés interrogent les données peut gagner en influence sur les modèles, la gouvernance et le développement d’applications.

Cela crée une concurrence par couches. Google peut générer des revenus d’infrastructure auprès d’un client Databricks même lorsque BigQuery perd une charge de travail analytique.

Databricks peut utiliser Gemini sans céder à Google la maîtrise du plan de contrôle des données. Chaque entreprise peut ainsi profiter de l’autre tout en cherchant à capter davantage de fonctions stratégiques.

La relation ressemble à d’autres partenariats cloud dans lesquels des fournisseurs d’infrastructure hébergent des éditeurs de logiciels indépendants. Le facteur inhabituel réside dans l’échelle et la vitesse de Databricks.

Un partenaire plus petit menace rarement de définir l’architecture au-dessus du cloud hôte. Une entreprise approchant un rythme de 7 milliards de dollars dispose d’une distribution suffisante pour influencer la façon dont les entreprises assemblent leurs systèmes d’IA.

Le partenariat reste rationnel parce que les environnements d’entreprise sont hétérogènes. Les grandes entreprises placent rarement chaque base de données, application et modèle chez un seul fournisseur.

Cette réalité favorise l’interopérabilité. Elle donne aussi un levier à Databricks, car Unity Catalog et les services associés peuvent offrir une couche de gouvernance commune sur des environnements fragmentés.

Pourtant, l’interopérabilité n’élimine pas la concurrence. Elle déplace la compétition vers le contrôle, les choix par défaut et les achats.

La question critique n’est pas de savoir si Google continuera à soutenir Databricks. Elle est de savoir quelle plateforme deviendra l’endroit par défaut où les clients définissent l’accès aux données, les politiques des agents et le contexte des applications.

La croissance de la consommation est le mécanisme, pas toute la réponse

Databricks croît lorsque les clients exécutent davantage de charges de travail, mais ce même mécanisme peut accroître les coûts d’infrastructure et compliquer les marges.

Databricks suit principalement un modèle de consommation. Les revenus augmentent à mesure que les clients traitent davantage de données, exécutent plus de requêtes, entraînent des modèles, servent des prédictions et exploitent des applications en production.

Cela diffère des logiciels conventionnels, vendus principalement par licences d’employés. Ajouter un agent peut créer une demande de calcul continue sans ajouter d’utilisateur humain.

Cette différence aide à expliquer pourquoi le PDG de Databricks, Ali Ghodsi, a soutenu que l’IA accroît l’usage plutôt qu’elle ne remplace simplement les logiciels. Les agents créent de nouvelles opérations de données, demandes d’inférence, évaluations et exigences de surveillance.

Ils peuvent aussi étendre les charges de travail existantes. Un agent de support peut récupérer l’historique d’un compte, vérifier les règles d’éligibilité, résumer les dossiers précédents et mettre à jour un ticket lors d’une même interaction.

Chaque étape peut déclencher un accès au stockage, des requêtes de base de données, des appels de modèles ou des contrôles de gouvernance. La répétition de ce flux de travail sur des milliers de conversations quotidiennes produit une consommation substantielle.

Lakebase étend ce mécanisme aux applications opérationnelles. Les plateformes d’analytique traditionnelles examinaient principalement les données après les événements. Les agents doivent aussi lire et mettre à jour l’état actuel des applications.

Un agent de gestion des stocks doit connaître les niveaux de stock présents, les commandes en attente et les contraintes de livraison. Un agent financier peut nécessiter un accès approuvé aux factures, aux dossiers fournisseurs et au statut des paiements.

Databricks souhaite rapprocher ces charges de travail transactionnelles de ses services d’analytique et d’IA. En cas de succès, les clients utiliseraient un environnement gouverné unique pour l’ingénierie des données, le reporting, les agents et les applications.

Genie répond à une autre voie d’expansion. Les utilisateurs métier peuvent poser des questions sans écrire de SQL, ce qui pourrait augmenter le nombre de personnes consommant des ressources analytiques.

Abaisser la barrière de l’interface peut générer des revenus mesurables. Cela peut aussi révéler des définitions de données fragiles, des autorisations incohérentes ou des schémas de requêtes coûteux.

Unity AI Gateway cible un problème connexe. Les entreprises qui utilisent plusieurs modèles ont besoin d’une couche pour les identifiants, le routage, l’application des politiques et le suivi des coûts.

Une passerelle peut sécuriser davantage l’expérimentation, mais elle place aussi Databricks entre les clients et les fournisseurs de modèles. Cette position prend de la valeur à mesure que les entreprises combinent Gemini, OpenAI, Anthropic et des modèles à poids ouverts.

La relation databricks google renforce ce moteur de consommation, car les clients peuvent associer les services Databricks à l’infrastructure Google et à Gemini. Aucune des deux parties n’a besoin de dominer chaque catégorie de produits pour générer des revenus.

Toutefois, les revenus de consommation ne sont pas automatiquement des revenus de haute qualité. Le fournisseur doit financer l’infrastructure, absorber des charges de travail irrégulières et gérer les capacités.

Les charges de travail d’IA peuvent avoir une économie différente de celle du traitement planifié des données. Les longs contextes de modèles, les boucles d’agents répétées, les évaluations et le service à faible latence peuvent consommer des ressources coûteuses.

Un agent qui réessaie une tâche plusieurs fois peut générer davantage d’utilisation sans créer plus de valeur pour le client. Une récupération mal conçue peut scanner à répétition de grands jeux de données.

Les entreprises peuvent tolérer l’inefficacité durant l’expérimentation. Les équipes achats deviennent moins indulgentes lorsque les pilotes passent dans des budgets opérationnels récurrents.

Databricks doit donc démontrer que la croissance de la consommation s’accompagne d’une économie unitaire acceptable. L’économie unitaire compare les revenus d’une charge de travail à ses coûts directs de fourniture.

La précédente communication de l’entreprise sur un flux de trésorerie disponible positif est encourageante, mais elle fournit peu de détails. Elle ne révèle ni la marge brute par produit ni la structure de coûts des nouveaux services d’agents.

La communication des entreprises privées complique aussi les comparaisons. Databricks peut publier certains chiffres de rythme annualisé, de rétention et de flux de trésorerie sans divulguer un compte de résultat complet.

L’affirmation d’une croissance de 80 % doit être lue à la lumière de cette limite. Elle signale une demande exceptionnelle, mais ne peut pas répondre seule aux questions de rentabilité ou de pérennité des revenus.

Un rythme annualisé peut aussi refléter une période récente particulièrement forte. Il ne garantit pas que la consommation actuelle se poursuivra pendant une année entière.

Les clients peuvent optimiser les charges de travail, négocier des engagements ou arrêter des agents qui n’ont pas réussi. Les dépenses cloud ont montré à plusieurs reprises que l’adoption technique et la réduction des coûts peuvent survenir simultanément.

Le mécanisme qui fait progresser Databricks est réel. Davantage de travail sur les données génère davantage de consommation, et l’IA peut multiplier ce travail.

La question non résolue est de savoir si cette multiplication reste économiquement attractive après prise en compte des coûts d’infrastructure, de support et d’optimisation.

Snowflake subit la pression, mais Google fixe la limite la plus contraignante

Snowflake est le rival produit le plus visible, tandis que Google définit jusqu’où Databricks peut s’étendre sans entrer en collision avec son partenaire d’infrastructure.

Snowflake reste le concurrent indépendant le plus direct de Databricks. Les deux entreprises vendent des plateformes de données cloud et se développent dans l’IA, les applications, la gouvernance et les outils pour développeurs.

Leurs histoires techniques diffèrent. Snowflake a émergé comme entrepôt de données cloud, tandis que Databricks s’est développé à partir d’Apache Spark et de l’approche lakehouse.

Ces distinctions se sont réduites. Snowflake prend en charge des charges de travail plus larges d’ingénierie des données et d’IA, tandis que Databricks a fortement investi dans l’entreposage SQL et l’informatique décisionnelle.

Les clients comparent de plus en plus les résultats plutôt que les étiquettes d’architecture. Ils demandent à quelle vitesse les équipes peuvent déployer des charges de travail gouvernées, maîtriser les dépenses et prendre en charge plusieurs modèles.

La croissance rapportée par Databricks accroît la pression sur Snowflake pour défendre ses grands comptes d’entreprise. Elle renforce également Databricks dans les négociations portant sur la consolidation des plateformes.

Pourtant, Snowflake n’est pas le seul point de référence. Google, Microsoft, Amazon et Oracle peuvent regrouper bases de données, analytique, modèles et infrastructure dans des accords cloud plus vastes.

Ce regroupement donne plusieurs avantages aux hyperscalers. Ils contrôlent déjà les engagements clients, les systèmes d’identité, l’infrastructure régionale et de nombreuses relations d’approvisionnement.

Ils peuvent aussi relier les services d’IA à des produits établis. Google peut combiner BigQuery, Gemini, Looker, des bases de données et une infrastructure cloud sous un même compte.

Databricks répond avec une prise en charge multicloud et une couche de contrôle plus indépendante. Un client peut appliquer des modèles similaires sur Google Cloud, Azure et AWS au lieu d’adopter des piles natives distinctes.

Cette indépendance devient plus précieuse lorsque les entreprises veulent pouvoir choisir leurs modèles. Elle devient moins précieuse lorsque l’intégration cloud native offre une complexité opérationnelle moindre.

Le principal affrontement n’est donc pas un simple combat entre Databricks et Google. Il concerne l’endroit où les clients placent l’autorité architecturale.

Si Unity Catalog définit les autorisations et la signification des données, Databricks occupe un rôle central. Si BigQuery et la plateforme d’agents de Google définissent ces contrôles, Google capte une plus grande partie de la pile.

La même logique s’applique à l’interface utilisateur. Genie peut devenir le point d’entrée conversationnel pour les données métier. Google peut présenter Gemini comme le point d’entrée pour les données, les documents, les applications et les outils de productivité.

Ces produits peuvent interopérer, mais les clients se standardisent généralement autour d’un nombre limité d’interfaces. Chaque plan de contrôle supplémentaire entraîne des coûts de formation, de sécurité et de support.

La distribution de Google via Workspace modifie également la compétition. Les employés peuvent rencontrer Gemini avant de rencontrer une interface d’analytique spécialisée.

Databricks est plus proche des données gouvernées et des équipes techniques. Google est plus proche des utilisateurs finaux, des administrateurs d’infrastructure et des contrats cloud existants.

Aucune de ces positions ne garantit le contrôle. L’adoption en entreprise dépend souvent de l’équipe qui finance le projet et des risques qui reçoivent la priorité.

Une organisation de données peut préférer Databricks pour sa portabilité et sa gouvernance unifiée. Une équipe de plateforme cloud peut préférer les services natifs de Google pour des opérations plus simples.

Une unité métier peut choisir l’assistant qui apparaît déjà dans son flux de travail quotidien. Les responsables de la sécurité peuvent privilégier la plateforme qui offre des contrôles d’audit et de politique plus clairs.

La récente croissance de Databricks suggère qu’elle a remporté suffisamment de ces débats pour devenir une plateforme majeure. Elle ne prouve pas que chaque nouvelle charge de travail d’agent restera dans son interface.

L’alliance databricks google fonctionne précisément parce que les frontières restent négociables. Les clients peuvent choisir Databricks pour la couche de données et Google pour l’infrastructure ou les modèles.

La pression augmentera à mesure que chaque fournisseur introduira des plateformes d’agents plus complètes. Le chevauchement devient alors un enjeu commercial, et non plus seulement une curiosité technique.

Le vainqueur au sein d’un compte pourrait être la plateforme qui réduit la complexité de la gouvernance sans restreindre le choix des modèles ou du cloud. Ce critère favorise Databricks sur le plan conceptuel, mais les hyperscalers peuvent réduire l’écart grâce à l’intégration.

Ce que l’affirmation de croissance de 80 % ne montre pas

L’accélération rapportée est significative, mais les informations disponibles ne peuvent pas établir à elles seules les marges, la qualité de la rétention ou les conditions définitives du financement.

Databricks est une entreprise privée ; ses affirmations financières proviennent donc principalement d’annonces de l’entreprise et d’entretiens. Les investisseurs reçoivent des informations confidentielles, mais le public ne reçoit pas un niveau de détail équivalent.

Cela crée plusieurs lacunes de vérification. L’entreprise n’a pas publié de ventilation complète du chiffre d’affaires comptabilisé, des engagements différés, de la marge brute, des dépenses d’exploitation ou de la concentration client.

Les indicateurs de rythme annualisé méritent une attention particulière. Les entreprises peuvent les calculer en annualisant un mois ou un trimestre récent, mais la période retenue peut influer sur le résultat.

Les activités fondées sur la consommation connaissent également une saisonnalité. L’activité des clients peut évoluer autour des vacances, des cycles budgétaires, des migrations ou de grands projets d’entraînement.

La dernière affirmation couvrirait le deuxième trimestre de Databricks et une croissance supérieure à 80 % sur un an. Sans les chiffres trimestriels sous-jacents, les observateurs externes ne peuvent pas reproduire ce calcul.

Le niveau de référence de février offre un point de contrôle utile. Databricks avait alors déclaré que son rythme annualisé dépassait 5,4 milliards de dollars, que les produits d’IA dépassaient 1,4 milliard de dollars et que la rétention nette dépassait 140 %.

Ces chiffres étayent un récit de croissance plus large. Ils ne confirment pas indépendamment le jalon exact d’août.

Les informations sur le financement exigent une précision similaire. Databricks a annoncé en juillet avoir signé une term sheet sur une valorisation de 188 milliards de dollars. Une term sheet consigne des conditions d’investissement proposées avant les documents de clôture définitifs.

Les informations rapportées situent désormais le financement finalisé près de 190 milliards de dollars et son montant autour de 5 milliards de dollars. Tant que Databricks n’aura pas publié les conditions définitives complètes, ces détails devraient rester attribués plutôt que d’être traités comme des faits audités.

La valorisation n’équivaut pas non plus aux liquidités disponibles pour l’entreprise. La structure peut inclure un investissement primaire, de la liquidité pour les employés ou d’autres transactions aux effets économiques différents.

Les investisseurs peuvent assortir leurs placements de préférences qui protègent leurs rendements. Une valorisation en titre révèle peu de choses sur les droits de liquidation, les dispositions de gouvernance ou la dilution future.

La valeur pour les clients constitue une autre incertitude. Une forte consommation peut indiquer une adoption réussie en production, mais elle peut aussi refléter des systèmes inefficaces ou des migrations coûteuses.

Les acheteurs d’entreprise mesureront à terme les agents selon le travail achevé, les taux d’erreur, la revue humaine et les économies opérationnelles. Le volume de tokens et la croissance des requêtes sont des signaux intermédiaires.

Les affirmations de gouvernance exigent également des tests dans le monde réel. Un catalogue central peut définir des règles d’accès, mais les entreprises ont toujours besoin de métadonnées exactes, d’une propriété claire, de surveillance et de réponse aux incidents.

Un agent peut respecter les autorisations de la plateforme tout en produisant une mauvaise décision. Il peut récupérer un document approuvé qui est obsolète, incomplet ou mal interprété.

C’est ici que la qualité des connaissances devient aussi importante que l’infrastructure. Les équipes ont besoin de sources traçables et d’un contexte maintenu, pas seulement d’un accès aux modèles.

Databricks peut aider à gouverner les données structurées et non structurées. Elle ne peut pas résoudre automatiquement chaque conflit organisationnel dissimulé dans ces données.

La menace concurrentielle des hyperscalers reste un autre risque. Google peut soutenir Databricks tout en améliorant des services natifs qui réduisent le besoin d’une couche indépendante.

Microsoft peut suivre une stratégie comparable via Azure et sa distribution plus large auprès des entreprises. Amazon peut combiner infrastructure, bases de données, analytique et services de modèles au sein d’AWS.

Snowflake peut réagir par des évolutions de produits, des incitations commerciales et des partenariats. Les projets open source peuvent également réduire les coûts de changement autour des formats et des catalogues.

La position multicloud de Databricks la protège d’une dépendance directe à un seul fournisseur. Elle exige aussi que l’entreprise maintienne des capacités cohérentes sur plusieurs plateformes qui évoluent rapidement.

Ce travail engendre des coûts d’ingénierie et de support. Les services cloud natifs peuvent recevoir plus tôt de nouvelles fonctionnalités d’infrastructure ou les intégrer plus étroitement.

Aucune de ces préoccupations n’invalide la croissance rapportée. Elles définissent ce à quoi le titre ne peut pas répondre.

Ce jalon montre que Databricks a bâti une activité importante et en expansion autour de la consommation de données en entreprise. Il ne tranche pas la question du profit généré par cette consommation ni celle de l’entité qui contrôlera finalement la couche d’agents.

Trois signaux mettront à l’épreuve l’équilibre entre Databricks et Google

La prochaine phase sera déterminée par une qualité financière vérifiée, l’adoption d’agents en production et l’évolution des frontières de la plateforme Google.

Le premier signal sera la prochaine communication financière détaillée de Databricks. Les lecteurs devraient regarder au-delà du rythme annualisé, vers la croissance comptabilisée, la rétention nette, le flux de trésorerie disponible et l’expansion de la clientèle.

Un rythme annualisé durablement supérieur à 7 milliards de dollars, associé à une génération continue de trésorerie positive, renforcerait le récit de l’entreprise. Une baisse de la rétention ou une performance de trésorerie plus faible suggérerait que l’accélération de la consommation s’accompagne de pressions cachées.

La marge brute serait particulièrement précieuse. Elle montrerait avec quelle efficacité Databricks fournit les nouveaux workloads d’IA, d’agents et de bases de données.

L’entreprise n’a aucune obligation publique de divulguer ce chiffre avant une introduction en bourse. Toutefois, les préparatifs d’une IPO ou un financement supplémentaire pourraient apporter davantage de transparence.

Le deuxième signal concerne l’adoption en production de Lakebase, Genie et Unity AI Gateway. Les annonces de produits comptent moins que des workloads reproductibles que les clients continuent d’exploiter.

Parmi les éléments utiles à surveiller figureraient la croissance des grands déploiements, une précision mesurable des requêtes, des actions d’agents contrôlées et l’expansion après les essais initiaux.

Lakebase mérite une attention particulière, car il fait entrer Databricks sur le marché des bases de données opérationnelles. Son succès montrerait que les clients font confiance à la plateforme pour gérer l’état d’applications en production, et pas seulement des copies analytiques.

Genie doit prouver que l’accès conversationnel élargit les possibilités d’analyse utiles sans produire de réponses peu fiables ni de dépenses incontrôlées. Unity AI Gateway doit démontrer une gouvernance entre les modèles sans devenir un nouveau goulot d’étranglement de gestion.

Si ces produits se développent au sein des comptes existants, Databricks pourra transformer sa position dans les données en plateforme d’agents. Une adoption faible laisserait l’entreprise davantage dépendante des workloads établis d’ingénierie et d’analytique.

Le troisième signal est la manière dont Google traite les données et les agents multiplateformes. La poursuite de l’intégration de Gemini avec Databricks renforcerait ce partenariat.

Un accès plus approfondi de BigQuery aux données externes des lakehouses aiderait les clients, mais pourrait aussi transférer davantage de contrôle vers l’interface de Google. De nouvelles fonctionnalités de gouvernance des agents pourraient empiéter directement sur Unity AI Gateway.

Observez quels produits deviennent les choix par défaut dans les déploiements en entreprise. Les paramètres par défaut influencent l’identité, la supervision, la facturation et les habitudes des développeurs bien avant qu’une décision formelle de plateforme ne soit prise.

L’accord entre Databricks et Google restera coopératif tant que les clients exigeront des architectures ouvertes et que les deux entreprises bénéficieront de la consommation. Il deviendra plus concurrentiel à mesure que les acheteurs consolideront la gouvernance et les interfaces d’agents.

Pour les acheteurs en entreprise, la réponse pratique consiste à tester les limites avant de s’engager. Mesurez la portabilité des modèles, les mouvements de données, la cohérence des politiques et la consommation totale d’infrastructure.

Les développeurs doivent également distinguer les démonstrations impressionnantes des systèmes de production maintenus. Suivez les nouvelles tentatives, les échecs d’outils, la latence et le travail humain nécessaire pour corriger les résultats des agents.

Les travailleurs du savoir devraient se demander si les réponses conversationnelles préservent les citations, les autorisations et les définitions métier. Une interface plus rapide a une valeur limitée lorsque les équipes ne peuvent pas examiner les sources de son raisonnement.

Databricks a atteint une échelle qui rend sa stratégie difficile à écarter pour ses rivaux. Sa croissance déclarée de 80 % suggère que les dépenses d’IA des entreprises se dirigent vers des plateformes déjà connectées aux données d’entreprise.

La prochaine question est plus exigeante. Databricks peut-il préserver son indépendance multicloud alors que ses plus grands partenaires d’infrastructure développent des couches concurrentes de données et d’agents ?

La réponse émergera de la qualité financière, de l’usage en production et des choix de plateforme par défaut. Les acheteurs devraient surveiller ces signaux avant de considérer un rythme annualisé de 7 milliards de dollars comme une victoire acquise.