L'alleanza Databricks Google affronta una prova da 7 miliardi di dollari mentre la crescita supera l'80%

Databricks afferma che i ricavi hanno superato un tasso annualizzato di 7 miliardi di dollari, dopo una crescita superiore all'80% su base annua nel secondo trimestre. Questo traguardo conferisce maggiore peso all'alleanza Databricks Google in un mercato in cui la spesa per l'IA aziendale segue sempre più i dati aziendali sottoposti a governance.

Questa cifra non corrisponde a ricavi di una società quotata sottoposti a revisione. Un tasso di ricavi annualizzato proietta su base annua la recente attività di vendita, quindi può crescere più rapidamente dei ricavi annuali rilevati. Ciononostante, il nuovo livello segue il tasso annualizzato di 5,4 miliardi di dollari e la crescita del 65% riportati da Databricks appena sei mesi prima.

Il conflitto più profondo riguarda Google Cloud, non semplicemente Databricks contro Snowflake. Google vende BigQuery come propria piattaforma per dati e IA, ospitando al contempo Databricks, integrando i modelli Gemini e supportando clienti aziendali condivisi. Databricks dipende dagli hyperscaler per l'infrastruttura, ma il suo crescente livello software può conquistare il rapporto con il cliente al di sopra di tale infrastruttura.

Questo assetto funziona finché entrambe le parti ampliano il mercato. Diventa più difficile da bilanciare quando agenti, database, analisi, governance e accesso ai modelli convergono in un numero minore di decisioni di acquisto.

Databricks deve ora dimostrare che il rapido consumo di IA produce margini duraturi e valore per i clienti. Google deve decidere quanto territorio della piattaforma debba occupare un partner in rapida crescita.

Il traguardo dei 7 miliardi cambia la scala della competizione

Databricks non sta più vendendo un'architettura dati emergente. Sta cercando di diventare il livello operativo per i dati e l'IA aziendali.

L'azienda afferma che il suo tasso di ricavi annualizzato ha superato i 7 miliardi di dollari, con una crescita superiore all'80% rispetto all'anno precedente. Poiché Databricks rimane privata, i lettori non possono verificare queste cifre rispetto alle dichiarazioni regolatorie trimestrali.

La direzione è più facile da verificare rispetto all'esatta misurazione più recente. A febbraio, un aggiornamento finanziario ufficiale ha collocato il tasso annualizzato sopra i 5,4 miliardi di dollari. Databricks ha inoltre riportato un flusso di cassa libero positivo nei 12 mesi precedenti.

Questa comunicazione includeva diversi indicatori utili. I prodotti di IA avevano superato un tasso di ricavi annualizzato di 1,4 miliardi di dollari, mentre la retention netta restava sopra il 140%. La retention netta misura come cambia la spesa dei clienti dopo espansioni, riduzioni e abbandoni.

Oltre 800 clienti consumavano servizi a ritmi annuali superiori a 1 milione di dollari. Più di 70 avevano superato i 10 milioni di dollari. Queste cifre suggerivano che la crescita non era limitata a esperimenti o piccole implementazioni dipartimentali.

Passare da 5,4 miliardi verso 7 miliardi di dollari nell'arco di due trimestri rappresenterebbe una forte accelerazione. Spiegherebbe inoltre perché gli investitori hanno continuato a fornire capitale nonostante una più ampia rivalutazione delle società software convenzionali.

Databricks ha annunciato a luglio un processo di finanziamento strategico con una valutazione di 188 miliardi di dollari. Le notizie dell'epoca rilevavano che la transazione non era stata conclusa e che la sua dimensione finale restava riservata. Secondo quanto riportato, l'azienda ha completato un round più ampio ad agosto, con una valutazione vicina ai 190 miliardi di dollari.

La valutazione è quindi aumentata molto più rapidamente di quanto la maggior parte delle società software mature potrebbe aspettarsi. Un resoconto sul finanziamento di luglio ha ricostruito tale aumento da 62 miliardi di dollari alla fine del 2024 a 134 miliardi di dollari nel febbraio 2026.

Questo apprezzamento presuppone che Databricks stia diventando più di un'alternativa al data warehouse. Gli investitori stanno di fatto trattando il suo accesso ai dati aziendali come una posizione strategica nel mercato degli agenti.

Gli agenti di IA sono sistemi software che interpretano obiettivi, scelgono azioni e utilizzano strumenti con un intervento umano limitato. Hanno bisogno di modelli, ma anche di dati aziendali aggiornati, controlli dell'identità, registri delle transazioni e autorizzazioni affidabili.

Databricks gestisce già molti di questi input per grandi clienti. Ora sta estendendo questa posizione attraverso Genie, Lakebase, Unity AI Gateway e la sua più ampia piattaforma di data intelligence.

Genie consente ai dipendenti di porre domande sui dati aziendali sottoposti a governance usando un linguaggio conversazionale. Lakebase è un database PostgreSQL gestito, progettato per applicazioni e agenti che richiedono registri operativi.

Unity AI Gateway applica controlli all'uso di modelli e agenti. Può aiutare le aziende a instradare richieste, tracciare attività, gestire l'accesso e monitorare il consumo tra modelli diversi.

Ogni prodotto avvicina Databricks allo sviluppo di applicazioni e ai flussi di lavoro dei dipendenti. Questo è il cambiamento importante alla base del traguardo finanziario.

L'affermazione dei 7 miliardi non segnala soltanto vendite più solide. Suggerisce che i clienti stiano consolidando più lavoro sui dati e sull'IA attorno allo stesso piano di controllo.

Questo consolidamento crea la tensione centrale. Databricks necessita dell'infrastruttura cloud di Google, Microsoft e Amazon, ma compete sempre più con servizi offerti da tutte e tre.

Perché la partnership Databricks Google è importante ora

Google ottiene consumo di infrastruttura quando Databricks ha successo, ma rischia anche di cedere il rapporto software a maggiore valore.

La partnership Databricks Google offre ai clienti un modo relativamente diretto per combinare la piattaforma Databricks con l'infrastruttura e i modelli di Google. I workspace Databricks possono essere eseguiti su Google Cloud collegandosi a servizi come BigQuery e Gemini.

Google presenta questo accordo come un'opzione multicloud per dati e IA. La sua panoramica della partnership mette in evidenza l'accesso a Gemini, l'integrazione con BigQuery, i modelli aperti e l'infrastruttura IA di Google.

Per i clienti, questa combinazione riduce un ostacolo comune all'implementazione dell'IA. Un'azienda può mantenere pipeline e governance consolidate in Databricks utilizzando al contempo i modelli Google o un'infrastruttura specializzata.

L'approccio riduce inoltre la pressione a spostare ogni set di dati prima di testare un nuovo modello. Lo spostamento dei dati resta costoso, lento e rischioso quando i record includono informazioni sui clienti o materiale regolamentato.

Un rivenditore, per esempio, potrebbe archiviare eventi di prodotto e funzionalità di raccomandazione in Databricks. I suoi sviluppatori potrebbero valutare Gemini per un assistente agli acquisti senza ricostruire altrove l'intero patrimonio dati.

Un'istituzione finanziaria potrebbe usare la governance di Databricks per gli input dei modelli, eseguendo al contempo carichi di lavoro selezionati sull'infrastruttura Google. I dettagli tecnici variano, ma la logica di acquisto resta coerente.

Gli acquirenti desiderano flessibilità sui modelli senza creare un altro stack dati scollegato. Vogliono inoltre che le policy seguano i dati attraverso analisi, applicazioni e agenti di IA.

Google ne beneficia perché questi carichi di lavoro consumano storage, networking, acceleratori e servizi cloud gestiti. Databricks porta clienti aziendali il cui utilizzo può espandersi quando gli esperimenti raggiungono la produzione.

Databricks ne beneficia perché Google fornisce infrastruttura globale e un'importante famiglia di modelli di IA. Il supporto a Google Cloud rafforza inoltre l'affermazione di Databricks secondo cui i clienti possono evitare la dipendenza da un singolo fornitore.

Tuttavia, la partnership contiene prodotti sovrapposti. BigQuery gestisce data warehousing e analisi. Google vende anche strumenti per lo sviluppo di modelli, database, business intelligence, governance e analisi conversazionale.

Databricks risponde a molte delle stesse esigenze. Vuole che i clienti usino il suo catalogo, gli strumenti di query, i servizi applicativi, i database e i controlli degli agenti su più cloud.

Google ha continuato a espandere BigQuery oltre l'analisi SQL tradizionale. Il suo rilascio dell'analisi conversazionale consente agli utenti di interrogare dati sottoposti a governance tramite Gemini e di accedere ad alcune fonti cross-cloud.

Questo rilascio supporta esplicitamente dati gestiti da lakehouse e fonti Databricks Unity. Rende la collaborazione più semplice, collocando al contempo l'interfaccia conversazionale di Google sopra dati gestiti altrove.

La distinzione conta perché l'interfaccia può plasmare i futuri acquisti. Il fornitore che controlla il modo in cui i dipendenti interrogano i dati può acquisire influenza su modelli, governance e sviluppo di applicazioni.

Questo crea una competizione a livelli. Google può guadagnare ricavi dall'infrastruttura da un cliente Databricks anche quando BigQuery perde un carico di lavoro analitico.

Databricks può usare Gemini senza cedere a Google la proprietà del piano di controllo dei dati. Ogni azienda può quindi beneficiare dell'altra mentre cerca di conquistare funzioni più strategiche.

La relazione ricorda altre partnership cloud in cui i fornitori di infrastruttura ospitano vendor software indipendenti. Il fattore insolito è la scala e la velocità di Databricks.

Un partner più piccolo raramente minaccia di definire l'architettura al di sopra del cloud ospitante. Un'azienda che si avvicina a un tasso annualizzato di 7 miliardi di dollari dispone di una distribuzione sufficiente per influenzare il modo in cui le imprese assemblano i loro sistemi di IA.

La partnership resta razionale perché gli ambienti aziendali sono eterogenei. Le grandi aziende raramente collocano ogni database, applicazione e modello presso un unico fornitore.

Questa realtà favorisce l'interoperabilità. Conferisce inoltre a Databricks leva negoziale, poiché Unity Catalog e i servizi correlati possono offrire un livello comune di governance tra patrimoni frammentati.

Eppure l'interoperabilità non elimina la concorrenza. La sposta verso controllo, impostazioni predefinite e approvvigionamento.

La questione critica non è se Google continuerà a supportare Databricks. È quale piattaforma diventerà il luogo predefinito in cui i clienti definiscono accesso ai dati, policy degli agenti e contesto applicativo.

La crescita del consumo è il meccanismo, non l'intera risposta

Databricks cresce quando i clienti eseguono più carichi di lavoro, ma lo stesso meccanismo può aumentare i costi dell'infrastruttura e complicare i margini.

Databricks segue principalmente un modello a consumo. I ricavi aumentano quando i clienti elaborano più dati, eseguono più query, addestrano modelli, servono previsioni e gestiscono applicazioni in produzione.

Questo differisce dal software convenzionale venduto soprattutto tramite licenze per dipendenti. L'aggiunta di un agente può produrre una domanda computazionale continua senza aggiungere un utente umano.

Questa differenza aiuta a spiegare perché il CEO di Databricks, Ali Ghodsi, ha sostenuto che l'IA aumenta l'utilizzo anziché sostituire semplicemente il software. Gli agenti creano nuove operazioni sui dati, richieste di inferenza, valutazioni e requisiti di monitoraggio.

Possono inoltre espandere i carichi di lavoro esistenti. Un agente di supporto potrebbe recuperare la cronologia dell'account, verificare le regole di idoneità, riassumere i casi precedenti e aggiornare un ticket durante una singola interazione.

Ogni passaggio può attivare accesso allo storage, query al database, chiamate al modello o controlli di governance. Ripetere questo flusso di lavoro in migliaia di conversazioni quotidiane produce un consumo sostanziale.

Lakebase estende questo meccanismo alle applicazioni operative. Le piattaforme di analisi tradizionali esaminavano principalmente i dati dopo che gli eventi si erano verificati. Gli agenti devono anche leggere e aggiornare lo stato corrente delle applicazioni.

Un agente di inventario deve conoscere i livelli di scorte presenti, gli ordini in sospeso e i vincoli di consegna. Un agente finanziario può avere bisogno di accesso approvato a fatture, registri dei fornitori e stato dei pagamenti.

Databricks vuole che questi carichi di lavoro transazionali siano vicini ai suoi servizi di analisi e IA. Se avrà successo, i clienti utilizzeranno un unico ambiente sottoposto a governance per data engineering, reporting, agenti e applicazioni.

Genie affronta un altro percorso di espansione. Gli utenti aziendali possono porre domande senza scrivere SQL, aumentando potenzialmente il numero di persone che consumano risorse analitiche.

Abbassare la barriera dell’interfaccia può generare ricavi misurabili. Può anche far emergere definizioni dei dati deboli, autorizzazioni incoerenti o modelli di query costosi.

Unity AI Gateway affronta un problema correlato. Le aziende che utilizzano più modelli hanno bisogno di un livello per credenziali, routing, applicazione delle policy e monitoraggio dei costi.

Un gateway può rendere più sicura la sperimentazione, ma colloca anche Databricks tra i clienti e i fornitori di modelli. Questa posizione diventa preziosa quando le aziende combinano Gemini, OpenAI, Anthropic e modelli open-weight.

La relazione tra databricks e google rafforza questo motore di consumo perché i clienti possono combinare i servizi Databricks con l’infrastruttura Google e Gemini. Nessuna delle due parti deve primeggiare in ogni categoria di prodotto per generare ricavi.

Tuttavia, i ricavi da consumo non sono automaticamente ricavi di alta qualità. Il fornitore deve sostenere i costi dell’infrastruttura, supportare carichi di lavoro variabili e gestire la capacità.

I carichi di lavoro AI possono avere dinamiche economiche diverse rispetto all’elaborazione dati pianificata. Contesti di modello lunghi, cicli ripetuti degli agenti, valutazioni e serving a bassa latenza possono consumare risorse costose.

Un agente che riprova un’attività più volte può generare più utilizzo senza produrre maggiore valore per il cliente. Un retrieval progettato male può analizzare ripetutamente grandi set di dati.

Le aziende possono tollerare inefficienze durante la sperimentazione. I team di procurement diventano meno indulgenti dopo che i progetti pilota passano ai budget operativi ricorrenti.

Databricks deve quindi dimostrare che la crescita dei consumi comporta economie unitarie accettabili. Le economie unitarie confrontano i ricavi di un carico di lavoro con i suoi costi diretti di erogazione.

La precedente comunicazione dell’azienda su un free cash flow positivo è incoraggiante, ma fornisce dettagli limitati. Non rivela il margine lordo per prodotto né il profilo dei costi dei servizi agent più recenti.

La rendicontazione delle aziende private rende inoltre difficili i confronti. Databricks può pubblicare cifre selezionate su run-rate, retention e flussi di cassa senza diffondere un conto economico completo.

L’affermazione di una crescita dell’80% va interpretata entro questo limite. Segnala una domanda eccezionale, ma non può rispondere autonomamente alle domande su redditività o sostenibilità dei ricavi.

Un run-rate può anche riflettere un recente periodo particolarmente forte. Non garantisce che il consumo attuale prosegua per un intero anno.

I clienti possono ottimizzare i carichi di lavoro, negoziare impegni contrattuali o spegnere agenti che non hanno avuto successo. La spesa cloud ha ripetutamente mostrato che adozione tecnologica e riduzione dei costi possono avvenire contemporaneamente.

Il meccanismo che spinge avanti Databricks è reale. Più lavoro sui dati produce più consumo, e l’AI può moltiplicare il lavoro sui dati.

La questione irrisolta è se questa moltiplicazione rimanga economicamente interessante dopo aver incluso nel calcolo i costi di infrastruttura, supporto e ottimizzazione.

Snowflake subisce pressione, ma Google definisce il confine più difficile

Snowflake è il rivale di prodotto più visibile, mentre Google definisce fino a che punto Databricks può espandersi senza entrare in collisione con il suo partner infrastrutturale.

Snowflake rimane il concorrente indipendente più diretto di Databricks. Entrambe le aziende vendono piattaforme cloud per i dati e si stanno espandendo nell’AI, nelle applicazioni, nella governance e negli strumenti per sviluppatori.

Le loro storie tecniche differiscono. Snowflake è nata come data warehouse cloud, mentre Databricks è cresciuta a partire da Apache Spark e dall’approccio lakehouse.

Queste distinzioni si sono ridotte. Snowflake supporta carichi di lavoro più ampi di data engineering e AI, mentre Databricks ha investito molto nel data warehousing SQL e nella business intelligence.

I clienti confrontano sempre più spesso i risultati anziché le etichette architetturali. Si chiedono con quale rapidità i team possano distribuire carichi di lavoro governati, controllare la spesa e supportare più modelli.

La crescita riportata da Databricks aumenta la pressione su Snowflake affinché difenda i grandi account enterprise. Rafforza inoltre Databricks nelle trattative che riguardano il consolidamento delle piattaforme.

Eppure Snowflake non è l’unico punto di riferimento. Google, Microsoft, Amazon e Oracle possono includere database, analytics, modelli e infrastruttura in accordi cloud più ampi.

Questo bundling offre agli hyperscaler diversi vantaggi. Controllano già gli impegni dei clienti, i sistemi di identità, l’infrastruttura regionale e molte relazioni di procurement.

Possono inoltre collegare i servizi AI a prodotti consolidati. Google può combinare BigQuery, Gemini, Looker, database e infrastruttura cloud sotto un unico account.

Databricks risponde con il supporto multicloud e un livello di controllo più indipendente. Un cliente può applicare modelli simili su Google Cloud, Azure e AWS invece di adottare stack nativi separati.

Questa indipendenza diventa più preziosa quando le aziende desiderano scegliere i modelli. Diventa meno preziosa quando l’integrazione cloud nativa offre una minore complessità operativa.

La competizione principale non è quindi una semplice sfida Databricks contro Google. Riguarda dove i clienti collocano l’autorità architetturale.

Se Unity Catalog definisce autorizzazioni e significato dei dati, Databricks mantiene un ruolo centrale. Se BigQuery e la piattaforma agent di Google definiscono tali controlli, Google conquista una parte maggiore dello stack.

La stessa logica si applica all’interfaccia utente. Genie può diventare il punto di ingresso conversazionale per i dati aziendali. Google può presentare Gemini come punto di ingresso per dati, documenti, applicazioni e strumenti di produttività.

Questi prodotti possono interoperare, ma i clienti di norma standardizzano su un numero limitato di interfacce. Ogni ulteriore piano di controllo crea costi di formazione, sicurezza e supporto.

Anche la distribuzione di Google tramite Workspace cambia la competizione. I dipendenti possono incontrare Gemini prima di incontrare un’interfaccia specialistica per l’analytics.

Databricks è più vicina ai dati governati e ai team tecnici. Google è più vicina agli utenti finali, agli amministratori dell’infrastruttura e ai contratti cloud esistenti.

Nessuna delle due posizioni garantisce il controllo. L’adozione enterprise dipende spesso da quale team finanzia il progetto e da quali rischi ricevono priorità.

Un’organizzazione dati può preferire Databricks per portabilità e governance unificata. Un team di piattaforma cloud può preferire i servizi Google nativi per operazioni più semplici.

Un’unità aziendale può scegliere l’assistente che compare già nel suo flusso di lavoro quotidiano. I responsabili della sicurezza possono preferire la piattaforma che offre controlli di audit e policy più chiari.

La recente crescita di Databricks suggerisce che abbia vinto abbastanza di questi dibattiti da diventare una piattaforma importante. Non dimostra che ogni nuovo carico di lavoro agent rimarrà nella sua interfaccia.

L’alleanza tra databricks e google funziona proprio perché i confini restano negoziabili. I clienti possono scegliere Databricks per il livello dati e Google per l’infrastruttura o i modelli.

La pressione aumenterà man mano che ciascun fornitore introdurrà piattaforme agent più complete. La sovrapposizione diventerà allora una questione commerciale, non soltanto una curiosità tecnica.

Il vincitore all’interno di un account potrebbe essere la piattaforma che riduce la complessità della governance senza limitare la scelta di modelli o cloud. Questo test favorisce concettualmente Databricks, ma gli hyperscaler possono ridurre il divario attraverso l’integrazione.

Cosa non mostra l’affermazione di una crescita dell’80%

L’accelerazione riportata è significativa, ma le informazioni disponibili non possono stabilire da sole margini, qualità della retention o i termini finali del finanziamento.

Databricks è una società privata, quindi le sue affermazioni finanziarie provengono principalmente da annunci aziendali e interviste. Gli investitori ricevono informazioni riservate, ma il pubblico non riceve dettagli equivalenti.

Ciò crea diverse lacune di verifica. L’azienda non ha pubblicato una ripartizione completa di ricavi rilevati, impegni differiti, margine lordo, spese operative o concentrazione dei clienti.

Le metriche di run-rate meritano particolare attenzione. Le aziende possono calcolarle annualizzando un mese o un trimestre recente, ma il periodo scelto può influenzare il risultato.

Le attività basate sul consumo sperimentano anche stagionalità. L’attività dei clienti può cambiare in corrispondenza di festività, cicli di budget, migrazioni o grandi progetti di addestramento.

L’ultima affermazione riguarda, secondo quanto riportato, il secondo trimestre di Databricks e una crescita superiore all’80% su base annua. Senza le cifre trimestrali sottostanti, gli osservatori esterni non possono riprodurre quel calcolo.

Il dato di febbraio offre un utile punto di controllo. Databricks aveva allora dichiarato che il suo run-rate superava 5,4 miliardi di dollari, i prodotti AI superavano 1,4 miliardi di dollari e la net retention superava il 140%.

Questi numeri supportano una storia di crescita più ampia. Non confermano autonomamente l’esatto traguardo di agosto.

Anche le notizie sui finanziamenti richiedono analoga precisione. Databricks ha annunciato a luglio di aver firmato un term sheet con una valutazione di 188 miliardi di dollari. Un term sheet registra i termini di investimento proposti prima dei documenti di chiusura finali.

Le notizie ora collocano il finanziamento completato vicino ai 190 miliardi di dollari e la sua dimensione intorno ai 5 miliardi di dollari. Finché Databricks non pubblicherà i termini finali completi, questi dettagli dovrebbero rimanere attribuiti anziché essere trattati come fatti sottoposti a revisione contabile.

La valutazione non equivale nemmeno alla liquidità disponibile per l’azienda. La struttura può includere investimenti primari, liquidità per i dipendenti o altre transazioni con effetti economici diversi.

Gli investitori possono aggiungere preferenze che proteggono i loro rendimenti. Una valutazione da titolo rivela poco sui diritti di liquidazione, sulle disposizioni di governance o sulla futura diluizione.

Il valore per il cliente rappresenta un’altra incertezza. Un consumo elevato può dimostrare una riuscita adozione in produzione, ma può anche riflettere sistemi inefficienti o migrazioni costose.

Gli acquirenti enterprise alla fine misureranno gli agenti in base al lavoro completato, ai tassi di errore, alla revisione umana e ai risparmi operativi. Il volume di token e la crescita delle query sono segnali intermedi.

Anche le affermazioni sulla governance richiedono test nel mondo reale. Un catalogo centrale può definire regole di accesso, ma le aziende necessitano comunque di metadati accurati, ownership, monitoraggio e risposta agli incidenti.

Un agente può rispettare le autorizzazioni della piattaforma e produrre comunque una decisione scadente. Può recuperare un documento approvato che è obsoleto, incompleto o frainteso.

È qui che la qualità della conoscenza diventa importante quanto l’infrastruttura. I team hanno bisogno di fonti tracciabili e di contesto mantenuto, non soltanto di accesso ai modelli.

Databricks può contribuire a governare dati strutturati e non strutturati. Non può risolvere automaticamente ogni conflitto organizzativo nascosto in quei dati.

La minaccia competitiva degli hyperscaler rimane un altro rischio. Google può supportare Databricks migliorando al contempo i servizi nativi che riducono la necessità di un livello indipendente.

Microsoft può seguire una strategia comparabile tramite Azure e la sua più ampia distribuzione enterprise. Amazon può combinare infrastruttura, database, analytics e servizi per modelli all’interno di AWS.

Snowflake può rispondere con modifiche di prodotto, incentivi commerciali e partnership. Anche i progetti open-source possono ridurre i costi di passaggio relativi a formati e cataloghi.

La posizione multicloud di Databricks la protegge dalla dipendenza diretta da un singolo fornitore. Richiede però all’azienda di mantenere capacità coerenti su diverse piattaforme in rapida evoluzione.

Questo lavoro comporta costi di ingegneria e supporto. I servizi cloud nativi possono ricevere prima nuove funzionalità infrastrutturali o integrarle in modo più stretto.

Nessuna di queste preoccupazioni invalida la crescita riportata. Definiscono ciò a cui il titolo non può rispondere.

Il traguardo dimostra che Databricks ha costruito un’attività ampia e in espansione attorno al consumo di dati enterprise. Non risolve la questione di quanto profitto produca tale consumo né di chi controllerà in ultima analisi il livello agent.

Tre segnali metteranno alla prova l’equilibrio tra Databricks e Google

La prossima fase sarà decisa dalla qualità finanziaria verificata, dall’adozione degli agenti in produzione e dai cambiamenti nei confini della piattaforma Google.

Il primo segnale è la prossima divulgazione finanziaria dettagliata di Databricks. I lettori dovrebbero guardare oltre il run-rate, verso crescita rilevata, net retention, free cash flow ed espansione dei clienti.

Un run-rate sostenuto superiore a 7 miliardi di dollari, accompagnato da una continua generazione positiva di cassa, rafforzerebbe la narrativa dell’azienda. Un calo della retention o una performance di cassa più debole suggerirebbero che il consumo accelerato comporta pressioni nascoste.

Il margine lordo sarebbe particolarmente significativo. Mostrerebbe con quale efficienza Databricks eroga i più recenti carichi di lavoro AI, agentici e di database.

L’azienda non ha alcun obbligo pubblico di divulgare questa cifra prima di un’offerta. Tuttavia, la preparazione a un’IPO o finanziamenti aggiuntivi potrebbero portare a maggiore trasparenza.

Il secondo segnale è l’adozione in produzione di Lakebase, Genie e Unity AI Gateway. Gli annunci di prodotto contano meno di carichi di lavoro ripetibili che i clienti continuano a eseguire.

Evidenze utili includerebbero la crescita delle implementazioni su larga scala, un’accuratezza delle query misurabile, azioni degli agenti controllate e l’espansione dopo le sperimentazioni iniziali.

Lakebase merita particolare attenzione perché porta Databricks nel settore dei database operativi. Il successo dimostrerebbe che i clienti affidano alla piattaforma lo stato delle applicazioni live, non soltanto copie analitiche.

Genie deve dimostrare che l’accesso conversazionale amplia l’analisi utile senza produrre risposte inaffidabili o spese incontrollate. Unity AI Gateway deve dimostrare la governance tra modelli senza trasformarsi in un ulteriore collo di bottiglia gestionale.

Se questi prodotti si espandono negli account esistenti, Databricks potrà trasformare la propria posizione nei dati in una piattaforma per agenti. Un’adozione debole renderebbe l’azienda più dipendente dai consolidati carichi di lavoro di ingegneria e analytics.

Il terzo segnale è il trattamento da parte di Google dei dati e degli agenti cross-platform. La continua integrazione di Gemini con Databricks rafforzerebbe la partnership.

Un accesso più profondo di BigQuery ai dati lakehouse esterni aiuterebbe i clienti, ma potrebbe anche trasferire maggiore controllo nell’interfaccia di Google. Nuove funzionalità di governance degli agenti potrebbero sovrapporsi direttamente a Unity AI Gateway.

Osservate quali prodotti diventano predefiniti nelle implementazioni aziendali. Le impostazioni predefinite influenzano identità, monitoraggio, fatturazione e abitudini degli sviluppatori molto prima che venga presa una decisione formale sulla piattaforma.

L’accordo tra Databricks e Google resterà cooperativo finché i clienti richiederanno architetture aperte ed entrambe le aziende beneficeranno dei consumi. Diventerà più competitivo man mano che gli acquirenti consolideranno la governance e le interfacce per agenti.

Per gli acquirenti enterprise, la risposta pratica è testare i confini prima di impegnarsi. Misurate la portabilità dei modelli, lo spostamento dei dati, la coerenza delle policy e il consumo totale dell’infrastruttura.

Gli sviluppatori dovrebbero inoltre distinguere tra dimostrazioni impressionanti e sistemi di produzione mantenuti nel tempo. Monitorate retry, fallimenti degli strumenti, latenza e il lavoro umano necessario per correggere l’output degli agenti.

I knowledge worker dovrebbero chiedersi se le risposte conversazionali preservano citazioni, autorizzazioni e definizioni aziendali. Un’interfaccia più veloce ha valore limitato quando i team non possono ispezionarne le fonti di ragionamento.

Databricks ha raggiunto una scala che rende la sua strategia difficile da ignorare per i rivali. La crescita riportata dell’80% suggerisce che la spesa enterprise per l’AI stia fluendo verso piattaforme già connesse ai dati aziendali.

La prossima domanda è più impegnativa. Databricks può preservare l’indipendenza multicloud mentre i suoi maggiori partner infrastrutturali costruiscono livelli concorrenti per dati e agenti?

La risposta emergerà dalla qualità finanziaria, dall’utilizzo in produzione e dalle impostazioni predefinite della piattaforma. Gli acquirenti dovrebbero osservare questi segnali prima di considerare un run-rate da 7 miliardi di dollari una vittoria consolidata.