Databricks Google 동맹, 성장률 80% 돌파 속 70억 달러의 시험대에 서다

Databricks는 2분기 전년 동기 대비 80% 이상 성장한 뒤 매출의 연환산 런레이트가 70억 달러를 넘어섰다고 밝혔다. 기업 AI 지출이 점차 통제된 기업 데이터로 향하는 시장에서 이 이정표는 databricks google 동맹의 비중을 더욱 키운다.

이 수치는 감사를 받은 상장사 매출이 아니다. 매출 런레이트는 최근 판매 활동을 연간 기준으로 환산한 것이므로, 인식된 연간 매출보다 더 빠르게 움직일 수 있다. 그럼에도 이번 수치는 불과 6개월 전 Databricks가 발표한 54억 달러 런레이트와 65% 성장에 뒤이은 것이다.

더 깊은 갈등은 단순히 Databricks와 Snowflake 사이가 아니라 Google Cloud와 관련돼 있다. Google은 BigQuery를 자체 데이터·AI 플랫폼으로 판매하는 한편 Databricks를 호스팅하고 Gemini 모델을 통합하며 공동 엔터프라이즈 고객을 지원한다. Databricks는 인프라를 위해 하이퍼스케일러에 의존하지만, 확장되는 소프트웨어 계층을 통해 그 인프라 위의 고객 관계를 확보할 수 있다.

이 구도는 양측이 함께 시장을 확대하는 동안에는 작동한다. 그러나 에이전트, 데이터베이스, 분석, 거버넌스, 모델 접근이 더 적은 수의 구매 결정 안으로 수렴할수록 균형을 맞추기 어려워진다.

이제 Databricks는 빠른 AI 사용량 증가가 지속 가능한 마진과 고객 가치를 만들어 낸다는 점을 보여야 한다. Google은 빠르게 성장하는 파트너가 어느 정도의 플랫폼 영역을 차지하도록 둘지 결정해야 한다.

70억 달러라는 기준점이 경쟁의 규모를 바꾼다

Databricks는 더 이상 신흥 데이터 아키텍처를 판매하는 기업이 아니다. 기업 데이터와 AI를 위한 운영 계층이 되려 하고 있다.

회사는 연환산 매출 런레이트가 70억 달러를 넘었으며, 전년 대비 성장률은 80%를 초과했다고 밝혔다. Databricks는 여전히 비상장사이므로 독자는 이 수치를 분기별 규제 공시와 대조해 검증할 수 없다.

정확한 최신 수치보다 방향성은 확인하기 쉽다. 2월 공식 재무 업데이트에서 런레이트는 54억 달러를 넘어섰다. Databricks는 또한 직전 12개월 동안 플러스 잉여현금흐름을 기록했다고 발표했다.

해당 공시에는 몇 가지 유용한 지표도 담겼다. AI 제품의 매출 런레이트는 14억 달러를 넘어섰고, 순매출 유지율은 140% 이상을 유지했다. 순매출 유지율은 고객의 지출이 확장, 축소, 이탈 이후 어떻게 변화하는지를 측정한다.

800곳이 넘는 고객이 연간 100만 달러 이상의 속도로 서비스를 소비하고 있었다. 70곳 이상은 1,000만 달러를 넘어섰다. 이는 성장이 실험이나 소규모 부서 배포에만 국한되지 않았음을 시사한다.

두 분기 안에 54억 달러에서 70억 달러에 근접했다면 뚜렷한 가속을 의미한다. 또한 기존 소프트웨어 기업 전반에 대한 재평가에도 투자자들이 계속 자본을 공급한 이유를 설명해 준다.

Databricks는 7월 1,880억 달러 기업가치 기준의 전략적 자금 조달 절차를 발표했다. 당시 보도에 따르면 거래는 아직 종료되지 않았으며 최종 규모도 공개되지 않았다. 회사는 8월 약 1,900억 달러의 기업가치로 더 큰 규모의 라운드를 마무리한 것으로 전해졌다.

따라서 이 기업가치는 대부분의 성숙한 소프트웨어 기업이 기대할 수 있는 수준보다 훨씬 빠르게 상승했다. 7월 자금 조달 보도는 그 변화를 2024년 말 620억 달러에서 2026년 2월 1,340억 달러까지 추적했다.

이러한 가치 상승은 Databricks가 단순한 데이터 웨어하우스 대안 이상이 되고 있다는 전제를 깔고 있다. 투자자들은 사실상 기업 데이터에 대한 접근권을 에이전트 시장의 전략적 위치로 평가하고 있다.

AI 에이전트는 목표를 해석하고 행동을 선택하며 제한적인 인간 지시 아래 도구를 사용하는 소프트웨어 시스템이다. 이들은 모델뿐 아니라 최신 비즈니스 데이터, 신원 통제, 거래 기록, 신뢰할 수 있는 권한 체계도 필요로 한다.

Databricks는 이미 대형 고객을 위해 이러한 입력 요소 중 상당수를 관리하고 있다. 이제 Genie, Lakebase, Unity AI Gateway, 그리고 더 폭넓은 데이터 인텔리전스 플랫폼을 통해 그 위치를 확장하고 있다.

Genie는 직원들이 대화형 언어를 사용해 통제된 기업 데이터에 질문하도록 지원한다. Lakebase는 운영 기록이 필요한 애플리케이션과 에이전트를 위해 설계된 관리형 PostgreSQL 데이터베이스다.

Unity AI Gateway는 모델 및 에이전트 사용에 통제를 적용한다. 기업이 요청을 라우팅하고, 활동을 추적하며, 접근 권한을 관리하고, 서로 다른 모델 전반의 사용량을 모니터링하도록 도울 수 있다.

각 제품은 Databricks를 애플리케이션 개발과 직원 워크플로에 더 가깝게 밀어 넣는다. 이것이 재무적 이정표 뒤에 있는 중요한 변화다.

70억 달러 주장은 단지 판매 강세를 알리는 데 그치지 않는다. 고객들이 동일한 제어 영역을 중심으로 더 많은 데이터 및 AI 업무를 통합하고 있음을 시사한다.

이 통합이 핵심 긴장을 만든다. Databricks는 Google, Microsoft, Amazon의 클라우드 인프라가 필요하지만, 동시에 세 기업 모두가 제공하는 서비스와 점점 더 경쟁하고 있다.

지금 Databricks Google 파트너십이 중요한 이유

Databricks가 성공하면 Google은 인프라 사용량을 얻지만, 더 높은 가치의 소프트웨어 관계를 넘겨줄 위험도 감수한다.

databricks google 파트너십은 고객에게 Databricks 플랫폼을 Google 인프라 및 모델과 비교적 직접적으로 결합할 방법을 제공한다. Databricks 워크스페이스는 BigQuery와 Gemini 같은 서비스에 연결하면서 Google Cloud에서 실행될 수 있다.

Google은 이 구도를 멀티클라우드 데이터 및 AI 옵션으로 제시한다. 파트너십 개요는 Gemini 접근, BigQuery 통합, 오픈 모델, Google의 AI 인프라를 강조한다.

고객 입장에서는 이 조합이 AI 도입의 흔한 장벽을 낮춘다. 기업은 Google 모델이나 특화 인프라를 사용하면서도 기존 Databricks 파이프라인과 거버넌스를 유지할 수 있다.

이 접근 방식은 새 모델을 시험하기 전에 모든 데이터 세트를 옮겨야 한다는 압박도 줄인다. 기록에 고객 정보나 규제 대상 자료가 포함될 경우 데이터 이동은 여전히 비용이 많이 들고 느리며 위험하다.

예를 들어 한 소매업체는 제품 이벤트와 추천 기능을 Databricks에 저장할 수 있다. 개발자는 전체 데이터 환경을 다른 곳에 다시 구축하지 않고도 쇼핑 어시스턴트에 Gemini를 평가할 수 있다.

금융기관은 모델 입력에 Databricks 거버넌스를 사용하면서 선택한 워크로드를 Google 인프라에서 실행할 수 있다. 기술적 세부 사항은 달라지지만 구매 논리는 일관된다.

구매자는 또 다른 단절된 데이터 스택을 만들지 않으면서 모델 유연성을 원한다. 또한 분석, 애플리케이션, AI 에이전트 전반에서 정책이 데이터를 따라가기를 바란다.

Google은 이러한 워크로드가 스토리지, 네트워킹, 가속기, 관리형 클라우드 서비스를 소비하기 때문에 이익을 얻는다. Databricks는 실험이 프로덕션으로 이어질수록 사용량을 확대할 수 있는 엔터프라이즈 고객을 데려온다.

Databricks는 Google이 글로벌 인프라와 주요 AI 모델군을 제공하기 때문에 혜택을 얻는다. Google Cloud 지원은 고객이 단일 제공업체 의존을 피할 수 있다는 Databricks의 주장도 강화한다.

하지만 이 파트너십에는 중복 제품이 존재한다. BigQuery는 데이터 웨어하우징과 분석을 처리한다. Google은 모델 개발, 데이터베이스, 비즈니스 인텔리전스, 거버넌스, 대화형 분석을 위한 도구도 판매한다.

Databricks는 이들 요구 사항 다수를 겨냥한다. 고객이 여러 클라우드에 걸쳐 자사의 카탈로그, 쿼리 도구, 애플리케이션 서비스, 데이터베이스, 에이전트 통제를 사용하기를 원한다.

Google은 기존 SQL 분석을 넘어 BigQuery를 계속 확장해 왔다. 대화형 분석 출시는 사용자가 Gemini를 통해 통제된 데이터에 질문하고 일부 크로스클라우드 소스에 접근할 수 있도록 한다.

이 출시는 레이크하우스 관리 데이터와 Databricks Unity 소스를 명시적으로 지원한다. 이는 협력을 더 쉽게 만드는 동시에 Google의 대화형 인터페이스를 다른 곳에서 관리되는 데이터 위에 배치한다.

이 차이는 인터페이스가 미래의 구매 결정을 형성할 수 있기 때문에 중요하다. 직원들이 데이터를 질의하는 방식을 통제하는 공급업체는 모델, 거버넌스, 애플리케이션 개발에 대한 영향력을 얻을 수 있다.

이는 계층화된 경쟁을 만든다. BigQuery가 분석 워크로드를 잃더라도 Google은 Databricks 고객으로부터 인프라 매출을 올릴 수 있다.

Databricks는 데이터 제어 영역의 소유권을 Google에 넘기지 않고 Gemini를 사용할 수 있다. 따라서 두 회사는 서로로부터 이익을 얻는 동시에 더 많은 전략적 기능을 확보하려 한다.

이 관계는 인프라 제공업체가 독립 소프트웨어 벤더를 호스팅하는 다른 클라우드 파트너십과 닮아 있다. 특이한 요소는 Databricks의 규모와 속도다.

더 작은 파트너는 호스트 클라우드 위의 아키텍처를 정의할 위협이 되는 경우가 드물다. 70억 달러 런레이트에 가까워지는 기업은 엔터프라이즈가 AI 시스템을 구성하는 방식에 영향을 줄 충분한 유통력을 갖고 있다.

이 파트너십은 엔터프라이즈 환경이 이질적이기 때문에 여전히 합리적이다. 대기업이 모든 데이터베이스, 애플리케이션, 모델을 하나의 제공업체 안에 두는 경우는 드물다.

이 현실은 상호운용성에 유리하다. 동시에 Unity Catalog와 관련 서비스가 분산된 환경 전반에 공통 거버넌스 계층을 제공할 수 있기 때문에 Databricks에 협상력을 준다.

그러나 상호운용성이 경쟁을 없애지는 않는다. 경쟁의 초점이 통제, 기본값, 조달로 옮겨질 뿐이다.

핵심 질문은 Google이 Databricks를 계속 지원할지 여부가 아니다. 고객이 데이터 접근, 에이전트 정책, 애플리케이션 맥락을 정의하는 기본 플랫폼이 어느 쪽이 될지다.

사용량 증가는 메커니즘일 뿐, 답의 전부는 아니다

Databricks는 고객이 더 많은 워크로드를 실행할수록 성장하지만, 같은 메커니즘이 인프라 비용을 늘리고 마진을 복잡하게 만들 수 있다.

Databricks는 주로 소비 기반 모델을 따른다. 고객이 더 많은 데이터를 처리하고, 더 많은 쿼리를 실행하며, 모델을 학습하고, 예측을 제공하고, 프로덕션 애플리케이션을 운영할수록 매출이 증가한다.

이는 주로 직원 라이선스를 통해 판매되는 전통적 소프트웨어와 다르다. 에이전트를 추가하면 사람 사용자를 늘리지 않고도 지속적인 컴퓨팅 수요가 발생할 수 있다.

이 차이는 Databricks CEO Ali Ghodsi가 AI가 단순히 소프트웨어를 대체하는 것이 아니라 사용량을 늘린다고 주장한 이유를 설명한다. 에이전트는 새로운 데이터 작업, 추론 요청, 평가, 모니터링 요구 사항을 만든다.

기존 워크로드도 확장할 수 있다. 지원 에이전트는 한 번의 상호작용 동안 계정 이력을 검색하고, 권한 규칙을 확인하며, 이전 사례를 요약하고, 티켓을 업데이트할 수 있다.

각 단계는 스토리지 접근, 데이터베이스 쿼리, 모델 호출, 거버넌스 점검을 유발할 수 있다. 이러한 워크플로가 매일 수천 건의 대화에서 반복되면 상당한 사용량이 발생한다.

Lakebase는 이 메커니즘을 운영 애플리케이션으로 확장한다. 전통적인 분석 플랫폼은 주로 이벤트 발생 후 데이터를 조사했다. 에이전트는 현재 애플리케이션 상태를 읽고 업데이트해야 한다.

재고 에이전트는 현재 재고 수준, 보류 중인 주문, 배송 제약을 알아야 한다. 금융 에이전트는 송장, 공급업체 기록, 결제 상태에 대해 승인된 접근 권한이 필요할 수 있다.

Databricks는 이러한 트랜잭션 워크로드를 분석 및 AI 서비스 가까이에 두기를 원한다. 성공한다면 고객은 데이터 엔지니어링, 보고, 에이전트, 애플리케이션 전반에서 하나의 통제된 환경을 사용하게 된다.

Genie는 또 다른 확장 경로를 겨냥한다. 비즈니스 사용자는 SQL을 작성하지 않고도 질문할 수 있어, 분석 리소스를 소비하는 사람의 수가 늘어날 가능성이 있다.

인터페이스 장벽을 낮추면 측정 가능한 매출을 창출할 수 있다. 동시에 취약한 데이터 정의, 일관되지 않은 권한, 비용이 큰 쿼리 패턴이 드러날 수도 있다.

Unity AI Gateway는 이와 관련된 문제를 겨냥한다. 여러 모델을 사용하는 기업에는 자격 증명, 라우팅, 정책 집행, 비용 관측을 위한 계층이 필요하다.

게이트웨이는 실험을 더 안전하게 만들 수 있지만, 동시에 Databricks를 고객과 모델 제공업체 사이에 위치시킨다. 기업들이 Gemini, OpenAI, Anthropic, 오픈 웨이트 모델을 함께 활용할수록 이 위치의 가치는 커진다.

Databricks와 Google의 관계는 고객이 Databricks 서비스와 Google 인프라, Gemini를 결합할 수 있게 하므로 이러한 사용량 기반 엔진을 강화한다. 어느 한쪽도 매출을 올리기 위해 모든 제품 카테고리에서 승리할 필요는 없다.

그러나 사용량 기반 매출이 자동으로 고품질 매출이 되는 것은 아니다. 제공업체는 인프라 비용을 부담하고, 급증하는 워크로드를 지원하며, 용량을 관리해야 한다.

AI 워크로드는 예약된 데이터 처리와 다른 경제성을 가질 수 있다. 긴 모델 컨텍스트, 반복되는 에이전트 루프, 평가, 저지연 서빙은 비용이 큰 리소스를 소모할 수 있다.

작업을 여러 차례 재시도하는 에이전트는 고객 가치를 더 만들지 않으면서도 사용량만 늘릴 수 있다. 설계가 부실한 검색은 대규모 데이터세트를 반복적으로 스캔할 수 있다.

기업은 실험 단계에서는 비효율을 감수할 수 있다. 그러나 파일럿이 반복적인 운영 예산으로 전환된 뒤에는 조달팀의 관용도가 낮아진다.

따라서 Databricks는 사용량 증가가 수용 가능한 단위 경제성과 함께 발생한다는 점을 입증해야 한다. 단위 경제성은 워크로드에서 발생하는 매출과 직접 제공 비용을 비교한다.

회사가 앞서 공개한 긍정적인 잉여현금흐름은 고무적이지만, 제공하는 세부 정보는 제한적이다. 제품별 매출총이익률이나 최신 에이전트 서비스의 비용 구조는 드러나지 않는다.

비상장 기업의 보고 방식도 비교를 어렵게 만든다. Databricks는 완전한 손익계산서를 공개하지 않고도 일부 런레이트, 유지율, 현금흐름 수치를 발표할 수 있다.

80% 성장 주장은 이러한 한계 안에서 읽어야 한다. 이는 예외적인 수요를 시사하지만, 수익성이나 매출 지속성에 관한 질문에 독자적으로 답할 수는 없다.

런레이트는 최근의 강력한 기간을 반영할 수도 있다. 현재의 사용량이 1년 내내 이어진다는 보장은 아니다.

고객은 워크로드를 최적화하고, 약정을 재협상하거나, 성공하지 못한 에이전트를 종료할 수 있다. 클라우드 지출은 기술 도입과 비용 절감이 동시에 일어날 수 있음을 반복해서 보여 왔다.

Databricks를 전진시키는 메커니즘은 실제로 존재한다. 데이터 작업이 늘어날수록 사용량도 늘어나며, AI는 데이터 작업을 증폭할 수 있다.

해결되지 않은 문제는 인프라, 지원, 최적화 비용을 계산에 포함한 뒤에도 그 증폭이 경제적으로 매력적인지 여부다.

Snowflake는 압박을 받고 있지만, 더 কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ

70억 달러를 웃도는 지속적인 연간 매출 추정치와 계속되는 긍정적 현금 창출은 회사의 성장 서사를 강화할 것이다. 유지율 하락이나 현금 성과 약화는 가속화된 사용량 증가에 숨은 부담이 있음을 시사할 수 있다.

매출총이익률은 특히 중요한 지표가 될 것이다. 이는 Databricks가 새로운 AI, 에이전트, 데이터베이스 워크로드를 얼마나 효율적으로 제공하는지 보여줄 수 있다.

회사는 상장 전까지 이 수치를 공개해야 할 의무가 없다. 그러나 IPO 준비나 추가 자금 조달은 더 높은 투명성으로 이어질 수 있다.

두 번째 신호는 Lakebase, Genie, Unity AI Gateway의 프로덕션 도입이다. 제품 발표보다 중요한 것은 고객이 계속 운영하는 반복 가능한 워크로드다.

유용한 근거로는 대규모 배포의 증가, 측정 가능한 쿼리 정확도, 통제된 에이전트 작업, 초기 시험 이후의 확장 등이 있다.

Lakebase는 Databricks를 운영형 데이터베이스 영역으로 진출시키기 때문에 면밀히 주목할 필요가 있다. 성공은 고객이 분석용 복제본뿐 아니라 실시간 애플리케이션 상태까지 이 플랫폼에 맡긴다는 점을 보여줄 것이다.

Genie는 신뢰하기 어려운 답변이나 통제되지 않은 지출을 초래하지 않으면서 대화형 접근 방식이 유용한 분석을 확장할 수 있음을 입증해야 한다. Unity AI Gateway는 또 하나의 관리 병목 지점이 되지 않으면서 모델 전반의 거버넌스를 제공할 수 있음을 보여줘야 한다.

이 제품들이 기존 계정 내에서 확장된다면, Databricks는 데이터 분야의 입지를 에이전트 플랫폼으로 전환할 수 있다. 도입이 미흡하면 회사는 기존 엔지니어링 및 분석 워크로드에 더 크게 의존하게 될 것이다.

세 번째 신호는 Google이 크로스 플랫폼 데이터와 에이전트를 다루는 방식이다. Databricks와의 Gemini 통합이 계속된다면 파트너십은 더욱 공고해질 것이다.

외부 레이크하우스 데이터에 대한 BigQuery의 접근이 확대되면 고객에게 도움이 되겠지만, 더 많은 통제권이 Google의 인터페이스로 이동할 수도 있다. 새로운 에이전트 거버넌스 기능은 Unity AI Gateway와 직접적으로 겹칠 수 있다.

엔터프라이즈 배포에서 어떤 제품이 기본값이 되는지 주시해야 한다. 기본값은 공식적인 플랫폼 결정이 이뤄지기 훨씬 전부터 ID 관리, 모니터링, 과금, 개발자 습관에 영향을 미친다.

databricks google 간 협력 관계는 고객이 개방형 아키텍처를 요구하고 양사가 모두 사용량 증가의 혜택을 얻는 동안에는 협력적으로 유지될 것이다. 구매자가 거버넌스와 에이전트 인터페이스를 통합하기 시작하면 경쟁은 더욱 치열해질 것이다.

엔터프라이즈 구매자에게 실질적인 대응은 결정에 앞서 경계를 시험하는 것이다. 모델 이식성, 데이터 이동, 정책 일관성, 총 인프라 사용량을 측정해야 한다.

개발자 역시 인상적인 데모와 유지·관리되는 프로덕션 시스템을 구분해야 한다. 재시도, 도구 실패, 지연 시간, 에이전트 출력을 수정하는 데 필요한 인력 작업을 추적해야 한다.

지식 근로자는 대화형 답변이 인용, 권한, 비즈니스 정의를 보존하는지 물어야 한다. 팀이 그 추론의 출처를 검토할 수 없다면 더 빠른 인터페이스의 가치는 제한적이다.

Databricks는 경쟁사가 전략을 무시하기 어려운 규모에 도달했다. 회사가 보고한 80% 성장률은 엔터프라이즈 AI 지출이 이미 기업 데이터와 연결된 플랫폼으로 흘러가고 있음을 시사한다.

다음 질문은 더 까다롭다. 최대 인프라 파트너들이 경쟁하는 데이터 및 에이전트 계층을 구축하는 상황에서 Databricks는 멀티클라우드 독립성을 유지할 수 있을까?

그 답은 재무적 질, 프로덕션 사용량, 플랫폼 기본값을 통해 드러날 것이다. 구매자는 70억 달러의 연간 매출 추정치를 이미 확정된 승리로 받아들이기 전에 이러한 신호를 지켜봐야 한다.