Aliança entre Databricks e Google enfrenta um teste de US$ 7 bilhões com crescimento superior a 80%

A Databricks afirma que sua receita ultrapassou uma taxa anualizada de US$ 7 bilhões após crescer mais de 80% em relação ao ano anterior durante seu segundo trimestre. O marco dá mais peso à aliança entre Databricks e Google em um mercado no qual os gastos empresariais com IA seguem cada vez mais os dados corporativos governados.

Esse número não é uma receita auditada de empresa pública. Uma taxa de receita anualizada projeta a atividade recente de vendas para um ano, portanto pode se mover mais rapidamente do que a receita anual reconhecida. Ainda assim, a nova marca sucede a taxa anualizada de US$ 5,4 bilhões e o crescimento de 65% reportados pela Databricks apenas seis meses antes.

O conflito mais profundo envolve o Google Cloud, e não simplesmente Databricks versus Snowflake. O Google vende o BigQuery como sua própria plataforma de dados e IA, ao mesmo tempo que hospeda a Databricks, integra modelos Gemini e atende clientes empresariais compartilhados. A Databricks depende dos hyperscalers para infraestrutura, mas sua camada de software em expansão pode capturar o relacionamento com o cliente acima dessa infraestrutura.

Esse arranjo funciona enquanto ambos os lados ampliam o mercado. Torna-se mais difícil equilibrá-lo quando agentes, bancos de dados, análises, governança e acesso a modelos convergem em menos decisões de compra.

A Databricks agora precisa demonstrar que o rápido consumo de IA gera margens duráveis e valor para o cliente. O Google precisa decidir quanto território de plataforma um parceiro de rápido crescimento deve ocupar.

A marca de US$ 7 bilhões muda a escala da disputa

A Databricks não está mais vendendo uma arquitetura de dados emergente. Ela tenta se tornar a camada operacional para dados empresariais e IA.

A empresa afirma que sua taxa anualizada de receita ultrapassou US$ 7 bilhões, com crescimento superior a 80% em relação ao ano anterior. Como a Databricks continua sendo uma empresa privada, os leitores não podem testar esses números em relação a registros regulatórios trimestrais.

A direção é mais fácil de verificar do que a medição precisa mais recente. Em fevereiro, uma atualização financeira oficial colocou a taxa anualizada acima de US$ 5,4 bilhões. A Databricks também reportou fluxo de caixa livre positivo nos 12 meses anteriores.

Essa divulgação incluiu vários indicadores úteis. Os produtos de IA haviam ultrapassado uma taxa anualizada de receita de US$ 1,4 bilhão, enquanto a retenção líquida permanecia acima de 140%. A retenção líquida mede como os gastos dos clientes mudam após expansões, reduções e saídas.

Mais de 800 clientes consumiam serviços em taxas anuais superiores a US$ 1 milhão. Mais de 70 haviam ultrapassado US$ 10 milhões. Esses números sugeriam que o crescimento não se limitava a experimentos ou pequenas implementações departamentais.

Avançar de US$ 5,4 bilhões em direção a US$ 7 bilhões em dois trimestres representaria uma forte aceleração. Também explicaria por que os investidores continuaram fornecendo capital apesar de uma reavaliação mais ampla das empresas convencionais de software.

A Databricks anunciou em julho um processo estratégico de financiamento com uma avaliação de US$ 188 bilhões. Reportagens na época observaram que a transação não havia sido concluída e que seu tamanho final permanecia não divulgado. A empresa teria concluído uma rodada maior em agosto, com uma avaliação próxima de US$ 190 bilhões.

Portanto, a avaliação subiu muito mais rapidamente do que a maioria das empresas maduras de software poderia esperar. Um relato sobre o financiamento em julho rastreou essa mudança de US$ 62 bilhões no fim de 2024 para US$ 134 bilhões em fevereiro de 2026.

Essa valorização pressupõe que a Databricks está se tornando mais do que uma alternativa a data warehouses. Na prática, os investidores tratam seu acesso a dados empresariais como uma posição estratégica no mercado de agentes.

Agentes de IA são sistemas de software que interpretam objetivos, escolhem ações e usam ferramentas com orientação humana limitada. Eles precisam de modelos, mas também precisam de dados empresariais atuais, controles de identidade, registros de transações e permissões confiáveis.

A Databricks já gerencia muitos desses insumos para grandes clientes. Agora, está ampliando essa posição por meio do Genie, Lakebase, Unity AI Gateway e sua plataforma mais ampla de inteligência de dados.

O Genie permite que funcionários façam perguntas sobre dados corporativos governados usando linguagem conversacional. O Lakebase é um banco de dados PostgreSQL gerenciado, projetado para aplicações e agentes que precisam de registros operacionais.

O Unity AI Gateway aplica controles ao uso de modelos e agentes. Ele pode ajudar empresas a direcionar solicitações, acompanhar atividades, gerenciar acessos e monitorar o consumo entre diferentes modelos.

Cada produto aproxima a Databricks do desenvolvimento de aplicações e dos fluxos de trabalho dos funcionários. Essa é a mudança importante por trás do marco financeiro.

A alegação de US$ 7 bilhões não sinaliza apenas vendas mais fortes. Ela sugere que os clientes estão consolidando mais trabalho de dados e IA em torno do mesmo plano de controle.

Essa consolidação cria a tensão central. A Databricks precisa de infraestrutura de nuvem do Google, Microsoft e Amazon, mas compete cada vez mais com serviços oferecidos pelos três.

Por que a parceria entre Databricks e Google importa agora

O Google ganha consumo de infraestrutura quando a Databricks tem sucesso, mas também corre o risco de ceder o relacionamento de software de maior valor.

A parceria entre Databricks e Google oferece aos clientes uma maneira relativamente direta de combinar a plataforma Databricks com a infraestrutura e os modelos do Google. Os workspaces da Databricks podem funcionar no Google Cloud enquanto se conectam a serviços como BigQuery e Gemini.

O Google apresenta o arranjo como uma opção multicloud de dados e IA. Sua visão geral da parceria destaca o acesso ao Gemini, a integração com BigQuery, modelos abertos e a infraestrutura de IA do Google.

Para os clientes, essa combinação reduz uma barreira comum à implantação de IA. Uma empresa pode manter pipelines e governança já estabelecidos na Databricks enquanto utiliza modelos do Google ou infraestrutura especializada.

A abordagem também reduz a pressão para mover todos os conjuntos de dados antes de testar um novo modelo. A movimentação de dados continua cara, lenta e arriscada quando os registros incluem informações de clientes ou material regulado.

Um varejista, por exemplo, pode armazenar eventos de produtos e recursos de recomendação na Databricks. Seus desenvolvedores poderiam avaliar o Gemini para um assistente de compras sem reconstruir todo o ambiente de dados em outro lugar.

Uma instituição financeira poderia usar a governança da Databricks para entradas de modelos enquanto executa cargas de trabalho selecionadas na infraestrutura do Google. Os detalhes técnicos variam, mas a lógica de compra permanece consistente.

Os compradores querem flexibilidade de modelos sem criar outra pilha de dados desconectada. Eles também querem que as políticas acompanhem os dados entre análises, aplicações e agentes de IA.

O Google se beneficia porque essas cargas de trabalho consomem armazenamento, redes, aceleradores e serviços de nuvem gerenciados. A Databricks traz clientes empresariais cujo uso pode se expandir à medida que os experimentos chegam à produção.

A Databricks se beneficia porque o Google fornece infraestrutura global e uma importante família de modelos de IA. O suporte ao Google Cloud também reforça a afirmação da Databricks de que os clientes podem evitar a dependência de um único provedor.

No entanto, a parceria contém produtos sobrepostos. O BigQuery lida com data warehousing e análises. O Google também vende ferramentas para desenvolvimento de modelos, bancos de dados, inteligência de negócios, governança e análise conversacional.

A Databricks atende a muitos dos mesmos requisitos. Ela quer que os clientes usem seu catálogo, ferramentas de consulta, serviços de aplicações, bancos de dados e controles de agentes em várias nuvens.

O Google continuou expandindo o BigQuery além das análises tradicionais em SQL. Seu lançamento de análises conversacionais permite que os usuários consultem dados governados por meio do Gemini e acessem algumas fontes entre nuvens.

Esse lançamento oferece suporte explícito a dados gerenciados por lakehouse e fontes Databricks Unity. Ele facilita a cooperação e, ao mesmo tempo, coloca a interface conversacional do Google acima de dados gerenciados em outros lugares.

A distinção importa porque a interface pode moldar futuras compras. O fornecedor que controla como os funcionários consultam dados pode ganhar influência sobre modelos, governança e desenvolvimento de aplicações.

Isso cria uma competição em camadas. O Google pode obter receita de infraestrutura de um cliente Databricks mesmo quando o BigQuery perde uma carga de trabalho analítica.

A Databricks pode usar o Gemini sem conceder ao Google a propriedade do plano de controle de dados. Assim, cada empresa pode se beneficiar da outra enquanto tenta capturar mais funções estratégicas.

A relação se assemelha a outras parcerias de nuvem em que provedores de infraestrutura hospedam fornecedores independentes de software. O fator incomum é a escala e a velocidade da Databricks.

Um parceiro menor raramente ameaça definir a arquitetura acima da nuvem anfitriã. Uma empresa que se aproxima de uma taxa anualizada de US$ 7 bilhões tem distribuição suficiente para influenciar como as empresas montam seus sistemas de IA.

A parceria continua racional porque os ambientes empresariais são heterogêneos. Grandes empresas raramente colocam todos os bancos de dados, aplicações e modelos em um único provedor.

Essa realidade favorece a interoperabilidade. Também dá influência à Databricks porque o Unity Catalog e serviços relacionados podem oferecer uma camada comum de governança entre ambientes fragmentados.

Ainda assim, a interoperabilidade não elimina a concorrência. Ela desloca a concorrência para controle, padrões e compras.

A questão crítica não é se o Google continuará apoiando a Databricks. É qual plataforma se tornará o local padrão onde os clientes definem acesso a dados, políticas de agentes e contexto de aplicações.

O crescimento do consumo é o mecanismo, não a resposta completa

A Databricks cresce quando os clientes executam mais cargas de trabalho, mas o mesmo mecanismo pode aumentar os custos de infraestrutura e complicar as margens.

A Databricks segue principalmente um modelo de consumo. A receita aumenta à medida que os clientes processam mais dados, executam mais consultas, treinam modelos, disponibilizam previsões e operam aplicações de produção.

Isso difere do software convencional vendido principalmente por meio de licenças de funcionários. Adicionar um agente pode gerar demanda computacional contínua sem adicionar um usuário humano.

Essa diferença ajuda a explicar por que o CEO da Databricks, Ali Ghodsi, argumentou que a IA aumenta o uso em vez de simplesmente substituir software. Os agentes criam novas operações de dados, solicitações de inferência, avaliações e requisitos de monitoramento.

Eles também podem ampliar cargas de trabalho existentes. Um agente de suporte pode recuperar o histórico da conta, verificar regras de elegibilidade, resumir casos anteriores e atualizar um ticket durante uma interação.

Cada etapa pode acionar acesso ao armazenamento, consultas a bancos de dados, chamadas de modelos ou verificações de governança. Repetir esse fluxo de trabalho em milhares de conversas diárias produz um consumo substancial.

O Lakebase amplia esse mecanismo para aplicações operacionais. As plataformas tradicionais de análise examinavam dados principalmente depois que os eventos ocorriam. Os agentes também precisam ler e atualizar o estado atual das aplicações.

Um agente de inventário precisa conhecer os níveis atuais de estoque, pedidos pendentes e restrições de entrega. Um agente financeiro pode precisar de acesso aprovado a faturas, registros de fornecedores e status de pagamentos.

A Databricks quer manter essas cargas de trabalho transacionais próximas de seus serviços de análises e IA. Se tiver sucesso, os clientes usariam um ambiente governado único para engenharia de dados, relatórios, agentes e aplicações.

O Genie atende a outro caminho de expansão. Usuários de negócios podem fazer perguntas sem escrever SQL, potencialmente aumentando o número de pessoas que consomem recursos analíticos.

Reduzir a barreira de interface pode gerar receita mensurável. Também pode expor definições de dados frágeis, permissões inconsistentes ou padrões de consulta caros.

O Unity AI Gateway visa a um problema relacionado. Empresas que usam vários modelos precisam de uma camada para credenciais, roteamento, aplicação de políticas e acompanhamento de custos.

Um gateway pode tornar a experimentação mais segura, mas também coloca a Databricks entre os clientes e os provedores de modelos. Essa posição se torna valiosa à medida que as empresas combinam Gemini, OpenAI, Anthropic e modelos de pesos abertos.

A relação databricks google fortalece esse mecanismo de consumo porque os clientes podem combinar serviços da Databricks com a infraestrutura do Google e o Gemini. Nenhuma das partes precisa vencer todas as categorias de produtos para gerar receita.

No entanto, receita de consumo não é automaticamente receita de alta qualidade. O provedor precisa pagar pela infraestrutura, suportar cargas de trabalho com picos e gerenciar capacidade.

As cargas de trabalho de IA podem ter uma dinâmica econômica diferente do processamento programado de dados. Contextos longos de modelos, ciclos repetidos de agentes, avaliações e disponibilização de baixa latência podem consumir recursos caros.

Um agente que tenta executar uma tarefa várias vezes pode gerar mais uso sem produzir mais valor para o cliente. Uma recuperação de informações mal projetada pode analisar repetidamente grandes conjuntos de dados.

As empresas podem tolerar ineficiência durante a experimentação. As equipes de compras tornam-se menos tolerantes quando pilotos passam a integrar orçamentos operacionais recorrentes.

A Databricks, portanto, precisa provar que o crescimento do consumo vem acompanhado de uma economia unitária aceitável. A economia unitária compara a receita de uma carga de trabalho com seus custos diretos de entrega.

A divulgação anterior da empresa sobre fluxo de caixa livre positivo é encorajadora, mas oferece detalhes limitados. Ela não revela a margem bruta por produto nem o perfil de custos dos serviços mais recentes de agentes.

A divulgação de empresas privadas também dificulta comparações. A Databricks pode publicar indicadores selecionados de receita anualizada, retenção e fluxo de caixa sem divulgar uma demonstração de resultados completa.

A alegação de crescimento de 80% deve ser interpretada dentro dessa limitação. Ela sinaliza uma demanda excepcional, mas não consegue responder de forma independente a questões sobre lucratividade ou durabilidade da receita.

Uma receita anualizada também pode refletir um período recente forte. Ela não garante que o consumo atual continuará por um ano inteiro.

Os clientes podem otimizar cargas de trabalho, negociar compromissos ou desativar agentes malsucedidos. Os gastos em nuvem têm mostrado repetidamente que a adoção técnica e a redução de custos podem ocorrer simultaneamente.

O mecanismo que impulsiona a Databricks é real. Mais trabalho com dados produz mais consumo, e a IA pode multiplicar o trabalho com dados.

A questão não resolvida é se essa multiplicação continua economicamente atraente depois que os custos de infraestrutura, suporte e otimização entram no cálculo.

Snowflake Enfrenta Pressão, mas o Google Define o Limite Mais Difícil

A Snowflake é a rival visível em produtos, enquanto o Google define até onde a Databricks pode se expandir sem colidir com seu parceiro de infraestrutura.

A Snowflake continua sendo a concorrente independente mais direta da Databricks. Ambas as empresas vendem plataformas de dados em nuvem e estão se expandindo para IA, aplicações, governança e ferramentas para desenvolvedores.

Suas trajetórias técnicas diferem. A Snowflake surgiu como um data warehouse em nuvem, enquanto a Databricks cresceu a partir do Apache Spark e da abordagem lakehouse.

Essas distinções diminuíram. A Snowflake oferece suporte a cargas de trabalho mais amplas de engenharia de dados e IA, enquanto a Databricks investiu fortemente em data warehousing SQL e inteligência de negócios.

Os clientes comparam cada vez mais resultados, e não rótulos de arquitetura. Eles perguntam com que rapidez as equipes podem implantar cargas de trabalho governadas, controlar gastos e oferecer suporte a vários modelos.

O crescimento reportado pela Databricks aumenta a pressão sobre a Snowflake para defender grandes contas empresariais. Também fortalece a Databricks em negociações que envolvem consolidação de plataformas.

Ainda assim, a Snowflake não é o único ponto de referência. Google, Microsoft, Amazon e Oracle podem agrupar bancos de dados, análises, modelos e infraestrutura em acordos de nuvem mais amplos.

Esse agrupamento dá várias vantagens aos hyperscalers. Eles já controlam compromissos de clientes, sistemas de identidade, infraestrutura regional e muitas relações de compras.

Eles também podem conectar serviços de IA a produtos estabelecidos. O Google pode combinar BigQuery, Gemini, Looker, bancos de dados e infraestrutura em nuvem sob uma única conta.

A Databricks responde com suporte multicloud e uma camada de controle mais independente. Um cliente pode aplicar padrões semelhantes no Google Cloud, Azure e AWS, em vez de adotar pilhas nativas separadas.

Essa independência se torna mais valiosa quando as empresas querem escolher modelos. Ela se torna menos valiosa quando a integração nativa à nuvem oferece menor complexidade operacional.

Portanto, a disputa principal não é uma simples batalha entre Databricks e Google. Ela diz respeito a onde os clientes colocam a autoridade arquitetural.

Se o Unity Catalog define permissões e o significado dos dados, a Databricks ocupa um papel central. Se o BigQuery e a plataforma de agentes do Google definem esses controles, o Google captura uma parcela maior da pilha.

A mesma lógica se aplica à interface de usuário. O Genie pode se tornar o ponto de entrada conversacional para dados de negócios. O Google pode apresentar o Gemini como ponto de entrada em dados, documentos, aplicações e ferramentas de produtividade.

Esses produtos podem interoperar, mas os clientes normalmente padronizam em torno de um número limitado de interfaces. Cada plano de controle adicional cria custos de treinamento, segurança e suporte.

A distribuição do Google por meio do Workspace também muda a disputa. Os funcionários podem encontrar o Gemini antes de encontrar uma interface especializada de análise.

A Databricks tem maior proximidade com dados governados e equipes técnicas. O Google tem maior proximidade com usuários finais, administradores de infraestrutura e contratos de nuvem existentes.

Nenhuma das posições garante controle. A adoção empresarial frequentemente depende de qual equipe financia o projeto e quais riscos recebem prioridade.

Uma organização de dados pode preferir a Databricks por portabilidade e governança unificada. Uma equipe de plataforma em nuvem pode preferir serviços nativos do Google por operações mais simples.

Uma unidade de negócios pode escolher qualquer assistente que já apareça em seu fluxo de trabalho diário. Líderes de segurança podem favorecer a plataforma que oferece controles mais claros de auditoria e políticas.

O crescimento mais recente da Databricks sugere que ela venceu debates suficientes para se tornar uma grande plataforma. Isso não prova que toda nova carga de trabalho de agentes permanecerá dentro de sua interface.

A aliança databricks google funciona precisamente porque as fronteiras continuam negociáveis. Os clientes podem escolher a Databricks para a camada de dados e o Google para infraestrutura ou modelos.

A pressão aumentará à medida que cada fornecedor introduzir plataformas de agentes mais completas. A sobreposição então se torna uma questão comercial, e não apenas uma curiosidade técnica.

O vencedor dentro de uma conta pode ser a plataforma que reduz a complexidade de governança sem restringir a escolha de modelos ou nuvens. Esse teste favorece a Databricks conceitualmente, mas os hyperscalers podem reduzir a diferença por meio da integração.

O que a Alegação de Crescimento de 80% Não Mostra

A aceleração reportada é significativa, mas as divulgações disponíveis não conseguem estabelecer, por si só, margens, qualidade de retenção ou os termos finais do financiamento.

A Databricks é uma empresa privada, portanto suas alegações financeiras vêm principalmente de anúncios e entrevistas da empresa. Os investidores recebem informações confidenciais, mas o público não recebe detalhes equivalentes.

Isso cria várias lacunas de verificação. A empresa não publicou uma divisão completa de receita reconhecida, compromissos diferidos, margem bruta, despesas operacionais ou concentração de clientes.

Métricas de receita anualizada merecem cuidado especial. As empresas podem calculá-las anualizando um mês ou trimestre recente, mas o período escolhido pode afetar o resultado.

Negócios de consumo também enfrentam sazonalidade. A atividade dos clientes pode mudar em torno de feriados, ciclos orçamentários, migrações ou grandes projetos de treinamento.

A alegação mais recente supostamente cobre o segundo trimestre da Databricks e um crescimento superior a 80% em relação ao ano anterior. Sem os números trimestrais subjacentes, observadores externos não conseguem reproduzir esse cálculo.

A base de fevereiro oferece um ponto de verificação útil. Na época, a Databricks disse que sua receita anualizada superava US$ 5,4 bilhões, os produtos de IA superavam US$ 1,4 bilhão e a retenção líquida ultrapassava 140%.

Esses números sustentam uma narrativa mais ampla de crescimento. Eles não confirmam de forma independente o marco exato de agosto.

Relatórios sobre financiamento exigem precisão semelhante. A Databricks anunciou em julho que havia assinado um term sheet com uma avaliação de US$ 188 bilhões. Um term sheet registra os termos propostos de investimento antes dos documentos finais de fechamento.

Relatos agora situam o financiamento concluído perto de US$ 190 bilhões e seu tamanho em torno de US$ 5 bilhões. Até que a Databricks publique os termos finais completos, esses detalhes devem permanecer atribuídos, em vez de serem tratados como fatos auditados.

Avaliação também não equivale ao caixa disponível para a empresa. A estrutura pode incluir investimento primário, liquidez para funcionários ou outras transações com efeitos econômicos diferentes.

Os investidores podem incluir preferências que protegem seus retornos. Uma avaliação de manchete revela pouco sobre direitos de liquidação, disposições de governança ou diluição futura.

O valor para o cliente apresenta outra incerteza. Alto consumo pode indicar adoção bem-sucedida em produção, mas também pode refletir sistemas ineficientes ou migrações caras.

Compradores empresariais acabarão medindo agentes por trabalho concluído, taxas de erro, revisão humana e economias operacionais. Volume de tokens e crescimento de consultas são sinais intermediários.

As alegações de governança também exigem testes no mundo real. Um catálogo central pode definir regras de acesso, mas as empresas ainda precisam de metadados precisos, propriedade, monitoramento e resposta a incidentes.

Um agente pode seguir as permissões da plataforma e ainda assim produzir uma decisão ruim. Ele pode recuperar um documento aprovado que está desatualizado, incompleto ou foi mal compreendido.

É nesse ponto que a qualidade do conhecimento se torna tão importante quanto a infraestrutura. As equipes precisam de fontes rastreáveis e contexto mantido, não apenas acesso a modelos.

A Databricks pode ajudar a governar dados estruturados e não estruturados. Ela não consegue resolver automaticamente todos os conflitos organizacionais escondidos nesses dados.

A ameaça competitiva dos hyperscalers continua sendo outro risco. O Google pode oferecer suporte à Databricks enquanto aprimora serviços nativos que reduzem a necessidade de uma camada independente.

A Microsoft pode seguir uma estratégia comparável por meio do Azure e de sua distribuição empresarial mais ampla. A Amazon pode combinar infraestrutura, bancos de dados, análises e serviços de modelos dentro da AWS.

A Snowflake pode responder por meio de mudanças de produto, incentivos comerciais e parcerias. Projetos de código aberto também podem reduzir os custos de mudança em torno de formatos e catálogos.

A posição multicloud da Databricks a protege da dependência direta de um único provedor. Ela também exige que a empresa mantenha capacidades consistentes em várias plataformas que evoluem rapidamente.

Esse trabalho traz custos de engenharia e suporte. Serviços nativos de nuvem podem receber novos recursos de infraestrutura antes ou integrá-los de forma mais estreita.

Nenhuma dessas preocupações invalida o crescimento reportado. Elas definem o que a manchete não consegue responder.

O marco mostra que a Databricks construiu um negócio grande e em expansão em torno do consumo de dados empresariais. Ele não resolve quanto lucro esse consumo produz nem quem, em última instância, controla a camada de agentes.

Três Sinais Testarão o Equilíbrio entre Databricks e Google

A próxima fase será decidida pela qualidade financeira verificada, pela adoção de agentes em produção e por mudanças nas fronteiras da plataforma do Google.

O primeiro sinal é a próxima divulgação financeira detalhada da Databricks. Os leitores devem olhar além da receita anualizada para o crescimento reconhecido, a retenção líquida, o fluxo de caixa livre e a expansão de clientes.

Uma taxa anualizada sustentada acima de US$ 7 bilhões, acompanhada de geração contínua de caixa positiva, fortaleceria a narrativa da empresa. Queda na retenção ou desempenho de caixa mais fraco sugeririam que o consumo acelerado traz pressões ocultas.

A margem bruta seria especialmente valiosa. Ela mostraria com que eficiência a Databricks entrega cargas de trabalho mais recentes de IA, agentes e bancos de dados.

A empresa não tem obrigação pública de divulgar esse número antes de uma oferta. No entanto, os preparativos para um IPO ou financiamentos adicionais poderiam trazer mais transparência.

O segundo sinal é a adoção em produção de Lakebase, Genie e Unity AI Gateway. Anúncios de produtos importam menos do que cargas de trabalho repetíveis que os clientes mantêm em operação.

Evidências úteis incluiriam crescimento em grandes implantações, precisão de consultas mensurável, ações de agentes controladas e expansão após os testes iniciais.

Lakebase merece atenção especial porque leva a Databricks aos bancos de dados operacionais. O sucesso mostraria que os clientes confiam à plataforma o estado de aplicações em produção, e não apenas cópias analíticas.

Genie precisa provar que o acesso conversacional amplia análises úteis sem produzir respostas pouco confiáveis ou gastos descontrolados. Unity AI Gateway precisa demonstrar governança entre modelos sem se tornar outro gargalo de gestão.

Se esses produtos se expandirem dentro das contas existentes, a Databricks poderá transformar sua posição em dados em uma plataforma de agentes. Uma adoção fraca deixaria a empresa mais dependente de cargas de trabalho consolidadas de engenharia e análise.

O terceiro sinal é a forma como o Google trata dados e agentes entre plataformas. A continuidade da integração do Gemini com a Databricks reforçaria a parceria.

Um acesso mais profundo do BigQuery a dados externos de lakehouse ajudaria os clientes, mas também poderia transferir mais controle para a interface do Google. Novos recursos de governança de agentes poderiam se sobrepor diretamente ao Unity AI Gateway.

Observe quais produtos se tornam padrão dentro das implantações empresariais. Os padrões influenciam identidade, monitoramento, faturamento e hábitos dos desenvolvedores muito antes de ocorrer uma decisão formal de plataforma.

O acordo entre Databricks e Google permanecerá cooperativo enquanto os clientes exigirem arquiteturas abertas e ambas as empresas ganharem consumo. Ele se tornará mais competitivo à medida que os compradores consolidarem interfaces de governança e de agentes.

Para compradores empresariais, a resposta prática é testar os limites antes de se comprometer. Meça a portabilidade dos modelos, a movimentação de dados, a consistência de políticas e o consumo total de infraestrutura.

Os desenvolvedores também devem separar demonstrações impressionantes de sistemas de produção mantidos. Acompanhe novas tentativas, falhas de ferramentas, latência e o trabalho humano necessário para corrigir a saída dos agentes.

Os profissionais do conhecimento devem perguntar se as respostas conversacionais preservam citações, permissões e definições de negócios. Uma interface mais rápida tem valor limitado quando as equipes não conseguem inspecionar as fontes de seu raciocínio.

A Databricks atingiu uma escala que torna difícil para os rivais ignorarem sua estratégia. Seu crescimento reportado de 80% sugere que os gastos empresariais com IA estão fluindo para plataformas já conectadas aos dados corporativos.

A próxima pergunta é mais exigente. A Databricks conseguirá preservar a independência multicloud enquanto seus maiores parceiros de infraestrutura desenvolvem camadas concorrentes de dados e agentes?

Essa resposta surgirá por meio da qualidade financeira, do uso em produção e dos padrões de plataforma. Os compradores devem acompanhar esses sinais antes de tratar uma taxa anualizada de US$ 7 bilhões como uma vitória consolidada.