Databricks 与 Google 的联盟迎来 70 亿美元考验，增长率突破 80%

Databricks 表示，其第二季度同比增长超过 80%，年化营收运行率已突破 70 亿美元。这一里程碑让 databricks google alliance 在企业 AI 支出日益围绕受治理的企业数据展开的市场中更具分量。

这一数字并非经审计的上市公司营收。营收运行率是将近期销售活动按年化计算，因此其变化速度可能快于已确认的年度营收。尽管如此，这一新关口距 Databricks 报告年化运行率达 54 亿美元、增长 65% 仅过去六个月。

更深层的冲突涉及 Google Cloud，而不只是 Databricks 与 Snowflake 之间的竞争。Google 一方面将 BigQuery 作为自有的数据与 AI 平台销售，另一方面托管 Databricks、集成 Gemini 模型，并服务双方共同的企业客户。Databricks 依赖超大规模云服务商提供基础设施，但其不断扩展的软件层可以在基础设施之上掌握客户关系。

双方共同扩大市场时，这种安排能够运转。但当智能体、数据库、分析、治理与模型访问汇聚到更少的采购决策中时，平衡就会变得更困难。

Databricks 现在必须证明，快速增长的 AI 消费能够带来持久的利润率和客户价值。Google 则必须决定，应让这家快速增长的合作伙伴占据多少平台疆域。

70 亿美元关口改变了竞争的规模

Databricks 不再只是销售一种新兴的数据架构。它正试图成为企业数据与 AI 的运营层。

该公司表示，其年化营收运行率已突破 70 亿美元，同比增长超过 80%。由于 Databricks 仍是一家私营公司，读者无法通过季度监管申报文件核验这些数字。

其发展方向比最新精确数值更容易核实。今年 2 月，一份官方财务更新显示，其年化运行率已超过 54 亿美元。Databricks 还报告称，过去 12 个月的自由现金流为正。

该披露还包含多项有用指标。AI 产品的营收运行率已突破 14 亿美元，净留存率则保持在 140% 以上。净留存率衡量客户支出在扩张、缩减和流失后的变化。

超过 800 家客户的服务年消费额超过 100 万美元，逾 70 家客户已超过 1000 万美元。这些数字表明，增长并不局限于试验项目或小型部门部署。

在两个季度内从 54 亿美元迈向 70 亿美元，将意味着显著加速。这也可以解释为何尽管市场更广泛地重新评估传统软件公司，投资者仍持续提供资金。

Databricks 于 7 月宣布启动战略融资流程，估值为 1880 亿美元。当时的报道指出，交易尚未完成，最终规模也未披露。据报道，该公司于 8 月完成了一轮更大规模融资，估值接近 1900 亿美元。

因此，其估值的增长速度远超大多数成熟软件公司所能期待的水平。一篇7 月融资报道追溯了这一变化：从 2024 年末的 620 亿美元增至 2026 年 2 月的 1340 亿美元。

这种升值意味着，Databricks 正成为不只是数据仓库的替代方案。投资者实际上正将其对企业数据的访问视为智能体市场中的战略位置。

AI 智能体是能够理解目标、选择行动并在有限人工指导下使用工具的软件系统。它们需要模型，也需要最新的业务数据、身份控制、交易记录与可靠的权限体系。

Databricks 已为大型客户管理其中许多输入，如今正通过 Genie、Lakebase、Unity AI Gateway 及其更广泛的数据智能平台拓展这一地位。

Genie 让员工可以用对话式语言，就受治理的企业数据提出问题。Lakebase 是一款托管 PostgreSQL 数据库，面向需要运营记录的应用和智能体。

Unity AI Gateway 为模型和智能体使用施加控制。它可帮助企业在不同模型之间路由请求、追踪活动、管理访问并监控消费。

每一项产品都让 Databricks 更接近应用开发和员工工作流。这正是这一财务里程碑背后的重要转变。

70 亿美元的说法不只是表明销售更强劲。它意味着客户正围绕同一个控制平面整合更多数据与 AI 工作。

这种整合带来了核心张力。Databricks 需要 Google、Microsoft 和 Amazon 提供云基础设施，但它也日益与三者提供的服务竞争。

为什么 Databricks 与 Google 的合作如今至关重要

Databricks 成功时，Google 会获得更多基础设施消费，但也面临让出更高价值软件关系的风险。

databricks google partnership 为客户提供了一种相对直接的方式，将 Databricks 平台与 Google 的基础设施和模型结合起来。Databricks 工作区可运行在 Google Cloud 上，同时连接 BigQuery 和 Gemini 等服务。

Google 将这一安排定位为多云数据与 AI 选项。其合作概览强调 Gemini 访问、BigQuery 集成、开放模型以及 Google 的 AI 基础设施。

对客户而言，这种组合降低了 AI 部署中的常见障碍。企业可以保留 Databricks 中既有的数据管道和治理，同时使用 Google 模型或专用基础设施。

这种方式也减少了在测试新模型前迁移所有数据集的压力。当记录包含客户信息或受监管材料时，数据迁移依然昂贵、缓慢且存在风险。

例如，一家零售商可能将产品事件和推荐特征存储在 Databricks 中。其开发者可以评估 Gemini 用于购物助手，而无需在别处重建完整的数据资产。

一家金融机构可以利用 Databricks 的治理机制管理模型输入，同时在 Google 基础设施上运行部分工作负载。技术细节各不相同，但采购逻辑保持一致。

买家希望获得模型灵活性，同时不再创建另一套割裂的数据栈。他们也希望政策能够在分析、应用和 AI 智能体之间随数据流转。

Google 从中受益，因为这些工作负载会消耗存储、网络、加速器和托管云服务。Databricks 带来企业客户，而随着实验进入生产阶段，其使用量能够扩大。

Databricks 则受益于 Google 提供全球基础设施和重要的 AI 模型家族。支持 Google Cloud 也强化了 Databricks 的说法，即客户可避免依赖单一供应商。

不过，这一合作包含重叠产品。BigQuery 处理数据仓库和分析。Google 还销售用于模型开发、数据库、商业智能、治理和对话式分析的工具。

Databricks 满足许多相同需求。它希望客户跨多个云使用其目录、查询工具、应用服务、数据库和智能体控制。

Google 持续将 BigQuery 扩展到传统 SQL 分析之外。其对话式分析发布让用户可通过 Gemini 查询受治理数据，并访问部分跨云数据源。

该发布明确支持由 lakehouse 管理的数据和 Databricks Unity 数据源。这让协作更加容易，同时也将 Google 的对话界面置于其他地方管理的数据之上。

这一差异很重要，因为界面能够塑造未来采购。控制员工如何查询数据的供应商，可能会在模型、治理和应用开发方面获得影响力。

这形成了一种分层竞争。即使 BigQuery 失去某项分析工作负载，Google 仍可从 Databricks 客户获得基础设施收入。

Databricks 可以使用 Gemini，而无需让 Google 掌握数据控制平面的所有权。因此，两家公司可以从彼此身上获益，同时试图获取更多战略职能。

这种关系类似于基础设施提供商托管独立软件供应商的其他云合作关系。不同寻常之处在于 Databricks 的规模和速度。

较小的合作伙伴很少会威胁到定义宿主云之上架构的能力。一家年化运行率接近 70 亿美元的公司，已拥有足够的分销能力来影响企业如何组装其 AI 系统。

这一合作仍然合理，因为企业环境具有异构性。大型公司很少将每一个数据库、应用和模型都放在同一家供应商内部。

这一现实有利于互操作性。它也赋予 Databricks 杠杆，因为 Unity Catalog 和相关服务可在碎片化资产中提供共同的治理层。

但互操作性并不会消除竞争。它将竞争转移到控制权、默认选项和采购环节。

关键问题不在于 Google 是否会继续支持 Databricks，而在于哪个平台会成为客户定义数据访问、智能体政策和应用上下文的默认场所。

消费增长是机制，而非完整答案

Databricks 随着客户运行更多工作负载而增长，但同一机制也可能增加基础设施成本并使利润率更加复杂。

Databricks 主要采用按消费计费的模式。客户处理更多数据、运行更多查询、训练模型、提供预测服务并运营生产应用时，营收便会增长。

这不同于主要通过员工许可证销售的传统软件。增加一个智能体，无需增加一名人类用户，也可能带来持续的计算需求。

这种差异有助于解释 Databricks CEO Ali Ghodsi 为何认为，AI 增加的是使用量，而不只是替代软件。智能体会带来新的数据操作、推理请求、评估和监控需求。

它们也可以扩大现有工作负载。一个支持智能体可能在一次交互中检索账户历史、核查权益规则、总结既往案例并更新工单。

每一步都可能触发存储访问、数据库查询、模型调用或治理检查。在每天数千次对话中重复这一工作流，会产生可观的消费量。

Lakebase 将这一机制扩展到运营应用。传统分析平台主要在事件发生后检查数据，而智能体也需要读取并更新当前应用状态。

库存智能体必须了解当前库存水平、待处理订单和交付限制。财务智能体可能需要获得对发票、供应商记录和付款状态的授权访问。

Databricks 希望让这些事务性工作负载靠近其分析和 AI 服务。若能成功，客户将在一个受治理的环境中开展数据工程、报告、智能体和应用工作。

Genie 则开辟了另一条扩展路径。业务用户无需编写 SQL 即可提问，这可能增加消耗分析资源的人数。

降低界面使用门槛能够带来可衡量的收入，也可能暴露薄弱的数据定义、不一致的权限设置或高成本的查询模式。

Unity AI Gateway 针对的是一个相关问题。使用多种模型的企业需要一层能力，用于管理凭证、路由、政策执行和成本观测。

网关可以让试验更安全，但它也让 Databricks 处于客户与模型提供商之间。随着企业混用 Gemini、OpenAI、Anthropic 和开放权重模型，这一位置会变得更有价值。

databricks google 关系强化了这一消费引擎，因为客户可以将 Databricks 服务与 Google 基础设施及 Gemini 结合使用。双方都不必赢得每一个产品类别，仍可获得收入。

不过，消费型收入并不天然等于高质量收入。服务商必须承担基础设施成本、支持突发性工作负载，并管理容量。

AI 工作负载的经济性可能不同于按计划执行的数据处理。长模型上下文、重复的代理循环、评估以及低延迟服务，都可能消耗昂贵资源。

一个反复重试任务的代理，可能增加使用量，却未增加客户价值。设计不佳的检索系统可能会反复扫描大型数据集。

企业在试验阶段可以容忍低效率。一旦试点项目转入持续性运营预算，采购团队就不再那么宽容。

因此，Databricks 需要证明，消费增长伴随着可接受的单位经济效益。单位经济效益比较某项工作负载带来的收入与其直接交付成本。

该公司此前披露的正自由现金流令人鼓舞，但提供的细节有限。它没有披露按产品划分的毛利率，也未说明较新代理服务的成本结构。

私营公司的披露方式也使比较变得困难。Databricks 可以发布部分运行率、留存率和现金流数据，而无需公布完整的利润表。

应在这一限制下解读 80% 的增长说法。它表明需求异常强劲，但无法独立回答盈利能力或收入持续性的问题。

运行率也可能仅反映近期的强势表现，并不保证当前消费会持续整整一年。

客户可能优化工作负载、协商承诺条款，或关闭未成功的代理。云支出已反复表明，技术采用与成本削减可以同时发生。

推动 Databricks 前进的机制是真实存在的。更多数据工作会带来更多消费，而 AI 可以放大数据工作量。

悬而未决的问题是，在将基础设施、支持和优化成本纳入计算后，这种放大效应是否仍具备经济吸引力。

Snowflake 面临压力，但 Google 设定了更严苛的边界

Snowflake 是显眼的产品竞争对手，而 Google 则界定了 Databricks 在不与其基础设施合作伙伴发生冲突的前提下能够扩张到何种程度。

Snowflake 仍是 Databricks 最直接的独立竞争对手。两家公司都销售云数据平台，并正扩展至 AI、应用、治理和开发者工具领域。

它们的技术历史不同。Snowflake 起源于云数据仓库，而 Databricks 则从 Apache Spark 和湖仓一体方法发展而来。

这些差异已经缩小。Snowflake 支持更广泛的数据工程和 AI 工作负载，而 Databricks 则大力投资于 SQL 数据仓库和商业智能。

客户越来越多地比较结果，而非架构标签。他们关心团队能多快部署受治理的工作负载、控制支出并支持多种模型。

Databricks 报告的增长加大了 Snowflake 捍卫大型企业客户的压力，也增强了 Databricks 在涉及平台整合谈判中的实力。

然而，Snowflake 并不是唯一的参照对象。Google、Microsoft、Amazon 和 Oracle 都可以在更广泛的云协议中捆绑数据库、分析、模型和基础设施。

这种捆绑为超大规模云服务商带来多项优势。它们已经掌控客户承诺、身份系统、区域基础设施以及许多采购关系。

它们还可以将 AI 服务连接到既有产品中。Google 可以在同一个账户下整合 BigQuery、Gemini、Looker、数据库和云基础设施。

Databricks 以多云支持和更独立的控制层应对。客户可以在 Google Cloud、Azure 和 AWS 上采用类似模式，而不必分别采用各自原生技术栈。

当企业希望拥有模型选择权时，这种独立性更有价值；当原生云集成能带来更低的运营复杂度时，其价值则会下降。

因此，主要竞争并不是简单的 Databricks 对阵 Google，而是客户将架构主导权放在哪里。

如果 Unity Catalog 定义权限和数据含义，Databricks 就占据核心地位。如果 BigQuery 和 Google 的代理平台定义这些控制，Google 就会掌握更多技术栈。

同样的逻辑也适用于用户界面。Genie 可以成为业务数据的对话式入口。Google 则可以将 Gemini 定位为数据、文档、应用和生产力工具的统一入口。

这些产品可以互操作，但客户通常只会围绕有限数量的界面实现标准化。每增加一个控制平面，都会带来培训、安全和支持成本。

Google 通过 Workspace 进行分发，也改变了竞争格局。员工可能在接触专业分析界面之前，就先接触到 Gemini。

Databricks 更贴近受治理数据和技术团队。Google 则更贴近终端用户、基础设施管理员和既有云合同。

这两种位置都不能保证控制权。企业采用往往取决于哪个团队为项目提供资金，以及哪些风险被优先考虑。

数据组织可能因可移植性和统一治理而偏好 Databricks。云平台团队可能因运营更简单而偏好原生 Google 服务。

业务部门可能选择已经出现在其日常工作流中的助手。安全负责人可能青睐提供更清晰审计和政策控制的平台。

Databricks 最新的增长表明，它已在足够多的这类争论中胜出，成为一个重要平台。但这并不能证明每一种新的代理工作负载都会留在其界面内。

databricks google 联盟之所以有效，恰恰是因为边界仍可协商。客户可以选择 Databricks 作为数据层，而选择 Google 提供基础设施或模型。

随着各供应商推出更完整的代理平台，压力将会上升。届时，重叠将成为销售问题，而不只是技术上的新奇之处。

最终在一个客户账户中胜出的，可能是能降低治理复杂度、又不限制模型或云选择的平台。从概念上看，这一考验有利于 Databricks，但超大规模云服务商可以通过集成缩小差距。

80% 增长说法未能显示什么

报告中的加速增长具有重要意义，但现有披露本身无法确立利润率、留存质量或最终融资条款。

Databricks 是一家私营公司，因此其财务说法主要来自公司公告和访谈。投资者能获得保密信息，但公众得不到同等细节。

这造成了若干验证缺口。该公司尚未公布已确认收入、递延承诺、毛利率、运营费用或客户集中度的完整明细。

运行率指标尤其值得谨慎对待。公司可以通过将最近一个月或一个季度年化来计算它，但所选期间会影响结果。

消费型业务也会受到季节性影响。客户活动可能因节假日、预算周期、迁移或大型训练项目而变化。

据报道，最新说法涵盖 Databricks 第二季度，并称其同比增长超过 80%。在缺少基础季度数据的情况下，外部人士无法复现这一计算。

2 月的基线提供了一个有用的检查点。当时 Databricks 表示，其运行率超过 54 亿美元，AI 产品超过 14 亿美元，净留存率超过 140%。

这些数字支持更广泛的增长叙事，但无法独立确认 8 月里程碑的确切数值。

融资报道也需要同样的精确性。Databricks 在 7 月宣布，其已签署一份按 1,880 亿美元估值计算的条款清单。条款清单记录的是最终交割文件签署前拟议的投资条款。

目前的报道将已完成融资的估值置于接近 1,900 亿美元，规模约为 50 亿美元。在 Databricks 公布完整最终条款前，这些细节应继续注明来源，而不应被视为经审计的事实。

估值也不等于公司可支配的现金。其结构可能包括一级投资、员工流动性安排或其他具有不同经济影响的交易。

投资者可以附加保护其回报的优先权。一项 headline 估值几乎无法揭示清算权、治理条款或未来稀释情况。

客户价值带来另一项不确定性。高消费量可能显示生产环境采用成功，也可能反映系统低效或高成本迁移。

企业买家最终将通过已完成的工作、错误率、人工审核和运营节省来衡量代理。Token 数量和查询增长只是中间信号。

治理说法同样需要现实世界的检验。中央目录可以定义访问规则，但企业仍需要准确的元数据、明确的所有权、监控和事件响应。

代理可以遵守平台权限，却仍作出糟糕决策。它可以检索到一份获准访问、但已过时、不完整或被误解的文档。

在这里，知识质量与基础设施同样重要。团队需要可追溯的来源和持续维护的上下文，而不只是模型访问能力。

Databricks 可以帮助治理结构化和非结构化数据，但无法自动解决隐藏在这些数据中的每一项组织冲突。

来自超大规模云服务商的竞争威胁仍是另一项风险。Google 可以支持 Databricks，同时改进能够减少对独立层需求的原生服务。

Microsoft 可以通过 Azure 及其更广泛的企业分发采用类似策略。Amazon 可以在 AWS 内结合基础设施、数据库、分析和模型服务。

Snowflake 可以通过产品调整、商业激励和合作伙伴关系作出回应。开源项目也可以降低围绕格式和目录的切换成本。

Databricks 的多云定位使其免于直接依赖单一提供商，但也要求该公司在多个快速变化的平台之间维持一致的能力。

这项工作会带来工程和支持成本。原生云服务可能更早获得新的基础设施功能，或与其实现更紧密的集成。

这些担忧都不会否定报告中的增长，它们界定了这则 headline 无法回答的问题。

这一里程碑表明，Databricks 已围绕企业数据消费建立起规模庞大且持续扩张的业务。但它并未解决这种消费能产生多少利润，也未决定最终由谁控制代理层。

三个信号将检验 Databricks Google 的平衡

下一阶段将由经验证的财务质量、生产环境中的代理采用情况，以及 Google 平台边界的变化来决定。

第一个信号是 Databricks 下一次详细的财务披露。读者应超越运行率，关注已确认增长、净留存率、自由现金流和客户扩张。

持续保持在 70 亿美元以上的年化收入规模，并继续实现正向现金生成，将强化公司的增长叙事。留存率下降或现金表现走弱，则可能表明加速的消费增长背后隐藏着压力。

毛利率尤其具有参考价值。它将显示 Databricks 交付新一代 AI、智能体和数据库工作负载的效率。

公司在上市前没有公开披露这一指标的义务。不过，IPO 筹备或额外融资可能带来更高透明度。

第二个信号是 Lakebase、Genie 和 Unity AI Gateway 的生产环境采用情况。相比产品发布，客户持续运行的、可复制的工作负载更重要。

有价值的证据包括大型部署的增长、可量化的查询准确率、受控的智能体操作，以及初步试用后的扩展使用。

Lakebase 值得密切关注，因为它将 Databricks 带入运营型数据库领域。其成功将表明，客户不仅信任该平台处理分析副本，也信任它承载实时应用状态。

Genie 必须证明，对话式访问能够扩大有效分析的覆盖范围，同时不会产生不可靠答案或失控支出。Unity AI Gateway 则必须证明，它能跨模型实现治理，而不会成为新的管理瓶颈。

如果这些产品能在现有客户账户中持续扩展，Databricks 就能将其数据优势转化为智能体平台。若采用疲软，公司将更依赖既有的工程和分析工作负载。

第三个信号是 Google 如何处理跨平台数据与智能体。持续将 Gemini 集成至 Databricks，将巩固双方合作关系。

BigQuery 更深入地访问外部 lakehouse 数据将有利于客户，但也可能让更多控制权转移到 Google 的界面中。新的智能体治理功能则可能与 Unity AI Gateway 直接重叠。

应关注哪些产品成为企业部署中的默认选项。早在正式的平台决策出现之前，默认设置就会影响身份管理、监控、计费和开发者习惯。

只要客户仍需要开放架构、两家公司都能获得消费增长，databricks google 的安排就会保持合作态势。随着买方整合治理与智能体界面，这一关系将变得更具竞争性。

对于企业买家而言，务实的应对方式是在作出承诺前测试边界。衡量模型可移植性、数据迁移、策略一致性以及整体基础设施消耗。

开发者也应将令人印象深刻的演示，与持续维护的生产系统区分开来。跟踪重试次数、工具故障、延迟，以及修正智能体输出所需的人力工作。

知识工作者应询问，对话式回答是否保留了引用、权限和业务定义。当团队无法核查其推理来源时，更快的界面价值有限。

Databricks 已达到令竞争对手难以忽视其战略的规模。其报告的 80% 增长表明，企业 AI 支出正流向那些已与企业数据相连的平台。

下一个问题更具挑战性：当其最大的基础设施合作伙伴构建竞争性的数据与智能体层时，Databricks 能否维持多云独立性？

答案将通过财务质量、生产环境使用情况和平台默认选项逐步显现。买家应先关注这些信号，再将 70 亿美元的年化收入规模视为已成定局的胜利。