Databricks 收购 Row Zero，将电子表格置于 Genie 的核心

Databricks 以未披露金额收购了 Row Zero，押注智能体 AI 需要一个用户熟悉的电子表格界面，企业团队才会信任它。Databricks 对 Row Zero 的收购，为 Genie 提供了一个工作空间，让用户能够检查、修改并批准 AI 智能体的分析结果。它也将企业中一种常见却缺乏管理的数据来源纳入 Databricks 的治理体系。

这正是这笔交易背后的核心矛盾。企业希望智能体能够分析数据并采取行动，但大多数重要的商业决策仍要经过电子表格。导出到 Excel 或 Google Sheets 的文件，往往会失去数据平台内部的权限、血缘和审计控制。

Row Zero 为 Databricks 提供了一座连接这两个世界的潜在桥梁。其云端电子表格可连接实时数据，并支持熟悉的公式、透视、图表和键盘操作。该界面在分析工作中与传统电子表格竞争，而 Databricks 则与 Snowflake 等平台竞争，以掌控支撑这些工作的受治理数据。

因此，这次收购并不只是又一次购买 AI 功能。Databricks 正试图让其智能体在财务、运营、销售和营销团队早已理解的界面中发挥作用。最终效果将取决于原生集成能否在不重现电子表格泛滥问题的前提下，保留电子表格的灵活性。

Databricks 收购 Row Zero，为 Genie 增加了工作界面

Databricks 收购的是一个用于完成分析工作的界面，而不只是另一种数据展示方式。

Databricks 于 2026 年 9 月 24 日宣布收购 Row Zero。交易金额未披露。由前 Amazon Web Services 和 Tableau 工程师创立的 Row Zero 团队将加入 Databricks，并致力于扩展 Genie。

Genie 是 Databricks 的 AI 协作助手，可针对企业数据提出问题，并将结果转化为分析或行动。Row Zero 增加了一个电子表格界面，用户可在其中检查结果、调整假设、构建情景模型并开展协作。

这一差异至关重要。聊天回复可以概述利润率变化的原因，但财务分析师通常需要的不只是摘要。他们可能需要调整某项假设、拆分不同区域、测试预测、追溯异常数值，并向审核者展示计算过程。

电子表格以业务用户早已熟悉的结构呈现这些中间步骤。单元格、公式、筛选器和数据透视表，成为智能体推理与最终决策之间的检查层。

Databricks 表示，该体验将基于 Genie Ontology、Unity Catalog 和 Unity Gateway 提供的业务上下文运行。Genie Ontology 用于映射公司特有的概念和关系。Unity Catalog 管理权限、发现和数据血缘，而 Unity Gateway 则对 AI 访问实施治理。

Row Zero 将在网页、桌面和移动应用中与 Genie 集成。Databricks 还表示，该电子表格将继续在主要云服务提供商之间可用，并持续支持其平台之外的数据源。

这一承诺意义重大，因为 Row Zero 已经能够连接 Snowflake、Amazon Redshift、Google BigQuery、PostgreSQL、Oracle、Microsoft SQL Server、Teradata、Amazon Athena 和 Amazon S3。若该产品继续保持平台中立，Databricks 就能服务于数据资产横跨竞争系统的用户。

此次收购源于一个内部使用案例。据报道，Databricks 的销售财务团队在管理层着手收购该公司之前，已将 Row Zero 用于财务规划与分析。根据交易报道，该团队将 Row Zero 与 Genie 结合使用，其规模超出了桌面电子表格通常能够承载的范围。

这一背景让这笔交易比纯粹的防御性收购更具可信度。Databricks 先以客户身份接触 Row Zero，看到员工将其与 Genie 一同使用，随后认定这种工作流应当纳入自身产品。

不过，内部热情并不能证明市场存在广泛需求。财务团队对电子表格的适应度尤其高，Databricks 仍需证明这种整合体验能够满足其他部门及其治理要求。

为什么智能体 AI 不断回归电子表格

电子表格依然有价值，因为它让人们能够质疑答案，而不只是接收答案。

智能体 AI 指的是能在有限人工指导下，通过多个步骤、工具和决策来追求目标的软件。在企业分析中，智能体可能会查询受治理的数据、识别差异、创建预测并准备建议。

智能体能够自动执行这一流程，但最终输出仍需要采用可审核的形式。业务用户通常需要了解包含了哪些记录、某项假设如何变化，以及公式是否符合公司政策。

传统商业智能仪表板擅长展示可重复的指标。但当用户需要进行开放式建模或临时计算时，它们就不那么顺手了。对话界面提供了灵活性，却可能掩盖答案背后的结构。

电子表格位于这两种方式之间。它既有足够的结构来呈现计算，又足够灵活，让分析师能够修改计算。这使其成为智能体分析的自然审核界面。

Row Zero 一直在直接阐述这一观点。其智能体分析观点认为，智能体的工作应在实时连接的电子表格中完成，以便用户检查和修改结果。这仍是公司的立场，而非独立证据，但它解释了为何此次收购与 Genie 相契合。

以审查销售管道质量的销售运营团队为例。Genie 可以查询商机、识别停滞账户并汇总可能原因。随后，Row Zero 可以在网格中展示这些记录，分析师可调整成交概率假设，或排除例外交易。

财务团队也可以将相同模式用于利润率分析。智能体按产品和地区识别变化，而电子表格让用户测试汇率、销量和折扣假设。计算过程始终与数据源保持连接，而不是变成一个脱离系统的文件。

这也是为什么 Databricks 并非要直接取代 Excel 或 Google Sheets。其公告强调与熟悉的电子表格概念兼容，并将 Row Zero 定位为对既有工具的补充。

Databricks 已提供连接器，可将平台数据导入 Excel 和 Google Sheets。这些选项支持必须继续使用现有桌面或协作环境的用户。Row Zero 的作用不同：它使电子表格本身成为受治理的 Databricks 体验的一部分。

战略问题在于，企业是否足够需要这一新界面，愿意将其加入现有工具组合。用户可能会更愿意在涉及敏感数据和大规模工作的场景中使用原生环境，同时将传统电子表格保留给较小型任务。

即使形成这种分工，Databricks 依然会受益。它不需要取代每一个电子表格，只需承接那些因数据规模、智能体访问、可审计性或回写要求而使导出文件存在风险的工作流。

治理是机制，而非辅助功能

此次收购之所以重要，是因为 Databricks 希望智能体和人类能够在同一份受治理数据上工作，而不会创建失控的副本。

一种常见的分析工作流开始时很安全，却在结束时脱离了系统。用户查询获批准的数据仓库、导出结果，然后通过电子邮件或共享存储分发电子表格。导出的文件可能在保留敏感客户、财务或运营数据的同时逐渐过时。

权限也可能无法随数据一同传递。源平台可能将员工的访问权限限制在特定行，但导出的文件可以暴露其包含的每一行。后续编辑会产生更多版本，其来源难以追溯。

AI 智能体提高了风险，因为它们的运行速度更快，且可跨越比个人用户更多的任务。使用过时或分享不当文件的智能体，可能会以更大规模重复犯错。它也可能提出一项数据血缘不清晰的建议。

Row Zero 提出的机制，是让电子表格持续连接权威数据源。查询会继承用户权限，而刷新操作则会用实时记录更新工作簿。组织可以限制导出、审计交互，并将获批准的结果回写至已连接的平台。

一项独立治理分析指出，电子表格泛滥正是 Databricks 试图解决的问题。该报道还提到 Row Zero 使用了行级安全、基于角色的访问控制、导出限制和专用工作簿服务器。

这些控制使电子表格成为受治理的界面，而不是一个所有权不明确的独立数据存储。在理论上，智能体只能看到其用户能够访问的数据。其操作则通过业务团队可以检查的电子表格操作保持可见。

Databricks 表示，Row Zero 可在交互式速度下处理十亿行数据。这是公司自身的说法，仍应在真实工作负载下接受检验。不过，这种架构消除了一个常见前提：电子表格分析必须从下载有限的本地副本开始。

规模很重要，但治理才是此次收购更有力的理由。企业早已拥有能够处理海量数据的数据库和分析引擎。它们更棘手的问题，是如何让业务用户进入这些系统，而不必让每一项决策都经过专业数据团队。

Databricks 对 Row Zero 的收购，正是通过在平台之上配置一个熟悉的控制界面来解决这个问题。它让用户能够通过公式和透视表操作数据，同时保留与企业控制机制的连接。

这也强化了 Databricks 更广泛的智能体战略。通过受治理工具运行的智能体，理论上可以遵守与人类分析师相同的权限和审计要求。这比赋予智能体广泛访问权后，再要求用户信任其生成的结论更安全。

这一设计类似于个人 AI 工作流中的知识融合：当输出与可追溯的上下文相连时，其价值会更高。在这两种情况下，仅靠检索都不够。用户需要看到答案与其背后信息之间清晰可见的关系。

这一机制仍需要谨慎执行。治理政策必须在自然语言查询、电子表格转换、协作、导出和回写操作中持续有效。一个在源头正常运行的控制措施，可能在后续某一步创建不受限制的副本时失效。

Snowflake、Microsoft 和 Google 面临一场熟悉度之争

Databricks 正在竞争，使其平台成为默认的分析工作场所，而不只是存储数据的系统。

Snowflake 是最明确的平台竞争对手。Row Zero 已连接 Snowflake，并与 Snowflake 的自然语言分析系统 Cortex Analyst 完成集成。Databricks 如今拥有了一个可跨两大平台工作的界面，同时还能获得针对 Genie 的更深度优化。

这形成了一种微妙的平衡。保持 Row Zero 对 Snowflake 用户的实用性，能够扩大其可覆盖市场，并支持采用混合基础设施的客户。若过度优先发展 Databricks 独有功能，则可能削弱其平台中立的承诺。

Microsoft 带来的则是另一类压力。Excel 仍深度嵌入财务与运营规划工作，Microsoft 可以将其连接到云数据、协作工具和 Copilot。其优势来自广泛分发能力和早已形成的用户习惯。

Google 则通过 Sheets、BigQuery 和 Gemini 走着相似的路径。Google Sheets 拥有强大的协作工作流，而 BigQuery 提供受治理的云数据。Google 可以将 AI 辅助直接置于许多团队每天都在使用的界面中。

Databricks 无法通过复制这些生产力套件的广度来与之抗衡。它的机会在于为分析工作提供更深层的治理能力和更大规模的数据访问。Row Zero 的电子表格对比将选择描述为：在受治理的云电子表格中使用已连接的表格，或在 Excel 中使用导入的数据。

这项对比来自 Row Zero，因此自然更有利于其产品。企业买家不应直接接受这种框架，而应测试实际操作差异。他们应考察刷新行为、公式兼容性、协作、延迟、权限执行，以及写回操作失败后的恢复能力。

专业分析厂商同样面临压力。例如，Sigma Computing 已在云数据平台之上构建了类似电子表格的界面。其他商业智能产品也已加入自然语言查询和受治理的语义层。

Databricks 的优势在于拥有底层治理系统和 Genie 环境。原生集成能够减少分析工作流涉及的权限模型、数据副本和供应商交接环节。

其劣势则在于产品范围。电子表格用户期待多年积累的行为、快捷键、公式、格式控制和互操作能力。即使一个网格在技术上可扩展，如果常用工作簿无法顺畅迁移，仍可能让人觉得功能不完整。

这使竞争的重点不再是谁拥有最大的行数上限。决定性问题在于：业务用户能否完成熟悉的任务，同时不放弃数据团队所需的控制能力。

Databricks 实际上是在主张，受治理的平台应向上扩展至应用层。Microsoft 和 Google 从生产力软件切入同一市场，而 Snowflake 和专业厂商则从分析领域切入。

Row Zero 为 Databricks 提供了可信的切入点，但并不意味着自动获胜。企业很少将所有电子表格工作流标准化到单一产品上。更可能的竞争将集中于高价值工作：在这些场景中，实时数据、AI 辅助、可审计性和规模的重要性高于通用的桌面兼容性。

最难的部分，是在每次编辑中维持信任

只有当用户能够核验代理操作，并且管理员能够在整个工作流中执行策略时，受治理的电子表格才有价值。

Databricks 表示，Row Zero 将通过熟悉的电子表格语法，使代理操作变得可解释且可审计。这一说法具有合理性，因为公式和单元格比独立的聊天回复暴露出更多结构。但这一点尚未在完整范围的企业工作流中得到验证。

代理仍可能写出错误公式。它可能选择了错误的数据源、误解业务定义，或基于不完整数据生成一张看似有说服力的图表。可见的电子表格有助于审阅者发现这些错误，但可见性并不能保证一定有人执行审阅。

系统还需要在建议操作与已执行操作之间划出清晰边界。起草预测不同于将调整写回运营系统。企业会希望具备审批关卡、操作历史、回滚选项和精确的访问控制。

协作带来了另一项挑战。多个用户和代理可能同时编辑一个工作簿，而底层源数据也在不断变化。Databricks 必须明确展示哪些值来自实时系统、哪些由人工输入、哪些由代理生成。

公式兼容性可能成为实际障碍。财务和运营团队往往依赖历经多年构建的复杂工作簿。他们可能使用宏、外部引用、专用加载项或无法清晰迁移的非文档化约定。

Row Zero 不需要复刻 Excel 的每一种行为，但必须明确指出兼容性的边界。模糊的差异可能造成静默错误，尤其是在用户假定熟悉公式的行为完全一致时。

平台中立性也是另一项不确定因素。Databricks 表示，Row Zero 将继续支持非 Databricks 数据和代理。买家应关注各平台之间的连接器质量、发布时间和治理深度是否仍然相当。

一个逐渐偏向 Databricks 的独立版本可能令现有客户感到挫败。反过来，对竞争系统进行同等投入，也可能限制 Databricks 从此次收购中期待获得的战略优势。

此外还存在文化层面的采用问题。数据团队可能欢迎更强的控制措施，而业务团队则可能将这些控制视为阻力。如果受治理的工作流耗时更长，或限制了实用的导出功能，员工可能会重新回到本地文件和私人副本。

收购价格尚未披露，Databricks 也未给出全面原生集成的日期。产品高管向 TechTarget 表示，集成工作正在进行，预计将在近期完成，但未承诺具体时间表。

这一缺失的时间线很重要。收购往往会在团队解决身份系统、计费、支持、数据模型和重叠路线图之前，先产出令人信服的产品图示。客户应以已交付的工作流，而不是公告措辞来评判这笔交易。

因此，Databricks 对 Row Zero 的收购带有可衡量的风险。如果集成最终形成的是另一个仅部分连接的界面，它将增加复杂性，而非减少电子表格蔓延。如果控制措施透明、工作流依旧熟悉，它就能让代理式分析更易于治理。

三个信号将表明该战略是否奏效

下一项考验在于，Databricks 能否将收购而来的电子表格转变为供人类和代理广泛使用、可验证的工作流。

第一个信号是具备明确发布范围的原生 Genie 集成。买家应关注对话式分析与电子表格建模之间能否直接切换、权限是否一致，以及血缘是否可见。桌面、网页和移动端的可用性也应保留同等的治理保障。

若发布版本只支持基本数据查看，将削弱这项收购的逻辑。更有力的成果应让用户能在不离开受治理环境的情况下，调查答案、修改假设、协作，并将获批结果写回系统。

第二个信号是持续保持平台中立性的证据。Row Zero 应继续新增或维护与 Snowflake、BigQuery、Redshift 及其他企业数据源的集成。文档和客户案例将揭示，这些连接是否仍处于核心地位，还是已沦为次要能力。

强大的跨平台支持将强化 Databricks 的说法：它希望 Row Zero 服务于混合数据环境。不断扩大的能力差距则意味着，这款独立产品正主要成为进入 Databricks 的路径。

第三个信号是超越原始财务用例的采用情况。财务显然是合适的切入点，因为分析师本就长期使用电子表格。如果销售运营、营销、供应链及其他团队开始使用组合后的产品进行可重复的决策，该战略的重要性将进一步提升。

采用情况应通过完成的工作流来评判，而不是用户注册数或生成的查询数。有价值的证据包括：导出减少、未受管理的工作簿副本变少、审阅周期缩短，以及更清晰的审计轨迹。

评估该产品的企业也应测试失败情境。要求代理使用受限数据、引入冲突公式、更改源记录，并尝试未经授权的导出。其响应将比精心打磨的演示揭示更多问题。

团队应检查系统如何记录代理操作和用户修正。可靠的工作流应能区分检索到的值、生成的公式、人工覆盖和写回操作，而不强迫审阅者自行重构整个过程。

Databricks 做出了合理的战略选择。它认识到企业代理需要的不只是聊天界面，也认识到业务用户不会仅仅因为模型能回答问题就放弃电子表格。

尚未解决的问题是，熟悉性与治理能否在不削弱任一方的前提下共存。Row Zero 必须对分析师足够灵活，同时又对安全和数据团队保持足够可控。

对于开发者和企业买家而言，下一步最好的做法是进行实际评估。选择一个敏感且高度依赖电子表格的工作流，将受治理版本与当前的导出流程进行比较。追踪权限、血缘、审阅工作量、错误恢复和用户行为。

这项测试将决定 Databricks 对 Row Zero 的收购究竟交付了一个代理式 AI 工作空间，还是只是增加了另一张需要管理的电子表格。