Ажиотажный спрос: как Databricks привлек $5 млрд вместо $1 млрд
Databricks планировал привлечь $1 млрд. Инвесторы принесли заявок на $15 млрд. Компания согласилась взять $5 млрд при оценке $190 млрд. Это крупнейший раунд в истории частной компании на рынке AI-инфраструктуры.
Переподписка в 15 раз показывает: капитал ищет не просто перспективные стартапы, а зрелые платформы с доказанной выручкой. Databricks не нуждался в деньгах для выживания. Компания cash flow positive. Но раунд дал ресурсы для агрессивной экспансии в AI-агентах и compute-мощностях.
Оценка $190 млрд выросла с $188 млрд менее чем за полтора года. Для сравнения: OpenAI оценивается в $852 млрд, Anthropic привлекла миллиарды от Microsoft и Amazon. Частный рынок AI-капитала сформировал новый класс гигантов, которые не торопятся на биржу.
Этот кейс напрямую связан с трендом, который мы разбирали в статье о переходе Databricks от Big Data к AI. Компания последовательно наращивает оценку и влияние.
Финансовые показатели Databricks: рост, выручка и прибыльность
Databricks вышел на $7 млрд annualized run rate revenue. Рост год к году составил 80%. Компания генерирует положительный денежный поток. Для AI-сектора, где большинство лабораторий убыточны, это редкий профиль.
Структура выручки показывает зрелость бизнеса. Основной доход приносит проверенный продукт, а не хайп вокруг генеративного AI. При этом новый AI-сегмент растет быстро и уже заметен в отчетности.
Core data warehouse: фундамент бизнеса
Data warehouse продукт приносит $1.5 млрд выручки. Это зрелый сегмент с устойчивым спросом. Компании годами используют Databricks для аналитики, ETL-процессов и построения озер данных. Контракты здесь длинные, отток низкий, маржинальность высокая.
Именно этот фундамент позволяет Databricks инвестировать в AI-направление без давления со стороны инвесторов. В отличие от чистых AI-лабораторий, у компании есть диверсифицированный доход.
Lakebase: ставка на AI-агентов
Lakebase, AI-платформа для агентов, приносит $100 млн выручки. Это небольшой, но быстрорастущий сегмент. Он символизирует переход Databricks в AI-эру.
Платформа позволяет компаниям разворачивать агентов на базе собственных данных. Это логичное продолжение data warehouse: данные уже лежат в Databricks, теперь поверх них можно строить агентные рабочие процессы. Для enterprise-клиентов это снижает порог входа в AI.
Связка «данные + агенты» становится ключевым конкурентным преимуществом. Databricks не нужно убеждать клиентов мигрировать данные на новую платформу. Они уже там.
Стратегия Databricks в AI-гонке: M&A, гиперскейлеры и исследования
Привлеченные $5 млрд пойдут на три направления: покупку технологий, обеспечение compute-мощностей и фундаментальные исследования. Это классическая стратегия для компаний, которые хотят остаться в лидерах AI-инфраструктуры.
Приобретения для расширения возможностей
Databricks активно покупает стартапы. Среди последних сделок: Electric и Panther. Electric усиливает направление AI-агентов и автоматизации рабочих процессов. Panther добавляет компетенции в области обработки данных и безопасности.
M&A в AI-секторе решает две задачи: получение технологий и наем команд. Стартапы уровня Electric и Panther имеют сильных инженеров, которых сложно нанять по отдельности. Покупка компании целиком дает и код, и людей.
Обязательства перед гиперскейлерами: цена compute-мощностей
Databricks имеет многомиллиардные обязательства перед гиперскейлерами: AWS, Azure, Google Cloud. Это долгосрочные контракты на аренду GPU и других вычислительных ресурсов.
AI-компании вынуждены тратить миллиарды на облачную инфраструктуру. Обучение моделей и инференс требуют огромных compute-мощностей. Собственные дата-центры строить дорого и долго. Поэтому даже крупные платформы зависят от облачных провайдеров.
Эта зависимость создает риски. Мы разбирали их в статье об экономике compute-мощностей. Если спрос на AI не оправдает ожиданий, пострадают все участники цепочки: от стартапов до гиперскейлеров.
Инвестиции в исследования: 100 AI-исследователей
Databricks содержит команду из 100 AI-исследователей. Это серьезная ставка на фундаментальные разработки. Компания не только коммерциализирует чужие модели, но и ведет собственные исследования.
Исследовательская команда работает над передовыми методами машинного обучения: от оптимизации инференса до новых архитектур. Это позволяет Databricks оставаться на острие технологий и предлагать клиентам решения, которых нет у конкурентов.
Практический пример: исследование Databricks показало, что открытая модель Z.ai GLM 5.2 справляется с задачами кодинга не хуже проприетарных аналогов при затратах в 4 раза ниже. Такие результаты напрямую влияют на выбор инструментов в production.
Почему частные раунды вместо IPO стали мемом в Кремниевой долине
Databricks мог выйти на биржу. Компания зрелая, прибыльная, с понятной бизнес-моделью. Но выбрала частный раунд. OpenAI, Anthropic, SpaceX, Stripe делают то же самое.
Причины простые. Частные раунды позволяют избежать волатильности публичных рынков. Нет квартальной отчетности, нет давления со стороны розничных инвесторов, нет необходимости раскрывать чувствительные данные. Контроль остается у основателей и ранних инвесторов.
Крупные фонды готовы вкладывать миллиарды на поздних стадиях. SoftBank, Sequoia, Andreessen Horowitz конкурируют за доли в AI-гигантах. Это создает новый класс «частных гигантов» с оценками, превышающими капитализацию большинства публичных компаний.
Для сотрудников это меняет систему мотивации. Вместо опционов, которые можно продать на бирже, компании используют tender offer. OpenAI провела выкуп акций на $7 млрд, создав ликвидность без IPO. Databricks, вероятно, пойдет тем же путем.
Что этот кейс значит для рынка AI-капитала
Раунд Databricks - симптом перегрева AI-рынка. Инвесторы готовы вкладывать огромные суммы в инфраструктуру и исследования. Вопрос в том, оправданы ли такие оценки.
Перегрев или новая реальность?
Аргументы за перегрев: оценки растут быстрее выручки. Databricks стоит $190 млрд при $7 млрд годовой выручки. Мультипликатор превышает 27x. Для сравнения, публичные SaaS-компании торгуются в среднем по 10-15x выручки.
Аргументы против: AI-рынок растет экспоненциально. Выручка Databricks выросла на 80% за год. Если темпы сохранятся, через два года мультипликатор станет разумным. Инвесторы платят за будущее.
Историческая параллель с доткомами напрашивается. В 1999 году Cisco торговалась по 30x выручки. После краха акции упали на 80%. Но компании, которые пережили кризис, стали основой новой экономики. AI может повторить этот сценарий.
Влияние на стартапы и инвесторов
Крупные раунды поднимают планку для всех. Стартапам сложнее привлекать капитал: инвесторы предпочитают вкладывать в проверенных лидеров, а не в ранние стадии. Конкуренция за таланты растет. Зарплаты AI-специалистов достигли уровней, немыслимых пять лет назад.
Стоимость compute-ресурсов тоже растет. Гиперскейлеры поднимают цены на GPU и облачные сервисы. Это бьет по небольшим командам, которые не могут позволить себе многомиллионные контракты.
Для enterprise-клиентов ситуация двойственная. С одной стороны, появляются мощные платформы вроде Databricks и Lakebase. С другой, зависимость от крупных вендоров усиливается. Переключение между платформами становится дороже.
Тренд на AI-инфраструктуру меняет корпоративные бюджеты. Мы разбирали это в статье о влиянии AI-бума на мейнфреймы IBM. Компании перераспределяют средства с традиционного IT на AI-проекты.
Практические выводы для специалистов AI
Кейс Databricks дает несколько actionable insights для разработчиков, ML-инженеров и архитекторов решений.
Первое: следите за развитием Lakebase. Платформа для AI-агентов на базе корпоративных данных может стать стандартом для enterprise-внедрений. Если ваша компания уже использует Databricks, изучите возможности Lakebase для автоматизации рабочих процессов.
Второе: учитывайте тренд на AI-агентов. Databricks инвестирует в это направление через M&A и исследования. Агенты, работающие с данными компании, становятся ключевым сценарием использования генеративного AI в бизнесе.
Третье: оценивайте финансовые аспекты технологических решений. Выбор платформы влияет на стоимость compute-ресурсов, зависимость от вендора и долгосрочные риски. Понимание бизнес-модели поставщика помогает принимать взвешенные решения.
Четвертое: открытые модели становятся реальной альтернативой. Исследование Databricks показало, что Z.ai GLM 5.2 не уступает проприетарным аналогам в кодинге при затратах в 4 раза ниже. Это меняет экономику AI-разработки.
Пятое: готовьтесь к росту стоимости compute-ресурсов. Многомиллиардные контракты Databricks с гиперскейлерами означают, что цены на облачные GPU продолжат расти. Оптимизация инференса и использование открытых моделей становятся конкурентным преимуществом.
Рынок AI-капитала перегрет, но это не повод игнорировать тренды. Компании, которые строят инфраструктуру на основе данных и агентов, будут определять следующее десятилетие. Понимание их стратегий помогает принимать правильные технологические решения.