Databricks оценили в $188 млрд: как компания стала ИИ-провайдером и переосмыслила себя

От $62 млрд до $188 млрд: как росла оценка Databricks

Databricks объявила о новом раунде финансирования, который оценивает компанию в $188 миллиардов. Это продолжение серии крупных раундов за последние полтора года. В декабре 2024 года компания стоила $62 миллиарда. Сегодняшняя оценка - результат стратегического сдвига в сторону искусственного интеллекта.

Изначально Databricks была известна как платформа для работы с большими данными. Компания родилась из проекта Apache Spark - инструмента для обработки огромных массивов информации. Но рынок изменился. Данные перестали быть конечной целью. Они стали топливом для ИИ-моделей. Databricks этот переход уловила раньше многих.

Рост оценки отражает доверие инвесторов к новой роли компании. Databricks перестала быть просто поставщиком корпоративного ПО. Она превратилась в полноценного ИИ-провайдера. Инвесторы увидели, что компания строит инфраструктуру для следующего этапа развития технологий - автономных ИИ-агентов.

Переосмысление бизнеса: из data-компании в ИИ-провайдера

Трансформация Databricks строится на двух ключевых продуктах. Lakebase и Omnigent - это ответ на вопрос, как бизнесу работать с ИИ-агентами. Чтобы понять их ценность, разберёмся с самими агентами.

ИИ-агент - это программа, которая выполняет задачи автономно. Она принимает решения, ищет информацию и действует без постоянного контроля человека. Например, агент может обрабатывать заявки клиентов или анализировать финансовые отчёты. Для эффективной работы агенту нужны две вещи: быстрый доступ к данным и координация с другими агентами. Databricks закрывает обе потребности.

Lakebase: база данных, созданная для ИИ-агентов

Lakebase - это среда для хранения данных, оптимизированная под запросы ИИ-агентов. Обычные базы данных проектировались для людей. Они медленно отвечают на сложные запросы. Агент же должен получать информацию мгновенно.

Lakebase решает эту проблему. Она хранит данные в формате, который агенты «понимают» без дополнительной обработки. Представьте библиотеку, где книги расставлены не по алфавиту, а по тому, как часто и в каком контексте они нужны читателю. Lakebase делает то же самое с данными для ИИ-агентов. Это сокращает время отклика и снижает вычислительные затраты.

Тренд на автономные ИИ-системы набирает обороты. Бизнес хочет, чтобы рутинные операции выполнялись без участия человека. Lakebase - фундамент для таких систем. Без специализированного хранилища агенты работают медленно и дорого.

Omnigent: управление роем ИИ-агентов

Omnigent - система для координации множества ИИ-агентов. Когда в компании работают десятки или сотни агентов, возникает хаос. Они дублируют задачи, мешают друг другу, расходуют ресурсы впустую.

Omnigent действует как дирижёр оркестра. Он распределяет задачи между агентами, следит за сроками и качеством выполнения. Если один агент не справляется, система перенаправляет задачу другому. Это снижает порог входа для бизнеса. Компании не нужно нанимать команду разработчиков для управления агентами - Omnigent берёт эту функцию на себя.

Связка Lakebase и Omnigent создаёт замкнутую экосистему. Агенты получают данные через Lakebase, координируются через Omnigent, а результаты их работы снова попадают в Lakebase. Круг замыкается. Databricks становится единой платформой для всего жизненного цикла ИИ-агентов.

Ставка на открытые модели: как Databricks снижает затраты на ИИ

Databricks активно использует открытые ИИ-модели. Это модели, чей код и параметры доступны публично. Их можно скачать, изучить и адаптировать под свои задачи. Проприетарные модели от OpenAI и Anthropic такой свободы не дают - вы платите за каждый запрос и не контролируете внутреннее устройство.

Внутреннее исследование Databricks показало: открытые модели справляются со сложными задачами кодирования с меньшими затратами. Компания сравнила свои расходы при использовании открытых и проприетарных решений. Разница оказалась существенной. Это важно для бизнеса, который обрабатывает миллионы запросов. Даже небольшая экономия на одном вызове превращается в миллионы долларов в год.

GLM 5.2 и другие открытые модели: дешевле и не хуже

Конкретный пример - модель GLM 5.2 от компании Z.ai. Databricks выбрала её для задач кодирования. GLM 5.2 показала результаты, сопоставимые с проприетарными аналогами. Но счета за облачные вычисления оказались ниже.

Открытые модели дают ещё одно преимущество - независимость от вендора. Бизнес не привязан к одному поставщику. Если условия меняются, модель можно перенести на другую инфраструктуру. С проприетарными решениями такой гибкости нет. Вы платите столько, сколько скажет разработчик.

Этот подход перекликается с более широким трендом. Стартапы и корпорации ищут альтернативы дорогим видеокартам Nvidia и закрытым моделям. Кредит на $400 млн под чипы для запуска AI - пример того, как инвесторы делают ставку на новое «железо» для открытых моделей. Databricks действует в той же логике.

Harness: невидимый помощник в оптимизации расходов

Исследование Databricks выявило ещё один фактор экономии - harness. Это инструмент-обёртка, который связывает модель с приложением. Он управляет запросами: кэширует повторяющиеся, распределяет нагрузку, выбирает оптимальный момент для вызова.

Простой пример. Пользователь трижды задаёт похожий вопрос. Без harness модель обрабатывает каждый запрос заново. С harness система запоминает первый ответ и выдаёт его повторно. Это сокращает количество вызовов к модели на 30% и более. Меньше вызовов - меньше счёт за облачные вычисления.

Вывод Databricks: оптимизация harness не менее важна, чем выбор модели. Бизнес часто гонится за новейшей версией ИИ, забывая настроить инфраструктуру вокруг него. А деньги утекают именно там. 83% компаний используют GPU менее чем на половину, 44% не ведут учёт затрат на ИИ-вычисления - проблема контроля расходов касается всей индустрии.

Что это значит для рынка ИИ и почему это важно

Трансформация Databricks усиливает конкуренцию с облачными гигантами - AWS, Google Cloud и Microsoft Azure. Эти компании предлагают свои ИИ-инструменты. Databricks теперь конкурирует с ними напрямую. У неё есть преимущество: компания не привязана к одной облачной инфраструктуре и может работать поверх разных провайдеров.

Рост интереса к открытым моделям - ещё одно следствие. Пример Databricks показывает: можно построить успешный ИИ-бизнес без полной зависимости от проприетарных решений. Это подстёгивает разработку новых открытых моделей. Конкуренция между открытыми и закрытыми подходами обостряется. Выигрывает потребитель - цены на ИИ-сервисы снижаются.

Снижается и порог входа для внедрения ИИ-агентов. Lakebase и Omnigent убирают технические барьеры. Бизнесу не нужно собирать инфраструктуру с нуля. Достаточно подключиться к платформе Databricks. Это ускоряет распространение агентских систем в корпоративной среде.

Microsoft уже почувствовала изменение расстановки сил. Компания меняет стратегию: переход от партнёрства к жёсткой конкуренции в сфере ИИ. Внутренние инструкции Microsoft предписывают продавцам продвигать собственные разработки и критиковать конкурентов. Databricks - один из тех, кто заставляет гигантов нервничать.

Для специалистов и руководителей это сигнал. Рынок ИИ-инфраструктуры перестраивается. Понимание новых инструментов и моделей становится конкурентным преимуществом. Карьера в эпоху ИИ: практические советы от инсайдера из OpenAI и DeepMind на 2026 год - здесь разбираем, как сместить фокус с технических навыков на управление вычислительными ресурсами. Тренд, который задаёт Databricks, подтверждает этот совет.

Коротко: главные выводы

• Databricks выросла в оценке с $62 млрд до $188 млрд за полтора года благодаря переходу в ИИ-провайдеры. Инвесторы поверили в стратегию компании.
• Продукты Lakebase и Omnigent делают работу с ИИ-агентами проще. Lakebase - быстрая база данных для агентов. Omnigent - дирижёр для управления роем агентов.
• Открытые модели вроде GLM 5.2 от Z.ai помогают экономить на вычислительных затратах. Правильно настроенный harness сокращает количество вызовов к модели на 30%.
• Трансформация Databricks меняет расстановку сил на рынке. Конкуренция с облачными гигантами растёт, порог входа в ИИ для бизнеса снижается.