Databricks ma wycenę 188 mld $ i sprzedaje AI nad warstwą danych

Databricks ogłosił nową rundę finansowania prowadzoną przez Coatue przy wycenie 188 mld $. Według TechCrunch firma nie podała dokładnej kwoty i ma zamknąć rundę później latem, a inne źródła cytowane w tekście mówią o około 3 mld $.

Wycena skoczyła z 62 do 188 mld $ w osiemnaście miesięcy

Tempo samo jest wiadomością. W grudniu 2024 r. Databricks pozyskał 10 mld $ przy wycenie 62 mld $. We wrześniu 2025 r. zebrał 1 mld $ przy 100 mld $, a w lutym 2026 r. kolejne 5 mld $ przy 134 mld $. Teraz komunikuje 188 mld $.

TechCrunch opisuje to jako drugi akt firmy, która wyrosła na big data i analityce, a po ChatGPT przepisała swój wizerunek na spółkę AI. To nie jest tylko kosmetyka. Databricks siedzi blisko danych enterprise, czyli tam, gdzie firmy pytają o bezpieczeństwo, governance i realne wdrożenia.

AI halo działa, bo Databricks już trzyma warstwę danych

Dla klienta enterprise najważniejsze pytanie nie brzmi, który model wygra benchmark. Ważniejsze jest to, gdzie model dostanie bezpieczny dostęp do danych, kto kontroluje uprawnienia i jak audytuje się agentic workflows. Databricks sprzedaje tę pozycję przez Lakebase dla AI agents, Unity jako AI gateway oraz Omnigent do zarządzania wieloma agentami.

Druga warstwa to koszt. Według TechCrunch Databricks promuje open-weight modele, w tym Z.ai GLM 5.2 do codingu, jako sposób kontroli wydatków. Wewnętrzny benchmark dla 3 000 inżynierów oprogramowania miał pokazać, że wybór modelu to tylko część kosztu, a harness taki jak Codex, Claude Code albo open-source Pi mocno wpływa na zużycie kontekstu.

Tańszy model nie uratuje rachunku, jeśli harness gubi kontekst

To użyteczna korekta prostej debaty open kontra proprietary. Jeśli agentic harness nie umie zarządzać kontekstem, planować kroków i ograniczać zbędnych wywołań modelu, tańsze tokeny szybko znikają w produkcji.

Ostrożność nadal jest potrzebna. Wewnętrzny benchmark dostawcy to ciekawy sygnał, nie neutralna prawda rynkowa. Databricks ma jasny interes w opowieści, że AI należy do platform łączących dane, governance, model routing i kontrolę kosztów.

Rynek będzie patrzył na przychody, nie na kolejną literę rundy

Kolejnym sprawdzianem nie będzie mem o Series AA. Będą nim przychody z produktów AI u klientów, powtarzalne oszczędności na prawdziwych coding workflows i zdolność utrzymania obietnic bezpieczeństwa, gdy agenci pracują na wrażliwych danych.

Jeśli Databricks tylko wiezie starą platformę danych na wycenie AI, rynek otrzeźwieje. Jeśli naprawdę kontroluje miejsce, w którym dane enterprise spotykają się z agentami, 188 mld $ jest zakładem o punkt kontrolny, a nie o jeden model.

Werdykt Lilith

Databricks stoi dziś przy bramce między danymi firm a agentami i pobiera opłatę za przejście. Inwestorzy nie stawiają wyłącznie na model, lecz na przejście, którym muszą iść cudze modele i wewnętrzne dane.