Ha eddig a Databricks neked „csak” egy adatplatform volt, érdemes újra ránézned: a cég mostanra olyan szerepbe került, mint egy vállalati AI-közmű, amihez mindenki csatlakozni akar. A 188 milliárd dolláros értékelés nem pusztán nagy szám, hanem jelzés arról, mire költ a piac 2026-ban.

Mi történt

A Databricks új finanszírozási kört jelentett be, amely 188 milliárd dollárra értékeli a vállalatot. A kört a Coatue vezeti, a pontos bevont összeg hivatalosan nem nyilvános, és a cég azt is jelezte, hogy a tranzakció még zárás előtt áll; a lezárás nyár végére várható. (Más piaci beszámolók nagyjából 3 milliárd dolláros körről szólnak.)

Az időzítés szokatlan: általában a cégek a pénz beérkezése után kommunikálnak. Itt viszont láthatóan akkora volt az érdeklődés, hogy a Databricksnak nem kellett titkolnia az új értékelést. Ez beleillik egy másfél éve tartó finanszírozási sorozatba: februárban 5 milliárd dolláros Series L kör zárt 134 milliárdos értékelésen, 2025 szeptemberében 1 milliárd dollár 100 milliárdon, 2024 decemberében pedig 10 milliárd dollár 62 milliárdon.

Miért fontos

A Databricks 2013-as induláskor a „big data” korszak problémájára épített: hogyan tárolj óriási vállalati adatvagyont a felhőben úgy, hogy közben gyors elemzéseket kapj. Gondolj erre úgy, mint egy jól szervezett raktárra és futószalagra egyszerre: nemcsak elteszi az árut (adat), hanem gyorsan ki is szolgálja a kéréseket (analitika). Ez a pozíció most AI-ban aranyat ér, mert a vállalatok nem csak modellt akarnak, hanem biztonságot, jogosultságkezelést és auditálhatóságot is — ugyanazt a „vállalati fegyelmet”, amit a klasszikus szoftvereknél megszoktak.

Ebből jön a Databricks „második felvonása”: sorra érkeznek AI-termékek, például a Lakebase (AI-ügynökökre optimalizált adatbázis), a Unity (AI gateway, azaz egy kapu- és szabályrendszer, ami kontrollálja, hogyan férnek hozzá modellek és alkalmazások az adatokhoz), valamint az Omnigent, egy „meta-harness”, amely több ügynök működését hangolja össze.

Mire figyelj

  1. Nem csak a modell számít, hanem a „harness” is. A harness olyan, mint egy karmester a modell körül: kezeli a kontextust, az utasításokat és azt, mi kerüljön be egy-egy kérésbe. A Databricks belső benchmarkjai (amelyeket a TechCrunch elemzése is tárgyal) arra mutattak rá, hogy a költségeket legalább annyira befolyásolja a köré épített ügynökes eszköz (például Codex vagy Claude Code), mint maga a modell.
  2. Az open-weight trend erősödik az enterprise-ben. Az „open-weight” azt jelenti, hogy a modell súlyai/paraméterei elérhetők és módosíthatók, így olcsóbban futtathatók és rugalmasabban telepíthetők. A Databricks különösen a Z.ai GLM 5.2-t emeli ki kódolási feladatokra, költség/érték arányban versenyképes alternatívaként.
  3. Az AI-halo hatás torzít, de irányt is jelez. A befektetői étvágy ma mindent „AI-színűre” fest, ugyanakkor a Databricks esetében a narratíva mögött valós platform-előny van: ahol az adat, ott lesz az AI is. A következő hónapok kérdése, hogy a 188 milliárdos szintet mennyire támasztja alá tartós bevételnövekedés és ügyfélhasználat, nem csak finanszírozási lendület.