Databricks csütörtökön bejelentette, hogy új finanszírozási körével a vállalat értékelése 188 milliárd dollárra emelkedett. A fordulót a Coatue vezette. A társaság nem közölte pontosan, mennyi tőkét vont be; annyit jeleztek, hogy a pénz még nincs náluk, és a kör a nyár folyamán zárul. Más lapok azóta körülbelül 3 milliárd dollárra teszik a bevont összeget.
Miért jelentős a bejelentés?
Bár szokatlan, hogy egy cég a pénz tényleges megérkezése előtt hozza nyilvánosságra értékelését, egy kockázatitőke-forrás a TechCruchnak azt mondta, hogy az ügylet stabil, és sok befektető akart részt venni, így a Databricks-nek nem volt oka titkolni az új értékelést.
Gyors tőkebevonási sorozat az AI-átállás mellett
A mostani kör nem az első nagy finanszírozás a vállalatnál az elmúlt másfél évben. Databricks 2026 februárjában zárta a 5 milliárd dolláros, úgynevezett Series L kört 134 milliárd dolláros értékelés mellett. Öt hónappal korábban, 2025 szeptemberében 1 milliárd dollárt emelt 100 milliárd dolláros értékelés mellett, és nagyjából kilenc hónappal előtte, 2024 decemberében rekordméretű, 10 milliárd dolláros fordulót zárt 62 milliárd dolláros értékeléssel.
A gyors, egymást követő körökről internetes mémek is születtek, amelyek a „sorozatbetűk” kifogyásával viccelődtek (például „Bekapcsolom az értesítéseket, ha jön a Series AA”).
Miként vált a Databricks AI-vállalattá?
A 2013-ban alapított Databricks eredetileg nagy adatmennyiségek felhőben történő tárolására és gyors elemzésére épülő szoftverével vált ismertté a big data korszakban. Mivel már eleve nagy mennyiségű vállalati adattal rendelkezett, jó kiindulópontnak bizonyult, amikor az ügyfelek AI-megoldásokat kezdtek elvárni ugyanazon biztonsági és irányítási követelményekkel, mint a hagyományos vállalati szoftverektől.
A cég sorra vezette be AI-termékeit, köztük a Lakebase nevű, AI-ügynökök számára tervezett adatbázist, a Unity nevű AI-gateway-t, illetve az Omnigent nevű „meta-hurkot”, amely több ügynök együttes kezelésére szolgál.
Modell- és költségvizsgálatok: GLM 5.2 és a harness hatása
Databricks a múlt héten közzétette Ali Ghodsi vezérigazgató belső benchmark-eredményeit, amelyeket a vállalat saját, 3000 szoftvermérnökének AI-költségeinek kezelésére végzett. A cég a fejlesztők valós feladatait használva hasonlította össze a modelleket.
A blogbejegyzés szerint az „open modellek, és különösen a GLM 5.2, most már a legmagasabb nehézségű kódolási feladatokat is képesek kezelni”, miközben összköltségben olcsóbbnak bizonyultak az Anthropic és az OpenAI proprietáris modelljeinél. Databricks külön kiemelte, hogy nem csak a modellválasztás számít: a harness — azaz az a rendszerszintű eszköz, mint a Codex vagy Claude Code, amely a modellt körülvevő kontextust és utasításokat kezeli — jelentős hatással van a költségekre.
A vizsgálat meglepetése volt, hogy az open-source harness, Pi, az egyik leghatékonyabb eszköznek bizonyult a prompt körüli kontextus kezelésében, így alacsonyabb költségek mellett is megőrizte a minőséget. A bejegyzés leszögezte: „a tanulság nem az, hogy egy harness mindig olcsóbb, vagy hogy a natív harness-ek rosszabbak; a modellválasztás csak egy szelete a problémának.”
Miért számít mindez?
Az elmúlt hónapok termékvonala és a költségalapú benchmarkok hozzájárultak ahhoz, hogy a Databricks megítélése az AI-piac szereplőjeként konszolidálódjon, még akkor is, ha a vállalat nem kifejezetten AI-labként indult. Ez a „AI-halom” segíti a cég tőkeemelését és az értékelés gyors növekedését. A piaci hangulatot érzékeltetve a cikk megjegyzi: napjainkban az AI-vel való kapcsolódás gyakran erősen befolyásolja a befektetői érdeklődést — példa erre, hogy még egy szendvicsbolt, a Jersey Mike’s is 22 alkalommal említette az AI-t az S-1 dokumentumaiban.
Következő lépések
Databricks jelezte, hogy a kör a nyáron zárul, de a pontos bevont összeg hivatalosan még nem ismert. A cég további lépései és az új tőke felhasználása a termékfejlesztés és a piaci terjeszkedés terén meghatározó lehet a következő hónapokban.
