企业AI的叙事正在经历一次尴尬的转折。过去两年，几乎每一家大型软件公司都在财报电话会上把“AI”当作增长前缀，但真正落到财务模型上，问题变得非常具体：推理成本随调用量线性上升，而客户愿意支付的价格却无法同步上涨。当模型能力趋同、开源权重模型把单次调用价格打到极低，那些靠“接入最聪明模型”讲故事的平台突然发现，自己既没有模型层的稀缺性，也没有应用层的定价权。于是，一个新的行业矛盾浮出水面——企业需要的不是更多token，而是每一美元token能换回多少可验证的业务结果。

这个矛盾在Databricks身上体现得尤为集中。2026年7月16日，这家总部位于旧金山的数据与AI公司宣布签署了一份战略融资条款清单，估值达到1880亿美元，由现有投资者Coatue领投。公司称该轮融资预计将在今年夏天晚些时候完成，并将引入新的和现有的投资者。值得注意的是，Databricks没有披露本轮融资的具体金额；TechCrunch援引其他媒体的报道称，金额约为30亿美元。这与公司上一轮融资形成鲜明对比：2026年2月，Databricks以1340亿美元估值完成了50亿美元的L轮融资。

五个月内估值从1340亿美元跳到1880亿美元，涨幅约40%。如果把时间轴拉长，这条曲线更陡：2024年12月以620亿美元估值融资100亿美元，2025年9月以1000亿美元估值融资10亿美元，2026年2月以1340亿美元估值融资50亿美元，再到现在的1880亿美元。不到两年时间，估值翻了三倍。驱动这条曲线的，是Databricks从“大数据时代的云数仓公司”向“AI平台公司”的重新定位。但重新定位能否支撑起1880亿美元的私人市场定价，取决于一个尚未被公开市场检验的假设：企业AI的长期价值会沉淀在数据与治理层，而不是模型层。

字段 内容
公司 Databricks
轮次 战略融资（轮次未披露）
金额 未披露（TechCrunch援引其他媒体报道约为30亿美元）
投资方 Coatue领投，其他新老投资者未披露
总部 旧金山
创始人 Ali Ghodsi（联合创始人兼CEO）
官网 https://www.databricks.com

从“烧token”到“价值最大化”，Databricks把成本治理做成了产品

在官方新闻稿中，Databricks联合创始人兼CEO Ali Ghodsi用了一个很直白的表述：“企业正在从tokenmaxxing转向valuemaxxing。他们不想在每个任务上都烧昂贵的token去用最聪明的模型——他们想要每一美元换来的最佳结果。这意味着要有自由去为每个任务选择正确的AI。”这段话点出了Databricks本轮融资的核心叙事：企业AI的竞争焦点正在从“模型能力”转向“结果效率”。

支撑这个叙事的，是Databricks平台上的三个产品方向。第一个是Unity AI Gateway，公司称其为一个多AI治理解决方案，帮助企业治理和控制AI成本。第二个是Genie，公司将其定位为“AI coworker”，把业务数据转化为可信的答案和行动。第三个是Lakebase，公司称其为一个为AI智能体构建的serverless Postgres数据库。从产品组合来看，Databricks试图占据的位置很清晰：模型可以来自OpenAI、Anthropic、xAI或任何开源权重模型，但调用哪个模型、以什么成本调用、调用后如何与企业的数据资产和权限体系对接，这些环节由Databricks来控制。

这个定位在产业逻辑上是成立的。企业AI的采购决策正在从“选一个最聪明的模型”变成“选一个能管住所有模型成本的层”。但需要区分的是，公司口径与独立验证之间的边界。Databricks在新闻稿中称其拥有超过20,000家组织客户，包括70%的财富500强企业，年经常性收入超过70亿美元，同比增长超过80%。这些数字来自公司披露，目前没有独立的第三方审计数据可以交叉验证。TechCrunch的报道也提到，Databricks没有披露本轮融资的具体金额，资金尚未到账，交易预计在夏季晚些时候完成。这意味着1880亿美元的估值目前仍是一个条款清单上的数字，而非已经完成交割的资本事实。

五个月一轮的融资节奏，把私人市场估值推到了公开市场的前面

Databricks的融资频率在2024年之后明显加快。从2024年12月到2026年7月，公司完成了四轮融资，间隔分别约为九个月、五个月和五个月。ValueAddVC在评论中直接指出，大多数晚期公司以18到24个月为融资周期，但压缩的AI估值环境把Databricks以及Anthropic、xAI等同行推入了一种近乎连续的融资状态。这种节奏的好处是估值标记始终保持新鲜，坏处是它不断稀释“IPO折价”的逻辑——如果私人市场已经以1880亿美元定价，公开市场投资者凭什么要在一个更高的价格上接盘？

这里存在一个结构性矛盾。私人市场的估值由供需关系决定，当Coatue这样的老股东愿意以更高价格继续加注，估值就可以向上走。但公开市场的定价逻辑不同，它要求增长率和利润率能够支撑软件公司的估值倍数。ValueAddVC的评论提出了一个关键的看空逻辑：1880亿美元的估值还没有经过公开市场的检验，它的持久性取决于下一轮私人融资的需求强度。而Databricks现在承担着与Snowflake相同的审视——投资者会问，数据平台的增长率是否足以支撑软件级别的估值倍数。

从已披露的信息看，Databricks的年经常性收入超过70亿美元，同比增长超过80%。如果这个增速能够持续，1880亿美元的估值对应约27倍的经常性收入倍数。这个倍数在AI基础设施公司中并不算极端，但问题在于，Databricks的收入结构中有多少来自传统数据湖仓业务，有多少来自新的AI产品线，公司没有披露。如果增长主要由存量客户向AI产品的迁移驱动，那么80%的增速能否持续，取决于AI产品能否带来增量预算，而不是仅仅替代原有的数据平台支出。

与Snowflake的竞争，从数据层打到了AI治理层

Databricks最直接的竞争对手是Snowflake。两家公司都在争夺企业数据与AI工作负载的入口，但路径不同。Snowflake从云数据仓库起家，向上延伸至AI和机器学习；Databricks从数据湖和Spark生态起家，向下扎根数据工程，向上扩展AI平台。在2026年的节点上，两者的竞争焦点已经不再是“谁的数据仓库更快”，而是“谁能在企业AI的治理和成本控制层建立标准”。

Databricks的Unity AI Gateway直接瞄准了这个层。公司称该产品帮助企业治理和控制AI成本。从产品逻辑上看，它的价值主张是：企业可以自由选择底层模型，但通过一个统一的网关来管理调用、权限和成本。这与Snowflake的Cortex AI策略形成竞争，后者试图把AI能力嵌入数据平台内部，让客户在Snowflake的环境中直接调用模型。两者的差异在于，Databricks更强调多模型治理和成本优化，Snowflake更强调数据与AI的一体化体验。目前没有公开的第三方数据可以比较两者在AI治理层的市场份额或客户采用率。

更值得关注的是开源权重模型对竞争格局的影响。TechCrunch在报道中提到，Databricks越来越多地被视作企业采用更便宜的中国开源权重模型进行成本控制的典型案例之一，并特别提到Databricks是Z.ai的GLM 5.2在编码任务上的支持者。报道还提到，Databricks CEO Ali Ghodsi上周分享了一些内部基准测试，用于管理公司3000名软件工程师的AI成本。公司比较了不同AI模型在程序员实际任务上的表现，并在博客中披露，“开源模型，尤其是GLM 5.2，现在能够处理最高难度的任务”，且总成本低于Anthropic和OpenAI的专有模型。这些是公司披露的内部测试结果，没有独立的第三方验证。但它揭示了一个重要的产业信号：当开源权重模型在特定任务上达到与专有模型相当的能力时，企业AI的成本结构会发生根本性变化，而Databricks的多模型治理层正好可以从中受益。

投资逻辑：押注企业AI的“中间层”能吃掉最大的价值增量

Coatue领投这轮融资的逻辑，可以从其投资组合的演变中找到线索。Coatue过去几年在AI基础设施层的布局，倾向于那些能够在模型与应用之间建立持久壁垒的公司。Databricks的吸引力在于，它已经拥有一个庞大的企业数据资产基础，并且正在把AI治理和成本控制变成平台的原生能力。这意味着它不需要像模型实验室那样承担高昂的预训练成本，也不需要像纯应用公司那样依赖单一模型供应商。

但投资逻辑中的关键假设需要被明确拆解。第一个假设是，企业AI的长期价值会沉淀在数据与治理层，而不是模型层。这个假设在2026年看起来比2024年更可信，因为模型能力正在趋同，开源权重模型的性能追赶速度很快。但它还没有被公开市场的定价所验证。第二个假设是，Databricks能够把AI产品卖给现有的数据平台客户，而不引发预算替代效应。如果企业把原本用于数据仓库的预算转移到AI治理产品上，Databricks的总收入增长可能被高估。第三个假设是，1880亿美元的估值能够被未来的IPO或下一轮融资所承接。这个假设的脆弱性在于，私人市场的估值标记并不等于流动性。

从资本结构上看，Databricks本轮融资的金额未披露，TechCrunch报道约为30亿美元。如果这个数字准确，那么本轮融资的稀释比例远低于上一轮。2026年2月的L轮融资中，50亿美元对应1340亿美元的投后估值，稀释比例约为3.7%。而本轮30亿美元对应1880亿美元，稀释比例约为1.6%。这意味着Coatue和其他投资者愿意以更低的稀释成本获得更高的估值标记，这通常发生在公司对资金需求不那么迫切、而投资者对份额竞争更激烈的阶段。Databricks在新闻稿中称，本轮资金将用于加速AI战略，加强Unity AI Gateway、扩展Genie、推进Lakebase，并支持未来的AI收购和深化AI研究。公司没有披露具体的收购标的或研究投入规模。

资金用途背后的战略意图：收购与研究，而不是销售扩张

Databricks在新闻稿中明确表示，本轮资金预计将用于支持未来的AI收购和深化AI研究。这个表述值得注意，因为它暗示了公司的战略重心正在从“获取客户”转向“补全能力”。在年经常性收入超过70亿美元、客户数超过20,000家的基础上，Databricks的销售网络已经覆盖了大部分大型企业。接下来的增长瓶颈更可能来自产品能力的深度，而不是市场覆盖的广度。

从产品组合看，Databricks的短板在于AI智能体的执行层。Genie被定位为“AI coworker”，Lakebase被定位为“为AI智能体构建的数据库”，但公司没有披露这些产品的独立收入或客户采用数据。TechCrunch的报道提到，Databricks还推出了一个名为Omnigent的“meta-harness”，用于管理多个智能体。这些产品都处于早期阶段，其商业化验证路径尚不清晰。如果本轮资金确实用于收购，那么最可能的收购方向是那些在智能体编排、模型路由或垂直行业AI应用方面有技术积累的小型公司。但公司没有披露任何具体的收购计划，这仍然是一个待验证的假设。

另一个资金用途是深化AI研究。Databricks并不是一家以基础模型研究闻名的公司，它的研究优势在于数据工程、分布式系统和开源生态。在AI研究方面，公司更可能投入的方向是模型评估、成本优化和智能体可靠性，而不是预训练前沿模型。这与它的多AI治理战略一致：Databricks不需要拥有最好的模型，它需要拥有最好的模型管理能力。

风险与待验证假设：1880亿美元的估值，需要一场成功的IPO来兑现

Databricks面临的最大风险，是私人市场估值与公开市场定价之间的落差。ValueAddVC的评论直接指出，1880亿美元的估值在没有公开上市的情况下，其持久性取决于下一轮私人融资的需求强度。如果公司在未来12到18个月内启动IPO，公开市场投资者将不得不面对一个已经翻了三倍的估值曲线。Snowflake在2020年IPO时的估值约为330亿美元，上市首日市值翻倍至700亿美元以上，但此后经历了剧烈的估值回调。Databricks的体量远大于当时的Snowflake，其IPO定价将面临更严格的增长质量审视。

第二个风险是竞争加剧。Snowflake在AI治理层的投入正在加大，而Fireworks AI等基础设施玩家也在以更低的估值提供模型路由和推理优化服务。TechCrunch提到，Fireworks AI刚刚以175亿美元的估值完成了15亿美元的融资。虽然这个体量远小于Databricks，但它在模型服务层的专注度可能对Databricks的Unity AI Gateway形成局部竞争。此外，AWS SageMaker等云厂商的AI平台也在争夺企业AI工作负载。Databricks的多模型治理层能否在这些竞争中保持差异化，取决于它能否把数据资产和治理能力绑定得足够紧密。

第三个风险是收入结构的透明度。Databricks披露了年经常性收入超过70亿美元和同比增长超过80%，但没有拆分传统数据平台业务和AI产品线的收入贡献。如果80%的增速主要来自存量客户向AI产品的迁移，那么这种增长的可重复性存疑。投资者需要看到的是，AI产品能否带来新的预算增量，而不是重新分配现有的数据平台支出。公司没有披露这一维度的数据，因此结论边界是：Databricks的整体增长强劲，但AI产品线的独立商业化能力尚未被公开验证。

从已披露的X（年经常性收入超过70亿美元，同比增长超过80%）与Y（估值从1340亿美元升至1880亿美元，五个月内涨幅约40%）来看，这意味着私人市场投资者对Databricks的AI转型给出了更高的定价倍数；但Z（AI产品线的独立收入贡献、客户留存率、毛利率变化）尚未披露，因此这个定价的合理性无法被完全证实。编辑推断的边界是：如果AI产品线的收入占比和增速能够在下一次融资或IPO文件中得到验证，1880亿美元的估值可能被公开市场接受；如果AI产品线仍然只是传统数据平台的一个功能模块，那么估值回调的风险将显著上升。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Databricks的1880亿美元估值，本质上是对“企业AI价值沉淀在数据与治理层”这一假设的私人市场定价。这个假设比“模型即一切”更接近企业采购的真实逻辑，但它还没有经过公开市场的检验。当模型能力趋同、开源权重模型把调用成本压到极低，Databricks的多AI治理层确实站在了一个有利的位置。问题在于，这个位置能否转化为独立的收入增长，而不是传统数据平台业务的延伸。五个月一轮的融资节奏把估值推到了IPO的前面，接下来需要回答的不是“能不能融到更多钱”，而是“能不能在公开市场上证明这个价格”。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。