Databricks cerró una ronda de financiación estratégica de 5.000 millones de dólares con una valoración de 190.000 millones, por encima de los 188.000 millones de la hoja de términos liderada por Coatue, después de superar un ritmo de ingresos anualizados de 7.000 millones de dólares, con un crecimiento superior al 80% interanual.
En una entrevista exclusiva, el cofundador y CEO Ali Ghodsi afirma que la inteligencia artificial general (AGI) ya ha llegado y que los principales cuellos de botella ahora son el contexto empresarial, el coste de los tokens de IA y la infraestructura necesaria para los agentes.
El nuevo capital financiará productos como Unity AI Gateway, Lakebase y Genie, mientras Databricks compite con empresas como Snowflake y Oracle por hacerse con una posición dominante en la infraestructura de IA empresarial.
Ghodsi también reveló que es «muy poco probable» que Databricks salga a bolsa antes que Anthropic u OpenAI.
El cofundador y CEO de Databricks, Ali Ghodsi, afirma que la inteligencia artificial general (AGI) ya ha llegado, al menos según la definición que utilizaba la industria antes de 2022. Ahora, los inversores respaldan esa tesis con 5.000 millones de dólares de nuevo capital.
La compañía anunció que cerró una ronda de financiación estratégica con una valoración post-money de 190.000 millones de dólares, después de superar un ritmo de ingresos anualizado de 7.000 millones y crecer más de un 80% interanual.
El 16 de julio, Databricks había anunciado la ronda con una valoración de 188.000 millones de dólares, tras firmar una hoja de términos liderada por el inversor existente Coatue. Ghodsi explica que la valoración final más alta refleja el mayor volumen de capital captado y la emisión de acciones adicionales.
Coatue lideró la nueva ronda junto con Blackstone, MGX y T. Rowe Price, mientras que Sixth Street Growth se incorporó como nuevo inversor.
Databricks destinará la financiación a tres áreas que considera fundamentales para llevar la IA a las empresas:
- Unity AI Gateway: permite distribuir cargas de trabajo entre distintos modelos y controlar el gasto.
- Lakebase: su base de datos Postgres serverless para software creado por agentes de IA, que ya ha superado un ritmo de ingresos anualizado de 100 millones de dólares.
- Genie: proporciona a la IA acceso al contexto que se encuentra disperso dentro de las empresas.
Aunque Ghodsi había rechazado anteriormente los rumores persistentes de que Databricks estaba considerando una ronda de financiación este verano, explica que la decisión de captar capital respondió finalmente al coste de ampliar el negocio de IA y a la oportunidad de invertir de forma más agresiva en contratación y adquisiciones.
«Existe un enorme interés por algunas de nuestras tecnologías de IA, especialmente desde que el fenómeno de token-maxing se ha disparado», me dijo Ghodsi en una entrevista exclusiva.
Unity AI Gateway permite a las empresas canalizar todos sus tokens a través de un único sistema y establecer presupuestos para distintos grupos o empleados. Esto ofrece una forma de controlar el gasto en tokens y evitar simplemente consumirlos al máximo.
«Lo llamamos pasar de token maxing a value maxing», explicó.
Además, la plataforma está llevando esta misma filosofía un paso más allá mediante Omnigent, su meta-harness de código abierto que se sitúa por encima de los agentes de programación. Permite a los clientes combinar y cambiar entre agentes construidos con distintos modelos y frameworks.
«En lugar de estar vinculados a un único harness, pueden cambiar entre ellos, controlar cómo funcionan esos agentes y gestionar sus costes», afirmó Ghodsi. «Esta es una de nuestras tres grandes apuestas».
Ghodsi añadió que Databricks ha convertido el gateway en código abierto a través de MLflow, dando a las empresas mayor flexibilidad para evitar la dependencia de un único proveedor. Unity Catalog y el gateway, además, proporcionan una capa común para gestionar y supervisar los activos de datos e IA.
Señaló a 7-Eleven como uno de los clientes que utiliza Unity Catalog para gestionar la gobernanza en todo su entorno de datos e inteligencia artificial.
«Un crecimiento de los ingresos recurrentes anualizados (ARR) superior al 50% y un margen bruto estabilizado por encima del 70% durante los próximos años deberían justificar la valoración», afirma Owen Lau, analista de renta variable de Clear Street.
«El debate sobre el retorno de la inversión (ROI) en la capa de aplicaciones todavía no está resuelto. Si las empresas no consiguen monetizar estas herramientas de IA o aumentar su productividad, probablemente reducirán sus inversiones en datos e inteligencia artificial».
El contexto empresarial es el mayor cuello de botella de la IA
La definición de AGI de Ghodsi es más limitada que la versión del término que actualmente domina la industria de la inteligencia artificial. Sostiene que, si un sistema puede realizar el tipo de tareas intelectuales que llevan a cabo los seres humanos y es más inteligente que la mayoría de las personas la mayor parte del tiempo, cumple con la definición básica de AGI.
Además, señala que actualmente se utiliza AGI para describir la superinteligencia, un concepto mucho más extremo en el que una IA podría lograr en segundos lo que los investigadores de todo el mundo podrían conseguir colectivamente, simular economías globales y procesar todo el conocimiento acumulado por la humanidad.
«Si esa es tu definición, entonces, por supuesto, todavía no ha llegado», afirma. «Tampoco está claro que lo que la industria está construyendo actualmente llegue algún día a convertirse en eso».
Si la AGI ya está aquí, ¿por qué tan pocas cosas dentro de una empresa típica funcionan de manera autónoma? La respuesta de Ghodsi es el contexto.
Un modelo no puede razonar plenamente sobre un problema empresarial sin acceso a los registros, las normas internas, los permisos y los sistemas operativos necesarios para actuar sobre lo que sabe.
Como resultado, «el mundo permanece prácticamente sin cambios, salvo que el gasto en tokens está aumentando. Existe una enorme brecha entre la inteligencia que posee la IA y el impacto que está teniendo».
Ghodsi considera que esa brecha es principalmente un problema de infraestructura, y ahí es donde encajan Genie y Genie Ontology en la estrategia de Databricks.
Explica que estos productos están diseñados para conectar información como correos electrónicos, grabaciones de reuniones y datos internos, al tiempo que mantienen la seguridad y la privacidad. El objetivo es proporcionar a la IA el contexto organizativo que necesita para operar dentro de una empresa.
La tesis aborda una desconexión real entre las capacidades de la IA y sus resultados empresariales, pero también amplía convenientemente el mercado de la infraestructura que Databricks vende alrededor de los modelos.
La prueba más difícil será determinar si esa brecha persiste a medida que los modelos de IA continúan mejorando.
El aumento de los costes de la IA hace esencial el enrutamiento entre modelos
Ghodsi señaló una presión más inmediata que está creciendo entre los clientes empresariales de Databricks: el aumento del coste de ejecutar agentes de IA.
Las empresas están implementando cada vez más agentes de programación en sus organizaciones, pero muchas siguen utilizando modelos potentes para tareas rutinarias. Esto eleva los costes de inferencia muy por encima del valor del trabajo realizado.
Según Ghodsi, «las ganancias de productividad resultantes no están creciendo al mismo ritmo que el coste de generar y procesar los tokens necesarios para ejecutar estos sistemas», lo que está generando preocupación entre los directores financieros y otros ejecutivos sobre si la economía de la IA empresarial es sostenible.
Ahí es donde Databricks ve una oportunidad para Unity AI Gateway. La compañía quiere ofrecer a las empresas un lugar central desde el que enrutar el tráfico de IA, establecer presupuestos, comparar proveedores y trasladar cargas de trabajo entre modelos propietarios y modelos abiertos, en lugar de permitir que cada aplicación o equipo tome sus propias decisiones de gasto.
Ghodsi explica que las empresas quieren poder cambiar de modelo cuando aparece una alternativa más barata o mejor. Databricks puede observar directamente esta tendencia porque más de un cuatrillón de tokens han pasado por su gateway.
El comportamiento más interesante podría producirse en el segmento más sofisticado del mercado. Según Ghodsi, «a veces los clientes envían la misma pregunta importante a dos modelos y pagan dos veces para comparar las respuestas».
Databricks apuesta, en esencia, por que la proliferación de modelos genere una necesidad permanente de una capa de infraestructura capaz de decidir qué modelo debe encargarse de cada tarea y controlar sus consecuencias financieras.
Todavía existe, sin embargo, un problema de neutralidad. Databricks mantiene relaciones financieras con importantes proveedores de modelos mientras se posiciona como una capa superior a ellos. Ghodsi sostiene que la compañía «es multicloud y admite alternativas de código abierto, por lo que los clientes no están siendo dirigidos hacia un único proveedor».
Databricks apuesta por Lakebase ante el auge de las bases de datos para agentes de IA
El negocio de las bases de datos es donde la tesis de los agentes se vuelve más tangible, porque el software generado por IA funciona de forma diferente al creado por desarrolladores humanos.
Un agente de programación puede crear varias versiones de una aplicación, probarlas simultáneamente, generar diferentes entornos y descartar la mayor parte del trabajo en cuestión de minutos. La infraestructura que sustenta ese software tiene que poder seguir ese ritmo.
Ghodsi estima que «la humanidad podría escribir más software durante los próximos nueve a 12 meses del que ha escrito a lo largo de toda su historia», basándose en el crecimiento de la producción de software que observa en los sistemas de programación basados en IA.
Cada aplicación necesita una base de datos, sostiene, y «los agentes necesitan bases de datos que puedan iniciarse casi instantáneamente, reducir su escala cuando están inactivas y permitir una experimentación rápida».
La compañía informa de más de 16 millones de arranques de bases de datos Postgres al día, una cifra que parece enorme hasta que se explica qué significa.
«Son lanzamientos de bases de datos», señala Ghodsi. «Los contabilizamos porque los agentes pueden crear bases de datos mucho más rápido que los sistemas tradicionales, y Lakebase puede iniciar una base de datos en menos de un segundo, frente a los minutos que necesitan algunos sistemas de la competencia».
Pero muchos de esos entornos nunca se convierten en aplicaciones de producción duraderas.
«La cifra de arranques no pretende medir la actividad económica», explica. «Los ingresos miden la actividad económica y la métrica de arranques demuestra la velocidad y el rendimiento con los que funciona el sistema».
Una de las características que hace que Lakebase sea adecuado para los agentes es su arquitectura basada en ramificaciones. Una empresa puede crear en aproximadamente un segundo una rama de una base de datos de escala de petabytes sin realizar una copia física completa, porque Lakebase solo registra los cambios.
Esto permite a los agentes crear entornos aislados, probar diferentes enfoques y eliminarlos posteriormente sin multiplicar el espacio de almacenamiento subyacente.
La cuestión más difícil es si el aumento del software generado por agentes conseguirá convertir esa ventaja técnica en un negocio de bases de datos mucho mayor y más duradero.
La estrategia de datos abiertos puede impulsar la próxima infraestructura de IA
El Lakehouse, la arquitectura insignia de Databricks que combina la estructura de un almacén de datos con la flexibilidad de un data lake, es en parte víctima de su propio éxito.
Su idea central —que los clientes mantengan sus datos en formatos abiertos y bajo su propio control, en lugar de encerrarlos dentro del sistema de un proveedor— se ha extendido ampliamente por la industria de los datos.
Ghodsi reconoció que competidores como Snowflake «todavía no han llegado del todo ahí, pero avanzan en la misma dirección».
Lakebase y LTAP representan el intento de Databricks de llevar las bases de datos operativas y los sistemas analíticos a una misma base de datos subyacente. La compañía afirma que los motores transaccionales y analíticos pueden mantenerse separados mientras trabajan sobre una única copia de los datos, algo que, según Ghodsi, diferencia a LTAP de los enfoques HTAP anteriores.
La limitación de Snowflake es que está protegiendo un potente negocio de análisis mientras se adentra en el territorio de las bases de datos. Del mismo modo, SingleStore puede cuestionar la novedad de esta arquitectura, pero todavía tiene que demostrar que su enfoque puede generar ingresos de producción comparables a gran escala.
Oracle parte de una posición opuesta: domina el mercado tradicional de bases de datos operativas y cuenta con relaciones empresariales consolidadas que Databricks intenta ahora conquistar.
«Databricks puede expandirse, pero los laboratorios de IA de frontera pueden avanzar hacia las aplicaciones, mientras que los hyperscalers pueden avanzar hacia la infraestructura. Snowflake también está intentando ofrecer servicios similares a los que admite Databricks. Databricks podría quedar atrapado en medio», señala Owen.
«Una ventaja clave para Databricks es su formato abierto para los datos, que permite a las empresas moverlos libremente dentro y fuera de la plataforma. Esta filosofía resulta atractiva para nuevas empresas que no tienen Snowflake».
La prueba que propone Ghodsi es más sencilla que el argumento de marketing de los productos: «La prueba estará en el rendimiento de Lakebase».
Fue incluso más allá y afirmó que los inversores deberían pedirle cuentas si Databricks deja de hablar de Lakebase, y que deberían comparar a sus competidores en función de los ingresos asociados a sus tecnologías de bases de datos, en lugar de fijarse en las etiquetas que utilizan para describirlas.
¿Se acerca la salida a bolsa de Databricks?
La reciente financiación también proporciona a Databricks mayor flexibilidad para retrasar su salida a bolsa.
Ghodsi afirma que ahora es «muy poco probable» que la compañía salga a bolsa antes que Anthropic u OpenAI. Entre los factores que menciona están la volatilidad de los mercados, los cambios en las valoraciones, los tipos de interés y una oleada de grandes operaciones tecnológicas que podrían hacer que el proceso fuera más complejo e incierto.
Ghodsi subrayó que esto no significa que Databricks tenga intención de permanecer privada indefinidamente. La compañía ya está adoptando muchas prácticas asociadas a las empresas cotizadas, incluido un contacto habitual con inversores institucionales.
El objetivo, explica, es estar preparada para una eventual salida a bolsa mientras espera «un poco más de estabilidad en los mercados» y «aguas más tranquilas».
«El modelo de infraestructura de IA requiere más capital que el modelo de software tradicional, pero Databricks es una combinación de ambos», afirma Owen.
«A largo plazo, los inversores querrán ver que la compañía genera flujo de caja libre positivo de forma sostenible, acompañado de una reducción del gasto de capital».
Este artículo ha sido traducido de Forbes.com
