تصور کنید شرکتی که یک دهه فقط روی انبارداری دادههای عظیم تمرکز کرده بود، حالا به قلب تپنده زیرساختهای هوش مصنوعی تبدیل شده و ارزشش را به ۱۸۸ میلیارد دلار برساند. این جهش خیرهکننده، روایت جدید Databricks است که حالا دیگر نمیخواهد فقط یک «ستاره قدیمی SaaS» باشد.
طبق گزارشهای صنعتی، این ارزشگذاری جدید پس از یک دور جذب سرمایه به رهبری Coatue رخ داده است. اگرچه انتظار میرود تراکنش نهایی و بسته شدن رسمی این معامله در اواخر تابستان جاری اتفاق بیفتد و شرکت هنوز وجوه را دریافت نکرده است، اما بر اساس بررسی منابع و گزارشهای متعدد صنعتی، مبلغ جذب سرمایه در این مرحله حدود ۳ میلیارد دلار تخمین زده میشود.
همانطور که در تحلیلهای قبلی ما دربارهی گذار شرکتهای دادهمحور به مدلهای زاییده، اشاره کردیم، Databricks اکنون در حال تکمیل یک چرخش استراتژیک است. این شرکت که در سال ۲۰۱۳ تأسیس شد، ده سال را به عنوان رهبر دادههای حجیم (Big Data) گذراند تا به سازمانها کمک کند مجموعههای عظیم دادههای ابری را برای تحلیل ذخیره کنند. اما اکنون، هویت خود را بهطور کامل به یک ارائهدهنده AI تغییر داده است تا از یک ابزار ذخیرهساز به یک موتور تولید هوشمند تبدیل شود.
مسیر جذب سرمایه این شرکت در یکونیم سال اخیر بسیار تند و تیز بوده است. Databricks چنان دورهای متعددی از تامین مالی را پشت سر گذاشته که حتی به موضوع میمهای اینترنتی تبدیل شد؛ کاربران در فضای مجازی به شوخی میگفتند که حروف الفبا برای نامگذاری این دورها تمام شده است و با طنز منتظر رسیدن به دور «سری AA» هستند.
تراژکتوری مالی شرکت بسیار صعودی بوده است. به گزارش TechCrunch در ۱۷ ژوئیه ۲۰۲۶، این شرکت در فوریه ۲۰۲۶ دور سرمایهگذاری سری L را با مبلغ ۵ میلیارد دلار و ارزشگذاری ۱۳۴ میلیارد دلاری بست. پیش از آن، در سپتامبر ۲۰۲۵ مبلغ ۱ میلیارد دلار با ارزش ۱۰۰ میلیارد دلاری و در دسامبر ۲۰۲۴ یک دور رکوردشکن ۱۰ میلیارد دلاری با ارزش ۶۲ میلیارد دلاری جذب کرده بود؛ سرعت رشد این اعداد چنان بود که نشاندهنده اعتماد شدید بازار به استراتژی جدید این شرکت است. این رقابت برای جذب سرمایه و تسلط بر زیرساختها، مشابه رقابتی است که شرکت Groq نیز برای بقا در برابر انویدیا و توسعه سختافزارهای خود تجربه کرد.
به دلیل اینکه Databricks پیش از این بر روی حجم عظیمی از دادههای سازمانی تسلط داشت، موقعیت ایدهآلی پیدا کرد تا هوش مصنوعی را با همان سطح از امنیت و حاکمیتی (Governance) ارائه دهد که organizationهای سنتی از نرمافزارهای قدیمی انتظار دارند. این «هاله AI» (AI-halo) به شرکت اجازه داد تا جهشی در ارزشگذاری داشته باشد؛ روندی که در کل صنعت دیده میشود و حتی شرکتهایی مثل فروشگاه ساندویچی Jersey Mike’s در اسناد S-1 خود ۲۲ بار به هوش مصنوعی اشاره کردهاند تا جذابیت خود را برای سرمایهگذاران بالا ببرند.
برای تثبیت این جایگاه و تبدیل تئوری به عمل، شرکت مجموعهای از ابزارهای تخصصی را عرضه کرد:
- Lakebase: یک پایگاهداده که بهطور خاص برای عاملها (Agent) — شبیه دستیارهای هوشمندی که میتوانند بهطور مستقل وظایف را برنامهریزی و اجرا کنند — طراحی شده است.
- Unity: یک درگاه (Gateway) هوش مصنوعی برای تامین امنیت و مدیریت دسترسی در سطح سازمانی.
- Omnigent: یک «هارنس یا مهارکننده» (Meta-harness) که برای مدیریت و کنترل همزمان چندین عامل هوشمند به کار میرود.
در کنار ابزارها، Databricks اکنون مبلغ هزینه استنتاج (Inference) — یعنی همان لحظهای که مدل واقعاً جواب تولید میکند و شبیه خودِ آشپزی است، نه دورهی آموزش آشپز — را هدف قرار داده است. این شرکت به شدت روی وزنهای باز (Open Weights) تمرکز کرده است؛ یعنی مدلهایی که کد زیربنایی آنها علناً منتشر شده تا هر کاربر بتواند آنها را مطابق نیاز خود اصلاح کند. این رویکرد به یک روند اصلی در سال ۲۰۲۶ تبدیل شده است تا هزینههای عملیاتی کنترل شوند.
به نقل از علی غودسی، مدیرعامل شرکت، بنچمارکهای داخلی که هفته گذشته روی ۳۰۰۰ مهندس نرمافزار شرکت انجام شد، نتایج جالبی داشت. شرکت مدلهای AI را در وظایف واقعی که توسط برنامهنویسان اجرا میشد مقایسه کرد. نتایج نشان داد که «مدلهای باز، و بهویژه GLM 5.2، اکنون قادرند حتی دشوارترین سطح از وظایف کدنویسی را مدیریت کنند».
این مدل متنباز که متعلق به شرکت Z.ai است، بهمراتب مقرونبهصرفهتر از گزینههای انحصاری و بستهی شرکتهای Anthropic و OpenAI بود. با این حال، این مطالعه یک نکته کلیدی را آشکار کرد: «هارنس» — همان ابزار کدنویسی عاملمحوری مثل Codex یا Claude Code که زمینه (Context) و دستورالعملها را مدیریت میکند — تأثیری برابر با خودِ مدل بر روی هزینهها دارد.
در بررسی کارایی هارنسها، نتایج следующим بود:
- Pi: این هارنس متنباز به عنوان یکی از بهترین گزینهها برای مدیریت زمینه پیرامون هر پرامپت (Prompt) شناخته شد.
- تأثیر هزینه: استفاده از Pi منجر به یکی از ارزانترین انتخابها شد، بدون اینکه کیفیت خروجی هیچ کاهش یابد.
Databricks در نهایت اعلام کرد که «انتخاب مدل تنها یکی از تکههای این پازل است» و اشاره کرد که هارنسهای بومی (Native) همیشه بدتر نیستند و یک هارنس خاص لزوماً همیشه ارزانترین گزینه نیست.
این تحول نشاندهنده یک روند گسترده در سازمانها است: حرکت از مدلهای گرانقیمت و عمومی به سمت یک پشتهی ماژولار (Modular Stack) متشکل از وزنهای باز و هارنسهای تخصصی. برای مدیران کسبوکار، این یعنی «مالیات AI» بهزودی کاهش مییابد، چون زیرساختها به جای تکیه بر نام برند، روی بهینهسازی هزینه تمرکز میکنند.
گام بعدی شما
- بررسی جایگزینی مدلهای بسته با مدلهای وزنباز برای کاهش هزینههای عملیاتی.
- مطالعه روی هارنسهای متنباز مانند Pi برای بهبود مدیریت زمینه در پروژههای کدنویسی.
- رصد رقابت میان غولهای دادهای برای استانداردسازی گردشکارهای عاملمحور جهت جلوگیری از وابستگی به یک فروشنده خاص (Vendor Lock-in).
اما نبرد واقعی اکنون بر سر این است که کدام «هارنس» به استاندارد صنعتی برای جریانهای کاری تبدیل شود؛ موضوعی که اثر آن بر اکوسیستم متنباز را در گزارش بعدی بررسی خواهیم کرد.
گفتگو