databricks.com

本想融资10亿美元,结果涌来150亿美元 — 投资人买的其实是'省钱'

Databricks估值, AI token成本, Unity AI Gateway, token maxxing, AI基础设施投资商业

创始人说"我们只需要10亿美元"。结果投资人直接甩来150亿美元。

乍一看,很容易当成"又一个AI泡沫故事"划过去。但挖到真正的原因,其实是企业被自己的AI账单吓到了。

3秒读懂

目标10亿美元 → 投资人关注150亿美元 → 最终融资50亿美元 → 估值1900亿美元 → 真正原因是AI账单恐慌

大家都以为这又是AI泡沫

事情是这样的。Databricks原本只打算融资10亿美元左右。结果在公司6月的大会期间,The Information发了一篇报道,说Databricks正在筹划大规模融资——从那一刻起,局面完全变了。

CEO Ali Ghodsi对TechCrunch这么说:

"那篇文章一出来,投资人的电话就排着队打过来了。我的手机直接被打爆。"
— Ali Ghodsi,Databricks CEO

轮次都还没正式启动,光是接触过的一小部分投资人就凑出了150亿美元的意向。公司最终拿了50亿美元,以1900亿美元估值收官。领投是Coatue,还有Blackstone、MGX、T. Rowe Price系基金、Sixth Street Growth等约二十多家机构参与。

光看到这里,很容易读成"钱多得没地方花,见AI就冲"的老套泡沫叙事。但数字给出的答案不太一样。Databricks的年化收入达到70亿美元,同比增长超过80%,而且已经实现现金流为正。核心的数据仓库产品单独就有15亿美元收入,增速100%,超过1000家客户年花费超百万美元。

也就是说,这轮融资不是"靠预期撑起来的泡沫",背后是真金白银的付费客户。那问题就得换个问法了:投资人到底买的是什么?

Ghodsi用一句话总结了这轮融资的背景:"AI很贵(AI is expensive)。" 一家和三大云厂商签了数十亿美元基础设施合同、还养着百人规模AI研究团队的公司说这话,可不是随口一说。

而且这个"贵"字,说的不只是Databricks自己的支出。一个月前,公司在另一份估值1880亿美元的战略轮公告中,专门点出了企业使用AI的习惯本身正在改变。

"企业正在从'token maxxing'转向'value maxxing'。他们不想把昂贵的token都烧在最聪明的那个模型上。"
— Databricks官方公告

翻译一下就是:以前不管什么任务都用最贵最聪明的模型(token maxxing),现在开始按任务难度分配合适的模型,用同样的预算榨出更多价值(value maxxing)。问题是,一旦组织里用的模型和供应商多起来,靠人工根本管不过来。

Databricks这轮主推的Unity AI Gateway,瞄准的正是这个缺口。面向同时使用多个AI模型的组织,它把按模型设置访问权限、按模型监控成本、在混合模型环境中统一执行安全策略放在同一层处理。 CIO和IT运维团队不用再一个一个管理几十个AI集成,而是能集中掌控。

配套的还有Genie(基于业务数据给出可靠答案的AI同事工具)和Lakebase(供AI智能体自主读写的无服务器Postgres,年化收入已突破1亿美元)。 Ghodsi是这么总结的:"企业要的不是一个只会说话的AI,而是一个记得住上下文、给出准确答案、还不超预算的智能体。"

说白了,投资人排队甩出150亿美元的真正原因,不是"AI很酷",而是"控制AI成本的基础设施"这个需求已经变成了实打实的刚需。

看数字就知道这个涨幅有多陡。2024年12月Series J轮时估值还是620亿美元,这一轮已经冲到1900亿美元。

20个月里估值翻了3倍,目前的年化收入倍数约为27倍。在数据与AI平台市场,Databricks最接近的上市对手是Snowflake,分析师们把这轮融资解读为对Snowflake的直接竞争压力。

领投这轮的Coatue合伙人Thomas Laffont这么评价:"Databricks花了十年时间提前押注AI的方向。现在它已经成了整个行业用来搭建和扩展的基础设施。" 微软也把合作关系延长到了2030年代,进一步扩大Azure Cobalt的使用规模。

公司为什么一直需要更多资金,原因也很清楚:和三大云厂商的数十亿美元基础设施合同、百人规模的AI研究团队,以及活跃的并购节奏。最近一笔收购是轻量级Postgres团队ElectricSQL,用来强化Lakebase的性能。 Ghodsi本人也直言:"我们做了很多并购。"

眼下这么多资本涌向"控制AI成本"这个需求,某种程度上也是在提醒你:你所在组织的AI支出,大概率正走在同一条曲线上。

不是Databricks客户也没关系。我们把德勤(Deloitte)整理的"AI token经济治理"框架,翻译成了一份可以直接在你公司里跑的清单。

先按战略标准筛一遍
"如果AI对组织真的重要,关键问题是它有没有部署在真正有意义的地方。"先把纯粹试玩的AI项目和战略性投入的AI项目分开。
按部门算清TCO
把token成本对总拥有成本(TCO)的影响,拆到部门或产品线一级去算。看不见漏在哪儿,就没法堵。
资金来源、使用情况、单位经济模型分开审计
这笔AI预算从哪来、谁在用、为什么用、各模型的定价结构长什么样——这三件事分开查,别混在一起看。
按顺序排查四大风险
预测波动性(成本是不是忽高忽低)→利润侵蚀(是不是在被慢慢吃掉)→资本时机(是不是只会事后补救)→业绩解释力(能不能用数字说清ROI),按这个顺序过一遍。
评估要不要上多模型网关
如果已经在用两个以上的AI模型或供应商,检查一下访问控制、成本监控、策略执行是不是都在同一层完成。不一定非得用Databricks,但如果这层根本不存在,现在就是搭建的时机。