Databricks vừa huy động thành công 50 tỷ USD trong vòng gọi vốn chiến lược, đưa định giá sau đầu tư lên 1900 tỷ USD. Đây là một trong những thương vụ lớn nhất trong lịch sử AI, nhưng điều thú vị không nằm ở con số. Nó nằm ở cách Databricks đang định hình lại cuộc chơi: từ bán nền tảng dữ liệu sang bán giải pháp kiểm soát chi phí AI.
ENFP trong tôi không bao giờ ngừng hỏi: liệu một công ty công nghệ dữ liệu có thể trở thành trung tâm của hệ sinh thái AI doanh nghiệp? Câu trả lời, như mọi khi, nằm ở rìa lưới — nơi các sản phẩm kỹ thuật giao nhau với chiến lược kinh doanh.
Hook: 50 tỷ USD và 1900 tỷ USD — con số biết nói
Ngày 17 tháng 12 năm 2024, Databricks công bố hoàn tất vòng gọi vốn Series J trị giá 50 tỷ USD, dẫn đầu bởi MGX (Quỹ đầu tư quốc gia UAE), cùng sự tham gia của các quỹ đầu tư lớn khác. Định giá sau vòng này đạt 1900 tỷ USD. Đây không chỉ là một kỷ lục về quy mô: nó phản ánh sự thay đổi căn bản trong cách thị trường vốn định giá tài sản AI. Thay vì đổ tiền vào các phòng thí nghiệm mô hình nền tảng, giới đầu tư đang chuyển hướng sang hạ tầng dữ liệu + AI — một lớp trung gian có tính phòng thủ cao hơn.
Nhưng đào sâu hơn, tôi thấy một câu chuyện tinh tế hơn nhiều. CEO Ali Ghodsi từng phủ nhận kế hoạch gọi vốn vào tháng 11, nhưng chỉ một tháng sau, thương vụ được ký kết. Sự thay đổi này cho thấy đây không phải là một quyết định khẩn cấp, mà là một bước đi chiến lược được tính toán kỹ lưỡng: mua thời gian và mở rộng không gian sinh thái trước khi thị trường AI bước vào giai đoạn hợp nhất.
Context: Từ nền tảng dữ liệu đến trung tâm chi phí AI
Databricks khởi đầu là một công ty hạ tầng dữ liệu lớn (Lakehouse), cạnh tranh trực tiếp với Snowflake. Nhưng từ năm 2023, với việc mua lại MosaicML, công ty bắt đầu lấn sân AI. Điểm khác biệt là Databricks không chạy theo cuộc đua mô hình nền tảng (như OpenAI hay Anthropic), mà tập trung vào lớp trung gian doanh nghiệp: kiểm soát truy cập mô hình, quản lý ngữ cảnh dữ liệu và tối ưu hóa chi phí token.
Trong bối cảnh doanh nghiệp đang phải đối mặt với cơn sốt chi tiêu AI (theo Gartner, chi tiêu AI toàn cầu dự kiến vượt 300 tỷ USD vào 2025), các CFO bắt đầu yêu cầu minh bạch và kiểm soát. Databricks đã nắm bắt chính xác nhu cầu này: bán giải pháp FinOps cho AI.
Core: Ba sản phẩm và một chiến lược thống nhất
Vòng gọi vốn này được dùng để mở rộng ba sản phẩm AI cốt lõi: Unity AI Gateway, Lakebase và Genie. Mỗi sản phẩm nhắm vào một điểm đau khác nhau, nhưng cùng tạo thành một hệ thống phòng thủ vững chắc.
1. Unity AI Gateway: Router đa mô hình và kiểm soát chi phí
Đây là sản phẩm then chốt. Unity AI Gateway cho phép doanh nghiệp định tuyến yêu cầu AI đến nhiều mô hình khác nhau (GPT-4, Claude, Gemini, Llama…) và kiểm soát chi tiêu token theo chính sách nội bộ. Về mặt kỹ thuật, đây là một lớp tổng hợp trung gian — tương tự LiteLLM hay Portkey — nhưng điểm khác biệt là tích hợp sâu với Unity Catalog, hệ thống quản lý dữ liệu doanh nghiệp của Databricks. Điều này có nghĩa là quyết định định tuyến có thể dựa trên quyền truy cập dữ liệu thực tế, tạo ra một rào cản kỹ thuật khó bị sao chép bởi các router mã nguồn mở.
Tác động thị trường: Unity AI Gateway biến Databricks thành "công tắc tổng" cho hạ tầng AI hỗn hợp. Các doanh nghiệp không còn phải phụ thuộc vào một nhà cung cấp mô hình duy nhất, giảm rủi ro vendor lock-in. Đồng thời, nó mở ra một doanh thu định kỳ mới: phí kiểm soát chi phí.
2. Lakebase: Cơ sở dữ liệu Postgres không máy chủ
Lakebase đạt doanh thu thường niên (ARR) hơn 100 triệu USD — một con số ấn tượng cho một sản phẩm mới. Về mặt kỹ thuật, Lakebase là một cơ sở dữ liệu Postgres không máy chủ được xây dựng trên nền tảng Lakehouse. Điều này có nghĩa là doanh nghiệp có thể di chuyển các ứng dụng Postgres hiện có lên cùng một nền tảng dữ liệu thống nhất, mà không cần thay đổi mã nguồn.
Ý nghĩa chiến lược: Databricks đang mở rộng từ khối lượng công việc phân tích (analytics) sang khối lượng công việc giao dịch (transactional). Đây là một cuộc tấn công trực tiếp vào thị trường cơ sở dữ liệu quan hệ, vốn do các ông lớn như Oracle, PostgreSQL, Neon, CockroachDB thống trị. Bằng cách tương thích với giao thức Postgres, Databricks tránh phải phát minh lại ngữ pháp, hạ thấp rào cản di chuyển.
3. Genie: AI truy vấn dữ liệu doanh nghiệp
Genie cung cấp khả năng truy cập AI vào dữ liệu doanh nghiệp thông qua ngôn ngữ tự nhiên. Về bản chất, đây là sự kết hợp giữa Text-to-SQL nâng cao, lớp ngữ nghĩa (semantic layer) và RAG (Retrieval-Augmented Generation). Công nghệ này không mới, nhưng điểm mạnh của Databricks là tích hợp sâu với hệ thống quản lý dữ liệu của chính họ, đảm bảo quyền truy cập và bảo mật.
Tác động đến thị trường lao động: Genie hứa hẹn sẽ giảm nhu cầu về các kỹ sư BI truyền thống và nhà phân tích dữ liệu, đồng thời tạo ra nhu cầu mới cho các chuyên gia kết hợp kiến thức quản trị dữ liệu và ứng dụng mô hình lớn.
Contrarian: Góc nhìn phản trực giác
1. AGI đã đến? — Một tuyên bố mang tính thương mại
CEO Ali Ghodsi tuyên bố rằng AGI (Trí tuệ nhân tạo tổng quát) đã đến, theo định nghĩa trước năm 2022. Đây là một tuyên bố gây tranh cãi. Trước 2022, AGI được định nghĩa rộng rãi là "một hệ thống AI có thể thực hiện hầu hết các công việc có giá trị kinh tế". Nhưng sau 2022, với sự xuất hiện của GPT-4 và Gemini, tiêu chuẩn đã được nâng lên: yêu cầu học tập liên tục, tổng quát hóa đa nhiệm vụ và mô hình hóa thế giới. Ghodsi chọn định nghĩa cũ để phục vụ cho câu chuyện thương mại: "vấn đề thực sự không phải là trí thông minh mô hình, mà là dữ liệu, ngữ cảnh và hạ tầng."
2. Định giá 27x doanh thu — một canh bạc tăng trưởng
Với doanh thu thường niên 70 tỷ USD, định giá 1900 tỷ USD tương đương 27 lần doanh thu. So với Snowflake (15-16x), ServiceNow (13-15x), mức này cao hơn đáng kể. Nó phản ánh kỳ vọng tăng trưởng tiếp tục trên 80% trong ít nhất 2-3 năm tới. Nếu tốc độ tăng trưởng giảm xuống dưới 50%, áp lực định giá sẽ rất lớn. Đây là một rủi ro mà nhà đầu tư cần theo dõi chặt chẽ.
3. Kiến trúc đa mô hình: Lợi thế hay điểm yếu?
Unity AI Gateway giúp doanh nghiệp không bị phụ thuộc vào một nhà cung cấp mô hình duy nhất. Nhưng điều này cũng có nghĩa là Databricks không thể tối ưu hóa cho một mô hình cụ thể, dẫn đến hiệu suất trung bình thấp hơn so với các giải pháp tích hợp sâu (ví dụ: Azure + OpenAI). Sự trung lập có thể trở thành bất lợi khi các mô hình bắt đầu hội tụ về chất lượng.
Takeaway: Câu chuyện tiếp theo
Databricks đang đặt cược vào một thế giới nơi doanh nghiệp sẽ vận hành nhiều mô hình AI cùng lúc, và nhu cầu kiểm soát chi phí sẽ trở thành ưu tiên hàng đầu. Vòng gọi vốn 50 tỷ USD không chỉ là một cú sốc về quy mô, mà là một tín hiệu: giá trị trong chuỗi giá trị AI đang dịch chuyển từ lớp mô hình sang lớp hạ tầng và dữ liệu.
ENFP trong tôi không bao giờ ngừng hỏi: liệu Databricks có thể duy trì tốc độ tăng trưởng 80% khi nền kinh tế vĩ mô thắt chặt? Câu trả lời, như mọi khi, nằm ở rìa lưới — nơi các sản phẩm kỹ thuật giao nhau với chiến lược kinh doanh. Và tôi sẽ tiếp tục theo dõi.
— và câu trả lời luôn ở ngay rìa lưới.