Databricks 把模型塞进数据账单，毛利率随 Agent 用量下滑

模型不单卖，塞进 Lakehouse 同一张账单

Databricks 的主要产品包括 Lakehouse、Mosaic AI、Lakebase、Unity Catalog、Delta Lake，2024 年 3 月发布通用大语言模型 DBRX。模型能力没有独立定价，而是作为平台的一部分供客户调用，模型服务按 DBU 计量计费。这意味着客户买的是数据平台的使用权，模型是随用量走的一项消耗。

这种做法把模型收入藏进了平台消费额，好处是销售不需要单独说服客户采购一个模型，坏处是模型本身的价值难以单独验证。2026 年 6 月 AI 产品年化营收 17 亿美元，高于 2 月的超 14 亿美元，但相对于整体年化营收仍是少数。

对创业者来说，这提示了一条路径：如果模型能力能嵌入客户已经在用的工作流，就不需要单独卖模型。但前提是客户已经有一个持续付费的平台，否则捆绑无从谈起。

Agent 产品是下一段用量，但每次查询都烧算力

2026 年 8 月融资将重点投入三款面向企业 Agent 的产品：Lakebase、Genie、Unity AI Gateway。Databricks 还提供 Agent 开发平台 Agent Bricks，并与 OpenAI、Anthropic 等模型厂商合作接入其模型。Agent 的逻辑是让企业把重复查询和任务交给机器执行，从而产生远多于人类的查询量。

问题在于每次查询都消耗算力，收入增长和成本增长绑在一起。CEO Ghodsi 在 2026 年 6 月承认毛利率正在下降且将继续下降，并拒绝披露当前毛利率。Agent 用量越大，云算力账单越重，软件式高毛利模型被削弱。

这是一个明确的取舍：用毛利率换用量增长。对小团队而言，Agent 产品如果没有把算力成本转嫁给客户或云厂商，很容易做成规模越大越不赚钱的生意。

订阅加用量，数据平台是账单主体

Databricks 采用订阅与用量结合的收费模式，客户为数据平台支付订阅费，再按实际消耗的 DBU 付费，模型服务也按 DBU 计量。付钱的是企业客户，尤其是已经将数据栈放在 Databricks 上的公司。他们付钱的原因不是买一个模型，而是让数据存储、处理、分析和 AI 调用在同一套系统里完成，减少跨平台搬运。

2026 年 8 月公司宣布年化营收突破 70 亿美元，第二季度同比增长超过 80%。2026 年 6 月 CNBC 报道的年化营收为 69 亿美元，高于财年第四季度的 54 亿美元。两个数字来自不同时间点和不同来源，口径为平台整体消费额，不是模型单独售卖的收入。

这种模式的关键在于净留存率。2026 年 2 月披露净留存率超过 140%，说明老客户在持续扩大用量。模型和 Agent 是推高这个用量的新抓手，而不是独立的收入线。

AI 产品线是增量，不是独立生意

Databricks 披露 Lakehouse 年化营收超过 15 亿美元、同比增长超过 100%，Lakebase 年化营收突破 1 亿美元。2026 年 6 月 AI 产品年化营收为 17 亿美元，高于 2 月的超 14 亿美元。这些产品线各自有营收口径，但都依附于同一个客户关系和同一套计费系统。

把 AI 产品线单独看，17 亿美元的年化营收在整体 70 亿美元中占少数。它的意义不在于独立盈利，而在于拉动平台整体用量。客户调用模型越多，DBU 消耗越大，平台账单越高。

这带来一个定价上的矛盾：AI 产品越成功，算力成本越高，毛利率越难看。Databricks 没有选择对模型单独加价，而是让模型跟随平台用量走，这意味着它把 AI 的增量收入建立在了算力消耗上，而不是软件许可上。

大企业客户贡献主要采购额，长尾客户数量多但单价低

Databricks 称全球客户超过 2 万家，覆盖 70% 的《财富》500 强企业。2026 年 8 月称年采购额超 100 万美元的客户超过 1000 家，超 1000 万美元的超过 100 家。2026 年 2 月分别为超过 800 家和超过 70 家。客户包括阿迪达斯、AT&T、拜耳、Block、万事达卡、Rivian、联合利华等企业。

客户结构呈现明显的头部集中：少数大客户贡献了大部分采购额，大量长尾客户数量多但单价低。这种结构意味着销售和服务资源会向大客户倾斜，长尾客户更多依赖自助和标准化产品。

对小团队来说，这个结构提醒的是：不要假设客户数量等于收入。2 万家客户里，真正撑起营收的是那 1000 多家年采购额超百万美元的客户。服务好少数高价值客户，比追求客户数量更实际。

靠数据平台存量客户交叉销售 AI，而不是从零获客

Databricks 的 AI 产品不是独立获客，而是通过已有的数据平台客户关系交叉销售。客户已经在用 Lakehouse 处理数据，当需要模型和 Agent 时，同一套 Unity Catalog 和计费体系降低了采购摩擦。Agent Bricks 和 Unity AI Gateway 也沿着这条路径触达客户。

同时，Databricks 与 OpenAI、Anthropic 等模型厂商合作接入其模型，这让客户可以在不更换平台的情况下调用外部模型。渠道上，Databricks 与 AWS、微软、谷歌云既有合作也有竞争，云市场是其分发渠道之一。

这种分发方式的约束在于：它依赖数据平台的存量客户规模。如果客户没有把数据放在 Databricks 上，AI 产品就很难单独触达。对小团队而言，这意味着先建立一个客户已经在用的基础产品，比直接卖 AI 功能更容易获得分发。

算力成本随 Agent 用量上升，毛利率被主动牺牲

Databricks 的主要成本压力来自算力。Agent 产生远多于人类的查询，每次查询都消耗算力，使增长与成本同步上升。CEO Ghodsi 在 2026 年 6 月称毛利率正在下降且将继续下降，并拒绝披露当前毛利率。这说明公司清楚成本结构在恶化，但选择继续推进 Agent 用量。

钱还花在模型接入和研发上。2026 年 8 月融资将重点投入 Lakebase、Genie、Unity AI Gateway 三款企业 Agent 产品。Databricks 与 OpenAI、Anthropic 等模型厂商合作，这部分模型调用成本也会进入账单。

公司称过去 12 个月持续实现正向调整后自由现金流，但未公布具体金额及 GAAP 净利润。正向调整后自由现金流说明经营层面能产生现金，但毛利率下降意味着每一美元新增收入带来的毛利在减少。这是一场用毛利换增长的赌注。

股权融资撑估值，调整后现金流撑日常

Databricks 靠持续股权融资维持扩张。2026 年 2 月完成约 50 亿美元股权融资并获约 20 亿美元新增债务额度，估值 1340 亿美元。2026 年 8 月完成 50 亿美元战略融资，投后估值 1900 亿美元，由 Coatue 领投，Blackstone、MGX、T. Rowe Price、Sixth Street Growth 参投。2025 年 9 月还完成过 10 亿美元 K 轮融资，估值超过 1000 亿美元。

这些融资为 Agent 产品研发和算力投入提供了资金。同时，公司称过去 12 个月持续实现正向调整后自由现金流，但未公布具体金额及 GAAP 净利润。这意味着日常经营能产生现金，但盈利质量没有公开验证。

对小团队来说，这个资本结构不可复制。Databricks 能用高估值股权融资覆盖算力投入，小团队没有这个选项，必须从第一天就控制算力成本或让客户预付。

数据平台的迁移成本是护城河，模型本身不是

Databricks 真正的护城河不在模型。DBRX 被 Databricks 称为当时最强开源 AI 模型，Agent Bricks 接入的也是 OpenAI、Anthropic 等外部模型，模型能力本身不构成独占。护城河在于数据平台：客户的表、权限、血缘、治理都沉淀在 Unity Catalog 和 Delta Lake 上，迁移成本高。

模型和 Agent 依附在这套数据资产上，客户调用模型时不需要把数据搬出去。净留存率超过 140% 说明客户在持续扩大用量，这是平台黏性的体现。

但这个护城河有边界。Databricks 与 Snowflake、甲骨文及 AWS、微软、谷歌云在数据平台与 Agent 入口上竞争加剧。云厂商既提供算力又提供模型服务，客户可以选择在云厂商内部完成同样的事。Databricks 的防线是数据治理和跨云中立，但这条防线需要持续投入才能守住。

毛利率下降是结构性的，不是暂时的

CEO Ghodsi 在 2026 年 6 月明确说毛利率正在下降且将继续下降，并拒绝披露当前毛利率。原因是 Agent 产生远多于人类的查询，每次查询都消耗算力。这不是一次性的成本波动，而是业务模式变化带来的结构性压力。

从公开信息看，Databricks 似乎没有对 Agent 用量单独加价，而是把模型塞进平台账单，用毛利率换用量增长。如果 Agent 用量增长快于毛利恢复，公司会陷入收入越大、利润越薄的局面。正向调整后自由现金流没有公布具体金额，无法判断这个局面有多紧迫。

云厂商和模型厂商两头挤压

Databricks 与 Snowflake、甲骨文及 AWS、微软、谷歌云在数据平台与 Agent 入口上竞争加剧。云厂商既是 Databricks 的算力供应商，也是竞争对手，它们提供自己的模型服务和 Agent 平台，客户可以在云厂商内部完成数据加 AI 的工作。

另一头，OpenAI、Anthropic 等模型厂商在向企业入口延伸。Databricks 接入它们的模型，短期丰富了选择，长期却让模型层的话语权留在外部。Databricks 的应对是把竞争引向数据治理和跨云中立，但这需要持续的产品投入，而毛利率下降限制了投入的弹性。