Databricks首席营收官Ron Gabrisko在科技创业访谈节目The Peel中与主持人Turner Novak进行了一次长篇交流，回顾公司如何用约十年时间把年度经常性收入从不足100万美元推高到超过70亿美元。他加入公司时收入尚不足100万美元，此后主导全球销售与市场拓展体系的搭建，既经历过早期寻找产品市场匹配的阶段，也直接参与了全球化、定价与组织扩张。

Databricks由Apache Spark的创始团队于2013年创立，七位联合创始人均为加州大学伯克利分校博士。公司定位是一个基于云计算的统一数据、分析和人工智能平台，目标是把企业分散在不同系统中的数据汇集起来，再将数据工程、分析、机器学习和AI工作流放进同一个平台，同时处理权限、治理与运行效率。流媒体推荐、银行欺诈识别与贷款审批、制药企业的新药研发，在Gabrisko看来都指向同一项基础工作：把更多数据转化为更准确的判断。

Gabrisko把过去十年的增长归因于创始团队早期的三项选择：全面投入云计算、坚持开源、把数据与AI放在同一平台。这些方向如今已是行业共识，但在公司创立初期，大型企业的核心系统大多仍部署在本地，银行和金融机构担心云服务的安全、监管与扩展能力。他回忆，公司早期拜访华尔街金融机构时，不少首席信息官明确表示关键数据不会上云；而十年后，这些银行已成为Databricks最大的客户群体之一。他把这一历史情境与当下企业对AI的抵触相类比，认为阻力往往来自安全、监管与遗留系统的惯性，而非技术本身，一旦安全、治理、合规问题得到解决，市场就会打开。

开源策略帮助Spark、Delta和MLflow等项目迅速进入开发者群体，但Gabrisko强调，开源用户并不会自动转化为付费客户。销售团队需要了解用户在实际部署中遇到的困难，以及他们愿意为什么付费。客户给出的答案集中在托管服务、安全、可靠性、治理和可扩展性上，Databricks由此在开源技术之上提供企业级平台，把客户原本需要自行拼装和维护的复杂系统变成可直接使用的服务。

面对快速迭代的模型市场，Gabrisko并不认为单一模型能够构成持久壁垒。企业可选的模型越来越多，模型能力也会不断趋同，真正决定AI输出质量的是模型能否连接企业专有数据，并准确理解客户、收入、流程和行业规则。缺少这些上下文，模型只能给出泛化答案；具备上下文后，才可能生成与业务直接相关的预测和行动建议。这也是Databricks希望长期占据的位置：公司从数据科学与机器学习市场起步，随后用Unity Catalog等能力统一管理数据、模型、笔记本和其他资产。模型供应商可能变化，企业的数据、权限结构和业务语义却会长期存在，谁能安全地组织这些资产，并让不同模型在同一治理框架下调用，谁就更接近企业AI的核心基础设施。

访谈披露，Databricks仅AI相关收入已达到约17亿美元。Gabrisko认为，这说明企业客户已愿意为生产级AI付费，但购买对象并不是脱离自身数据的通用聊天工具，而是能在受控环境中完成查询、计算、预测和智能体任务的系统。他把企业部署AI时最关心的问题归纳为四个方面：上下文，即AI必须接入企业数据；控制，即谁能访问哪些数据、模型和智能体如何使用数据、如何防止敏感信息泄露；选择，即复杂任务可能适合前沿闭源模型，其他任务可能更适合开源模型，企业还希望保留云平台选择；成本，即AI项目可能快速消耗大量计算资源，管理层必须设置预算、用量规则和护栏，并持续衡量每项应用创造的业务价值。

Databricks还把自身业务系统作为AI产品的第一个使用场景。Gabrisko使用Genie预测收入，称预测误差可控制在约1%至2%；他也会让系统识别最可能流失的客户、分析原因并给出补救建议，或判断哪些产品黏性更强、哪些账户仍有增长空间。与只能展示预设指标的传统仪表盘不同，Genie允许员工用自然语言提问，系统在后台完成查询、计算、图表、预测和模型调用，所有销售人员都能在手机上使用。公司先用自己的产品重新设计销售流程，再把经过验证的做法带给客户，AI因此不只是原流程的自动化工具，而是促使团队重新思考哪些工作应由人完成、哪些判断可以交给系统。

在销售组织上，Gabrisko认为企业软件销售最常见的错误是在理解客户之前就开始推销。大型企业购买决策通常涉及预算负责人、业务部门、技术团队、管理层和审批流程，销售周期可能持续6至12个月甚至更久。销售方法也不能一套用到底：收入从零增长到1000万或2000万美元时，首要任务是找到产品与市场匹配；从2000万美元走向1亿美元时，需要建立可重复的销售打法；从1亿美元迈向10亿美元时，国际市场、合作伙伴和渠道成为增长重点；进入数十亿美元规模后，领导团队、文化、系统、流程和持续创新决定组织能否继续扩张。Databricks早期曾在一个季度招聘约40名销售人员，这批人的任务不是盲目铺量，而是访问当时已大量存在的Spark用户，了解客户愿意为什么付费，并识别最可能购买的行业和公司类型。公司收入随后从不足100万美元增长到约1300万至1500万美元，再跨过5000万美元、1亿美元和2.5亿美元。

定价方面，Databricks早期年度合同金额约为1.5万至1.8万美元。为提高客单价，公司一度增加平台费和用户费，但按席位收费促使客户限制使用人数，反而压低了产品用量；取消用户费后，更多员工可以直接使用平台，整体用量随之快速增长。Gabrisko据此形成一项原则：价格应尽可能贴近客户获得的价值。价格高于价值，客户不会购买；价格明显低于价值，公司则无法获得合理回报。对云服务和AI软件而言，计算量、查询量、令牌或其他真实用量通常比席位数更合适，当数据规模、查询需求和智能体活动增加时，客户价值与供应商收入可以同步增长。

在客户落地路径上，Databricks早期大多数概念验证和试点都是免费的，但免费并不意味着无限期投入：项目开始前必须约定需要证明的能力、明确成功标准和完成期限，并获得足够高级别的负责人支持，确保试点成功后能进入正式采购。公司通常先在一个部门或使用场景中证明价值，培养内部支持者，再扩展到同一部门的其他任务，随后覆盖更多部门，最终进入整个企业。

Gabrisko还提到，企业级要求必须在产品早期完成。许多软件公司先服务愿意尝鲜的创业公司和技术公司，但要建立数十亿美元规模的业务，最终必须进入银行、医疗、零售、消费品和政府市场，这些客户会系统审查安全、合规、权限、审计和数据隔离，如果产品早期没有考虑这些要求，后期补建往往会拖慢销售和产品开发。国际扩张会进一步放大这些要求，他建议先远程获得少量海外客户，等本土销售打法基本稳定后再大规模投入，并指出欧洲、中东和非洲不能被视为单一市场，日本和印度也有不同的语言、文化和采购习惯。

对于外界长期关注的上市时间，Gabrisko的态度是Databricks上市只是时间问题。公司已按照上市公司的方式运营，定期披露财务情况、召开董事会，并通过审计委员会审视业务，但管理层并不急于完成这一动作。他把公司的长期目标设定为万亿美元级别，上市因此只是旅程的一部分；与这一目标相比，70亿美元年度经常性收入并不意味着增长接近终点，他将公司所处阶段形容为比赛的第二局上半场，意味着企业AI仍处于早期，Databricks也需要继续更新产品、组织和市场打法。