Databricks首席營收官Ron Gabrisko在科技創業訪談節目The Peel中與主持人Turner Novak進行了一次長篇交流，回顧公司如何用約十年時間把年度經常性收入從不足100萬美元推高到超過70億美元。他加入公司時收入尚不足100萬美元，此後主導全球銷售與市場拓展體系的搭建，既經歷過早期尋找產品市場匹配的階段，也直接參與了全球化、定價與組織擴張。

Databricks由Apache Spark的創始團隊於2013年創立，七位聯合創始人均為加州大學伯克利分校博士。公司定位是一個基於雲端計算的統一資料、分析和人工智慧平台，目標是把企業分散在不同系統中的資料彙集起來，再將資料工程、分析、機器學習和AI工作流放進同一個平台，同時處理許可權、治理與執行效率。流媒體推薦、銀行欺詐識別與貸款審批、製藥企業的新藥研發，在Gabrisko看來都指向同一項基礎工作：把更多資料轉化為更準確的判斷。

Gabrisko把過去十年的增長歸因於創始團隊早期的三項選擇：全面投入雲端計算、堅持開源、把資料與AI放在同一平台。這些方向如今已是行業共識，但在公司創立初期，大型企業的核心繫統大多仍部署在本地，銀行和金融機構擔心雲服務的安全、監管與擴充套件能力。他回憶，公司早期拜訪華爾街金融機構時，不少資訊長明確表示關鍵資料不會上雲；而十年後，這些銀行已成為Databricks最大的客戶群體之一。他把這一歷史情境與當下企業對AI的牴觸相類比，認為阻力往往來自安全、監管與遺留系統的慣性，而非技術本身，一旦安全、治理、合規問題得到解決，市場就會開啟。

開源策略幫助Spark、Delta和MLflow等專案迅速進入開發者群體，但Gabrisko強調，開源使用者並不會自動轉化為付費客戶。銷售團隊需要了解使用者在實際部署中遇到的困難，以及他們願意為什麼付費。客戶給出的答案集中在託管服務、安全、可靠性、治理和可擴充套件性上，Databricks由此在開源技術之上提供企業級平台，把客戶原本需要自行拼裝和維護的複雜系統變成可直接使用的服務。

面對快速迭代的模型市場，Gabrisko並不認為單一模型能夠構成持久壁壘。企業可選的模型越來越多，模型能力也會不斷趨同，真正決定AI輸出質量的是模型能否連線企業專有資料，並準確理解客戶、收入、流程和行業規則。缺少這些上下文，模型只能給出泛化答案；具備上下文後，才可能生成與業務直接相關的預測和行動建議。這也是Databricks希望長期佔據的位置：公司從資料科學與機器學習市場起步，隨後用Unity Catalog等能力統一管理資料、模型、筆記本和其他資產。模型供應商可能變化，企業的資料、許可權結構和業務語義卻會長期存在，誰能安全地組織這些資產，並讓不同模型在同一治理框架下呼叫，誰就更接近企業AI的核心基礎設施。

訪談披露，Databricks僅AI相關收入已達到約17億美元。Gabrisko認為，這說明企業客戶已願意為生產級AI付費，但購買物件並不是脫離自身資料的通用聊天工具，而是能在受控環境中完成查詢、計算、預測和智慧體任務的系統。他把企業部署AI時最關心的問題歸納為四個方面：上下文，即AI必須接入企業資料；控制，即誰能訪問哪些資料、模型和智慧體如何使用資料、如何防止敏感資訊洩露；選擇，即複雜任務可能適合前沿閉源模型，其他任務可能更適合開源模型，企業還希望保留雲平台選擇；成本，即AI專案可能快速消耗大量計算資源，管理層必須設定預算、用量規則和護欄，並持續衡量每項應用創造的業務價值。

Databricks還把自身業務系統作為AI產品的第一個使用場景。Gabrisko使用Genie預測收入，稱預測誤差可控制在約1%至2%；他也會讓系統識別最可能流失的客戶、分析原因並給出補救建議，或判斷哪些產品黏性更強、哪些賬戶仍有增長空間。與只能展示預設指標的傳統儀表盤不同，Genie允許員工用自然語言提問，系統在後台完成查詢、計算、圖表、預測和模型呼叫，所有銷售人員都能在手機上使用。公司先用自己的產品重新設計銷售流程，再把經過驗證的做法帶給客戶，AI因此不只是原流程的自動化工具，而是促使團隊重新思考哪些工作應由人完成、哪些判斷可以交給系統。

在銷售組織上，Gabrisko認為企業軟體銷售最常見的錯誤是在理解客戶之前就開始推銷。大型企業購買決策通常涉及預算負責人、業務部門、技術團隊、管理層和審批流程，銷售週期可能持續6至12個月甚至更久。銷售方法也不能一套用到底：收入從零增長到1000萬或2000萬美元時，首要任務是找到產品與市場匹配；從2000萬美元走向1億美元時，需要建立可重複的銷售打法；從1億美元邁向10億美元時，國際市場、合作伙伴和渠道成為增長重點；進入數十億美元規模後，領導團隊、文化、系統、流程和持續創新決定組織能否繼續擴張。Databricks早期曾在一個季度招聘約40名銷售人員，這批人的任務不是盲目鋪量，而是訪問當時已大量存在的Spark使用者，瞭解客戶願意為什麼付費，並識別最可能購買的行業和公司型別。公司收入隨後從不足100萬美元增長到約1300萬至1500萬美元，再跨過5000萬美元、1億美元和2.5億美元。

定價方面，Databricks早期年度合同金額約為1.5萬至1.8萬美元。為提高客單價，公司一度增加平台費和使用者費，但按席位收費促使客戶限制使用人數，反而壓低了產品用量；取消使用者費後，更多員工可以直接使用平台，整體用量隨之快速增長。Gabrisko據此形成一項原則：價格應儘可能貼近客戶獲得的價值。價格高於價值，客戶不會購買；價格明顯低於價值，公司則無法獲得合理回報。對雲服務和AI軟體而言，計算量、查詢量、令牌或其他真實用量通常比席位數更合適，當資料規模、查詢需求和智慧體活動增加時，客戶價值與供應商收入可以同步增長。

在客戶落地路徑上，Databricks早期大多數概念驗證和試點都是免費的，但免費並不意味著無限期投入：專案開始前必須約定需要證明的能力、明確成功標準和完成期限，並獲得足夠高級別的負責人支援，確保試點成功後能進入正式採購。公司通常先在一個部門或使用場景中證明價值，培養內部支持者，再擴充套件到同一部門的其他任務，隨後覆蓋更多部門，最終進入整個企業。

Gabrisko還提到，企業級要求必須在產品早期完成。許多軟體公司先服務願意嚐鮮的創業公司和技術公司，但要建立數十億美元規模的業務，最終必須進入銀行、醫療、零售、消費品和政府市場，這些客戶會系統審查安全、合規、許可權、審計和資料隔離，如果產品早期沒有考慮這些要求，後期補建往往會拖慢銷售和產品開發。國際擴張會進一步放大這些要求，他建議先遠端獲得少量海外客戶，等本土銷售打法基本穩定後再大規模投入，並指出歐洲、中東和非洲不能被視為單一市場，日本和印度也有不同的語言、文化和採購習慣。

對於外界長期關注的上市時間，Gabrisko的態度是Databricks上市只是時間問題。公司已按照上市公司的方式運營，定期披露財務情況、召開董事會，並通過審計委員會審視業務，但管理層並不急於完成這一動作。他把公司的長期目標設定為萬億美元級別，上市因此只是旅程的一部分；與這一目標相比，70億美元年度經常性收入並不意味著增長接近終點，他將公司所處階段形容為比賽的第二局上半場，意味著企業AI仍處於早期，Databricks也需要繼續更新產品、組織和市場打法。