从不足100万美元到超过70亿美元年度经常性收入，Databricks用十年完成了一次罕见的企业软件扩张。在公司首席营收官Ron Gabrisko看来，真正支撑这段增长的并非某一款模型，而是数据上下文、企业治理、用量定价以及一套随收入阶段不断重建的销售体系。

Databricks是一个基于云计算的统一数据、分析和人工智能（AI）平台。它由Apache Spark的创始团队于2013年创立，其核心目的是帮助企业打破数据孤岛，将海量数据的存储、处理、商业智能（BI）分析以及机器学习/AI工作流整合在同一个平台上。

科技创业访谈节目The Peel主持人Turner Novak近期与Databricks首席营收官Ron Gabrisko进行了一次长篇交流。Ron Gabrisko在公司收入不足100万美元时加入，随后主导全球销售和市场拓展体系建设，陪伴Databricks将年度经常性收入推高至70亿美元以上。这段经历使他既熟悉公司早期寻找产品市场匹配的过程，也直接参与了全球化、定价和组织扩张。

Ron Gabrisko对Databricks的定位并不复杂：企业把分散在不同系统中的数据汇集起来，再用这些数据完成分析、预测和人工智能应用。流媒体平台的内容推荐、银行的欺诈识别和贷款审批、制药企业的新药研发，背后都涉及同一项基础工作，即把更多数据转化为更准确的判断。Databricks试图把数据工程、分析、机器学习和人工智能放进一个统一平台，并同时处理权限、治理和运行效率。

三项反共识押注奠定增长基础

Databricks的七位联合创始人均为加州大学伯克利分校博士，Ron Gabrisko把Databricks过去十年的增长归因于七位联合创始人早期做出的三项选择：全面投入云计算，坚持开源，并把数据与人工智能放在同一平台上。

今天看来，这些方向已经成为行业共识，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、监管和扩展能力，许多首席信息官甚至认为关键数据永远不会迁移到云端。

Ron回忆，公司成立初期曾拜访华尔街各大金融机构，试图开拓大客户。彼时，众多银行CIO明确表示"永远不会上云"。然而十年后，这些银行已成为Databricks最大的客户群体之一。Ron将这一历史情境与今天企业拒绝使用AI相类比，认为对新技术的抵触往往源于安全、监管与遗留系统的惯性阻力，而非技术本身的问题——"一旦你解决了安全、治理、合规这些挑战，市场就会爆发。"

Databricks选择只提供云服务，相当于押注企业基础设施最终会整体迁移。这样做使公司不必维护传统本地软件，也能随着云基础设施一起扩张。开源则帮助Spark、Delta和MLflow等项目迅速进入开发者群体，但Ron Gabrisko强调，开源用户并不会自动变成付费客户。销售团队仍需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。开源负责扩大技术覆盖面，商业产品则解决生产环境中的管理和运行问题。

企业级人工智能的护城河在数据上下文

面对快速迭代的模型市场，Ron Gabrisko并不认为单一模型能够构成持久壁垒。

企业可以选择的模型越来越多，模型能力也会不断趋同。真正决定人工智能输出质量的，是模型能否连接企业自己的专有数据，并准确理解客户、收入、流程和行业规则。缺少这些上下文，模型只能提供泛化答案；具备上下文后，它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。公司从数据科学和机器学习市场起步，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，谁就更接近企业人工智能的核心基础设施。

访谈披露，Databricks仅人工智能相关收入已达到约17亿美元。这个数字说明，企业客户已经愿意为生产级人工智能付费，但购买对象并不是脱离自身数据的通用聊天工具，而是能够在受控环境中完成查询、计算、预测和智能体任务的系统。

上下文控制选择和成本决定能否进入生产

Ron Gabrisko把企业部署人工智能时最关心的问题归纳为四个方面。

首先是上下文，人工智能必须接入企业数据，才能理解业务并提高预测可靠性。

其次是控制，企业需要清楚谁能访问哪些数据、模型和智能体如何使用数据，以及怎样防止敏感信息泄露。对银行、医疗和政府等受监管行业而言，权限、审计和合规是产品能否进入生产环境的前提。

第三个问题是选择。复杂任务可能适合前沿闭源模型，其他任务则可能更适合开源模型。企业还希望保留云平台选择，避免被单一供应商锁定。

第四个问题是成本。人工智能项目可以在短时间内消耗大量计算资源，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。

这些约束并没有减少应用场景。Ron Gabrisko提到，客户已经用人工智能加速新药发现，自动处理贷款和欺诈识别，也帮助零售商优化促销、货架、配送和库存。真正困难的部分，是以高效、可控的方式把模型与企业数据连接起来，并持续检查输出质量。

把Databricks变成零号客户

Databricks把自己的业务系统作为人工智能产品的第一个使用场景。

Ron Gabrisko使用Genie预测收入，称预测误差可以控制在约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。在客户会议前，Genie还可以整理账户信息、产品使用情况和潜在机会。

与只能展示预设指标的传统仪表盘不同，Genie允许员工直接用自然语言提问，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这一工具，以减少预测、录入和账户管理等行政工作，并在客户面前直接演示产品。

这种零号客户机制还有另一层作用。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。人工智能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，以及如何在提升效率的同时保留必要的审核。

从百万美元到70亿美元需要四套销售体系

Ron 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。大型企业的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。有效的销售必须先研究客户的组织结构和业务问题，再说明产品如何降低成本、缩短时间或减少风险。

销售组织也不能用同一套方法跨越所有收入阶段。

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的匹配；从2000万美元走向1亿美元时，公司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、合作伙伴和渠道开始成为增长重点；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。

这并非在没有需求的情况下盲目铺量，因为Spark当时已经拥有大量用户。这批销售人员的任务是访问开源用户，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。他们既在争取收入，也在承担客户发现工作。

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。

这段经历也说明，产品驱动增长无法替代企业销售。开源用户愿意使用技术，却未必会主动购买商业服务。销售团队必须主动把免费使用与托管、安全、治理等可收费功能连接起来，帮助客户从个人或小团队试用走向企业采购。

复杂产品必须由懂技术的人销售

Databricks要求销售人员能够亲自演示产品。其主要买家是数据工程师、数据科学家和其他技术人员，如果销售人员不能理解客户的问题，就很难建立可信度。Ron Gabrisko因此把技术能力、数据和人工智能行业经验、按用量销售经验、创业公司经历以及在压力下的韧性，视为招聘中的重要条件。

候选人需要提交商业计划，向首席执行官推介人工智能愿景，并针对所在行业完成Genie演示。Ron Gabrisko对频繁在两年内换工作的履历保持谨慎，因为这类候选人可能尚未经历公司的困难阶段。他在背景调查中也避免笼统询问候选人是否优秀，而会要求推荐人给出相对排名、再次共事意愿和压力下的具体表现。

这套招聘标准服务于Databricks的企业销售模式。销售人员需要带着知识进入客户现场，既能讨论业务结果，也能解释产品如何部署。对复杂技术公司而言，销售并非产品之外的包装，而是帮助客户理解和采用产品的一部分。

免费概念验证为扩张服务

Databricks早期的大多数概念验证和试点都是免费的。

Ron Gabrisko认为，试点的目标是证明团队和产品的价值，而不是从短期项目中赚钱。不过，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，确保试点成功后能够进入正式采购。

这种方法形成了典型的落地扩张路径。Databricks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。试点是否收费并非关键，关键是它能否转化为更大的长期合同。

用量定价让收入与客户价值一起增长

Databricks早期年度合同金额约为1.5万至1.8万美元。为了提高客单价，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。

Ron Gabrisko据此形成了一项定价原则：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。对云服务和人工智能软件而言，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，客户得到的价值和供应商收入可以同步增长。

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。

数据治理同样是人工智能落地的基础障碍。

企业数据常常散落在旧系统、旧格式和专有格式中。新工具可以帮助建立数据管道、发现数据集和添加标签，但把数据整理到可供人工智能安全调用的位置，仍是一项复杂工程。技术平台、业务领域知识和治理能力需要同时进入生产环境。

国际扩张进一步放大了这些要求。Ron Gabrisko建议公司先远程获得少量海外客户，等本土市场的销售打法基本稳定后再大规模投入。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。当地负责人熟悉客户与人才，总部派出的成熟员工掌握产品和内部经验，两类人需要共同搭建区域团队。

前线部署工程师连接技术和业务

企业人工智能项目需要一类同时理解业务目标和技术实现的人。

Databricks的前线部署工程师能够编程、搭建产品、完成试点和环境建设，也会与市场团队紧密协作。他们需要判断客户真正想完成什么，选择合适的技术路径，并提前考虑升级、成本和维护。

Ron Gabrisko认为，好的方案不能长期依赖一支庞大的外部团队反复重写。它必须能够扩展，成本可控，并最终由客户自己的团队维护。前线部署工程师的价值正在于把一次性的定制项目转化为可持续运行的产品能力。

上市只是增长过程中的一个节点

对于外界长期关注的上市时间，Ron Gabrisko给出的态度是，Databricks上市只是时间问题。公司已经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。

Ron Gabrisko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已经接近终点。他将公司所处阶段形容为比赛的第二局上半场，意味着企业人工智能仍处于早期，Databricks也需要继续更新产品、组织和市场打法。

Ron Gabrisko早年希望成为职业棒球运动员。虽然这项计划没有实现，但训练、竞争和坚持的习惯被他带进了管理工作。在他看来，真正重要的是团队在压力下是否仍愿意承担责任。Databricks十年的扩张证明，技术选择可以决定起点，而把技术转化为持续收入，还需要长期建设销售、定价、治理和组织能力。