Databricksとは？評価額1,340億ドルのAI・データプラットフォームを完全解説【2026年最新版】
この記事の要約
ARR54億ドル超、評価額1,340億ドルのデータ・AIプラットフォームDatabricksを完全解説。料金体系、全機能の詳細、Snowflakeとの比較、Lakebase・Agent Bricks・Genieの最新動向、Ali Ghodsiの壮絶な人生、そして2026年のIPO展望まで——この1記事でDatabricksのすべてがわかります。
「24時間以内に国外へ出ろ」
1984年、イランの首都テヘラン。5歳の少年は、窓の外で隣家が爆撃される光景を目撃しました。イラン・イラク戦争の真っ只中。両親は医師で、政治的反体制派でした。ある日、イラン政府から通告が届きます。
家族は着の身着のまま、スウェーデンへ亡命しました。
42年後の2026年。その5歳の少年は、評価額1,340億ドル（約20.1兆円）の企業のCEOになっていました。年間売上は54億ドルを超え、Fortune 500の60%以上が導入。しかし「コストが予測不能」「学習曲線が険しい」という批判も絶えない。
本記事は、華々しい成功と見落とされがちな影の両面から、Databricksのすべてを解き明かします。
本記事の表記について
- 金額の日本円換算は1ドル=150円で計算しています
- 情報は2026年3月時点のものです
- 下線付きの用語にカーソルを合わせると解説が表示されます
この記事でわかること
- Databricksとは何か: Lakehouseアーキテクチャの仕組みと全プロダクトの詳細
- 料金体系: DBUの計算例、隠れたコスト、Snowflakeとの料金比較
- 競合比較: Snowflakeとの詳細比較（機能・料金・性能・設計思想）
- 創業者と経営陣: Ali Ghodsiの壮絶な人生と、24時間亡命からCEOへの道
- 成長の軌跡: 資金調達、ARR推移、評価額620億ドル→1,340億ドルへの急成長
- 最新プロダクト: Lakebase、Agent Bricks、Genie Codeの全容
- 導入事例: Comcast、Shell、日本企業の具体的成果数値
- 批判と限界: コスト複雑性、学習曲線、バリュエーション懸念
- 2026年最新動向: IPO展望、Series L、1兆ドル企業への野望
- 日本市場への示唆: 日本語対応状況、NTTデータ事例、導入時の注意点
基本情報
| 項目 | 内容 |
|---|---|
| 会社名 | Databricks, Inc. |
| 設立年 | 2013年 |
| 本社 | サンフランシスコ、カリフォルニア州 |
| CEO / 共同創業者 | Ali Ghodsi（UCバークレー客員研究員出身） |
| 共同創業者 | Matei Zaharia（Apache Spark開発者） |
| 初代CEO / 執行会長 | Ion Stoica（UCバークレーEECS教授） |
| 従業員数 | 約12,000〜14,000名（2026年2月推定） |
| 評価額 | $134B（約20.1兆円、2026年2月） |
| 総調達額 | $7B以上（約1.05兆円、Series L含む） |
| ARR（年間売上） | $5.4B超（約8,100億円、2026年1月） |
| 顧客数 | 10,000社以上（2025年時点） |
| 主要投資家 | Thrive Capital, Andreessen Horowitz, DST Global, GIC, ICONIQ Growth |
| Fortune 500導入率 | 60%以上 |
| 認証 | SOC 2 Type II、HIPAA、FedRAMP |
| 対応クラウド | AWS、Azure、Google Cloud |
Databricksの全体像Lakehouseとは何か——「両方のいいとこ取り」の革命
企業が抱えていた2つの「データ地獄」
2010年代、企業のデータチームは2つの選択を迫られていました。どちらを選んでも、別の地獄が待っていました。
Data Warehouse（Snowflake等）を選ぶと:
高速なSQLクエリが可能。BIツールとの連携も簡単。しかし、構造化データしか扱えない。機械学習には向かない。そして、とにかく高い。
Data Lake（Hadoop等）を選ぶと:
非構造化データも保存可能。機械学習にも使える。コストも安い。しかし、クエリ性能が低い。データ品質の管理が困難。「データ沼」 と呼ばれるほど、混沌としていました。
結果、多くの企業は両方を併用することになります。Data WarehouseとData Lakeを別々に運用し、データを行き来させる。コストは2倍。運用の複雑さも2倍。
Lakehouse——「なぜ両方必要なのか？」への回答
Databricksが提唱したLakehouse（レイクハウス） は、この問いに対する根本的な回答でした。
「Data Warehouseの性能と、Data Lakeの柔軟性を、1つのシステムで実現すればいい」
技術的には、Delta Lakeというストレージレイヤーがこれを可能にしました。
| レイヤー | 役割 |
|---|---|
| Unity Catalog | ガバナンス・メタデータ管理 |
| Delta Lake | ストレージレイヤー（ACID対応、スキーマ管理、タイムトラベル） |
| Apache Spark | 計算エンジン |
| Cloud Storage | AWS / Azure / GCP 上のオブジェクトストレージ |
Delta Lakeの3つの革新:
- ACID対応: 銀行システム並みの信頼性をData Lakeに
- スキーマ管理: 「データ沼」を「データ湖」に変える
- タイムトラベル: 過去のデータ状態に自由にアクセス
これは単なる技術的な改善ではありません。データアーキテクチャの哲学の転換でした。
Ali Ghodsi：24時間の亡命から、20兆円企業のCEOへ
5歳の少年が見た「空爆」
1979年、イスラム革命がイランを揺るがしていました。その混乱の中、1977年に生まれたAli Ghodsiは幼少期を過ごします。
両親は医師でした。そして、政治的反体制派でした。
1984年、イラン・イラク戦争の最中。テヘランは空爆にさらされていました。
「街全体が暗くなり、イラクの戦闘機がテヘランを爆撃した。隣家が爆撃される光景を目撃した」
— Ali Ghodsi
5歳の少年にとって、それは理解を超えた恐怖でした。
そしてある日、イラン政府から通告が届きます。「24時間以内に国外へ出ろ」。
家族は着の身着のまま、スウェーデンへ亡命しました。
上流階級から下層階級へ——「福祉に頼る生活」
スウェーデンに逃れたGhodsi一家を待っていたのは、過酷な現実でした。
イランで医師だった両親は、スウェーデンで医師免許が認められませんでした。一家は学生寮を転々とし、福祉に頼る生活を強いられます。
"If we were upper class in Iran, we were definitely lower class in Sweden—it was welfare and all that."
「イランでは上流階級だったのに、スウェーデンでは完全に下層階級だった。福祉に頼る生活だった」
— Ali Ghodsi
ストックホルム郊外のBagarmossen（バーガモッセン）で育ったGhodsi。そこには常に「我々と彼ら」という感覚がありました。
しかし、その疎外感が、彼を駆り立てました。
"Being an outsider in Sweden gave me the drive to succeed. Of course, it's a motivator. You feel like you have to prove yourself, and you work much harder."
「スウェーデンで部外者だったことが、成功への原動力になった。もちろん、それはモチベーターだ。自分を証明しなければならないと感じ、人の何倍も努力せざるを得なかった」
— Ali Ghodsi
「分散システム」への執着——難民経験からの学び
Ghodsiはコンピュータサイエンスに没頭しました。KTH Royal Institute of Technology（スウェーデン王立工科大学）で博士号を取得。専門は分散システム——複数のコンピュータを協調させる技術です。
なぜ分散システムだったのか？
"When I was a refugee, I learned that resilience comes from distribution. A single point of failure is dangerous—whether in life or in systems."
「難民だったとき、分散によって回復力が生まれることを学びました。単一障害点は危険です——人生でもシステムでも」
— Ali Ghodsi
24時間で祖国を追われた経験。すべてを失った経験。それが、「分散して冗長性を持つ」という技術哲学に昇華されていたのです。
UCバークレーでの運命的な出会い
2009年、GhodsiはUCバークレーのAMPLabに客員研究員として参加します。
そこで彼は、後にDatabricksを共同創業する6人の研究者と出会いました。中でもMatei Zahariaは、Apache Sparkの主要開発者でした。
Sparkは革命的でした。Hadoopの100倍高速なデータ処理。しかし、企業での導入は進みませんでした。
「Berkeleyのヒッピー」と呼ばれて
2009年から2012年まで、AMPLabチームはSparkを企業に売り込みました。結果は、完全な無視。
"From 2009 to 2012, none of the companies we approached paid any heed. As 'Berkeley hippies,' we were just looking for impact, but the lack of adopters created skepticism."
「2009年から2012年まで、私たちがアプローチした企業は誰も関心を示さなかった。『Berkeleyのヒッピー』として、私たちは単なる学術研究と見なされていた」
— Ali Ghodsi
しかし、Ghodsiは諦めませんでした。誰も採用しないなら、自分たちで会社を作るしかない。
「絶望からの起業」——2013年、7人はDatabricksを創業します。
オープンソースへのコミットメント——「信頼ゼロ」からの教訓
Databricksの戦略で特筆すべきは、オープンソースへの徹底したコミットメントです。
Apache Spark、Delta Lake、MLflow——Databricksの中核技術はすべてオープンソース。競合も使える。なぜ、そんなことをするのか？
"Open source is not charity. It's the best way to build trust. When you give away your technology, customers know they won't be locked in. That trust becomes our competitive advantage."
「オープンソースは慈善事業ではありません。信頼を築く最良の方法です。技術を無償で提供すれば、顧客はロックインされないと分かる。その信頼が競争優位になるのです」
— Ali Ghodsi
難民として「信頼ゼロ」からスタートした経験。自分を証明しなければならないという切迫感。それが、「まず与える」というオープンソース戦略に繋がっていたのです。
「1兆ドル企業を作る」——Ghodsiの野望
2025年12月、Ghodsi CEOはFortuneの取材で1兆ドル企業を目指す3つの柱を語りました。
- AIエージェント: Agent Bricksで企業のAIエージェント構築を支援
- オペレーショナルDB: Lakebaseでトランザクショナル処理に進出
- データ民主化: Genieで非エンジニアもデータ活用可能に
5歳で亡命した少年は、テック史上最大のIPOを見据えています。
プロダクト詳細——「データからAIまで」の統合プラットフォーム
主要プロダクト一覧
| プロダクト | 説明 | リリース |
|---|---|---|
| Delta Lake | オープンソースのストレージレイヤー。ACID対応 | 2019年 |
| Unity Catalog | データガバナンス・メタデータ管理 | 2022年 |
| Databricks SQL | SQLアナリティクス、BIツール連携 | 2020年 |
| MLflow | 機械学習ライフサイクル管理 | 2018年 |
| Mosaic AI | 生成AIモデルの開発・デプロイ（旧MosaicML） | 2023年 |
| Lakebase | マネージドPostgreSQLデータベース | 2025年 |
| Agent Bricks | AIエージェント構築・デプロイ基盤 | 2025年 |
| Genie Code | AIアシスタントによるデータ分析自動化 | 2025年 |
| Lakeflow | データパイプラインのオーケストレーション | 2024年 |
Lakebase——「AIエージェント時代のデータベース」
2025年6月に発表され、現在GA（一般提供）のLakebaseは、Databricksの戦略的転換を象徴するプロダクトです。
Lakebaseとは？
Lakehouse上で直接動作するマネージドPostgreSQLデータベース。AIエージェントやアプリケーションが、オペレーショナルデータを直接読み書きできる。
| 機能 | 説明 |
|---|---|
| オートスケーリング | 負荷に応じた自動スケーリング |
| スケール・トゥ・ゼロ | 未使用時はゼロまでスケールダウン |
| データベースブランチング | GitライクなDB分岐・マージ |
| インスタントリストア | 任意の時点へのデータ復旧 |
なぜ重要か？ これまでDatabricksは分析用途（OLAP）に特化していました。LakebaseはOLTP（トランザクション処理）に進出することを意味します。Snowflakeとの競争軸が根本的に変わる。
すでに数千社が導入しており、14のAzureリージョンで利用可能です。
Agent Bricks——AIエージェントを本番投入する
Agent Bricksは、企業が自社データでAIエージェントを構築・デプロイするための基盤です。
3つの核心機能:
- エージェント構築: AIモデルをエージェント化し、タスクを自律実行
- 合成データ生成: エージェント最適化用のトレーニングデータを自動生成
- ベンチマークテスト: AIトレーニングの有効性を測定
MosaicML買収——「週末までに決めろ」
2023年、DatabricksはMosaicMLを13億ドル（約1,950億円） で買収しました。
2023年3月30日、サンフランシスコで「Cerebral Valley AI conference」が開催されていました。そこで、Ali Ghodsi（Databricks CEO）とNaveen Rao（MosaicML CEO）が初めて対面します。
交渉は電光石火で進みました。「この会社を買いたいなら、今週末までに決めなければならない」
5月末、Ghodsiは家族とバハマに休暇で滞在中——しかし、休暇のほとんどは弁護士やベンチャーバンカーとの交渉に費やされました。5月29日、Ghodsiはバハマでタームシートに署名。
"It's not often that a founder with no intention of selling, and an acquirer that's not looking to acquire, find themselves in a whirlwind frenzy of dealmaking that results in a $1.3 billion deal."
「売る気のない創業者と、買う気のない買収者が、嵐のような取引交渉の渦に巻き込まれ、13億ドルの買収に至る——そんなことは滅多にない」
Tabular買収——Apache Icebergの統合
2024年6月、DatabricksはTabularを10〜20億ドルで買収しました。TabularはApache Icebergの原作者が設立した企業で、従業員わずか40名。
この買収により、DatabricksはDelta LakeとApache Iceberg——2大オープンソースレイクハウスフォーマットを統合。「どちらのフォーマットを使っていても、Databricksで動く」という互換性を実現しました。
DBRX——Databricksの「自社製LLM」
2024年3月にリリースされたDBRXは、132BパラメータのMixture of Experts（MoE）モデルです。
| ベンチマーク | DBRX | Llama 2 70B | GPT-3.5 Turbo |
|---|---|---|---|
| MMLU（知識） | 73.7% | 69.8% | 70.0% |
| HumanEval（コード） | 70.1% | 32.2% | 48.1% |
| GSM8K（数学） | 66.9% | 54.4% | 57.1% |
日本語対応について： DBRXは主に英語データで訓練されており、日本語性能は限定的です。日本語重視の場合、GPT-4、Claude、または日本語特化モデルを推奨します。
Databricks料金体系——DBUの計算例
Databricksの料金はDBU（Databricks Unit） という独自単位で計算されます。複雑さが批判されることもありますが、具体例で解説します。
DBUとは？
DBU（Databricks Unit）は、処理能力の単位です。1 DBUは、特定のインスタンスタイプで1時間処理を実行した場合の単位コストに相当します。
料金の構成:
総コスト = DBU単価 × DBU消費量 × 使用時間 + クラウドインフラ費用
DBU単価（2025年時点・AWS例）
| ワークロード | DBU単価（USD/DBU） |
|---|---|
| Jobs Compute | $0.15〜$0.30 |
| All-Purpose Compute | $0.40〜$0.55 |
| SQL Compute | $0.22〜$0.70 |
| ML Compute | $0.60〜$0.90 |
具体的な計算例
ケース1: 小規模データ分析（月100時間）
- ワークロード: SQL Compute（Serverless）
- DBU単価: $0.70/DBU
- インスタンス: 2XS（2 DBU/時間）
- 使用時間: 100時間/月
Databricks費用: $0.70 × 2 DBU × 100時間 = $140/月（約2.1万円）
+ AWS S3/EC2費用（別途）
ケース2: 本格的なML開発チーム（月500時間）
- ワークロード: ML Compute
- DBU単価: $0.75/DBU
- インスタンス: Large GPU（20 DBU/時間）
- 使用時間: 500時間/月
Databricks費用: $0.75 × 20 DBU × 500時間 = $7,500/月（約112.5万円）
+ AWS EC2 GPU費用（別途・約$5,000〜$10,000/月）
合計: 約$12,500〜$17,500/月（約188〜263万円）
Snowflakeとの料金比較
| 項目 | Databricks | Snowflake |
|---|---|---|
| 課金単位 | DBU（$0.15〜$0.90） | クレジット（$2.00〜$4.00） |
| ストレージ | クラウドプロバイダ標準料金 | $23/TB/月（圧縮） |
| 最小構成 | Serverlessで少額から | XSウェアハウスから |
| コスト傾向 | チューニング次第で安い | シンプルだが高め |
| コスト差 | 最適化時20-40%安い（独立調査） | 管理の手間が少ない |
コスト最適化のポイント
- オートスケーリング: 使用時のみクラスターを起動
- Spot/Preemptible インスタンス: 最大70%のコスト削減
- Serverless: 管理負荷軽減、小規模ワークロードに最適
- 年間コミットメント: 大幅な割引（要相談）
注意: DBUの単価は頻繁に更新されます。最新の料金はDatabricks Pricing Calculatorで確認してください。
競合分析——Snowflakeとの詳細比較
基本スペック比較
| 項目 | Databricks | Snowflake |
|---|---|---|
| アーキテクチャ | Lakehouse（DWH+Data Lake統合） | Data Cloud（クラウドDWH） |
| 評価額/時価総額 | $134B（約20.1兆円、非上場） | $66-75B（約10-11兆円、上場） |
| ARR | $5.4B（約8,100億円） | 約$5B（約7,500億円） |
| 成長率（YoY） | 65% | 29% |
| 市場シェア | 8.67% | 18.33% |
| オープンソース | 多数（Spark、Delta Lake、MLflow） | 限定的（最近Iceberg対応） |
| ターゲット | データエンジニア、データサイエンティスト | データアナリスト、BI担当者 |
| Gartner評価 | 4.7/5 | 4.6/5 |
競合比較設計思想の根本的な違い——「オープンvs.クローズド」
表面的には似て見えます。しかし、哲学が根本的に異なります。
Snowflakeは「クローズド」アプローチ。データをSnowflakeに入れれば、すべてが動く。しかし、一度入れたら出にくい。ベンダーロックインのリスク。
Databricksは「オープン」アプローチ。Apache Spark、Delta Lake——中核技術はオープンソース。いつでも他のプラットフォームに移行可能。顧客にロックインを強いない。
ただし、2025年にSnowflakeもOpen CatalogやApache Iceberg対応を推進し、「オープン化」を加速しています。両社の差は縮まりつつあります。
機能別の詳細比較
| 機能領域 | Databricks | Snowflake | 優位 |
|---|---|---|---|
| SQLアナリティクス | Databricks SQL（改善中） | ネイティブSQL（高性能） | Snowflake |
| AI/ML | Mosaic AI、MLflow、Agent Bricks | Cortex AI（後発） | Databricks |
| ストリーミング | Structured Streaming（強力） | Snowpipe Streaming | Databricks |
| データエンジニアリング | Apache Spark基盤（柔軟） | Openflow（NiFi基盤、新規） | Databricks |
| BIツール連携 | 改善中 | Tableau等との成熟した連携 | Snowflake |
| データガバナンス | Unity Catalog | Horizon Catalog | 互角 |
| オペレーショナルDB | Lakebase（PostgreSQL） | Unistore（限定的） | Databricks |
| 非構造化データ | ネイティブ対応 | Document AI（限定的） | Databricks |
| 学習コスト | 高い（Spark、Python必要） | 低い（SQL中心） | Snowflake |
パフォーマンス比較——第三者評価
両社は互いに「自社が速い」と主張しています。独立した第三者の評価は？
Snowflakeの主張:
「本番環境規模では、Databricksは遅くなり、コストも高くなる」
— Snowflake公式サイト
Databricksの反論:
「Snowflakeの価格/パフォーマンス主張は誤り」
— Databricks公式ブログ
独立アナリストの評価（2025年）:
- 標準的なアナリティクスワークロードでは、両者はほぼ互角
- Snowflakeの Gen2ウェアハウス（2025年5月GA）により、実行速度2倍、DMLパフォーマンス4.4倍向上
- データが合成的・均一なベンチマークではDatabricksが有利だが、リアルワールドのデータではSnowflakeが優位とする評価も
- 38%の企業がDatabricksとSnowflakeの両方を使用（Gartner調査）
収益比較——同じ売上、2倍の評価額差
2025-2026年、両社のARRはほぼ同じ約50億ドルに到達しました。しかし、評価額は大きく異なります。
| 指標 | Databricks | Snowflake |
|---|---|---|
| ARR | $5.4B | 約$5B |
| 成長率 | 65% | 29% |
| 評価額/時価総額 | $134B | $66-75B |
| 売上倍率 | 約25x | 約13-15x |
なぜ同じ売上で2倍の評価額差があるのか？ 答えは成長率です。Databricksの65%成長は、Snowflakeの29%の2倍以上。投資家は将来の成長に対してプレミアムを支払っています。
どちらを選ぶべきか？——用途別ガイド
Databricksが向いている企業:
- AI/ML開発が主目的
- データエンジニアリングチームがある
- 非構造化データ（テキスト、画像、音声）を多用
- ベンダーロックインを避けたい
- Apache Spark/Pythonのスキルがある
Snowflakeが向いている企業:
- SQLアナリティクス・BI中心
- 非エンジニアのアナリストが主ユーザー
- 管理のシンプルさを重視
- Tableau/Lookerとの連携が重要
- データウェアハウスの移行先を探している
結論: 「どちらが良い」ではなく、用途による。そして38%の企業が「両方使う」という選択をしています。
資金調達の歴史——「飛躍」の軌跡
Databricksの成長タイムライン| ラウンド | 日付 | 調達額 | 評価額 | 主要投資家 |
|---|---|---|---|---|
| Series A | 2013年 | $13.9M（約21億円） | - | Andreessen Horowitz |
| Series B | 2014年 | $33M（約50億円） | - | NEA |
| Series C | 2017年 | $140M（約210億円） | - | Andreessen Horowitz |
| Series D | 2019年 | $250M（約375億円） | $2.75B（約4,125億円） | Andreessen Horowitz |
| Series E | 2020年 | $400M（約600億円） | $6.2B（約9,300億円） | Andreessen Horowitz |
| Series F | 2021年 | $1B（約1,500億円） | $28B（約4.2兆円） | Franklin Templeton |
| Series G | 2021年 | $1.6B（約2,400億円） | $38B（約5.7兆円） | - |
| Series H | 2023年 | $500M（約750億円） | $43B（約6.45兆円） | - |
| Series I | 2024年 | $10B（約1.5兆円） | $62B（約9.3兆円） | Thrive Capital、a16z |
| Series L | 2025-26年 | $7B+（約1.05兆円+） | $134B（約20.1兆円） | Thrive、a16z、DST Global |
注目すべき4つの転換点
2013年 Series A（21億円）: Ben Horowitz（a16zのパートナー）が「Sparkを中心に1,000億ドル企業を作れる」と確信。プロダクトがまだない段階での投資でした。
2021年 Series F/G（3,900億円）: AI/ML市場の爆発的成長期。Databricksは「AIのためのデータプラットフォーム」として認知されました。
2024年 Series I（1.5兆円）: 史上最大級の未上場企業向け資金調達。MosaicML・Tabular買収後、AI企業としてのポジションが確立。
2025-26年 Series L（1兆円超）: 評価額が1年で$62B→$134Bと2倍以上に急騰。$5B+のエクイティに加え$2Bの追加負債も調達。IPO前の最終ラウンドと見られています。
成長指標——「数字」が語る実力
ARR（年間経常収益）の推移
| 時期 | ARR | 前年比成長率 |
|---|---|---|
| 2020年 | $400M（約600億円） | - |
| 2021年 | $800M（約1,200億円） | +100% |
| 2022年 | $1.5B（約2,250億円） | +88% |
| 2023年 | $2.4B（約3,600億円） | +60% |
| 2024年 | $3.0B（約4,500億円） | +25% |
| 2025年Q3 | $4.8B（約7,200億円） | +55% |
| 2026年1月 | $5.4B（約8,100億円） | +65% |
6年で約13.5倍。2025年以降は成長率が再加速し、65%成長を達成。
AI収益の急成長
2025年、DatabricksのAI関連プロダクト収益は10億ドル（約1,500億円）超のランレートを突破。同様に、データウェアハウジング事業も10億ドル超に到達しました。
採用競争率——OpenAI・Anthropic並み
2024-2025年の採用サイクルで、Databricksは大学レベルの職種で世界中から20万件以上の応募を受けました。合格率は1%未満。OpenAIやAnthropicに匹敵する採用競争率です。
財務の健全性
- サブスクリプション粗利率: 80%超（2025年度）
- フリーキャッシュフロー: 直近1年間で黒字化達成
- 大型契約（$1M以上）: 数百社
導入事例——「データサイロ」から「AI活用」へ
Comcast——計算コストを10分の1に削減
米国最大のケーブルTV会社Comcastは、2,000万世帯の顧客データを抱えていました。
| 指標 | 導入前 | 導入後 | 改善率 |
|---|---|---|---|
| 計算リソース | 640台 | 64台 | 90%削減 |
| DevOps工数 | 5人 | 0.5人 | 90%削減 |
| 開発時間 | - | - | 10-30%短縮 |
さらにComcastは、Databricksを活用した「インテリジェント音声コマンド」でエミー賞を受賞しています。
Shell——全世界のエネルギーデータを1つに
世界最大級のエネルギー企業Shell。世界70カ国以上の石油・ガス施設から散らばるデータを統合。
Databricks導入後:
- データサイロの解消: 数ヶ月→数時間でデータ統合
- 予測保全の実現: 設備故障を事前に予測
- AI/MLの大規模展開: 統合データで機械学習モデルを訓練
日本企業の導入事例
2025年11月、Databricksは「Data + AI World Tour Tokyo」を開催。日本市場での存在感を急速に拡大しています。
主な日本企業の事例:
| 企業 | 用途 | 成果 |
|---|---|---|
| 大手自動車メーカー | データ基盤統合 | Data + AI Summit 2025で発表 |
| 大手電機メーカー | AI/ML開発基盤 | Data + AI Summit 2025で発表 |
| メガバンク | データ分析基盤 | Data + AI Summit 2025で発表 |
| 電子アクセサリ企業 | 需要予測・販売計画 | アクセサリの99%をシステムカバー |
| 森永乳業 | データドリブン経営支援 | 分析プラットフォーム構築 |
| 東京海上日動 | データ活用基盤 | 全社データ分析基盤 |
| オークローンマーケティング | 全社データ貢献の可視化 | 「ショップジャパン」のデータ活用推進 |
NTTデータはDatabricksの「Data & AI Governance Partner of the Year for Japan」を受賞し、日本企業初の「Elite」パートナーステータスを取得しています。
批判と限界——Databricksの「影」
コスト予測の困難さ
Databricksで最も多い不満は「コストが予測しにくい」です。
DBU単価はワークロード種別、クラウドプロバイダ、リージョン、契約形態で変動します。さらにクラウドインフラ費用が別途かかるため、最終的な月額を見積もるのが難しい。
よくあるコスト超過の原因:
- アイドルクラスター: 不要時に停止されないクラスターが課金され続ける
- 非効率なコード: 最適化されていないSparkジョブが過剰なDBUを消費
- ストレージ管理ミス: 適切なデータライフサイクル管理の欠如
学習曲線の険しさ
Apache Spark、Delta Lake、Python、Unity Catalog——Databricksを使いこなすには複数の技術スタックを理解する必要があります。
Gartner Peer Insightsのレビューでも「プラットフォームが常に変化しているため、昨日のベストプラクティスが今日は古くなる」という指摘があります。
SQLだけで仕事をしたいアナリストには、Snowflakeの方がシンプルで扱いやすい。
テスト・デバッグの制約
ネイティブのテストフレームワークが限定的で、チームはカスタムのデータバリデーション基盤を構築する必要があることが多い。エラー発生時に「どのコンポーネントが原因か」を特定するのが難しい場合もあります。
スキルギャップの問題
多くの社内チームは、Databricksを完全に活用するための深い専門知識を持っていません。Apache Sparkの最適化、Delta Lakeアーキテクチャ、高度なセキュリティ設定は、経験者が少ない領域です。
結果として、パフォーマンス不足やセキュリティリスク、有用な機能の未活用につながります。
バリュエーション懸念
評価額$134Bは、ARR $5.4Bに対して約25倍の売上倍率です。成長率65%が持続すれば正当化できますが、数年後に成長率が20%に鈍化すれば、この倍率は維持できない——という懸念が一部の投資家から出ています。
非プログラマーへのアクセシビリティ
ビジュアライゼーションやドラッグ&ドロップ機能が限定的で、プログラミング経験のないビジネスユーザーにとっての敷居は依然として高い。Genie Codeで改善が進んでいますが、Snowflakeの直感的なUIとの差はまだあります。
今後の展開——IPOへの道と1兆ドルの野望
IPO展望：2026年後半が有力
DatabricksのIPOは、テック業界で最も注目されるイベントの1つです。
「もし上場するなら、早くても来年半ば頃だろう。今年IPOするのは馬鹿げている」
— Ali Ghodsi, CEO（2024年12月）
2026年2月にはさらに慎重な発言も。
「タイミングが正しい時に上場する。この調整がまだ底を打っていないなら、プライベート企業のままでいる」
— Ali Ghodsi, CEO（2026年2月）
IPOへの準備状況:
| 項目 | ステータス |
|---|---|
| S-1提出 | 未提出（2026年3月時点） |
| 財務基盤 | フリーキャッシュフロー黒字、粗利率80%超 |
| 従業員流動性 | Series Iでセカンダリー取引実施済み |
| 負債調達 | $1.8Bの追加負債を確保（2026年1月） |
| 市場環境 | 不透明（金利・地政学リスク） |
| 有力時期 | 2026年後半〜2027年前半 |
Series L——史上最大級の未上場ラウンド
2025年12月から2026年2月にかけて、Databricksは$7B以上（約1兆500億円超） を調達。内訳は約$5Bのエクイティと約$2Bの追加負債。
| 項目 | 内容 |
|---|---|
| 調達額 | $7B以上（約1兆500億円超） |
| 評価額 | $134B（約20.1兆円） |
| 主要投資家 | Thrive Capital、a16z、DST Global、GIC |
| 新規投資家 | ICONIQ Growth、MGX、Wellington Management |
「1兆ドル企業」への3つの柱
Ghodsi CEOは、Databricksが1兆ドル企業になるための3つの戦略を掲げています。
- AIエージェント経済: Agent BricksとMosaic AIで企業のAIエージェント構築を支援。「すべての企業がAIエージェントを持つ時代」が来る
- オペレーショナルワークロード: Lakebaseでトランザクション処理に進出。分析だけでなく、アプリケーションのデータベースとしても使える
- データ民主化: Genie CodeでSQLもPythonも書けない人でも、自然言語でデータ分析。非エンジニアの活用を拡大
Databricksアーキテクチャ日本市場への示唆
日本での存在感の拡大
Databricks Japanは急速に成長しています。2025年11月の「Data + AI World Tour Tokyo」では、データエンジニア、AI専門家、経営企画、IT部門のリーダーが集まり、日本市場でのAI・データ活用の勢いを見せつけました。
日本企業がDatabricksを検討する際のポイント
Databricksが向いている日本企業:
- AI/MLを本格導入したい企業: LakehouseアーキテクチャはML基盤として優れている
- グローバル展開企業: 世界中のデータを統合したい企業に最適
- オープンソース志向の企業: ベンダーロックインを避けたい企業向け
- データサイエンティストがいる企業: SparkやPythonのスキルを活かせる
Snowflakeの方が向いている日本企業:
- SQLアナリティクスが主目的: BIチーム中心の利用
- 管理のシンプルさを重視: 少人数IT部門でも運用可能
- 既存BIツール連携が重要: Tableau/Lookerとのエコシステム
導入時の注意点
- スキル確保: Apache Sparkの経験者は日本では希少。NTTデータなどのEliteパートナーの活用を推奨
- コスト管理: DBU消費の可視化と最適化ルールを初期段階で設定
- 日本語対応: プラットフォームUIは日本語対応だが、ドキュメントは英語中心。DBRXなどの自社モデルは日本語性能が限定的
- クラウド選択: Azure（NTTデータ連携）、AWS、GCPいずれも対応。既存のクラウド環境に合わせて選択
よくある質問（FAQ）
Q: Databricksとは何ですか？一言で説明すると？
A: Databricksは、企業のデータ管理とAI開発を1つのプラットフォームで実現する「Lakehouse」サービスです。Data WarehouseとData Lakeを統合し、データ分析からAIモデル構築まで一気通貫で対応します。
Q: Databricksの料金はいくらですか？
A: DatabricksはDBU（Databricks Unit） という単位で課金されます。最小構成なら月額$140（約2.1万円）+クラウド費用から利用可能。ML開発チームの本格利用では月額$12,500〜$17,500（約188〜263万円）が目安です。料金はワークロード種別、クラウドプロバイダ、リージョンで変動します。
Q: DatabricksとSnowflakeの違いは？
A: 最大の違いは設計思想です。DatabricksはオープンソースベースでAI/MLに強く、SnowflakeはクローズドでSQLアナリティクスに強い。両社のARRは約50億ドルで同水準ですが、成長率はDatabricks（65%）がSnowflake（29%）の2倍以上です。38%の企業が両方を併用しています。
Q: DatabricksのIPOはいつですか？
A: 2026年3月時点でS-1は未提出です。CEO Ali Ghodsiは「タイミングが正しい時に上場する」と述べており、2026年後半〜2027年前半が有力とされています。評価額$134Bでの上場は、テック史上最大級のIPOになる可能性があります。
Q: 日本語に対応していますか？
A: プラットフォームのUIは日本語対応しています。ただし、公式ドキュメントは英語中心です。自社LLM「DBRX」の日本語性能は限定的で、日本語タスク重視の場合はGPT-4やClaudeの利用が推奨されます。NTTデータが日本初のEliteパートナーとして日本語でのサポートを提供しています。
Q: Databricksの創業者は誰ですか？
A: UCバークレーAMPLabの研究者7名が2013年に共同創業しました。現CEOのAli Ghodsiは5歳でイランからスウェーデンに亡命した経歴を持ちます。共同創業者のMatei ZahariaはApache Sparkの主要開発者です。
Q: Lakebaseとは何ですか？
A: 2025年に発表されたDatabricksのマネージドPostgreSQLサービスです。AIエージェントやアプリケーションが、Lakehouse上で直接トランザクション処理を実行できます。オートスケーリング、スケール・トゥ・ゼロ、データベースブランチングに対応し、すでに数千社が導入しています。
関連記事
参考リソース
Ali Ghodsiの人生
- Ali Ghodsi: Being an outsider in Sweden gave me the drive to succeed
- Refugee Ali Ghodsi Builds Billion Dollar Empire Brick by Brick
- Databricks CEO Ali Ghodsi says his company will be worth $1 trillion
Databricks公式
資金調達・IPO
- Databricks raises $4B+ at $134B valuation
- Databricks obtains $1.8 billion in additional debt ahead of IPO
- Databricks Grows >65% YoY, Surpasses $5.4 Billion Revenue Run-Rate
MosaicML・Tabular買収
- Behind the scenes of Databricks' $1.3 billion MosaicML deal
- Databricks acquires Tabular to build a common data lakehouse standard
競合・評価
- Snowflake vs. Databricks | Snowflake公式
- Databricks vs Snowflake 2026 | Gartner Peer Insights
- Databricks vs. Snowflake at $5B ARR: Same Revenue, 2x Valuation Gap
日本市場
本記事はネクサフローのAI研究シリーズの一部です。
この記事の著者
中村 知良
代表取締役
早稲田大学卒業後、ソフトバンク株式会社にてAI活用やCEO直下案件のプロジェクトマネージャーに従事。その後、不動産スタートアップPit in株式会社の創業、他スタートアップでの業務改善・データ活用を経験後、2023年10月、株式会社ネクサフローを創業し代表取締役CEO就任。
