Databricks à 188 milliards : que change ce géant pour l’IA en entreprise ?

Deux levées de fonds en moins de douze mois, une valorisation privée qui bondit de 100 à 188 milliards de dollars, une croissance estimée à 80 % sur un an : Databricks est devenu le symbole de la ruée vers l’IA d’entreprise. Ce n’est plus seulement une plateforme de data engineering, c’est un futur standard pour orchestrer données, modèles et coûts d’IA dans les grandes organisations. Son nouveau tour à 188 milliards de dollars, mené par Coatue à l’été 2026, pose une question clé : que signifie ce succès fulgurant pour l’IA en pratique, au-delà du buzz financier ? Ce qui change réellement, ce sont les rapports de force entre les fournisseurs de modèles (OpenAI, Anthropic, Google) et les plateformes qui contrôlent la data, les pipelines et la gouvernance – et Databricks est en train de prendre une longueur d’avance sur ce terrain.

188 milliards de dollars : un signal massif en faveur de l’IA d’entreprise

La nouvelle valorisation de Databricks ne récompense pas un laboratoire de modèles, mais une plateforme qui contrôle l’"plomberie" des données et de l’IA.

En juillet 2026, Databricks annonce avoir signé une lettre d’intention pour un tour de financement stratégique à une valorisation de 188 milliards de dollars, mené par l’investisseur Coatue, avec un engagement d’environ 3 milliards de dollars de capital. Cette valorisation représente une hausse d’environ 40 % par rapport au précédent tour conclu début 2026 autour de 134 milliards de dollars. Des médias financiers comme le Wall Street Journal, Reuters et des sites spécialisés en finance ont confirmé que le tour est structuré autour de Coatue, avec une clôture attendue plus tard dans l’été 2026.

Ce n’est pas un événement isolé :

• septembre 2025 : un tour d’environ 1 milliard de dollars valorise Databricks à 100 milliards de dollars.
• début 2026 : une levée d’environ 5 milliards de dollars est conclue sur une valorisation de 134 milliards de dollars.
• mi-2026 : le nouveau tour mené par Coatue propulse la valorisation à 188 milliards de dollars.

Databricks fait désormais partie des sociétés technologiques privées les plus valorisées au monde, dans la même zone que les grands noms de l’IA et du cloud.

Cette trajectoire donne deux signaux clairs pour l’IA :

• Le marché estime que la valeur durable ne sera pas dans le modèle frontier, mais dans les couches qui maîtrisent les données, les pipelines et la gouvernance des coûts.
• La capacité à absorber des milliards de capital pour accélérer les produits AI-first (Genie, Unity AI Gateway, Lakehouse/Lakebase) devient un avantage stratégique majeur face à des concurrents plus fragmentés.

> 💡 À retenir : la valorisation à 188 milliards de dollars est un pari massif sur l’IA d’entreprise et sur l’idée que la marge durable se concentre dans les plateformes de données et de gouvernance, plus que dans les seuls modèles.

Un modèle économique qui scale avec l’usage d’IA, pas avec les licences

Databricks ne vend ni seats, ni licences fixes : tout est indexé sur la consommation réelle de compute et de stockage.

La plateforme fonctionne sur un modèle B2B, consumption-based SaaS : les clients paient en fonction de leur utilisation de compute, de stockage et de traitement de données, plutôt que via des licences ou des abonnements utilisateur. Dans la pratique, le coût est exprimé en unités de calcul (souvent appelées "DBUs" ou équivalents) multipliées par la durée d’exécution et le type de cluster.

Si les prix publics exacts de 2025-2026 varient selon les clouds et les régions, les ordres de grandeur observés sont les suivants :

• Clusters de data engineering et machine learning : typiquement facturés en unités de compute, avec des taux pouvant aller d’une fraction de dollar à plusieurs dollars par heure de cluster selon la taille et le type (standard, high-concurrency, GPU).
• Stockage des données dans le lakehouse : généralement aligné sur les coûts de stockage objet des hyperscalers (quelques centimes de dollar par Go et par mois), facturé via les comptes cloud sous-jacents.

L’élément clé pour l’IA, c’est que ce modèle s’aligne directement sur l’augmentation des workloads de training et d’inférence :

• plus une entreprise entraîne des modèles internes sur son lakehouse, plus la consommation de compute augmente.
• plus elle déploie des assistants ou des APIs d’IA via Databricks, plus les coûts d’inférence peuvent être monitorés et optimisés dans cette même logique de consommation.

Selon des estimations d’analystes spécialisés, Databricks aurait atteint environ 6,9 milliards de dollars de revenu annualisé en juin 2026, en hausse par rapport à 5,4 milliards de dollars en janvier 2026 et 5,2 milliards de dollars fin 2025. La croissance sur le deuxième trimestre 2026 est estimée à 80 % d’une année sur l’autre, contre 65 % YoY au quatrième trimestre 2025.

Databricks serait également free cash flow positif sur l’ensemble de l’année 2025, ce qui est rare pour une entreprise privée de cette taille encore en hypercroissance.

> 💡 À retenir : Databricks gagne de l’argent à mesure que les entreprises augmentent leurs workloads data et IA, ce qui crée un alignement fort entre succès d’IA en production et croissance de la plateforme.

Genie, Unity AI Gateway, Lakehouse : où se joue la bataille de l’IA chez Databricks

Le nouvel argent est explicitement fléché vers l’IA : Genie, Unity AI Gateway et l’extension du lakehouse sont au cœur de la stratégie.

Genie, assistant IA pour les data & ML teams

Databricks a lancé Genie, un assistant IA intégré à sa plateforme. Genie vise à aider les équipes data à :

• générer du code Spark, PySpark, SQL, Python, R directement dans l’interface Databricks.
• construire des transformations de données plus rapidement.
• documenter des pipelines et des tables.
• faciliter la création et le débugging de notebooks.

Genie s’inscrit dans la tendance des copilot pour développeurs et data engineers, mais avec un avantage : il opère directement là où sont les données et les jobs en production, sur la plateforme Databricks.

Pour les équipes, cela change déjà trois choses très concrètes :

• réduction du temps de mise en place de nouveaux pipelines ou jobs ML.
• montée en compétence plus rapide des profils moins expérimentés sur Spark et le lakehouse.
• amélioration de la qualité de la documentation et des gouvernances (avec des descriptions générées, des suggestions de tests, etc.).

Unity AI Gateway : l’arme de Databricks pour reprendre le contrôle du coût des LLM

L’autre produit stratégique est Unity AI Gateway, qui permet aux entreprises de suivre et de contrôler le coût de consommation des services d’IA. Concrètement, ce gateway offre :

• un point d’accès unifié vers plusieurs providers de modèles (OpenAI, Anthropic, Google, etc.), avec des métriques standardisées.
• une gouvernance centralisée : quotas, règles d’usage, suivi des coûts par équipe, par use case, par environnement.
• des outils d’optimisation : routage intelligent, choix du modèle le plus adapté en fonction du coût et de la performance.

Pour une entreprise, le changement est majeur : au lieu d’avoir des appels dispersés à différentes APIs de LLM, Unity AI Gateway canalise tout dans un plan de contrôle unique, relié à la data et aux identités d’entreprise.

Lakehouse / Lakebase : la couche où vivent les workflows data et IA

Databricks a popularisé le concept de lakehouse, une architecture qui fusionne les bénéfices du data lake et de l’entrepôt de données. Dans certains documents récents, l’entreprise évoque aussi Lakebase comme une évolution de cette base de données / plateforme de lakehouse.

Sur le plan IA, cela se traduit par :

• un stockage unifié pour les données brutes, les features ML, les jeux d’entrainement de modèles.
• des outils de gouvernance (catalogue, lineage, contrôle d’accès) intégrés.
• la possibilité de connecter directement les modèles – internes ou externes – aux données gouvernées.

Le message implicite de Databricks est que les modèles frontier deviennent des commodities, tandis que la vraie valeur réside dans la maîtrise des données, des pipelines et du coût total.

> 💡 À retenir : Genie vise la productivité des équipes data, Unity AI Gateway cible la maîtrise des coûts de LLM, et le lakehouse/Lakebase ancre les workflows d’IA dans une base de données gouvernée – les trois produits se renforcent mutuellement.

Comparatif : Databricks face aux autres plateformes IA & data

Databricks ne joue pas dans la même catégorie que les labs de modèles, mais plutôt face aux grandes plateformes de data et ML.

Voici un comparatif synthétique face à quelques grands acteurs de l’écosystème (les prix et caractéristiques sont indicatifs et centrés sur les aspects data & IA en entreprise) :

Quelques différences structurantes pour l’IA :

• Databricks concentre son effort sur la couche data + pipelines + gouvernance, là où les clouds généralistes doivent répartir les fonctionnalités sur plusieurs services.
• Genie cible directement les développeurs data/ML, tandis que des copilot plus horizontaux chez Microsoft ou Google visent une base d’utilisateurs plus large (Office, Workspace, etc.).
• Unity AI Gateway est l’un des produits les plus explicites du marché pour gérer le coût total de possession des LLM, là où les clouds se reposent souvent sur des outils de facturation plus génériques.

Pour un CIO ou un head of data, le choix ne se fait plus seulement sur "qui a le meilleur modèle", mais sur :

• qui offre le meilleur compromis entre performance, coût et gouvernance pour mettre l’IA en production sur des données sensibles.
• qui fournit la meilleure observabilité de bout en bout sur les workflows d’IA (data + modèles + coût).

> 💡 À retenir : Databricks se positionne comme la couche d’orchestration data+IA, là où les clouds généralistes restent plus fragmentés et les labs de modèles davantage centrés sur la qualité de génération que sur la gouvernance.

Benchmarks et performance : où Databricks se distingue dans les pipelines IA

Databricks n’est pas un laboratoire de LLM qui publie des scores sur MMLU ou MT-Bench, mais ses avantages en IA se jouent sur la performance des pipelines data et ML.

Performance des workloads data & ML

Des analyses indépendantes et des retours d’équipes data indiquent plusieurs points de différenciation :

• Sur des workloads de processing massif (Spark, Delta), les optimisations Databricks peuvent réduire le temps d’exécution de jobs de manière significative par rapport à des environnements Spark moins intégrés.
• Les fonctionnalités comme Photon (moteur vectorisé) ou l’optimisation automatique de clusters contribuent à de meilleures performances sur des requêtes analytics et des transformations lourdes.

Dans le contexte IA, cela se traduit par :

• des trainings de modèles plus rapides sur de grandes quantités de données, en particulier pour des modèles tabulaires, des modèles de recommandation ou des fine-tuning sur des corpus internes.
• une meilleure capacité à orchestrer des pipelines qui combinent préprocessing, feature engineering, training et déploiement, avec un suivi étroit des ressources.

Benchmarks IA : ce qui compte côté Databricks

Les benchmarks publics les plus médiatisés restent ceux des LLM eux-mêmes. Databricks n’a pas vocation à publier des benchmarks de LLM comme OpenAI ou Anthropic, mais l’entreprise investit dans :

• des intégrations avec des LLM open source et propriétaires.
• des outils de monitoring de la qualité des réponses, des coûts d’inférence et des latences.

Le "benchmark" implicite pour Databricks sur l’IA, c’est plutôt :

• le ratio coût/valeur des pipelines IA en production sur son lakehouse.
• la réduction du time-to-market pour de nouveaux use cases.
• la robustesse et la traçabilité des workflows d’IA.

Sur ce terrain, la combinaison Genie + Unity AI Gateway + lakehouse donne à Databricks un avantage que les marchés rétribuent : la plateforme est perçue comme une façon plus structurée de déployer l’IA dans de grandes organisations, avec moins d’"IA shadow IT".

> 💡 À retenir : Databricks ne gagne pas des benchmarks de LLM, mais des benchmarks économiques et opérationnels sur le coût, la rapidité et la robustesse des workflows IA.

Gouvernance, coûts et data : pourquoi Databricks attire les gros budgets IA

À 188 milliards de dollars de valorisation, les attentes ne portent plus seulement sur la croissance, mais sur la capacité à être l’infrastructure standard de l’IA d’entreprise.

Trois éléments expliquent pourquoi Databricks attire autant de capital :

1. La maîtrise des données comme avantage structurel

Databricks est né autour de la gestion de grands volumes de données et de Spark. La bascule vers le lakehouse, puis vers Lakebase, consolide cette position : tout est conçu pour :

• accueillir des volumes massifs de données brutes.
• structurer des tables analytiques, des features ML, des jeux de training.
• garder un contrôle fin sur les accès, les transformations et les lineage.

Dans l’ère de l’IA, où les modèles peuvent être interchangeables, cette maîtrise des données devient l’avantage le plus difficile à copier.

2. La gouvernance des coûts d’IA comme nouveau "must have"

Avec l’explosion des APIs de LLM, beaucoup d’entreprises découvrent des factures inattendues. Unity AI Gateway répond directement à ce problème en offrant :

• une visibilité détaillée sur les consommations par équipe, projet, modèle.
• des mécanismes pour limiter les dérapages (quotas, règles d’usage).
• des leviers pour arbitrer entre modèles plus ou moins chers.

Pour un CFO ou un head of platform, le gateway devient un outil de défense budgétaire aussi important qu’un système de contrôle des coûts cloud.

3. Une trajectoire de croissance et de rentabilité qui rassure les investisseurs

Les estimations de revenus et de croissance (plus de 6,9 milliards de dollars de revenu annualisé en juin 2026, 80 % de croissance YoY sur le deuxième trimestre 2026, free cash flow positif sur 2025) suggèrent que Databricks n’est pas seulement une "moonshot" IA.

Ses revenus viennent d’usages très concrets : data engineering, analytics, ML classique, et désormais IA générative. Le fait que la plateforme soit déjà rentable sur la base de ces usages réduit le risque associé à l’accélération des investissements dans l’IA.

> 💡 À retenir : le succès de Databricks tient à sa capacité à industrialiser l’IA autour de la data, de la gouvernance et du coût – des préoccupations au cœur des grands budgets IT et data.

Notre avis : qui devrait miser sérieusement sur Databricks pour l’IA dès maintenant ?

Databricks à 188 milliards de dollars, ce n’est pas qu’un chiffre record : c’est un indicateur que les grandes entreprises voient l’IA d’abord comme un problème de data, de pipelines et de coût, et moins comme une simple course au "meilleur modèle".

Pour Brief IA, plusieurs profils devraient regarder Databricks de très près dans les six prochains mois :

• Grandes entreprises déjà très data-intensive (retail, finance, industrie) : la combinaison lakehouse + Genie + Unity AI Gateway est un moyen de structurer et d’accélérer des use cases IA tout en gardant un contrôle strict sur les données et les coûts.

• Scale-ups et ETI avec des équipes data/ML matures : pour ces organisations, Databricks peut devenir la "colonne vertébrale" data+ML+IA, et le gateway un outil crucial pour éviter les factures surprises liées aux LLM externes.

• Organisations en transition cloud multi-fournisseurs : le positionnement de Databricks comme couche d’orchestration sur plusieurs clouds, avec une gouvernance IA unifiée, est particulièrement intéressant pour limiter l’enfermement propriétaire.

À l’inverse, des structures beaucoup plus petites ou aux besoins IA encore limités peuvent considérer l’écosystème Databricks comme surdimensionné et coûteux en complexité. Pour elles, des solutions plus verticalisées ou des suites IA "clé en main" peuvent rester plus adaptées à court terme.

La vraie question pour les six à douze prochains mois sera la suivante :

Les entreprises vont-elles continuer à multiplier les services d’IA et les workflows dispersés, ou vont-elles converger vers quelques plateformes de référence qui maîtrisent la data, les pipelines et les coûts – avec Databricks en tête de liste ?

La valorisation à 188 milliards de dollars suggère que les investisseurs ont déjà choisi leur camp. Reste à savoir si les directions data et IT feront le même pari sur Databricks comme colonne vertébrale de leur stratégie IA.