Сооснователь Databricks Арсалан Таваколи: у каждого софтверного монополиста не останется монополии через 12–24 месяца
Databricks сейчас работает с годовым темпом выручки $6,9 млрд, растет более чем на 80% год к году, а выручка от AI-продуктов уже превысила $1,7 млрд при net retention выше 140%. Это дает сооснователю компании Арсалану Таваколи-Шираджи редкую возможность видеть, куда на самом деле уходят бюджеты на AI в компаниях. На сцене SaaStr AI он рассказал, на что уходят эти деньги, на что не уходят, и сформулировал тезис, который должен изменить взгляд любого B2B-руководителя на конкуренцию:
Любой бизнес, который сегодня является монополией, через 12–24 месяца монополией уже не будет.
Это отчасти поразительное заявление от компании, которая 13 лет строила глубокий moat в данных и AI. Но это уже видно на рынке, и это напрямую влияет и на ценовую власть, и на конкурентные риски.
Кратко:
- Ценовую власть одновременно сломали три фактора: удешевление разработки, улучшение нижнего сегмента и миграции
- Все «max’ят» tokens, и почти никто не понимает свой реальный AI ROI
- Главное узкое место enterprise AI — не модель, а контекст
- Традиционный BI фактически мертв
Подробный разбор:
Все «token maxing». Почти никто в enterprise не понимает свой реальный AI ROI
Если вы сидите в X, может показаться, что многие компании уже разобрались с AI. У них якобы есть собственные LLM research agents, они автоматизируют вообще все. На практике на передовой картина совсем другая.
Каждый CEO теперь сказал своей команде одно и то же: если мы не используем AI, мы отстаем. Используйте tokens. Мы будем измерять по этому вашу эффективность. Сотрудники делают именно это, и расходы на tokens быстро растут.
Проблема начинается дальше. Расходы растут, а большинство руководителей не понимают, что именно они получают взамен. Формулировка Таваколи такая: все «token maxing», затраты растут, а на выходе нет ясной картины. Вот это и есть реальное состояние enterprise AI в 2026 году. Не «мы все поняли», а скорее «мы много тратим и пытаемся найти результат».
Для founders это окно возможностей. Бюджет сейчас получают компании, которые связывают AI-расходы с понятным бизнес-результатом. Поднять agents ради самого факта — ничего не стоит. Дать измеримый показатель — стоит.
Данные перестали быть решением для warehouse. Это стало решением для выручки
Еще несколько лет назад pitch для CIO был простым: загрузите данные в lake, замените warehouse, получите лучшую аналитику. Databricks раньше почти шепотом упоминал AI, потому что у покупателей AI ассоциировался с беспилотниками и роботами.
Теперь urgency изменилась полностью. AI — это уже не back-office efficiency play, а стратегический приоритет для выручки. И как только компании действительно берутся за него, они упираются в одну и ту же стену: data silos, отсутствие semantic layer и отсутствие context. Сложность не в модели. Сложность в том, чтобы данные были чистыми, управляемыми и доступны agents, а не только людям.
Вот что многие упускают. Узкое место в enterprise AI — не качество модели. Узкое место — context. И context — это не то же самое, что data.
Контекст — настоящее узкое место, и он быстро устаревает
Представьте onboarding нового сотрудника. Как объяснить ему все, что происходит в вашей компании, чтобы он действительно мог работать? Именно это нужно agent, и почти ни у одной компании этого не описано.
Возьмем простой вопрос: покажите мне крупнейших плательщиков по основным cloud-платформам на конец прошлого финансового квартала в EMEA. Звучит просто. Но что считается cloud? Кто такой «крупнейший плательщик»? Когда именно начинается финансовый квартал? Какие страны входят в EMEA именно для этого бизнеса? Каждое из этих определений когда-то кто-то узнал, спросив коллегу много лет назад. Умножьте это на организацию в 100 000 человек. Эти определения спрятаны в письмах, расшифровках встреч и заметках с созвонов, и они постоянно меняются.
Большинство компаний пытались решить это статически, написав context doc. Но такой документ устаревает на следующий день после создания. Если показать человеку context document двухлетней давности, он уже будет неверным. Сложность не в том, чтобы один раз описать context. Сложность в том, чтобы постоянно подхватывать новую информацию и выводить старую из обращения.
Именно поэтому Databricks создал Genie Ontology — самосовершенствующийся слой context, который извлекает и постоянно обновляет бизнес-знания из файлов, тикетов, чатов и встреч. Вывод для всех, кто строит agents для enterprise: долговечная ценность не в самом agent. Она в поддержании живого context.
Традиционный BI фактически мертв
Отдельный BI — это кладбище дашбордов. Несколько длинных отчетов, на которые никто не смотрит, созданных теми 5% сотрудников, которые вообще умеют писать запросы, и неделя ожидания на каждый новый вопрос.
Genie у Databricks переворачивает это. Пример с сессии: автопроизводитель загрузил туда 70 000 пользователей. Не те 5%, кто умеет писать SQL. А те 95%, кто управляет бизнесом и понимает, какие вопросы важны. Они задают свои вопросы сами и получают ответы за 30 секунд вместо того, чтобы ждать неделю data analyst.
Это меняет поведение. У человека возникает вопрос, он задает его прямо во время встречи, ответ приходит обратно и меняет решение в реальном времени. И ни у кого не бывает только одного вопроса. Ответ ведет к уточнению, уточнение — к более глубокому разбору. Таваколи отметил, что люди в эпоху AI даже стали больше напрягаться, потому что вырос utilization. Когда следующий ответ всегда рядом, вы продолжаете копать дальше.
Старые BI-инструменты проигрывали, потому что у них не было semantic understanding данных. Просто прикрутить сверху “поговори со своими данными” означало бы лишь переводить текст в SQL, а это не работает. Нужен слой, который понимает, что именно спрашивают, и сопоставляет это с тем, что данные означают. Ожидание теперь такое: видеть в реальном времени каждый byte в организации, для каждого сотрудника. BI как категория растворяется в дашбордах и ответах.
Почему не выживает ни одна монополия: механика
Одновременно происходят три вещи, и вместе они ломают ценовую власть incumbents.
- Первое: стоимость создания software резко снизилась. Когда все было monolithic stack, построить такой продукт и убедить enterprise его внедрить было крайне сложно. Теперь новый игрок может прийти в компанию, где данные уже ingested и governed, построить решение поверх этого и быстро выпустить что-то убедительное. Больше builders, больше конкурентов в каждой ценной категории.
- Второе: нижний сегмент стал хорошим. Раньше low-end product был дешевым и плохим. Он делал один workflow и делал его плохо, но технически работал. Теперь AI делает такие продукты действительно сильными, особенно если они подключают third-party APIs. Если наложить данные Salesforce, Shopify или Databricks на легкий app, он перестает быть игрушкой для одного сценария. Принцип «сколько платишь, столько и получаешь» размывается. Новый игрок, которому нечего терять, ставит цену на уровне 30–40% от incumbent и выигрывает на greenfield-сделках.
- Третье, и это самое важное: стоимость migration резко снизилась. Раньше migrations умирали на корню. Вендор обещал сэкономить 50%, а сама migration обходилась в пять раз дороже годовой экономии. Никто не переходил. Человек, который понимал legacy system, ушел на пенсию уже три замены назад.
Теперь математика перевернулась. Code self-descriptive, поэтому LLM могут зайти в legacy environment, понять, что он делает, преобразовать его, перенести данные и написать harnesses, чтобы проверить, совпадает ли новый output со старым. Databricks делает enterprise-grade migrations за 30 дней или меньше, в зависимости от сложности. Когда стоимость смены вендора падает, готовность пилотировать нового поставщика растет. А если покупатели действительно готовы пробовать и переходить, ни один incumbent не может опираться на lock-in, чтобы защищать цену.
Это было видно и на площадке SaaStr AI. Значительная часть компаний-участников не существовала год назад и уже имеет заметную выручку. Покупатели готовы пробовать и мигрировать так, как раньше просто не были готовы.
Lock-in больше не жизнеспособная долгосрочная стратегия в B2B
Сейчас происходит кембрийский взрыв AI-приложений, и он работает в обе стороны. Это величайший момент создания приложений в истории B2B. Но это также означает жесточайшую конкуренцию.
Если вы атакуете incumbent, окно уже открылось. Ниже стоимость разработки, low-end product стал действительно хорошим, а стоимость migration достаточно низкая, чтобы покупатели переходили. Агрессивно назначайте цену, ведите с понятного результата и выбирайте категории, где какая-то монополия годами изымала ренту.
Если вы удерживаете сильную позицию, lock-in больше не стратегия. Либо вы заново изобретаете себя с настоящим AI и зарабатываете следующий десяток лет релевантности, либо наблюдаете, как ваша база силы размывается снизу, пока современные более дешевые agent-native альтернативы откусывают куски рынка. Удержать линию не получится.
Vibe-coding собственного CRM — не главная угроза, и Таваколи прямо говорит, что для большинства компаний это не реальный путь. Построить систему — одно. Поддерживать ее, развивать и нести ответственность — совсем другое. Настоящая угроза — тысячи современных стартапов, созданных для мира, где agents являются основными пользователями software, migrations занимают месяц, а дисциплина цен исчезла. Это и есть следующие 24 месяца.
Что это значит для следующих 24 месяцев:
- Если вы атакуете incumbent, у вас наконец появился wedge: агрессивная цена и акцент на результате
- Если вы incumbent, lock-in больше не стратегия. Нужно переизобретать продукт с настоящим AI, иначе его начнут размывать снизу
- Победа за AI-budget означает привязку к числу, а не к фразе «мы запустили agents»
- Долговечная ценность agents — в живом context, а не в самом agent
21+ AI-агентов, которые мы реально используем
И свежие материалы о том, как развертывать AI-agents.
Материал — перевод статьи с английского.
Оригинал: Databricks’ Co-Founder Arsalan Tavakoli: Every Software Monopoly Falls in the Next 24 Months