Databricks atteint une valorisation de 188 milliards de dollars, accélérant sa stratégie en IA

Introduction

Databricks a annoncé la conclusion d'une nouvelle levée de fonds stratégique, portant la valorisation de l'entreprise à 188 milliards de dollars, marquant une étape importante dans la croissance fulgurante de cette société dans le secteur technologique.

La société a signé les termes de ce tour de table, dont la clôture est prévue pour la fin de l'été 2026. L'investisseur existant Coatue mène l'opération, et d'autres investisseurs, nouveaux comme anciens, devraient y participer. Databricks n'a pas divulgué le montant précis levé dans son communiqué officiel. Selon TechCrunch, d'autres sources indiquent un montant d'environ 3 milliards de dollars, mais ce chiffre n'a pas encore été confirmé officiellement par l'entreprise.

Cette levée de fonds est remarquable non seulement par son ampleur, mais aussi par ce qu'elle révèle de la capacité de Databricks à étendre son positionnement. Initialement connue à l'ère du big data et de l'analyse dans le cloud, l'entreprise s'est transformée en une plateforme d'entreprise centrale pour les données, l'IA, les agents IA, la gouvernance et la maîtrise des coûts des modèles.

Crédit image : TechCrunch. La source indique que cette illustration a été générée par IA.

Une nouvelle levée de fonds stratégique à 188 milliards de dollars

Databricks a annoncé cette levée de fonds le 16 juillet 2026. Selon l'entreprise, ce tour de table vise à accélérer la mise en œuvre de sa stratégie multi-IA et à soutenir le développement de plusieurs produits phares de son portefeuille d'IA pour entreprises.

Le communiqué officiel met particulièrement l'accent sur trois domaines clés :

• Unity AI Gateway : aide les organisations à gérer l'accès, les dépenses, l'observabilité et les politiques entre les modèles, les agents, les outils et les fournisseurs d'IA.
• Genie : un collègue IA conçu pour transformer les données métier en réponses et en actions.
• Lakebase : une base de données Postgres sans serveur construite pour les applications de données et les agents IA.

Databricks a également indiqué que ces fonds pourraient être utilisés pour de futures acquisitions dans le domaine de l'IA et pour la recherche approfondie. Ce tour de table n'étant pas encore finalisé, la valorisation de 188 milliards de dollars reflète celle indiquée dans les termes signés, et non celle d'une transaction déjà conclue.

Cette distinction est importante. L'annonce confirme la valorisation attendue et le meneur du tour, tandis que le montant final levé et la liste complète des investisseurs ne seront connus qu'après la clôture de l'opération.

La croissance rapide de la valorisation de Databricks

Avant cette dernière annonce, la société avait déjà réalisé plusieurs levées de fonds massives en capital-investissement sur une période relativement courte.

Date	Événement de financement	Valorisation rapportée
Décembre 2024	Tour J, 10 milliards de dollars attendus	62 milliards de dollars
Septembre 2025	Tour K, 1 milliard de dollars	Plus de 100 milliards de dollars
Décembre 2025 - Février 2026	Tour L et investissements connexes, dont environ 5 milliards en actions	134 milliards de dollars
Juillet 2026	Nouveau tour de financement stratégique	Valorisation à 188 milliards de dollars

Termes menés par Coatue | 188 milliards de dollars |

En décembre 2024, Databricks a annoncé la clôture de son tour J avec une valorisation de 62 milliards de dollars. En septembre 2025, le tour K a porté sa valorisation au-delà des 100 milliards de dollars. Plus tard la même année, la société a annoncé un tour L valorisé à 134 milliards de dollars, avant de publier une mise à jour élargie des investissements en février 2026.

En environ 19 mois, la valorisation est passée de 62 à 188 milliards de dollars, illustrant parfaitement le niveau élevé auquel les investisseurs privés valorisent les entreprises qui s'articulent autour de l'infrastructure d'IA pour entreprises. Cela signifie également que Databricks continue de se financer par du capital-investissement, plutôt que de compter sur une introduction en bourse imminente pour lever des fonds pour son expansion.

Cette fréquence élevée de tours de table tardifs est devenue inhabituelle, au point de susciter des plaisanteries sur jusqu'où l'entreprise peut aller dans l'alphabet du capital-risque. Cependant, derrière cet humour, ce modèle reflète le besoin constant d'investissement et la capacité de Databricks à combiner son activité de données existante avec le marché actuel de l'IA pour entreprises.

De plateforme Big Data à entreprise d'IA

Databricks a été fondée en 2013 par l'équipe à l'origine d'Apache Spark. Sa croissance précoce reposait sur l'aide apportée aux entreprises pour traiter de grands ensembles de données, exécuter des analyses et construire des charges de travail de données dans le cloud.

Cette histoire a donné à l'entreprise un avantage considérable lorsque l'IA générative a accéléré son adoption. La plupart des entreprises ne partent pas d'un environnement IA vierge ; elles possèdent déjà des bases de données, des entrepôts de données, des besoins de gouvernance, des contrôles d'accès, des obligations de conformité et des années de contexte métier réparties dans plusieurs systèmes.

Databricks opérait déjà au niveau de l'infrastructure de données. Lorsque les entreprises ont commencé à chercher à utiliser leurs données propriétaires pour construire des applications d'IA, la société a pu étendre sa plateforme existante plutôt que de repartir de zéro en tant que fournisseur de modèles indépendant.

Cette transformation n'est pas un abandon de l'activité d'analyse, mais plutôt une extension de la plateforme autour des mêmes actifs fondamentaux — les données métier gouvernées. La philosophie centrale actuelle de Databricks est qu'une IA d'entreprise fiable nécessite la collaboration du contexte de données, de la flexibilité des modèles, de la sécurité, de la surveillance et de l'infrastructure opérationnelle.

Les produits derrière l'expansion de l'IA de Databricks

Les développements récents des produits de l'entreprise montrent comment elle construit plusieurs couches de la pile d'IA pour entreprises.

Lakebase

Lakebase est le produit Postgres sans serveur de Databricks destiné aux applications opérationnelles et aux agents IA. Il vise à fournir un système d'enregistrement transactionnel pour les applications qui ont besoin de lire et d'écrire des données et de fonctionner en parallèle avec des charges de travail d'analyse et d'IA.

Après l'acquisition de la société Neon, spécialisée dans Postgres sans serveur, ce produit est devenu un élément important de la stratégie de Databricks. Pour les applications basées sur des agents, une base de données opérationnelle est cruciale, car les agents ont souvent besoin non seulement de récupération statique, mais aussi de maintenir un état, de mettre à jour des enregistrements, de déclencher des flux de travail et de prendre en charge des applications qui évoluent au fil du temps.

Unity AI Gateway

Unity AI Gateway est la couche de gouvernance et de contrôle de l'entreprise pour la gestion des activités d'IA. Il aide les entreprises à gérer l'accès aux modèles, le routage, les budgets, les limites de débit, l'observabilité, les garde-fous et les fonctions d'audit.

Ces informations couvrent plusieurs fournisseurs et outils.

Cette approche multi-modèle correspond aux tendances actuelles du marché, où les entreprises utilisent de plus en plus des modèles différents selon les charges de travail. Une entreprise peut choisir un modèle propriétaire haute performance pour des tâches de raisonnement complexes, un modèle léger pour des tâches courantes, et un modèle à poids ouverts lorsque le coût, la personnalisation ou le contrôle du déploiement sont plus importants.

Genie

Genie se positionne comme un collaborateur IA, permettant aux employés de poser des questions sur les données métier et d'obtenir des réponses fiables ou des suggestions d'actions. Il se rapproche de la couche de productivité orientée utilisateur : il transforme les données gouvernées et les capacités de la plateforme en une interface interactive directement utilisable par les équipes métier.

Agent Bricks

Agent Bricks fournit des outils pour construire, déployer et gérer des agents IA connectés aux données de l'entreprise. Il soutient la stratégie globale de Databricks, qui consiste à passer de l'expérimentation de modèles à des systèmes de production évaluables, surveillables et gouvernables.

Omnigent

Omnigent est un « méta-cadre » open source développé par l'équipe IA de Databricks en collaboration avec Neon. Cet outil ne cherche pas à remplacer les agents de codage comme Claude Code, Codex, Pi ou les outils personnalisés, mais à établir une couche commune au-dessus d'eux.

Ce projet vise à permettre aux équipes de combiner différents agents, de changer de modèle ou de cadre, de mettre en œuvre des politiques de contrôle, d'exécuter des agents dans des bacs à sable et de collaborer dans des sessions en temps réel. Cela illustre la philosophie centrale de Databricks : les modèles eux-mêmes ne sont qu'une partie d'un système d'IA efficace.

Les modèles ouverts deviennent un élément clé de la stratégie de coût des entreprises

Un autre élément crucial de la stratégie d'IA de Databricks est sa volonté d'évaluer et d'utiliser simultanément des modèles ouverts et des systèmes propriétaires.

En juillet 2026, la société a publié les résultats d'un benchmark interne basé sur des tâches de codage réelles issues de sa base de code de plusieurs millions de lignes. Ce test comparait simultanément différents modèles ainsi que les cadres d'agents sur lesquels ils fonctionnaient.

Un rapport de Databricks montre que les modèles ouverts se distinguent par leur équilibre entre qualité et coût, GLM 5.2 ayant atteint le plus haut niveau de capacité testé pour les charges de travail de codage. Selon les données de l’entreprise, GLM 5.2 affiche une qualité statistiquement comparable à celle d’Opus 4.8 d’Anthropic, tout en ayant un coût moyen par tâche plus faible.

Ces résultats ne doivent pas être considérés comme un classement général. Ce benchmark a été construit à partir du propre code source, des langages, des workflows, des tests et des besoins d’ingénierie de Databricks. Sa véritable valeur réside dans la méthodologie : les organisations peuvent obtenir de meilleures décisions d’achat et d’acheminement en testant les modèles sur leurs propres tâches, plutôt qu’en se fiant uniquement aux classements publics.

L’impact des frameworks d’agents sur le coût est comparable à celui du modèle lui-même

Le même benchmark a également révélé que les frameworks d’agents ont un impact majeur sur le coût et la qualité de bout en bout.

Le framework gère le contexte, les appels d’outils, les instructions, les boucles d’itération et l’interaction avec l’environnement de travail du modèle. Même si deux systèmes utilisent le même modèle de base, la quantité de contexte transmise, le nombre d’étapes exécutées ou la manière d’appeler les outils peuvent différer.

Databricks a constaté que, dans certains tests, exécuter le même modèle et la même stratégie d’inférence via différents frameworks pouvait entraîner des différences de coût de plus du double, tout en maintenant une qualité similaire. Comparée aux autres solutions testées, la chaîne d’outils plus simple Pi utilise généralement beaucoup moins de contexte répété.

La conclusion n’est pas qu’une chaîne d’outils est toujours supérieure. Au contraire, Databricks estime que le choix du modèle n’est qu’une partie de l’efficacité de l’IA. La combinaison du modèle, de la chaîne d’outils, du routage, de la gestion du contexte et de la complexité des tâches détermine le coût réel d’exécution du travail.

Cette découverte est directement liée à Unity AI Gateway et à Omnigent. Le premier offre une gouvernance centralisée et un contrôle des coûts, tandis que le second facilite la combinaison ou le changement de chaînes d’outils d’agents. Ensemble, ils soutiennent une stratégie basée sur la flexibilité plutôt que sur la dépendance à un seul modèle ou fournisseur d’agents.

Pourquoi les investisseurs pourraient considérer Databricks comme un gagnant de l’infrastructure IA

Databricks n’a pas démarré en tant que laboratoire d’IA de pointe, mais c’est peut-être là son attrait. L’entreprise dispose déjà de relations avec les entreprises, d’infrastructures de données, de technologies de gouvernance, d’intégrations cloud et de charges de travail liées aux systèmes métier critiques.

Alors que les entreprises passent des prototypes d’IA au déploiement en production, les problèmes épineux sont souvent d’ordre opérationnel :

• À quelles données l’agent peut-il accéder ?
• Quel modèle doit traiter chaque tâche ?
• Comment surveiller et limiter les dépenses ?
• Comment auditer les prompts, les appels d’outils et les actions ?
• Où l’agent stocke-t-il et met-il à jour l’état de l’application ?
• Comment les équipes évaluent-elles la qualité avec leurs propres données et workflows ?

Databricks construit ses produits autour de ces questions. Par conséquent, son histoire de financement ne reflète pas seulement l’enthousiasme des investisseurs pour les marques d’IA. L’entreprise tente de devenir la couche opérationnelle reliant les données, les modèles, les applications, les agents, la gouvernance et le contrôle des coûts en entreprise.

Cela n’élimine pas les risques liés à une valorisation privée très élevée. Databricks doit encore transformer l’extension de ses produits en revenus durables, maintenir sa croissance, concurrencer les fournisseurs cloud et les plateformes d’IA spécialisées, et finalement justifier les attentes associées à une valorisation de 188 milliards de dollars.

Néanmoins, l’ordre des tours de financement suggère que les investisseurs croient que la position de l’entreprise à l’intersection des données d’entreprise et de l’IA lui confère un avantage concurrentiel significatif.

Ce que signifie la valorisation à 188 milliards de dollars – et ce qu’elle ne signifie pas

La valorisation sur le marché privé correspond au prix d’un tour de financement spécifique. Elle diffère de la capitalisation boursière sur le marché public et ne signifie pas nécessairement que chaque action existante peut être vendue à ce prix.

L’annonce actuelle repose sur une lettre d’intention d’investissement signée, dont la transaction devrait être finalisée à la fin de l’été. Avant la conclusion de ce processus, la taille et la composition finales de ce tour peuvent changer ou ne pas être divulguées.

Cette valorisation indique que les investisseurs participants sont prêts à augmenter significativement la valorisation de Databricks par rapport au niveau précédent de plus de 134 milliards de dollars. Elle fournit également à l’entreprise des ressources solides pour le recrutement, la recherche, le développement de produits, les acquisitions et d’éventuels plans de liquidité pour les employés.

La durabilité de cette valorisation dépendra de la performance financière future et de la capacité de l’entreprise à rester centrale dans l’évolution continue de l’architecture d’IA en entreprise.

Questions fréquentes

Quelle est la valorisation de Databricks en 2026 ?

En juillet 2026, Databricks a annoncé une lettre d’intention pour un tour de financement stratégique avec une valorisation de 188 milliards de dollars. Ce tour devrait être finalisé à la fin de l’été, mené par l’investisseur existant Coatue.

Combien Databricks a-t-il levé lors de ce tour ?

Databricks n’a pas encore divulgué publiquement le montant spécifique de ce tour. TechCrunch rapporte, citant d’autres sources, que le montant levé est d’environ 3 milliards de dollars, mais l’annonce de l’entreprise ne confirme que la valorisation, le meneur et le calendrier prévu.

Le tour de financement de 188 milliards de dollars de Databricks est-il terminé ?

Selon l’annonce, non. Databricks indique avoir signé la lettre d’intention et s’attend à ce que la transaction soit conclue à la fin de l’été 2026.

Pourquoi la valorisation de Databricks croît-elle si rapidement ?

Les investisseurs valorisent Databricks au-delà des entreprises traditionnelles d’analyse cloud. Sa plateforme couvre désormais les données d’entreprise, les agents IA, la gouvernance des modèles, les bases de données opérationnelles, les outils IA orientés métier et la gestion des coûts multi-modèles.

Dans quels produits IA Databricks investit-elle ?

Dans son dernier communiqué de financement, l’entreprise a particulièrement mis en avant Unity AI Gateway, Genie et Lakebase. Son portefeuille IA plus large inclut également Agent Bricks et le projet open source Omnigent.

Qu’est-ce que Unity AI Gateway ?

Unity AI Gateway est la couche de contrôle et de gouvernance de Databricks pour les modèles, les agents, les outils et les fournisseurs d’IA. Elle offre des fonctionnalités telles que les politiques d’accès, le contrôle des coûts, l’observabilité, les garde-fous de sécurité, le routage et les journaux d’audit.

À quoi sert Lakebase ?

Lakebase est une base de données Postgres sans serveur conçue pour les applications et les agents IA. Elle fournit une couche de données opérationnelles pour les systèmes d’agents, permettant de maintenir l’état et de traiter les données d’application changeantes fréquemment.

Pourquoi Databricks a-t-il réalisé un benchmark sur GLM 5.2 et les frameworks d’agents de codage ?

Databricks souhaitait mesurer la qualité et le coût sur des tâches d’ingénierie réelles issues de son propre code source. L’étude a révélé que le modèle choisi et son framework associé influencent tous deux significativement le coût d’exécution des tâches.

Outils connexes

• Plateforme Data + IA Databricks : Plateforme unifiée pour les données d’entreprise, l’analyse, les applications, le machine learning et les agents IA.
• Unity AI Gateway : Gouvernance, observabilité, routage, accès et contrôle des coûts pour les systèmes IA multi-modèles.
• Lakebase : Infrastructure Postgres sans serveur pour les applications de données et les agents IA.
• Genie One : Collaborateur IA aidant les équipes métier à traiter les données d’entreprise gouvernées.
• Agent Bricks : Outils pour construire, évaluer, déployer et superviser les agents IA d’entreprise.
• Omnigent : Méta-framework open source pour combiner et contrôler plusieurs modèles et outils d’agents.

Liens connexes

• Annonce du financement à 188 milliards de dollars de Databricks : Déclaration officielle de l’entreprise sur la lettre d’intention d’investissement, la valorisation, les investisseurs et l’utilisation des fonds.
• [Tour de financement Série L de Databricks à 134 milliards de dollars](https://www.databricks.

com/company/newsroom/press-releases/databricks-surpasses-4-8b-revenue-run-rate-growing-55-year-over-year) : Détails officiels sur le financement et la dynamique de croissance financière de fin 2025.

• Databricks dépasse les 100 milliards de dollars de valorisation lors du tour K : Informations officielles sur le tour K 2025 et les jalons de revenus liés à l'IA.
• Databricks valorisé à 62 milliards de dollars lors du tour J : Annonce de financement de l'entreprise en décembre 2024.
• Benchmark des agents de codage chez Databricks : Méthodologie et résultats derrière la proposition de rapport coût-efficacité de son modèle et de sa chaîne d'outils.
• Présentation d'Omnigent : Description officielle par Databricks de sa chaîne d'outils multi-agents open source.

Résumé

Databricks a signé une nouvelle feuille de conditions de financement stratégique, avec une valorisation de 188 milliards de dollars, menée par Coatue, la transaction devant être finalisée à la fin de l'été 2026. L'entreprise n'a pas officiellement divulgué le montant de ce tour.

La valorisation poursuit une croissance fulgurante : de 62 milliards de dollars fin 2024, à plus de 100 milliards en 2025, puis 134 milliards début 2026, et désormais 188 milliards. Cette progression accompagne l'expansion de Databricks du cloud et de l'analyse de données vers les agents IA, les bases de données opérationnelles, la gouvernance des modèles, les outils d'IA commerciaux et l'infrastructure multi-outils.

Ses récentes sorties de produits et ses benchmarks internes de codage confirment la même stratégie : les entreprises ont besoin de flexibilité entre modèles, d'un meilleur contrôle des coûts, d'un accès régulé aux données propriétaires, et d'une infrastructure capable de transformer les expérimentations en systèmes de production.

Cette dernière valorisation reflète la confiance des investisseurs : Databricks a le potentiel de devenir la couche de contrôle centrale des données et de l'IA pour les entreprises – bien plus qu'un simple bénéficiaire du cycle de financement de l'IA.