Databricks valorisée à 188 milliards de dollars : son prochain pari pourrait redessiner l'IA d'entreprise
En cinq mois, Databricks a ajouté 54 milliards de dollars à sa valorisation sans être cotée sur aucune bourse. Elle est passée de 134 milliards en février 2026 à 188 milliards en juillet, portée par un nouveau tour stratégique mené par Coatue Management. PitchBook estime le montant à 3 milliards de dollars en actions privilégiées. La société n'a pas confirmé le chiffre, mais a bien signé le term sheet. La clôture est attendue avant la fin de l'été.
Ce qui attire l'attention n'est pas uniquement le chiffre. C'est la vitesse à laquelle se déplace la structure de pouvoir du marché des données d'entreprise, et à quel point Databricks choisit délibérément de rester en dehors des marchés publics tout en construisant depuis l'intérieur.
---
L'argent n'arrive pas dans une entreprise de données. Il arrive dans un pari sur celui qui contrôle la couche d'intelligence d'entreprise
Pour comprendre pourquoi Coatue remet de l'argent à une valorisation plus élevée, il faut comprendre ce qu'elle achète réellement. Databricks n'est pas, à proprement parler, une entreprise de stockage de données. Ce n'est pas non plus un fournisseur de modèles d'intelligence artificielle. C'est une entreprise qui veut occuper l'espace entre les deux : l'endroit où les données propriétaires d'une organisation se connectent aux modèles d'IA qui les traitent.
Cet espace, aujourd'hui fragmenté et techniquement complexe, est le champ de bataille le plus intense de l'industrie technologique. Et Databricks a trois mouvements en cours qui révèlent une lecture très spécifique du moment.
Le premier est Unity AI Gateway, une couche de gestion qui permet aux entreprises d'administrer quels modèles d'IA elles utilisent, dans quelles conditions et à quel coût. Ce n'est pas de l'infrastructure de calcul. C'est de la gouvernance de modèles. Cela importe parce que les grandes organisations commencent à découvrir qu'avoir accès à des dizaines de modèles ne résout rien : le nouveau problème opérationnel est de décider quel modèle utiliser pour chaque tâche sans que les coûts s'envolent.
Le deuxième mouvement est Genie, décrit comme un collaborateur d'IA qui répond à des questions et prend des actions en utilisant des données d'entreprise. Ici, le pari est plus risqué. Passer d'un datacenter à une interface conversationnelle est un saut que de nombreux fournisseurs ont tenté avec des résultats hétérogènes. Le différenciateur que Databricks prétend maintenir est que Genie n'opère pas sur des données génériques, mais sur les données spécifiques du client, stockées et traitées au sein de sa propre plateforme. Si cela fonctionne avec cohérence, la rétention des clients change de nature : quitter Databricks impliquerait de perdre le contexte accumulé.
Le troisième est Lakebase, une base de données construite pour les applications propulsées par des agents d'IA. Cela vise un horizon un peu plus lointain, où les flux de travail automatisés nécessitent un stockage conçu pour les opérations d'écriture et de lecture intensives de processus autonomes, et non d'analystes humains. C'est de l'infrastructure pour un monde où les agents prennent des décisions sans attendre une confirmation humaine à chaque étape.
Les trois produits réunis ne constituent pas un portefeuille diversifié. Ils forment un argument architectural : Databricks veut être la couche où l'intelligence artificielle d'entreprise touche le sol.
---
La phrase la plus révélatrice ne parle pas de technologie. Elle parle d'économie
Ali Ghodsi, cofondateur et PDG de Databricks, a utilisé une distinction qui mérite attention : la différence entre tokenmaxxing et valuemaxxing. En termes opérationnels, cela signifie passer de « utilisons toujours le modèle le plus puissant » à « utilisons le modèle qui produit le meilleur résultat par dollar dépensé ».
Cette phrase a des implications qui vont bien au-delà du marketing. Durant 2023 et une bonne partie de 2024, la logique dominante dans l'adoption corporate de l'IA consistait à monter en gamme vers les modèles les plus grands disponibles. OpenAI, Anthropic et Google se sont livré une concurrence féroce pour le leadership sur les benchmarks. Les entreprises ont adopté cette logique d'échelle presque par inertie : si le modèle le plus cher était le plus capable, il fallait l'utiliser.
Mais le coût d'exploitation de modèles de pointe pour toutes les tâches, y compris les plus triviales, est devenu insoutenable à grande échelle. Une entreprise qui traite des millions de requêtes par jour ne peut pas payer le tarif d'inférence d'un modèle à 70 milliards de paramètres pour répondre à des questions qu'un modèle à 7 milliards de paramètres gère tout aussi bien.
Ce que Databricks articule, c'est une proposition de valeur qui correspond exactement à cette pression : la plateforme qui achemine chaque tâche vers le bon modèle, au bon coût, en utilisant les bonnes données. Unity AI Gateway est le mécanisme technique de cette proposition. Et si elle parvient à faire voir aux directeurs financiers des grandes entreprises une ligne d'économies directement attribuable à Databricks, l'argument de vente cesse d'être technique pour devenir financier.
Ce changement de registre — passer d'une conversation d'ingénierie à une conversation de coûts — est ce qui, historiquement, transforme un outil de niche en infrastructure obligatoire. Snowflake a effectué ce parcours dans le domaine des données. Databricks tente de le reproduire, mais à une couche plus haute de la pile technologique.
---
Rester privée à 188 milliards de dollars n'est pas de la timidité. C'est du positionnement
Le tour de Coatue réduit explicitement la pression d'entrer en bourse. Inc. le note clairement : le nouveau capital donne à Ghodsi plus d'espace pour opérer sans l'exposition trimestrielle qu'implique une cotation publique. Cela mérite une analyse, car à cette valorisation, la question naturelle est de savoir pourquoi l'entreprise ne profite pas du marché public.
La réponse la plus probable n'est pas que les fondateurs aient une aversion au contrôle. C'est que le moment stratégique n'est pas encore mûr. Une entreprise cotée à 188 milliards de dollars doit démontrer une trajectoire de croissance soutenue dès le premier jour de cotation. Si Lakebase et Genie sont encore dans les premières phases d'adoption massive, sortir maintenant signifie fixer des attentes sur une promesse qui n'a pas encore fait ses preuves à grande échelle.
Rester privée avec le capital de Coatue permet quelque chose de spécifique : exécuter des acquisitions sans le bruit public que génère chaque mouvement d'une entreprise cotée. Databricks a explicitement mentionné qu'une partie des fonds irait à des acquisitions. Cela suggère que l'entreprise identifie des lacunes dans sa pile technologique qu'elle préfère acheter plutôt que construire. Probablement dans la gouvernance des données, l'observabilité des modèles ou les capacités d'agents spécialisés pour des secteurs verticaux.
Il existe un schéma dans l'histoire technologique récente : les entreprises qui ont retardé leur introduction en bourse lors de fenêtres d'abondance de capital privé sont arrivées sur le marché public avec une architecture produit plus complète et avec moins de dépendance à un seul vecteur de croissance. Databricks semble suivre cette logique. La question n'est pas de savoir si elle entrera en bourse, mais dans quelles conditions elle le fera et à quel point l'entreprise sera différente lorsque cela se produira.
Ce qui est clair, en revanche, c'est que Coatue ne fait pas ce pari sur un récit. Elle le fait sur un modèle économique où les données propriétaires des entreprises génèrent une rétention structurelle. Chaque organisation qui stocke, traite et connecte ses données sur la plateforme de Databricks devient plus coûteuse à migrer. Ce n'est pas de la fidélité : c'est la friction de sortie transformée en avantage concurrentiel.
---
La course n'est pas pour les modèles. Elle est pour la couche qui les rend utiles au sein de l'entreprise
Le déplacement que révèle ce tour de table ne porte pas sur les valorisations privées ni sur l'appétit des investisseurs en croissance. Il porte sur l'endroit où se concentrera la valeur dans la chaîne de l'intelligence artificielle d'entreprise au cours des prochaines années.
Les modèles de langage continueront à s'améliorer. Certains seront ouverts, d'autres propriétaires. Certains seront moins chers, d'autres plus capables. Ce que le marché des modèles ne résoudra pas à lui seul, c'est le problème de connexion : comment une entreprise fait-elle pour que ces modèles accèdent à ses données sans les exposer, les utilisent avec un critère de coût et produisent des actions cohérentes avec ses processus internes.
Cette couche de connexion, de gouvernance et d'optimisation est le territoire que Databricks est en train de délimiter. Unity AI Gateway, Genie et Lakebase sont les trois points d'ancrage de cette délimitation. Si les trois arrivent à maturité avec cohérence, l'entreprise n'a pas besoin de gagner la guerre des modèles. Elle a seulement besoin d'être indispensable au moment où n'importe quel modèle touche les données d'une entreprise.
À 188 milliards de valorisation privée, Databricks ne parie plus sur le fait de devenir une infrastructure. Elle parie sur le fait que l'infrastructure qu'elle a construite est suffisamment difficile à remplacer pour que personne ne veuille s'y essayer.
