Havedev
Databricks Mengingatkan Bahwa AI Bukan Hanya Soal Model, Tetapi Daya Tahan Modal
The Core Update
Databricks awalnya ingin menggalang dana sekitar $1 miliar. Minat investor ternyata jauh lebih besar. Menurut CEO Ali Ghodsi, setelah kabar fundraise muncul di media, investor mulai berdatangan dan total minat yang masuk mencapai sekitar $15 miliar.
Akhirnya Databricks menutup pendanaan $5 miliar dengan valuasi sekitar $190 miliar. Putaran ini diikuti banyak investor besar, termasuk Coatue, Blackstone, MGX, T. Rowe Price, Sixth Street Growth, dan puluhan investor lain.
Di permukaan, ini terlihat seperti cerita klasik perusahaan AI yang sedang panas. Investor ingin masuk, valuasi naik, dan perusahaan tetap memilih private fundraising daripada IPO.
Angkanya memang besar. Databricks menyebut revenue run rate sudah mencapai $7 miliar, tumbuh 80% year-over-year, dan perusahaan sudah cash-flow positive. Produk data warehouse intinya disebut menyumbang $1,5 miliar run rate dan masih tumbuh 100% year-over-year.
Di sisi AI, Databricks juga punya produk seperti Lakebase, database untuk agent, yang disebut sudah mencapai $100 juta revenue run rate. Genie, tool chatbot untuk analisis bisnis, juga disebut sangat populer.
Jadi wajar kalau investor melihat Databricks sebagai salah satu taruhan besar di era AI dan data infrastructure.
Namun bagian paling penting dari berita ini bukan hanya bahwa Databricks berhasil menaikkan dana besar. Bagian pentingnya adalah alasan kenapa perusahaan sebesar itu masih merasa perlu mengambil modal tambahan.
AI mahal.
Databricks punya komitmen cloud bernilai miliaran dolar dengan tiga hyperscaler besar. Riset AI juga mahal. Tim riset AI mereka disebut berjumlah sekitar 100 orang. Selain itu, Databricks aktif melakukan akuisisi, termasuk Electric, Panther, dan beberapa startup lain.
Artinya, pendanaan ini bukan sekadar bahan bakar marketing. Ini adalah cadangan energi untuk perang infrastruktur, riset, talenta, dan akuisisi.
The Reality Check
Banyak bisnis melihat berita seperti ini lalu mengambil kesimpulan yang terlalu sederhana: AI sedang naik, maka semua perusahaan harus bergerak cepat dan mengadopsi AI sebanyak mungkin.
Kesimpulan itu tidak sepenuhnya salah. Tetapi kurang lengkap.
Databricks bukan naik karena hanya memakai label AI. Databricks berada di posisi kuat karena sudah punya fondasi data, produk enterprise, revenue besar, pelanggan besar, dan infrastruktur yang relevan sebelum gelombang AI menjadi terlalu ramai.
AI memperbesar momentum mereka, tetapi bukan menggantikan fondasi bisnisnya.
Ini pelajaran penting untuk perusahaan yang lebih kecil. AI bukan lapisan ajaib yang otomatis membuat bisnis lebih efisien. AI membutuhkan data yang rapi, proses yang jelas, sistem yang bisa dihubungkan, dan biaya operasional yang perlu dihitung.
Kalau data pelanggan masih tersebar di chat, spreadsheet, email, dan catatan manual, AI tidak langsung memberi insight yang bisa dipercaya. Kalau status lead belum jelas, AI hanya membantu mempercepat kebingungan. Kalau proses support belum punya kategori yang konsisten, chatbot akan sulit memberi jawaban yang stabil.
Databricks bisa bicara soal AI agent, database untuk agent, dan analisis otomatis karena mereka bermain di lapisan yang sangat dekat dengan data.
Banyak bisnis justru belum menyelesaikan masalah dasarnya: data belum siap dibaca.
Di sinilah euforia AI sering menipu. Tool AI terlihat mudah dipakai di demo, tetapi implementasi yang benar membutuhkan disiplin operasional. Pertanyaan yang perlu dijawab bukan hanya “AI apa yang bisa kita pakai?” tetapi juga “data apa yang cukup rapi untuk dipakai AI?”
Tanpa jawaban itu, AI bisa menjadi biaya baru yang terlihat modern, tetapi tidak banyak mengubah cara kerja.
Berita Databricks juga menunjukkan bahwa skala AI punya konsekuensi finansial yang serius. Bahkan perusahaan dengan revenue run rate miliaran dolar dan cash-flow positive tetap membutuhkan modal besar untuk cloud, riset, dan akuisisi.
Untuk bisnis biasa, ini berarti adopsi AI perlu dimulai dari use case yang dekat dengan nilai bisnis, bukan dari rasa takut tertinggal.
Contohnya:
- merapikan lead intake dari website dan WhatsApp
- membuat ringkasan inquiry pelanggan
- mengelompokkan request support
- membantu sales memahami histori percakapan
- membuat laporan operasional dari data yang sudah jelas
- memberi reminder follow-up berdasarkan status yang disepakati
Use case seperti ini tidak terdengar sebesar membangun database untuk AI agent. Tetapi bagi banyak bisnis, dampaknya lebih nyata karena langsung menyentuh pekerjaan harian.
AI yang sehat biasanya dimulai dari proses kecil yang sudah cukup jelas, lalu diperluas setelah hasilnya terbukti.
The Havedev Way
Dari sudut pandang Havedev, berita Databricks mengingatkan satu hal: AI yang bernilai tidak berdiri sendiri. Ia berdiri di atas data, workflow, dan keputusan bisnis yang sudah cukup jelas.
Untuk perusahaan besar seperti Databricks, tantangannya adalah cloud commitment, riset AI, M&A, dan kompetisi global. Untuk bisnis yang sedang tumbuh, tantangannya berbeda tetapi prinsipnya sama: jangan membangun automation di atas proses yang belum bisa dibaca.
Sebelum menambah tool AI, bisnis perlu mengecek fondasinya.
Pertama, dari mana data masuk?
Lead bisa datang dari website, WhatsApp, Instagram, marketplace, referral, iklan, atau email. Jika sumbernya tidak tercatat, bisnis sulit tahu kanal mana yang benar-benar menghasilkan peluang.
Kedua, apakah data punya konteks?
Nama dan nomor telepon saja sering tidak cukup. Tim perlu tahu layanan yang diminati, kebutuhan awal, urgensi, lokasi, budget range jika relevan, dan halaman asal. Tanpa konteks, follow-up selalu dimulai dari nol.
Ketiga, apakah status pekerjaan jelas?
AI bisa membantu mengingatkan follow-up, tetapi hanya kalau definisi follow-up sudah jelas. AI bisa membantu membuat ringkasan support, tetapi hanya kalau kategori support tidak berubah-ubah. AI bisa membantu membuat laporan, tetapi hanya kalau data yang masuk cukup konsisten.
Keempat, apakah ada pemilik proses?
Automation sering gagal bukan karena teknologinya buruk, tetapi karena tidak ada orang yang bertanggung jawab saat data salah, status macet, atau hasil AI perlu divalidasi.
Bagi banyak bisnis, langkah awal yang lebih sehat bukan langsung membangun sistem AI besar. Langkah awalnya adalah merapikan alur data paling dekat dengan uang.
Biasanya salah satu dari ini:
- form lead website
- tombol WhatsApp dengan pesan awal yang berisi konteks
- pipeline sales sederhana
- status order dan invoice
- ticket support pelanggan
- dashboard follow-up
- laporan performa channel
Setelah alur ini cukup rapi, AI bisa masuk sebagai akselerator. Bukan sebagai penutup kekacauan.
Misalnya, website bisa membantu mengirim lead dengan konteks yang lebih lengkap. CRM ringan bisa menyimpan status follow-up. Automation bisa memberi reminder saat lead terlalu lama tidak disentuh. AI bisa membuat ringkasan kebutuhan pelanggan sebelum sales membalas.
Semua itu lebih masuk akal daripada langsung mengejar sistem AI besar tanpa data yang siap.
Databricks bisa menggalang $5 miliar karena mereka berada di tengah arus besar AI dan data infrastructure. Tetapi pelajaran untuk bisnis lain bukan “ikut cari tool AI sebanyak mungkin”.
Pelajaran yang lebih berguna adalah ini: semakin penting AI bagi bisnis, semakin penting pula fondasi data dan proses yang rapi.
AI tidak menghapus kebutuhan akan workflow yang jelas. AI membuat kebutuhan itu semakin terlihat.
Sebelum bertanya tool AI apa yang perlu dipakai, tanyakan dulu: data apa yang sudah cukup rapi, proses apa yang sudah cukup stabil, dan keputusan apa yang ingin dipercepat?
Kalau jawabannya belum jelas, mulai dari sana.
Dapatkan Audit Teknis Gratis untuk meninjau kesiapan website, data lead, workflow, dan peluang automation AI yang paling masuk akal untuk bisnis Anda.
Sumber referensi berita: TechCrunch