Databricks cerró una ronda de 5.000 millones de dólares a una valuación de 190.000 millones, un 42% más que los 134.000 millones de febrero. La compañía superó los 7.000 millones de dólares de ingresos anualizados, creciendo más del 80% interanual en el segundo trimestre. Lo relevante para quien trabaja o quiere trabajar en data no es la cifra: es qué está comprando el mercado con ese dinero.

La respuesta corta: infraestructura para que las empresas puedan construir y gestionar agentes de IA sobre sus propios datos. Y eso define bastante bien qué perfiles van a estar demandados en los próximos años.

Los números de la operación

Según la cobertura de CNBC, la ronda fue liderada por Coatue Management, con participación de Blackstone, MGX, T. Rowe Price y Sixth Street Growth, entre otros.

La operación fue confirmada también por Reuters, que destaca que los fondos están destinados a productos que ayuden a las empresas a construir y gestionar agentes de IA.

Es la segunda ronda del año para una compañía que compite directamente con Snowflake y con las divisiones de datos de Google y Microsoft. Su CEO, Ali Ghodsi, indicó que la empresa planea salir a bolsa pero prefiere seguir invirtiendo en producto antes de hacerlo.

Qué hace Databricks, en criollo

Databricks nació alrededor de Apache Spark, el motor de procesamiento distribuido creado por sus fundadores en Berkeley. Hoy es una plataforma unificada donde las empresas guardan, procesan, analizan y modelan sus datos.

Su propuesta central es el lakehouse: combinar la flexibilidad y el bajo costo de un data lake —donde guardás cualquier tipo de dato— con la estructura y el rendimiento de un data warehouse. Antes había que elegir entre uno u otro y mantener ambos en paralelo.

Si querés el detalle de cómo se trabaja con la plataforma en el día a día, esta introducción a Databricks para analistas de datos recorre la parte práctica.

Los cuatro bloques de la plataforma

• Almacenamiento y gobierno: dónde viven los datos y quién puede acceder a qué.

• Procesamiento: transformar volúmenes grandes de datos con Spark o SQL.

• Analítica y BI: consultas, dashboards y reportes sobre esos datos.

• Machine learning e IA: entrenar, desplegar y monitorear modelos, y cada vez más, agentes conectados a los datos de la empresa.

Por qué vale tanto: el problema que resuelve

El auge de la IA generativa dejó al descubierto un problema que las empresas venían postergando: los modelos son útiles solo si tienen acceso a datos propios, limpios, actualizados y con permisos bien definidos.

Una empresa puede contratar el mejor modelo del mercado, pero si sus datos están dispersos en veinte sistemas, con definiciones inconsistentes y sin control de acceso, el resultado es inservible o directamente riesgoso. Ese es el cuello de botella real, y es exactamente el que ataca esta categoría de plataformas.

Hay un segundo factor que explica la demanda: el costo. Reportes del sector señalan que los directores financieros están alarmados por las facturas de consumo de modelos, lo que empuja a las empresas a buscar plataformas que les permitan controlar y optimizar ese gasto en lugar de pagar por token sin visibilidad.

Qué dice esto sobre el mercado laboral de data

Una compañía de infraestructura de datos que crece 80% interanual y levanta 5.000 millones para invertir en producto es una señal bastante directa sobre dónde va la demanda de talento.

Los perfiles que se benefician

• Data Engineer: el más demandado. Construye y mantiene los pipelines que llevan datos desde los sistemas de origen hasta la plataforma. Sin este rol, no hay nada que analizar ni con qué alimentar un modelo.

• Analytics Engineer: el perfil intermedio que transforma datos crudos en tablas confiables y documentadas para que analistas y modelos las consuman.

• ML Engineer: lleva modelos del notebook a producción, con monitoreo, versionado y control de costos.

• Data Analyst: sigue siendo la puerta de entrada más accesible al sector y el rol que traduce los datos en decisiones de negocio.

• Data Governance: perfil en crecimiento acelerado, porque cuando los agentes acceden a datos de la empresa, definir quién ve qué se vuelve crítico.

Las habilidades concretas

Más allá del título del puesto, estas son las competencias que aparecen una y otra vez en las búsquedas:

• SQL: sigue siendo la base innegociable. Ninguna herramienta lo reemplazó.

• Python: para transformación, automatización y modelado.

• Spark o procesamiento distribuido: el diferencial cuando los volúmenes crecen.

• Modelado de datos: diseñar esquemas que otros puedan usar sin pedir ayuda.

• Nociones de cloud: almacenamiento, cómputo y costos.

• Criterio de negocio: lo que separa a quien ejecuta consultas de quien resuelve problemas.

Si estás evaluando por dónde entrar al sector, esta guía sobre las carreras de data con mayor crecimiento y cómo entrar sin experiencia ordena las rutas posibles.

La lectura de fondo

Hay una tesis detrás de esta valuación que conviene entender: el valor no está en el modelo de IA sino en los datos que lo alimentan y en la capacidad de gobernarlos.

Los modelos se están volviendo intercambiables. Lo que no es intercambiable es el conjunto de datos propios de una empresa, su calidad y las reglas que definen quién puede usarlos. Por eso las plataformas que administran esa capa se valúan como se valúan.

Para alguien que está eligiendo qué aprender, la conclusión es útil: las habilidades de ingeniería y gobierno de datos tienen una vida útil más larga que el dominio de una herramienta de IA puntual. La herramienta cambia cada seis meses; saber modelar, mover y gobernar datos, no.

Cursos recomendados de Coderhouse

Estos programas cubren el recorrido desde el análisis hasta la ingeniería de datos:

• Curso de SQL — nivel inicial y punto de entrada obligado a cualquier rol de data.

• Curso de Data Analytics — nivel intermedio, para dominar análisis, visualización y storytelling.

• Curso de Data Engineering — nivel avanzado, enfocado en pipelines, procesamiento y arquitectura de datos.

• Carrera de Data Scientist — el recorrido completo, con modelado y machine learning aplicado.

Preguntas frecuentes

¿Qué diferencia hay entre Databricks y Snowflake?

Ambas convergieron hacia el mismo territorio, pero vienen de lugares distintos. Databricks nació del procesamiento a gran escala y del machine learning, con Spark en el centro, y es más fuerte en workloads de ingeniería y ciencia de datos. Snowflake nació como data warehouse en la nube y sobresale en analítica SQL y facilidad de uso. Hoy compiten de frente en la capa de plataforma de datos e IA.

¿Necesito aprender Databricks para trabajar en data?

No como primer paso. Lo que necesitás es SQL, Python y entender modelado de datos: eso es lo transferible entre plataformas. Databricks, Snowflake o BigQuery son entornos donde aplicás ese conocimiento. Dicho esto, tener experiencia con alguna plataforma de datos moderna es un diferencial concreto en una entrevista.

¿Es una burbuja esta valuación?

Es una discusión abierta y hay argumentos de los dos lados. A favor de la valuación: más de 7.000 millones de ingresos anualizados creciendo 80% interanual es un negocio real, no una promesa. En contra: el múltiplo implícito es muy alto y depende de que ese ritmo se sostenga varios años. Es un debate legítimo entre inversores y conviene seguirlo sin dar por sentado ninguno de los dos escenarios.

¿Cómo afecta esto a las empresas de América Latina?

De forma indirecta pero concreta. Las grandes compañías de la región ya usan estas plataformas y las medianas empiezan a migrar desde soluciones más artesanales. Eso se traduce en búsquedas locales de perfiles con conocimientos de arquitectura de datos moderna, un segmento donde la oferta de talento formado sigue siendo menor que la demanda.

¿Databricks va a salir a bolsa?

Su CEO declaró que la compañía tiene intención de hacerlo, pero que prefiere concentrarse en invertir en sus productos de IA antes de dar ese paso, especialmente en un contexto de volatilidad de mercado. No hay fecha anunciada, y estas rondas privadas de gran tamaño justamente le permiten postergar la decisión sin frenar la inversión.