Valuasi Databricks Naik, tetapi Pelajaran Utamanya Bukan Soal Angka

Databricks kembali menjadi perhatian setelah mengumumkan putaran pendanaan baru dengan valuasi sekitar 188 miliar dolar. Angkanya besar, bahkan untuk standar perusahaan teknologi yang sedang menikmati gelombang AI.

Di permukaan, berita ini mudah dibaca sebagai satu cerita sederhana: pasar masih sangat lapar terhadap perusahaan AI.

Tetapi ada pelajaran yang lebih menarik dari sekadar valuasi.

Databricks bukan lahir sebagai lab AI yang membangun model dari nol. Perusahaan ini tumbuh dari era big data, membantu enterprise menyimpan, mengolah, dan menganalisis data dalam skala besar. Baru setelah kebutuhan AI enterprise naik, posisi itu berubah menjadi sangat strategis.

Karena AI di perusahaan besar tidak hanya soal model yang pintar. AI juga butuh data yang siap, akses yang aman, biaya yang masuk akal, dan governance yang bisa dipercaya.

The Core Update

Databricks mengumumkan pendanaan strategis baru yang dipimpin Coatue, dengan valuasi sekitar 188 miliar dolar. Jumlah dana yang dihimpun belum diumumkan resmi, dan putaran tersebut disebut akan selesai kemudian.

Ini datang setelah beberapa putaran besar sebelumnya. Dalam waktu relatif singkat, valuasi Databricks bergerak dari sekitar 62 miliar dolar, lalu 100 miliar dolar, lalu 134 miliar dolar, sampai akhirnya menyentuh angka 188 miliar dolar.

Bagi pasar, cerita besarnya jelas: Databricks berhasil mengubah persepsi.

Dulu ia dikenal sebagai perusahaan data dan analytics. Sekarang ia semakin dibaca sebagai perusahaan AI infrastructure untuk enterprise.

Perubahan persepsi ini tidak muncul dari slogan saja. Databricks memang berada di tempat yang penting: dekat dengan data perusahaan. Ketika banyak bisnis ingin memakai AI, pertanyaan pertama bukan hanya model apa yang dipakai. Pertanyaan yang lebih sulit adalah data mana yang boleh dipakai, siapa yang boleh mengakses, bagaimana kualitasnya, dan bagaimana biayanya dikendalikan.

Di titik itu, Databricks punya posisi yang kuat.

Perusahaan ini juga mendorong beberapa produk dan pendekatan AI, termasuk database untuk AI agents, AI gateway, dan sistem untuk mengelola banyak agent. Selain itu, Databricks ikut menyoroti penggunaan open-weight model yang lebih murah sebagai cara mengendalikan biaya AI.

Salah satu bagian yang menarik adalah temuan internal mereka soal coding agents. Databricks membandingkan model AI pada pekerjaan nyata para engineer mereka, lalu menemukan bahwa pilihan model memang penting, tetapi bukan satu-satunya faktor biaya.

Pilihan harness, yaitu alat yang membungkus model dan mengatur konteks, instruksi, serta cara agent bekerja, juga sangat memengaruhi biaya.

Dengan kata lain, biaya AI tidak hanya ditentukan oleh model yang dipilih. Cara sistem memakai model juga sama pentingnya.

The Reality Check

Ada kecenderungan umum di banyak bisnis: begitu mendengar AI, perhatian langsung lompat ke model.

Model apa yang paling pintar? Pakai OpenAI, Anthropic, Gemini, Llama, GLM, atau model lain? Harus proprietary atau open-weight? Harus fine-tuning atau cukup prompt?

Pertanyaan itu valid, tetapi sering datang terlalu awal.

Dalam praktiknya, banyak proyek AI tidak gagal karena modelnya kurang pintar. Banyak yang gagal karena data tidak siap, proses belum jelas, akses tidak diatur, evaluasi tidak ada, dan biaya tidak dipantau sejak awal.

AI yang terlihat bagus saat demo bisa menjadi mahal saat dipakai harian. Agent yang terlihat canggih bisa membuang banyak token karena konteksnya terlalu besar. Chatbot internal bisa menjawab dengan percaya diri, tetapi sumber datanya tidak jelas. Automation bisa berjalan cepat, tetapi membawa keputusan yang tidak pernah disepakati tim.

Di sinilah cerita Databricks menjadi menarik.

Nilai besar mereka bukan hanya karena menempelkan label AI pada produk lama. Nilainya datang karena mereka berada di lapisan yang sering kurang terlihat tetapi sangat penting: data, akses, governance, pipeline, dan efisiensi penggunaan model.

Untuk enterprise, AI bukan fitur tambahan yang ditempel di halaman depan. AI adalah sistem kerja baru yang harus masuk ke lingkungan yang sudah punya aturan, risiko, dan biaya.

Kalau data pelanggan tersebar di banyak spreadsheet, CRM tidak konsisten, dokumen internal tidak punya versi yang jelas, dan status pekerjaan masih ditanya lewat chat, maka menambahkan AI belum tentu membuat bisnis lebih cerdas.

Bisa jadi AI hanya mempercepat kebingungan.

Ini juga berlaku untuk biaya. Banyak bisnis mulai memakai AI dengan asumsi biaya akan kecil karena setiap prompt terlihat murah. Tetapi ketika AI dipakai oleh banyak tim, untuk banyak proses, dengan konteks panjang dan percobaan berulang, biaya bisa naik tanpa terasa.

Karena itu, pelajaran penting dari benchmark Databricks bukan sekadar bahwa open model bisa lebih murah. Pelajaran yang lebih sehat adalah bahwa arsitektur penggunaan AI perlu dipikirkan.

Model choice hanya satu bagian. Context management, workflow design, data boundary, monitoring, dan evaluasi hasil sama pentingnya.

The Havedev Way

Dari sudut pandang Havedev, berita seperti ini sebaiknya tidak dibaca sebagai ajakan untuk ikut mengejar AI paling baru. Untuk banyak bisnis, pertanyaan yang lebih berguna adalah: apakah fondasi data dan proses sudah cukup jelas untuk dibantu AI?

Sebelum memilih model, bisnis perlu melihat alur kerja yang ingin diperbaiki.

Misalnya:

• lead masuk dari website tetapi belum punya status follow-up
• tim sales sering menulis ulang jawaban yang sama
• support pelanggan bercampur dengan pertanyaan calon pelanggan
• invoice dan pembayaran masih dicek manual
• data produk tersebar di katalog, spreadsheet, dan chat
• laporan operasional baru dibuat saat owner meminta

Di area seperti ini, AI bisa membantu. Tetapi AI akan jauh lebih berguna jika proses dasarnya sudah dibaca dengan jelas.

Untuk website, contohnya, form lead tidak cukup hanya mengirim nama dan nomor. Form bisa membantu memberi konteks awal: kebutuhan, layanan yang diminati, urgensi, sumber halaman, dan jenis pelanggan. Dari sana, AI atau automation bisa membantu routing, klasifikasi, ringkasan, atau rekomendasi follow-up.

Untuk support, AI tidak harus langsung menjadi chatbot penuh. Bisa mulai dari merapikan kategori tiket, meringkas percakapan, menyarankan balasan, atau menandai kasus yang perlu eskalasi.

Untuk internal operation, AI tidak harus langsung menjadi agent kompleks. Bisa mulai dari membaca dokumen, mengambil insight dari data yang sudah ada, atau membantu membuat laporan rutin.

Pendekatan yang sehat bukan bertanya, “model AI apa yang harus dipakai?”

Pertanyaan yang lebih awal adalah:

• data apa yang paling sering dicari ulang?
• pekerjaan apa yang paling sering tertunda karena informasi tidak lengkap?
• keputusan apa yang terlalu lama karena laporan tidak siap?
• proses mana yang paling dekat dengan pendapatan atau pengalaman pelanggan?
• biaya AI akan dipantau dari mana?
• hasil AI akan dievaluasi oleh siapa?

Jawaban dari pertanyaan ini akan menentukan apakah bisnis butuh chatbot, automation, dashboard, workflow internal, data cleanup, atau cukup perbaikan form dan status kerja.

Databricks mendapat valuasi besar karena pasar percaya lapisan data dan AI infrastructure akan makin penting. Tetapi untuk bisnis biasa, pelajarannya bukan harus membangun platform seperti Databricks.

Pelajarannya lebih sederhana: AI yang berguna hampir selalu berdiri di atas data dan proses yang jelas.

Tanpa itu, bisnis hanya menambahkan teknologi baru di atas kebiasaan lama yang belum rapi.

AI bisa mempercepat pekerjaan. Tetapi ia juga bisa mempercepat biaya, salah paham, dan keputusan yang kurang jelas.

Sebelum mengejar tool AI baru, cek dulu satu hal dasar: apakah data, status, dan alur kerja Anda sudah cukup jelas untuk dibantu mesin?

Kalau jawabannya belum, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau kesiapan website, data, dan workflow bisnis Anda sebelum menambahkan AI atau automation baru.

---

Sumber referensi berita: TechCrunch