Databricks: Wie viel ist die Daten-Plattform wert?

Databricks trennt Rechnen und Speichern so radikal, dass aus dieser einen Idee ein Konzern mit rund 164 Milliarden Euro Bewertung wurde. Die Plattform verkauft weder eine Lizenz noch ein fertiges Produkt, ihr Geschäft ist verbrauchte Rechenzeit im Sekundentakt. Wie aus einem Uni-Forschungsprojekt der teuerste Datenkeller der Softwarewelt wurde, entscheidet sich an einer nüchternen Kennzahl.

Databricks sammelt seit dem 16. Juli 2026 frisches Kapital zu einer Bewertung von umgerechnet rund 164 Milliarden Euro ein, angeführt vom Bestandsinvestor Coatue. Der Datenspezialist ist damit teurer als die meisten börsennotierten Softwarehäuser, obwohl er nach eigenen Angaben erst bei einer hochgerechneten Jahresumsatzrate von gut sechs Milliarden Euro steht. Hinter dem Preis steckt die Frage, die kaum ein Wirtschaftsbericht sauber beantwortet: Woraus zieht diese Plattform tatsächlich ihre Marge?

Wissenstest

Databricks in fünf Fragen

5 Fragen aus dem Artikel. Wählen Sie Ihre Antwort, dann decken Sie die Lösung auf.

1Wie rechnet Databricks seine Rechenleistung gegenüber Kunden ab?Aufklappen ↓

Auflösung aufdecken ↓

Richtig: B. Databricks verkauft keine klassische Lizenz, sondern verbrauchsbasierte Rechenleistung. Jede Abfrage kostet Databricks Units, abgerechnet im Sekundentakt. Mehr dazu im Kapitel zum Erlösmodell.

AAls jährliche Nutzerlizenz pro Mitarbeiter BÜber verbrauchte Rechenzeit in Databricks Units CAls einmaligen Kaufpreis für die Software

2Auf welcher Technologie fußt Databricks ursprünglich?Aufklappen ↓

Auflösung aufdecken ↓

Richtig: A. Die sieben Gründer entwickelten Apache Spark im AMPLab der UC Berkeley und bauten daraus ein Unternehmen. Die Gründungsgeschichte steht im ersten Kapitel.

AAuf dem Open-Source-Projekt Apache Spark BAuf einer eigenen Programmiersprache aus Stanford CAuf einer Kopie der Oracle-Datenbank

3Wie hoch war die Bewertung bei der Kapitalrunde im Juli 2026?Aufklappen ↓

Auflösung aufdecken ↓

Richtig: C. Die strategische Runde vom 16. Juli 2026 taxierte Databricks auf umgerechnet rund 164 Milliarden Euro. Die Bewertungstreppe zeichnet das zweite Kapitel nach.

ARund 54 Milliarden Euro BRund 117 Milliarden Euro CRund 164 Milliarden Euro

4Warum sinkt die Bruttomarge von Databricks?Aufklappen ↓

Auflösung aufdecken ↓

Richtig: B. KI-Agenten stellen weit mehr Abfragen als menschliche Nutzer und treiben die Rechenkosten. Die Bruttomarge fiel deshalb von über 80 auf 74 Prozent. Das Kapitel zur Marge erklärt den Mechanismus.

AWeil der Konzern die Preise gesenkt hat BWeil KI-Agenten viel mehr Rechenlast erzeugen als Menschen CWeil die Kundenzahl schrumpft

5Wo liegt für deutsche Kunden das größte strukturelle Risiko?Aufklappen ↓

Auflösung aufdecken ↓

Richtig: A. Databricks läuft auf den Rechenzentren von Amazon, Microsoft und Google, die dem US-Recht unterliegen. Das letzte Kapitel ordnet die Folgen für den Mittelstand ein.

AIn der Abhängigkeit von US-Cloud-Rechenzentren BIn fehlender deutscher Sprachunterstützung CIn zu niedrigen Rechenleistungen

Quelle: Dr. Web Fachartikel „Databricks: Wie viel ist die Daten-Plattform wert?“

© 2026 Dr. Web – Das Fachportal für Entscheider | Quiz von Dr. Web

Wer steckt hinter Databricks und wie fing alles an?

Hinter Databricks stehen sieben Wissenschaftler aus dem AMPLab der University of California in Berkeley, die ab 2013 aus ihrem Open-Source-Projekt Apache Spark ein Unternehmen formten. Der bekannteste unter ihnen ist Ali Ghodsi, heute Vorstandschef. Neben ihm gründeten der Spark-Erfinder Matei Zaharia, der spätere Turing-nahe Systemforscher Ion Stoica, Reynold Xin, Patrick Wendell, Andy Konwinski und Arsalan Tavakoli-Shiraji das Haus. Keiner von ihnen hatte je zuvor eine Firma geführt.

Der Ursprung liegt in einem technischen Ärgernis. Zaharia stieß Ende der 2000er Jahre auf die Grenzen von Hadoop, dem damaligen Standard für große Datenmengen, der jeden Zwischenschritt auf die Festplatte schrieb und dadurch quälend langsam wurde. Seine Antwort hieß Spark, eine Rechenmaschine, die Daten im Arbeitsspeicher hält und Analysen dadurch um ein Vielfaches beschleunigt. Das Projekt wurde an die Apache Software Foundation gespendet und verbreitete sich rasant in der Forschung.

Aus der Verbreitung erwuchs das eigentliche Geschäftsproblem. Spark war gratis, doch Unternehmen scheiterten daran, die Software zu betreiben, zu skalieren und abzusichern. Diese Lücke besetzte die junge Firma: Sie verkaufte statt der Rechenmaschine den bequemen Betrieb in der Cloud. Das Muster, offene Technologie zu verschenken und den mühsamen Betrieb zu verkaufen, prägt das Geschäftsmodell bis heute.

Die frühen Jahre waren von einer bewussten Zurückhaltung geprägt. Während andere Datenfirmen aggressiv Vertrieb aufbauten, ließ Databricks die kostenlose Software für sich werben und gewann so erst die Entwickler, dann deren Arbeitgeber. Dieser Weg von unten nach oben, im Fachjargon Product-led Growth genannt, kostete Geduld, sparte aber teure Vertriebsheere. Die Community der Spark-Nutzer wurde zum billigsten Vertriebskanal, den der junge Konzern haben konnte. Erst als die Nachfrage stand, folgten die klassischen Verkaufsteams für die großen Konzernkunden.

Die Frühphase finanzierten Wagniskapitalgeber wie Andreessen Horowitz und NEA, die früh an die Idee einer einheitlichen Datenplattform glaubten. Das Startkapital blieb zunächst überschaubar, wuchs aber mit jedem Wachstumsschub. Anders als viele Gründer der Zeit hielten die sieben lange an einer klaren Linie fest: erst die technische Basis verbreitern, dann monetarisieren.

Ein prägender Kurswechsel fiel 2020 mit dem Begriff Lakehouse. Databricks verband darin den billigen Datensee, in dem Rohdaten liegen, mit den Analysefähigkeiten eines klassischen Data Warehouse. Diese Wortschöpfung war mehr als Marketing, denn sie beschrieb die strategische Kampfansage an den Rivalen aus der Datenbankwelt. Der Datenanbieter positionierte sich fortan als Ort, an dem Daten und künstliche Intelligenz zusammenfallen.

Deutschland spielte in dieser Geschichte früh mit. Der Konzern eröffnete Standorte in München und Berlin, warb um Konzerne wie Mercedes-Benz und Rossmann und positionierte sich als Alternative zu den Datenbanken amerikanischer Großanbieter wie sie auch der Datenbank-Riese Oracle seit Jahrzehnten vermarktet. Die europäische Nachfrage nach Datenhoheit wurde dabei zum Verkaufsargument, obwohl die Rechenzentren im Hintergrund amerikanisch blieben.

Wie wurde aus Apache Spark ein 164-Milliarden-Riese?

Aus dem kostenlosen Spark wurde ein mit rund 164 Milliarden Euro bewerteter Konzern, weil Databricks jeden Technologiesprung sofort in bezahlten Verbrauch übersetzte und teuer zukaufte, was ihm fehlte. Der Weg dorthin lässt sich an drei Zahlen ablesen, die dicht aufeinanderfolgten und den Kapitalmarkt in einen Rausch versetzten.

Die Bewertungstreppe stieg steil. Ende 2024 lag der Datenanbieter bei umgerechnet rund 54 Milliarden Euro, Ende 2025 folgte in der Serie L eine Runde bei rund 117 Milliarden Euro, und im Juli 2026 kletterte die Marke auf rund 164 Milliarden Euro. In gut anderthalb Jahren verdreifachte sich der Papierwert des Unternehmens, ohne dass ein einziger Anteil an der Börse gehandelt wurde.

Den entscheidenden Sprung brachte weniger ein einzelnes Produkt als eine Kette gezielter Übernahmen. 2023 kaufte der Konzern MosaicML für umgerechnet rund 1,1 Milliarden Euro und holte sich damit die Fähigkeit, große Sprachmodelle günstig zu trainieren. Ein Jahr später folgte Tabular für kolportierte rund 1,7 Milliarden Euro, ein Zukauf, der Databricks die Kontrolle über das offene Tabellenformat Apache Iceberg sicherte und dem Rivalen ein Druckmittel entwand.

2025 legte der Datenspezialist mit dem Kauf der Datenbankfirma Neon für rund 870 Millionen Euro nach. Aus deren Technik entstand Lakebase, eine schnelle Datenbank, die ausdrücklich für KI-Agenten gedacht ist. Jede dieser Übernahmen zielte auf denselben Zweck: mehr Gründe zu schaffen, warum Kunden Rechenzeit auf der Plattform verbrauchen.

Der eine Moment, ab dem nichts mehr war wie zuvor, war der Durchbruch der generativen KI ab 2023. Plötzlich brauchte jedes Unternehmen einen Ort, an dem seine eigenen Daten auf große Sprachmodelle treffen. Databricks hatte diesen Ort bereits gebaut und musste ihn nur noch als KI-Fabrik neu etikettieren. Der Finanzsender CNBC berichtete im Juni 2026, die hochgerechnete Jahresumsatzrate sei binnen zwölf Monaten um mehr als 80 Prozent auf gut sechs Milliarden Euro gesprungen.

Die Internationalisierung lief parallel. Aus einem kalifornischen Betrieb wurde ein Konzern mit über 20.000 Organisationen als Kunden, darunter 70 Prozent der Fortune-500-Unternehmen. Der Anbieter beschäftigt heute mehrere Tausend Mitarbeiter weltweit und betreibt Forschung in den USA, Europa und Israel. Aus sieben Akademikern ohne Firmenerfahrung wurde eine der wertvollsten Privatfirmen der Softwaregeschichte.

Bemerkenswert an diesem Aufstieg ist die Disziplin der Finanzierung. Statt an die Börse zu drängen, sammelte der Konzern Runde um Runde privates Kapital ein und blieb dadurch der öffentlichen Rechenschaft fern. Diese Strategie verschaffte den Gründern Zeit, das Modell in Ruhe umzubauen, ohne jedes Quartal Zahlen erklären zu müssen. Der bewusste Verzicht auf den frühen Börsengang wurde selbst zum strategischen Werkzeug. Investoren akzeptierten die Verluste, solange die Umsatzrate im Jahrestakt zweistellig zulegte.

Wie verdient Databricks tatsächlich sein Geld?

Databricks verdient nahezu seinen gesamten Umsatz mit verbrauchter Rechenleistung, gemessen in Databricks Units, und kaum einen Cent mit klassischen Lizenzen. Wer die Plattform nutzt, kauft im Kern Rechenzeit, die im Sekundentakt tickt. Genau diese Abrechnung macht das Modell so stark und zugleich so verwundbar. Die folgenden Abschnitte zerlegen die Erlösströme im Detail.

Woraus der Umsatz konkret besteht

Die Hauptumsatzquelle ist das verbrauchsbasierte Plattformgeschäft. Kunden erwerben Databricks Units, kurz DBU, und lösen sie ein, sobald sie Daten aufbereiten, Modelle trainieren oder Abfragen stellen. Zwei Sparten stechen heraus: Das Data Warehouse, also die schnelle Analyse strukturierter Daten, erreichte Mitte 2026 eine Jahresrate von rund 1,3 Milliarden Euro. Die KI-Produkte kamen zeitgleich auf rund 1,5 Milliarden Euro, nach rund 1,2 Milliarden im Februar.

Wie eine DBU konkret zu Geld wird, lässt sich an einem einfachen Bild zeigen. Startet ein Kunde eine Analyse, weist ihm die Plattform eine Rechnergruppe zu, deren Leistung in DBU pro Stunde gemessen wird. Eine kleine Aufbereitung kostet Bruchteile, ein anspruchsvolles Modelltraining ein Vielfaches. Die Abrechnung läuft dabei sekundengenau, sodass selbst kurze Lastspitzen erfasst werden. Der Taxameter tickt weder pro Nutzer noch pro Monat, er läuft exakt pro verbrauchter Sekunde Rechenleistung. Diese Feingranularität ist der Grund, warum der Umsatz mit der Intensität der Nutzung steigt und nicht mit der bloßen Zahl der Anwender.

Beide Sparten wachsen schneller als der Gesamtkonzern und verschieben das Schwergewicht. Vor drei Jahren war Databricks vor allem ein Werkzeug für Dateningenieure, heute ist es zur Hälfte eine KI-Maschine. Der Rest des Umsatzes verteilt sich auf die klassische Datenaufbereitung, das sogenannte Data Engineering, sowie auf Beratung und Schulung, die aber nur einen kleinen Anteil ausmachen.

Die stillen Nebenströme

Neben dem sichtbaren Verbrauch fließen mehrere leisere Ströme. Der Marktplatz erlaubt es Datenanbietern, ihre Datensätze zu verkaufen, deren Abruf wiederum Rechenzeit frisst. Über Delta Sharing tauschen Firmen Daten aus, ohne sie zu kopieren, was neue Abfragen erzeugt. Und Softwarehäuser bauen ihre eigenen Produkte komplett auf die Plattform, wodurch deren Endkunden indirekt Databricks-Verbrauch auslösen.

Welche Rolle Daten und Algorithmen spielen

Anders als ein Werbekonzern verkauft der Anbieter keine Nutzerdaten. Die Daten der Kunden bleiben in deren eigenem Cloud-Bereich und verlassen ihn nicht, was in Europa zum zentralen Verkaufsargument geworden ist. Der algorithmische Hebel liegt woanders: Die hauseigene Rechenmaschine Photon beschleunigt Abfragen, das System Predictive Optimization ordnet Daten selbstständig, und die Governance-Schicht Unity Catalog kontrolliert, wer worauf zugreift.

Der eigentliche Geldhebel ist die künstliche Intelligenz selbst. Ein KI-Agent stellt in Minuten mehr Abfragen, als ein Mensch an einem ganzen Tag tippt, und jede Abfrage kostet Rechenzeit. Databricks-Chef Ali Ghodsi bringt es darauf, dass die Agenten und die Agenten-Plattform selbst Umsatz erzeugen, weil sie den Verbrauch von allem ringsum steigern. Die Algorithmen sind hier kein Beiwerk. Sie sind der Motor der Abrechnung.

Wie tief dieser Datenzugriff reicht, zeigt die Governance-Schicht Unity Catalog. Sie protokolliert, welcher Nutzer welche Tabelle wann berührt, und macht damit den gesamten Datenfluss eines Unternehmens nachvollziehbar. Für den Kunden ist das ein Sicherheitsgewinn, für Databricks eine Bindung, denn diese Protokolle lassen sich nicht einfach zu einem Rivalen mitnehmen. Der wahre Wert liegt weniger in den Daten selbst als in der lückenlosen Buchführung darüber, wer sie nutzt. So wird aus einer Verwaltungsfunktion ein stiller Anker, der Kunden auf der Plattform hält.

Wo die Marge sitzt und wo sie verpufft

Zwischen den Sparten klaffen die Margen auseinander. Das klassische Data Warehouse ist hochprofitabel, weil optimierte Abfragen wenig Rechenkosten verursachen. Das KI-Geschäft dagegen frisst teure Grafikprozessoren, deren Miete die Marge drückt. Die margenstärkste Sparte finanziert damit den teuren KI-Ausbau, der die Fantasie des Kapitalmarkts nährt.

Diese Quersubventionierung ist gewollt. Der günstige Einstieg über kostenloses Spark und niedrige Grundgebühren wirkt als Lockmittel, das Kunden in die Plattform zieht. Ist der Datensee erst gefüllt, wächst der Verbrauch fast von allein, denn Daten haben eine Schwerkraft: Wo sie liegen, entstehen die Analysen. Die Netto-Umsatzbindung liegt bei über 140 Prozent, was bedeutet, dass Bestandskunden Jahr für Jahr deutlich mehr ausgeben.

Skalen- und Netzwerkeffekte verstärken das Modell. Je mehr Firmen ihre Daten auf der Plattform bündeln, desto wertvoller werden der Marktplatz und der Datenaustausch, und desto teurer wird der Wechsel zu einem Rivalen. Verglichen mit einem Anbieter reiner Analysewerkzeuge, etwa wie ihn Palantir für Behörden und Konzerne betreibt, verkauft Databricks weniger die Erkenntnis selbst als die Infrastruktur, auf der Erkenntnis überhaupt entsteht.

Die Grenze, ab der zusätzliches Wachstum kaum noch Mehrkosten verursacht, verschiebt sich mit der KI allerdings nach oben. Klassische Software wird mit jedem Kunden billiger, weil der Code nur einmal geschrieben werden muss. Bei Databricks kostet jeder zusätzliche KI-Verbrauch jedoch reale Rechenzeit auf gemieteten Grafikprozessoren. Der schöne Skaleneffekt der Softwarewelt greift beim KI-Geschäft nur noch gebremst, weil die teure Hardware mitwächst. Das erklärt, warum das Wachstum glänzt und die Marge dennoch bröckelt.

Die Verschiebung der letzten fünf Jahre lässt sich in einem Satz fassen. Aus einem Werkzeug für Datenspezialisten wurde eine verbrauchsgetriebene KI-Fabrik, deren Wachstum die künstliche Intelligenz treibt und deren Marge dieselbe KI wieder auffrisst. Der Konzern hat den bequemen Teil dieses Widerspruchs, das Wachstum, bereits eingesammelt. Der unbequeme Teil, die schrumpfende Marge, steht ihm noch bevor.

Wie groß ist die Marktmacht von Databricks?

Databricks ist im Markt für Datenplattformen einer von zwei Schwergewichten und ringt vor allem mit dem Data-Warehouse-Spezialisten Snowflake um die Vorherrschaft. Der Konzern bedient über 20.000 Organisationen, darunter 70 Prozent der Fortune-500-Unternehmen. Diese Reichweite ist beachtlich, doch sie erzählt nur die halbe Geschichte der Marktmacht.

Der ernsthafteste Herausforderer sitzt in derselben Nische. Wie sich der direkte Gegenspieler finanziert, zeigt das Geschäftsmodell hinter der Daten-Cloud von Snowflake, die pro Sekunde abrechnet. Beide Konzerne nähern sich von entgegengesetzten Enden: Snowflake kam vom sauberen Data Warehouse und öffnet sich zur KI, Databricks kam vom rohen Datensee und rüstet Analysefunktionen nach. In der Mitte treffen sie sich frontal.

Ein Sonderfall ist die enge Verzahnung mit Microsoft. Der Windows-Konzern bietet Azure Databricks als eigenen, tief integrierten Dienst an, verkauft ihn über die eigene Rechnung und verdient an jeder Nutzung mit. Für Databricks öffnet das die Tür zu Zehntausenden Microsoft-Kunden, für Microsoft ist es ein Baustein im Kampf gegen Amazon. Diese Allianz beschert Databricks Reichweite und bindet den Konzern zugleich enger an einen einzelnen Cloud-Riesen. Sollte Microsoft eigene Datendienste bevorzugen, verlöre der Partner einen wichtigen Kanal.

Hinter den beiden lauern die eigentlichen Riesen. Amazon, Microsoft und Google bieten eigene Datendienste an, etwa Redshift, Fabric und BigQuery, und sie besitzen zugleich die Rechenzentren, auf denen Databricks läuft. Der wichtigste Partner ist damit zugleich der gefährlichste Rivale. Microsoft vertreibt Databricks als eigenen Azure-Dienst und ist gleichzeitig Investor, ein Geflecht aus Abhängigkeit und Konkurrenz.

Die Lock-in-Mechanismen sind subtil, aber wirksam. Wer seine Daten samt Governance, Modellen und Abläufen in Unity Catalog verankert hat, wechselt nicht ohne großen Aufwand. Die Wechselkosten steigen mit jedem Datensatz, jeder Pipeline und jedem trainierten Modell. Der Konzern setzt bewusst auf offene Formate wie Delta Lake und Iceberg, um den Vorwurf der Einsperrung zu entkräften, doch die Bequemlichkeit der integrierten Plattform bindet stärker als jedes Format.

Kartellrechtlich steht Databricks bislang im Windschatten. Als Privatfirma ohne Endkundengeschäft zieht der Anbieter weniger Aufmerksamkeit auf sich als die großen Plattformen. Das könnte sich ändern, sobald der Konzern börsennotiert ist und seine Marktposition offener ausspielt. Noch profitiert er davon, als technischer Zulieferer wahrgenommen zu werden, nicht als Gatekeeper.

Die Marktmacht speist sich zudem aus der Talentseite. Databricks bindet die Erfinder wichtiger Open-Source-Projekte an sich, indem es deren Firmen kauft, wie beim Tabellenformat Iceberg geschehen. Damit sitzt der Konzern auf einer breiten Kundenbasis und obendrein auf einem großen Teil der Fachleute, die den offenen Standard prägen. Der Arbeitgeber der wichtigsten Entwickler bestimmt die Richtung der offenen Formate indirekt mit. Diese stille Kontrolle über die Standards ist ein Machtfaktor, den keine Marktanteilstabelle abbildet.

Wer ist bei Databricks eigentlich das Produkt?

Bei Databricks ist nicht der Nutzer das Produkt, sondern seine Rechenlast, denn der Konzern verdient an jeder Abfrage, die Kunden und ihre KI-Agenten auslösen. Das unterscheidet die Firma grundlegend von einem Werbekonzern, bei dem die Aufmerksamkeit der Nutzer verkauft wird. Hier zahlt der Kunde direkt, und je fleißiger er rechnet, desto besser für den Anbieter.

In der Wertschöpfungskette sitzen mehrere Gruppen. Die Dateningenieure und Datenwissenschaftler der Kundenfirmen sind die täglichen Anwender, die Pipelines bauen und Modelle trainieren. Die Vorstände zahlen die Rechnung, oft ohne den genauen Verbrauch zu durchschauen. Und die KI-Agenten sind eine neue, unermüdliche Nutzerklasse, die rund um die Uhr Rechenzeit verbraucht, ohne müde zu werden.

Die eigentliche Last der Wertschöpfung tragen die Kunden selbst. Sie bringen ihre Daten, ihr Fachwissen und ihre Anwendungsfälle mit, während Databricks die Werkbank stellt und pro Nutzung kassiert. Der Konzern muss die wertvollen Daten nicht besitzen, er muss nur der Ort sein, an dem sie verarbeitet werden. Das ist eine elegante Position, weil sie die Verantwortung für die Daten beim Kunden lässt und die Einnahmen beim Anbieter.

Für den Leser, der als Verantwortlicher in einem Unternehmen mit Databricks arbeitet, bedeutet das eine ungewohnte Rolle. Er ist weniger Käufer eines fertigen Produkts als Mieter einer Rechenkapazität, deren Kosten mit dem eigenen Erfolg steigen. Wächst die Datenmenge, wächst die Rechnung. Sobald ein Kunde die KI ernst nimmt und Agenten einsetzt, füttert er unweigerlich den Verbrauchszähler.

Diese Asymmetrie ähnelt der eines Stromversorgers. Der Anbieter liefert die Leitung und die Kapazität, der Kunde entscheidet über den Verbrauch, doch der Tarif ist so gestaltet, dass steigende Nutzung überproportional zahlt. Ein Unternehmen, das seine gesamte Datenlandschaft auf die Plattform verlegt hat, sitzt an einer Zapfsäule, deren Zähler es nie ganz stillstellen kann.

Für die Entwickler in den Kundenfirmen hat diese Rolle auch eine angenehme Seite. Sie arbeiten mit einem Werkzeug, das ihre Fähigkeiten am Markt wertvoll macht, und Databricks pflegt diese Loyalität mit Zertifikaten, Konferenzen und einer aktiven Gemeinschaft. So entsteht eine Bindung, die über den einzelnen Arbeitgeber hinausreicht. Der Datenanbieter umwirbt nicht allein die zahlenden Vorstände, er gewinnt die Fachleute, die entscheiden, womit gearbeitet wird. Diese Zuneigung der Praktiker ist ein Vermögenswert, der in keiner Bilanz auftaucht.

Was kostet die Datenplattform wirklich, und wer trägt die Kosten?

Die Plattform kostet den Kunden zweimal, einmal die Databricks-Gebühr pro verbrauchter Rechnereinheit und einmal die Rechenleistung des Cloud-Anbieters darunter, und beide Posten steigen mit der Nutzung. Der Listenpreis pro DBU wirkt niedrig, doch die tatsächliche Rechnung setzt sich aus mehreren Schichten zusammen, die der Kunde selten auf einen Blick sieht.

Die erste Schicht ist die Databricks-Gebühr, gestaffelt nach Leistungsstufe. Einfache Datenaufbereitung kostet wenige Cent pro DBU, während das leistungsstarke Data Warehouse und die KI-Funktionen ein Vielfaches verlangen. Die zweite Schicht ist die reine Cloud-Miete für Server und Speicher, die direkt an Amazon, Microsoft oder Google geht. Erst beide Schichten zusammen ergeben die wahre Rechnung.

Die versteckten Folgekosten liegen in der Dynamik der KI. Ein schlecht konfigurierter Agent kann über Nacht Tausende Abfragen absetzen und die Rechnung sprengen, ohne dass jemand eingreift. Genau deshalb ist eine ganze Disziplin namens FinOps entstanden, die den Cloud-Verbrauch überwacht. Die eigentliche Preisfalle ist weniger der Tarif als die Sorglosigkeit im Umgang mit einer Ressource, die sich unbemerkt vervielfacht.

Die Kostenlast verteilt sich am Ende auf mehrere Schultern. Zunächst tragen sie die Fachabteilungen der Kundenfirmen, deren Budgets der Verbrauch auffrisst. Über höhere Softwarepreise landet ein Teil beim Endkunden, der von Databricks nie gehört hat. Preisanstiege reicht der Konzern schnell weiter, Senkungen dagegen kommen selten unten an, weil die Nutzung meist schneller wächst als der Tarif sinkt. Der Datenanbieter selbst trägt vor allem die teure Grafikprozessor-Miete, die seine Marge belastet.

Ein zweiter versteckter Posten ist die Arbeitszeit der eigenen Leute. Damit die Rechnung nicht explodiert, braucht ein Unternehmen Fachkräfte, die Abfragen optimieren, Speicher aufräumen und Agenten im Zaum halten. Diese Spezialisten sind teuer und knapp, und ihr Gehalt gehört zur wahren Betriebsrechnung der Plattform dazu. Die günstige Rechenzeit erkauft sich mancher Kunde mit einem teuren Team, das nur den Verbrauch bändigt. In der offiziellen Preisliste taucht dieser Aufwand nirgends auf.

Für den Kunden entsteht daraus eine paradoxe Kalkulation. Der Einstieg ist billig und lockt, doch der Erfolg wird teuer, weil jede zusätzliche Analyse zusätzlich kostet. Ein Rechenbeispiel verdeutlicht die Dynamik: Verzehnfacht ein Unternehmen seine KI-Abfragen, ohne die Abläufe zu optimieren, kann sich die Cloud-Rechnung angenommen mehr als verzehnfachen, weil komplexe Modelle überproportional Rechenzeit ziehen. Die Zahl ist ein Szenario, kein Versprechen, doch die Richtung stimmt.

Wer profitiert und wer zahlt drauf?

Am stärksten profitieren die frühen Investoren und die Mitarbeiter mit Anteilen, während sparsame Kunden und die unterlegenen Rivalen die Rechnung tragen. Der Aufstieg von Databricks hat klare Gewinner und ebenso klare Verlierer, auch wenn kein einziger Anteil an der Börse gehandelt wird.

Auf der Gewinnerseite stehen zuerst die Wagniskapitalgeber wie Andreessen Horowitz, Thrive und Coatue, deren frühe Wetten sich vervielfacht haben. Danach folgen die sieben Gründer und die Belegschaft, deren Anteile mit jeder Bewertungsrunde wertvoller werden. Auch die Cloud-Konzerne gewinnen, denn jeder Databricks-Kunde bucht zugleich ihre Rechenzentren. Der größte stille Profiteur des Datenbooms sitzt nicht in Kalifornien, er sitzt in den Serverhallen von Amazon, Microsoft und Google.

Die Belegschaft profitiert allerdings nur auf dem Papier, solange kein Börsengang die Anteile flüssig macht. Eben deshalb organisiert Databricks regelmäßig Kapitalrunden, bei denen Mitarbeiter einen Teil ihrer Anteile verkaufen können. Diese Aktienrückkäufe halten die Belegschaft bei Laune und verhindern die Abwanderung zu börsennotierten Rivalen. Der lange Verzicht auf den Börsengang zwingt den Konzern, seine eigenen Leute über private Verkäufe auszuzahlen. Wie stabil dieses Konstrukt bleibt, hängt daran, dass immer neue Investoren zu höheren Preisen einsteigen.

Auf der Verliererseite stehen jene, die den Verbrauch nicht im Griff haben. Firmen ohne saubere Kostenkontrolle zahlen für Rechenzeit, die sie nie geplant haben. Kleinere Rivalen und reine Werkzeuganbieter verlieren Kunden an die integrierte Plattform. Und die Beschäftigten in der Peripherie, etwa klassische Datenbankspezialisten, sehen ihr Wissen entwertet, während die Nachfrage sich zur KI verschiebt.

Der Plattform-Fluch wirkt hier so zuverlässig wie ein Naturgesetz. Ein Kunde, der seine gesamte Datenlandschaft einmal auf Databricks verlegt hat, akzeptiert mit der Zeit immer höhere Rechnungen, weil der Ausstieg teurer wäre als das Bleiben. Diese Bindung ist kein Zufall, sie ist bewusst eingebaut. Die Plattform belohnt den Einstieg und bestraft den Ausstieg, ganz ohne sichtbare Fesseln.

Wie politisch ist Databricks?

Databricks ist politisch vor allem dort, wo es um Datenhoheit geht, denn die Plattform verspricht europäischen Kunden Kontrolle über ihre Daten und läuft doch auf amerikanischer Infrastruktur. Der Konzern tritt leiser auf als die großen Plattformen, steht aber im Zentrum einer der heikelsten Debatten der Digitalpolitik.

Der Kern des Konflikts ist der US-amerikanische Cloud Act. Weil Databricks auf den Rechenzentren von Amazon, Microsoft und Google läuft, unterliegen diese Anbieter US-Recht, das amerikanischen Behörden unter Bedingungen Zugriff auf verwaltete Daten gewährt. Für europäische Kunden entsteht daraus ein Spannungsfeld: Die Daten bleiben zwar physisch in Frankfurt oder Dublin, doch der Betreiber der Halle folgt amerikanischen Regeln.

Databricks begegnet dem mit dem Versprechen offener Formate. Ein Kunde, der seine Daten in Delta Lake oder Iceberg hält, kann sie theoretisch mitnehmen, was den Vorwurf der Einsperrung entkräften soll. Diese Offenheit ist auch politisch gemeint, denn sie positioniert den Konzern als guten Bürger im Vergleich zu geschlossenen Plattformen. Offene Standards sind bei Databricks nicht nur Technik, sie sind ein Argument gegenüber Regulierern.

Auch in Europa positioniert sich der Konzern geschickt. Er verweist auf lokale Rechenzentren, europäische Vertragsklauseln und die Möglichkeit, Daten in der jeweiligen Region zu halten, um die Sorgen der Aufsichtsbehörden zu zerstreuen. Die Debatte um digitale Souveränität nutzt Databricks damit als Verkaufsargument, obwohl die Grundstruktur amerikanisch bleibt. Der Konzern verkauft europäische Datenhoheit als Merkmal, ohne die amerikanische Grundlage seiner Infrastruktur aufzugeben. Diese Gratwanderung gelingt bislang, könnte aber mit strengerer EU-Regulierung ins Wanken geraten.

Beim politischen Lobbying tritt Databricks bislang deutlich zurückhaltender auf als die großen Plattformkonzerne. Der Anbieter unterhält keine sichtbare Armee von Lobbyisten in Brüssel oder Berlin und überlässt die lauten Regulierungsschlachten den Endkundengiganten. Seine Interessen vertritt der Konzern eher über Branchenverbände und über die offene Entwicklergemeinde, die seine Standards trägt. Der Datenanbieter kämpft seine politischen Kämpfe mit technischen Standards statt mit Wahlkampfspenden. Das ändert sich womöglich mit dem Börsengang, der den Konzern sichtbarer und angreifbarer macht.

Die Steuer- und Konzernstruktur folgt dem üblichen Muster amerikanischer Softwarehäuser mit Töchtern in mehreren Ländern. Weil das Unternehmen privat ist und Verluste nach US-Bilanzregeln ausweist, spielt die Gewinnbesteuerung bislang eine kleinere Rolle als bei etablierten Konzernen. Das ändert sich mit dem erwarteten Börsengang, der die Finanzen offenlegen und den Konzern stärker ins Licht der Aufsicht rücken wird.

Auch der Börsengang selbst ist politisch aufgeladen. Ghodsi nannte 2026 im Juni ein schlechtes Jahr für einen Börsengang und verwies auf den Andrang erwarteter Kandidaten wie SpaceX, Anthropic und OpenAI. Ein Gang an die Nasdaq wird für 2027 erwartet. Databricks nutzt seinen Status als Privatfirma als strategischen Puffer, der es vor der vollen Transparenz des Kapitalmarkts schützt.

Was könnte Databricks zu Fall bringen?

Die größte Gefahr für Databricks ist die eigene Marge, denn dieselbe KI, die den Umsatz treibt, frisst über teure Rechenkosten den Gewinn. Der Konzern wächst rasant, doch mehrere strukturelle Risiken könnten den Höhenflug bremsen. Drei Szenarien für die nächsten fünf Jahre lassen sich sauber durchspielen.

Das erste Risiko ist die Margen-Kompression. Die Bruttomarge fiel bereits von über 80 auf 74 Prozent, weil KI-Agenten weit mehr Rechenlast erzeugen als Menschen. Sollte dieser Trend anhalten, gerät das Versprechen dauerhafter Profitabilität in Gefahr, gerade bei einer Bewertung, die das 27-Fache des Jahresumsatzes beträgt. Der Kapitalmarkt verzeiht schnelles Wachstum, aber selten dauerhaft schrumpfende Margen.

Das zweite Risiko sind die Cloud-Konzerne. Amazon, Microsoft und Google könnten ihre eigenen Datendienste verbilligen oder Databricks die Rechenleistung verteuern, denn sie kontrollieren die Infrastruktur. Ein Anbieter, dessen Kosten in der Hand seiner drei größten Rivalen liegen, sitzt strukturell in der Klemme. Bislang überwiegt die Partnerschaft, doch die Machtbalance kann kippen.

Das dritte Risiko ist die Beliebigkeit der offenen Formate. Databricks hat viel auf offene Standards gesetzt, doch was offen ist, kann jeder nachbauen. Sollten die Cloud-Riesen oder Snowflake dieselben Formate ebenso gut unterstützen, schwindet der technische Vorsprung, und übrig bleibt ein Preiswettbewerb. Hinzu kommt die Abhängigkeit von einer einzigen prägenden Figur, denn ein Abgang von Ali Ghodsi würde den Konzern erschüttern.

Über allem schwebt die Frage nach der KI-Blase. Ein großer Teil des Verbrauchs stammt aus KI-Experimenten der Kunden, die sich noch nicht in barer Rendite ausgezahlt haben. Kühlt die Euphorie ab und lernen die Kunden das Sparen, träfe das den verbrauchsgetriebenen Datenanbieter härter als ein Haus mit festen Lizenzverträgen. Der schwarze Schwan wäre eine breite Ernüchterung über den wirtschaftlichen Nutzen generativer KI.

Die drei Szenarien lassen sich nüchtern durchspielen. Im günstigen Fall stabilisiert sich die Marge, weil Databricks eigene Chips und effizientere Modelle einsetzt, und der Börsengang 2027 verwandelt die hohe Bewertung in echtes Kapital. Im mittleren Fall wächst der Umsatz weiter zweistellig, die Marge bleibt aber unter Druck, und der Konzern bleibt ein teures Wachstumsversprechen. Im ungünstigen Fall brechen die KI-Budgets ein, das verbrauchsbasierte Modell zeigt seine Kehrseite, und die Papierbewertung schrumpft schneller, als sie gestiegen ist. Dieselbe Verbrauchslogik, die im Aufschwung jeden Zähler nach oben treibt, wirkt im Abschwung erbarmungslos in die andere Richtung.

Was bedeutet Databricks für deutsche Unternehmer und Verbraucher?

Für deutsche Unternehmen ist Databricks Chance und Klumpenrisiko zugleich, denn die Plattform beschleunigt KI-Projekte, verankert aber die Abhängigkeit von amerikanischer Cloud-Infrastruktur. Die frische Bewertung von rund 164 Milliarden Euro macht den Konzern zu einem Schwergewicht, an dem kein datengetriebenes Unternehmen mehr vorbeikommt. Die konkrete Rechnung fällt je nach Rolle unterschiedlich aus.

Für den deutschen Mittelstand liegt der Reiz in der Geschwindigkeit. Ein Betrieb, der eine KI-Anwendung bauen will, muss nicht bei null anfangen und mietet stattdessen eine fertige Werkbank. Der Preis dafür ist die Bindung an ein Modell, dessen Kosten mit dem Erfolg steigen. Ein wachsendes Datenprojekt wird planbar teurer, was gerade kleinere Firmen ohne eigene FinOps-Abteilung überraschen kann.

Zugleich lohnt für den Mittelstand der nüchterne Vergleich mit dem direkten Rivalen. Databricks glänzt bei anspruchsvollen KI-Projekten und der Arbeit mit rohen, unstrukturierten Daten, während ein reines Warehouse bei einfachen Berichten günstiger und leichter zu bedienen sein kann. Für Standardberichte und Kennzahlen-Dashboards braucht ein Mittelständler oft gar keine eigene Datenplattform, weil viele BI-Tools ihre Daten über Konnektoren direkt aus den vorhandenen Systemen laden; welche Lösungen dafür infrage kommen, zeigt der BI-Software-Vergleich. Die Wahl hängt weniger am Markennamen als am konkreten Anwendungsfall und an den vorhandenen Fachkräften. Für viele deutsche Betriebe lautet die klügere Frage weniger welche Plattform als wie viel Verbrauch sie sich leisten wollen. Ein ehrlicher Kassensturz vor dem Einstieg erspart die böse Überraschung auf der ersten Jahresrechnung.

Für deutsche Verbraucher bleibt Databricks unsichtbar und wirkt doch mit. Wenn die Bank die Kreditwürdigkeit prüft, der Onlinehändler Preise anpasst oder der Versicherer Risiken bewertet, laufen die Analysen oft auf solchen Plattformen. Die Kosten dieser Rechenzeit stecken am Ende in den Preisen der Produkte. Der Verbraucher zahlt den Datenverbrauch mit, ohne den Anbieter je zu sehen.

Für deutsche Unternehmen als Wettbewerber ist die Lage härter. Ein Anbieter, der selbst Datenprodukte verkauft, konkurriert indirekt mit einer Plattform, die Milliarden in Forschung steckt. Die realistische Antwort ist selten der Nachbau, häufiger die kluge Nutzung, kombiniert mit dem wachen Blick auf Datenhoheit und Kosten. Als Alternative bleibt europäische Infrastruktur, die aber selten dieselbe Reife bietet.

Eine konkrete Empfehlung lässt sich aus der Kostenlogik ableiten. Deutsche Firmen sollten den Verbrauch von Anfang an deckeln, feste Budgets pro Projekt vergeben und regelmäßig prüfen, ob teure KI-Abfragen wirklich einen Nutzen bringen. Ebenso lohnt der Blick auf die vertragliche Datenhoheit, damit ein späterer Wechsel überhaupt möglich bleibt. Die wichtigste Verhandlungsmacht liegt darin, den eigenen Ausstieg technisch offenzuhalten, bevor die Schwerkraft der Daten ihn verbaut. Wer diese Vorsicht vernachlässigt, zahlt sie später doppelt.

Drei Szenarien zeichnen sich für die kommenden zwölf Monate ab. Optimistisch: Der Börsengang gelingt 2027, die Marge stabilisiert sich, und deutsche Kunden profitieren von sinkenden Preisen durch Wettbewerb. Realistisch: Das Wachstum hält an, die Margen bleiben unter Druck, und die Cloud-Abhängigkeit bleibt das ungelöste Thema. Pessimistisch: Die KI-Euphorie kühlt ab, Budgets werden gekürzt, und der verbrauchsgetriebene Umsatz gerät ins Stocken.

Glossar: 13 wichtige Fachbegriffe zu Databricks und seinem Geschäftsmodell

ARR

ARR steht für Annual Recurring Revenue, also den auf ein Jahr hochgerechneten wiederkehrenden Umsatz. Bei verbrauchsbasierten Anbietern wie Databricks ist die Kennzahl eine Momentaufnahme des laufenden Verbrauchs, nicht ein fest vertraglich zugesagter Betrag.

Apache Spark

Apache Spark ist die quelloffene Rechenmaschine, aus der Databricks entstand. Sie verarbeitet große Datenmengen im Arbeitsspeicher und beschleunigt Analysen gegenüber älteren Verfahren erheblich. Spark ist gratis, der bequeme Betrieb in der Cloud kostet Geld.

Bruttomarge

Bruttomarge bezeichnet den Anteil des Umsatzes, der nach Abzug der direkten Leistungskosten übrig bleibt. Bei Databricks fiel sie zuletzt von über 80 auf rund 74 Prozent, gedrückt durch die teure Miete von Grafikprozessoren für KI-Lasten.

Cloud Act

Cloud Act ist ein US-Gesetz von 2018, das amerikanischen Behörden unter Bedingungen Zugriff auf Daten gewährt, die US-Anbieter verwalten. Weil Databricks auf US-Cloud-Infrastruktur läuft, wirft die Regel für europäische Kunden Fragen der Datenhoheit auf.

Databricks Unit

Databricks Unit, kurz DBU, ist die Verbrauchseinheit, in der die Plattform abrechnet. Jede Rechenoperation kostet eine bestimmte Zahl an DBU pro Sekunde, gestaffelt nach Leistungsstufe. Die DBU ist der Taxameter des Geschäftsmodells.

Delta Lake

Delta Lake ist ein von Databricks entwickeltes offenes Speicherformat, das einem rohen Datensee die Zuverlässigkeit einer Datenbank verleiht. Es soll Kunden die Mitnahme ihrer Daten erlauben und den Vorwurf der Einsperrung entkräften.

FinOps

FinOps bezeichnet die Disziplin, Cloud-Kosten systematisch zu überwachen und zu steuern. Bei verbrauchsbasierten Plattformen ist sie überlebenswichtig, weil unkontrollierte KI-Agenten die Rechnung über Nacht in die Höhe treiben können.

Lakehouse

Lakehouse ist der von Databricks geprägte Begriff für die Verbindung von billigem Datensee und den Analysefähigkeiten eines Data Warehouse. Er beschreibt die strategische Positionierung des Konzerns gegen reine Warehouse-Anbieter.

Netto-Umsatzbindung

Netto-Umsatzbindung, auch Net Retention Rate, misst, wie viel Bestandskunden im Folgejahr ausgeben. Ein Wert über 140 Prozent bedeutet, dass Kunden Jahr für Jahr deutlich mehr verbrauchen, ganz ohne Neukunden.

Photon

Photon ist die hauseigene Rechenmaschine von Databricks, die Abfragen beschleunigt. Sie ist ein Beispiel dafür, wie der Konzern über eigene Algorithmen die Leistung steigert und den Verbrauch effizienter, aber nicht billiger macht.

Quersubventionierung

Quersubventionierung beschreibt, dass eine profitable Sparte eine defizitäre finanziert. Bei Databricks trägt das margenstarke Data Warehouse den teuren Ausbau des KI-Geschäfts, das die Fantasie des Kapitalmarkts nährt.

Schwerkraft der Daten

Schwerkraft der Daten meint den Effekt, dass Analysen dort entstehen, wo die Daten liegen. Wer seine Datenlandschaft auf eine Plattform verlegt, erzeugt dort immer mehr Verbrauch, was den Wechsel zu einem Rivalen zunehmend erschwert.

Unity Catalog

Unity Catalog ist die Governance-Schicht von Databricks, die regelt, wer auf welche Daten zugreift. Sie erhöht die Sicherheit und bindet zugleich die Kunden, weil ein Wechsel den mühsamen Nachbau dieser Rechteverwaltung erfordern würde.

FAQ: Databricks und sein Geschäftsmodell

Quellen