Databricks如今估值约1900亿美元，身处企业AI基础设施的中心，这让他的讲述具有少见的分量：他既向全球最大型的组织卖过产品，如今又与那些同样向企业售卖的初创公司一起投资、合作。他的核心论点简单却令人不适：企业AI承诺与落地之间的鸿沟，几乎从来不是技术问题，而是人的问题、流程的问题、采购的问题，以及治理的问题。大多数初创公司在试点之后丢掉订单，不是因为模型表现不佳，而是因为他们没有搞清楚：谁在买、谁来签、谁能否决，以及在一个智能体被放心投入生产之前，组织究竟还需要什么。
Tavakoli用一套粗略的五阶段标尺来定位一家组织的AI旅程，从根本没用到真正释放出了新的业务能力。他刻意把向ChatGPT提一个问题排除在任何严肃的采用定义之外。当他让在场企业听众在一到五之间自评时，房间里的人总会选三、往四靠。而根据他的经验，自己真正交谈过的公司里，99%还停留在前两个档位。
Tavakoli用一套粗略的五阶段标尺来定位一家组织的AI旅程，从根本没用到真正释放出了新的业务能力。他刻意把向ChatGPT提一个问题排除在任何严肃的采用定义之外。当他让在场企业听众在一到五之间自评时，房间里的人总会选三、往四靠。而根据他的经验，自己真正交谈过的公司里，99%还停留在前两个档位。
他认为，这种滞后主要不是工程问题。组织必须学会如何使用AI、如何从中提取可衡量的价值，以及如何治理它。不会出现某种一夜之间的转变，让公司大规模地由智能体运转；真正有意义、部署得当的企业AI，还要很多年。即便在已经给工程团队采用编码助手的团队——这是他看到的最成熟的用例——投资回报的图景依然模糊。你去问一位内部倡导者：拿到了多少收益？是否真正控制住了成本？得到的都是含糊其辞的回答。更快交付、更好的能力是真实的，但对多数用户而言，远不是一个确定的结果。在硅谷之外，他估计许多企业的实际部署水平更接近2025年初。
被问到初创公司向企业卖技术时最大的误区是什么，Tavakoli毫不犹豫地回答：他们相信最好的技术一定会赢。在Databricks早期，他走进企业会议室时也以为，自己拥有最好的Spark发行版——更快、更强——就足以取胜。他得到的教训令人清醒：人和流程远比功能清单重要。
一场销售会谈很少从一个急于听取新产品介绍的工程师开始。桌子对面的人，可能两年前刚与某个竞争对手签了合同，并且把自己的职业生涯押在了那家对手身上；他没有任何动机去听一个替代品。即便买家本身热情高涨，内部的认同也远远不够。要推动一笔采购，这位内部倡导者必须再争取其他几位利益相关者的批准，把方案送进法务、再通过安全审查。卖方的大部分时间，都花在找到这些人、弄清各自的关注点是什么、以及如何帮助他们采纳产品上。
Databricks头三年左右主要服务数字原生企业和中小客户；约90%的销售都落在这一类，背后有多种结构性原因。最早几次向大型企业的尝试，留下了颇具教益的失败。Tavakoli承认，自己曾在合同谈判中亲自扮演律师，理由是看了足够多律政剧就以为能自己谈。结果是一份带着无限责任和开放式赔偿条款的合同，直到真正请来律师后，花了四年才一点点解开。
突破口不是正面强攻，而是合作。想打入瑞银UBS这样的大型瑞士银行，意味着要面对十三位CIO和一整套小型公司根本无力独自穿越的审批迷宫。Databricks与微软合作，产品变成了Azure Databricks——一个跑在微软合同文本上的一方服务。已经签了微软协议的客户无需再另签一份合同就能使用。一个几乎约不到的会议，第二周就出现了：微软的销售代表带着Databricks走进了与UBS全球CIO的会面。搭乘成熟伙伴的渠道与分销顺风车，把大多数初创公司要磨好几年的企业入职流程直接砍掉。突然间，Databricks被一个个它自己冷接触根本够不到的客户找上门来。
爬到平台层之后，Databricks如今与初创公司运行一套结构化的合作计划，因为这个领域的大量创新仍然出自年轻公司，而不是在位者。旧的企业软件模式是一个整体堆叠：数据、平台、安全，一切打包成一个包卖。Tavakoli说，正在浮现的模式是可组合应用，跑在Databricks提供的开放数据与AI架构之上。
合作有几种形态。有些初创公司构建在平台之上，或由平台为其产品托底；另一些把一个按钮嵌入Databricks，客户识别出需求后，就能立刻在安全边界内部署该产品，绕掉最难的几步：找数据、连接数据、过安全、找买家。Databricks还提供市场开发基金、联合举办活动，并向伙伴开放自己的客户群；客户可以用已经承诺给Databricks的额度向伙伴消费。对初创公司，回报是分销；对平台，则是一种把最好的新创新带给自己客户的方式。
具体例子横跨纵向与横向玩家。High Touch是一家客户数据平台，契合客户对360度视图的普遍渴望，与Databricks在金融领域联合举办多场活动；Adapar服务连接开放数据的金融分析师。在横向一侧，Databricks与机器学习领域的Tecton、数据建模领域的dbt都有合作。每个伙伴都在平台周边补充功能，跑出了健康的销售管线，并获得了自己单独够不到的客户。
为企业构建智能体的创始人常常发现，一个能跑的演示离可部署还差得很远。Tavakoli把前置条件归纳为四个C——一个为了穿行大型组织而发明的、略显俗套的助记词。
第一个是上下文Context。原始数据湖远远不够；智能体必须像新员工入职一样，被教会组织的语义、本体和具体定义。在Databricks，这意味着讲清日历季度与财季的区别、某个内部缩写是什么意思、哪些产品属于战略级。上下文不是装饰：一个没有组织上下文的一流编码智能体，准确率大约只有50%；有了上下文，可以跳到90%以上。而且上下文的构建不能把公司绑死在某一个模型上。
第二个是选择权Choice。模型领袖轮番切换——一年前是OpenAI碾压全场，半年前是Google Gemini谷歌搞明白了，三个月前是世界上只会剩下Anthropic，如今又可能是Grok、又可能回到OpenAI、又可能是开放权重模型，没有稳定的赢家。没有企业愿意押单一厂商或赌一个输家。第三个是成本Cost，因为AI开支正在飙升，企业需要预算和控制手段来约束它。第四个是管控Control，也就是治理，确保一家银行或医疗机构永远不会成为智能体失控、泄露社保号或信用卡号的新闻主角。
这四根柱子对单家初创公司来说负担太重，平台合作正是在这里切入：Databricks不卖基础模型，也不宣称自己是领域专家，但它提供数据、上下文、成本控制和受治理的环境，让伙伴在其上更快地部署智能体。
2026年初，市场曾担心企业会抛弃SaaS，用vibe coding把自己所有软件都写出来。Tavakoli认为这种恐慌已经退潮。靠动手做点东西来感受自己很技术的吸引力是真实的，手握AI工具的员工开始为每一个小需求画一个应用原型——他最喜欢的例子是，一位CEO想给一线团队发一个调查、只问一个问题，结果收到一个自建的登录记录应用，而其实一个Google表单或一封邮件就够了。
市场很快意识到维护负担。一个成功的内部自建应用仍然需要支持、故障处理和持续维护，而那种各自以专有格式存储孤立数据、像烟囱一样互不相通的应用时代正在终结。正在浮现的模式是受治理的记录系统：开放数据、治理、上下文、本体作为底座，许多团队在其上构建应用，而不是由某一个单体厂商独自拥有。
这并不意味着企业要从零构建一切。他们如今自助完成的，是最后一英里的定制化：一个带几个按钮的仪表盘、对销售团队遵循八个步骤方式的微调，或是在现有平台周围做一层定制界面。对于合规繁重的系统——联合健康集团的医疗、强生的制药——长长的监管清单让外部厂商始终不可或缺，因为没人想靠vibe coding把自己写进合规麻烦里。在厂商权力上，Tavakoli走得更远。他认为十二个月后，那些纯靠地位、垄断地位支撑的厂商，在有实质开支的领域将无法存活，因为构建软件的成本已经大幅下降。一家把在位者的丰厚毛利视为自己机会的初创公司，加上更低的迁移成本，会让客户在各家之间切换。靠锁定而非价值建起的护城河，会被侵蚀。
一位面向公开市场的听众提了一个更深层的战略问题：随着模型更便宜、更聪明，企业或初创公司应该守住和自己拥有什么，又可以放心地交给模型提供商？
Tavakoli把当下对模型基准的执念，比作早期组装PC时代对奔腾主频的痴迷——50、66、75兆赫——当时买家终于意识到处理器并非帐篷里最长的那根桩：一台芯片很快却没有内存的机器毫无用处。多数日常任务，哪怕是起草一封复杂的邮件，都不需要最前沿的模型。价值问题从模型性能，转向组织如何从手头已有的模型里提取价值，而其中首要的就是如何连接数据。
这直接回答了困扰初创公司的薄包装焦虑：担心下一个模型会把自己做的一切直接吃掉。Tavakoli认为，可防守的护城河是深厚的领域专长——不只是数据，而是工作流、组织流程和行业语言。在一家大型油气公司，难的不是派出一个智能体，而是把从上游到下游的全过程摸清楚：如何找油、如何定位、如何输送、如何对内沟通。这种工作流知识让解决方案能快得多地部署，而模型升级一夜之间吸收不掉它。理解数据集、数据模型，以及如何说这个组织的语言，才是持久的资产。长时程智能体或许会取代聊天机器人和半主动助手成为主流形态，但把工作流上下文编码出来、并懂得如何推动组织采纳，仍是模型本身产出不了的东西。
Databricks自己的早期历史把上面每条原则都演了一遍。公司在2013年押了三个长期趋势：公有云（当时质疑者问，谁会把真实工作负载放到那种地方）、数据与机器学习及高级分析的融合，以及开源——那时红帽被当作唯一的开源成功故事。这些押注让企业落地变得更难。
早期交易暴露了经验不足。与迪士尼的一场会当场崩盘：客户问Databricks对防止有人滥用自己的账号有多自信；一位准备不足的运营代表直白回答说无法保证，交易当场就死在了藤上。在Capital One，一位被告知不惜一切拿下客户的解决方案架构师，把Databricks全部源码下载、打成jar，直接部署进客户自己的环境——相当于交付了一个私有化版本，违背了公有云战略，却满足了安全要求并赢下了客户。媒体公司Viacom专注数据与分析，是另一个愿意早期受限部署的相信者。这第一批参考客户打磨了产品对合规与监管现实的理解，也成了社会证明：Databricks可以走进NBC说我们服务过Viacom，走进摩根大通说我们服务过Capital One，靠一个金字招牌滚出下一个。