Ali Ghodsi, cofundador y CEO de Databricks, sostiene que la inteligencia artificial general (IAG) ya existe, al menos si se toma como referencia la definición que la industria usaba antes de 2022. Los inversores también respaldaron esa apuesta con una inversión de US$ 5.000 millones. La compañía cerró una ronda estratégica de financiamiento que elevó su valoración a US$ 190.000 millones, tras superar una tasa de ingresos anualizada de US$ 7.000 millones y alcanzar un crecimiento interanual superior al 80%.

El 16 de julio, Databricks informó que la operación contemplaba inicialmente una valoración de US$ 188.000 millones, a partir de un acuerdo preliminar liderado por Coatue, uno de sus actuales inversores. Ghodsi explicó que la cifra finalmente ascendió a US$ 190.000 millones debido al capital recaudado y a la emisión de acciones adicionales.

Coatue lideró la ronda de financiamiento junto con Blackstone, MGX y T. Rowe Price, mientras que Sixth Street Growth se sumó como nuevo inversor. La tecnológica destinará parte de esos fondos a tres productos vinculados al uso de la IA en las empresas. Unity AI Gateway permite distribuir las cargas de trabajo entre distintos modelos y controlar los costos. Lakebase, su base de datos Postgres sin servidor para software basado en agentes, ya superó los US$ 100 millones en ingresos anuales. Genie, por su parte, permite que la IA acceda al contexto interno de cada empresa.

Antes, Ghodsi rechazó los informes que indicaban que Databricks evaluaba una nueva ronda de financiamiento. Sin embargo, explicó que la empresa finalmente decidió recaudar capital debido al costo de expandir su negocio de IA y a la posibilidad de destinar más recursos a nuevas contrataciones y adquisiciones.

"Hay un enorme interés en algunas de nuestras tecnologías de IA, sobre todo desde que el fenómeno de maximizar el uso de tokens se descontroló", me comentó Ghodsi en una entrevista exclusiva. "Unity AI Gateway permite gestionar todos los tokens mediante un único sistema y establecer presupuestos para diferentes grupos o usuarios. Esto ofrece a las empresas una forma de controlar el gasto en tokens y evitar simplemente agotarlos. Lo llamamos pasar de maximizar el uso de tokens a maximizar su valor", explicó.

Además, la plataforma extiende esta misma filosofía a Omnigent, su herramienta de código abierto para coordinar distintos agentes de IA, que les permite a los clientes alternar entre soluciones basadas en diferentes modelos y marcos de trabajo. "En lugar de estar limitados a un único sistema, pueden alternar entre ellos, controlar el funcionamiento de esos agentes y gestionar los costes", afirmó Ghodsi. "Esta es una de nuestras tres principales apuestas", aseguró.

Ghodsi añadió que Databricks liberó el código fuente de su puerta de enlace a través de MLflow, una decisión que les da a las empresas mayor flexibilidad y reduce la dependencia de un único proveedor. A su vez, Unity Catalog y esa misma puerta de enlace funcionan como una capa común para administrar los datos y los activos de IA. Entre los clientes que ya utilizan esta tecnología, mencionó a 7-Eleven, que recurre a la herramienta para gestionar la gobernanza de sus datos y su ecosistema de inteligencia artificial.

"El crecimiento de los ingresos recurrentes anuales (ARR) superior al 50% y la estabilización del margen bruto por encima del 70% en los próximos años deberían justificar la valoración", afirmó Owen Lau, analista de renta variable de Clear Street. "El debate sobre el retorno de la inversión (ROI) en la capa de aplicación aún no está zanjado. Si las empresas no pueden monetizar estas herramientas de IA ni aumentar la productividad, probablemente reducirán sus inversiones en datos e inteligencia artificial", señaló.

El contexto interno de las empresas es el mayor obstáculo para la IA

La definición de IAG que plantea Ghodsi es más acotada que la que predomina hoy en la industria. Según explica, un sistema ya puede considerarse inteligencia artificial general si realiza las mismas tareas intelectuales que una persona y supera a la mayoría de los humanos en gran parte de ellas.

Además, Ghodsi señala que hoy el término "inteligencia artificial general" muchas veces se asocia con la superinteligencia, una idea mucho más extrema. Bajo esa definición, una IA sería capaz de hacer en segundos lo que todos los investigadores del mundo podrían lograr en conjunto, como simular economías globales o procesar el conocimiento acumulado de la humanidad. "Si esa es su definición, entonces, por supuesto, no se trata de esto. Tampoco está claro si lo que la industria está desarrollando actualmente llegará a serlo alguna vez", afirmó.

Si la IA general ya está acá, ¿por qué hay tan pocas tareas en una empresa que parecen autónomas? Para Ghodsi, la respuesta está en el contexto. Un modelo no puede razonar por completo sobre un problema de negocios si no accede a los registros, las reglas internas, los permisos y los sistemas operativos necesarios para actuar a partir de lo que sabe. Por eso, "el mundo permanece prácticamente sin cambios, salvo que el gasto en tokens está aumentando. Existe una brecha importante entre la inteligencia que posee la IA y el impacto que está teniendo", detalló.

Ghodsi considera que esa brecha responde, principalmente, a un problema de infraestructura, y ahí entran Genie y Genie Ontology en la estrategia de Databricks. El CEO afirmó que estos productos buscan conectar información como correos electrónicos, grabaciones de reuniones y datos internos, sin comprometer la seguridad ni la privacidad. Así, la IA puede acceder al contexto organizacional necesario para operar en una empresa.

La tesis señala una desconexión real entre las capacidades de la IA y los resultados comerciales, aunque también amplía convenientemente el mercado para la infraestructura que la empresa vende junto a sus modelos. La prueba más exigente será comprobar si esa brecha persiste a medida que los modelos de IA mejoren.

El aumento de los costos de la IA vuelve esencial el enrutamiento de modelos

Ghodsi señaló una presión más inmediata entre los clientes empresariales de Databricks, vinculada al mayor costo operativo de los agentes de IA. Cada vez más empresas incorporan agentes de codificación en distintas áreas de la organización, pero muchas todavía recurren a modelos potentes para resolver tareas rutinarias. 

Esa dependencia eleva los costos de inferencia muy por encima del valor del trabajo realizado y empieza a despertar inquietud entre los ejecutivos. "Las ganancias de productividad resultantes no compensan el costo de generar y procesar los tokens necesarios para operar esos sistemas, lo que genera preocupación entre los directores financieros y otros ejecutivos sobre la sostenibilidad económica de la IA empresarial", remarcó.

Ahí aparece la oportunidad que Databricks ve para Unity AI Gateway. La compañía busca ofrecer a las empresas una plataforma centralizada desde la cual puedan administrar el tráfico de IA, fijar presupuestos, comparar proveedores y trasladar cargas de trabajo entre modelos propietarios y de código abierto, en lugar de que cada aplicación o equipo defina por su cuenta cómo gastar.

Ghodsi explicó que las empresas quieren la posibilidad de cambiar de IA cuando aparezca un modelo mejor o más económico. El CEO puede observar ese comportamiento de primera mano, ya que más de mil billones de tokens pasaron por su plataforma. Uno de los casos más llamativos se observa en el segmento más alto del mercado, donde “los clientes a veces envían la misma pregunta importante a dos modelos y pagan dos veces para comparar las respuestas”.

Databricks apuesta a que la proliferación de modelos generará una necesidad permanente de contar con una capa capaz de decidir qué modelo debe encargarse de cada tarea y, al mismo tiempo, controlar su impacto financiero. Sin embargo, aún persiste la duda sobre la neutralidad de ese rol. La empresa mantiene relaciones financieras con los principales proveedores de modelos y, a la vez, se presenta como una capa independiente que opera por encima de ellos. 

Ghodsi sostiene que la empresa "es multicloud y admite alternativas de código abierto, por lo que no obliga a los clientes a optar por un único proveedor".

Lakebase, la apuesta para el auge de las bases de datos de agentes de IA

El sector de las bases de datos es donde la teoría de los agentes adquiere una dimensión más concreta, ya que el software generado por IA se comporta de manera diferente al que crean los desarrolladores humanos. Un agente de codificación de IA puede crear varias versiones de una aplicación, probarlas simultáneamente, generar entornos alternativos y descartar gran parte del trabajo en cuestión de minutos. La infraestructura que sustenta ese software debe responder a ese ritmo.

Ghodsi estima que "la humanidad podría escribir más software en los próximos nueve a doce meses que en toda su historia, basándose en el crecimiento de la producción de software que observa en los sistemas de codificación de IA". Además, argumenta que toda aplicación necesita una base de datos, "y los agentes necesitan bases de datos que puedan iniciarse casi instantáneamente, reducir su capacidad cuando estén inactivos y permitir la experimentación rápida".

La empresa registra más de 16 millones de inicios de bases de datos Postgres al día, una cifra que parece enorme hasta que se analizan los detalles. "Son lanzamientos de bases de datos. Los monitorizamos porque los agentes pueden crear bases de datos mucho más rápido que los sistemas tradicionales; Lakebase, por ejemplo, puede lanzar una base de datos en menos de un segundo, en comparación con los minutos que tardan algunos sistemas de la competencia", explicó.

Sin embargo, muchos de esos entornos nunca llegan a convertirse en aplicaciones de producción a largo plazo. "La cifra de puestas en marcha no pretende medir la actividad económica. Los ingresos miden la actividad económica y la métrica de puestas en marcha demuestra la velocidad y el rendimiento con que opera el sistema", precisó.

Lo que vuelve a Lakebase adecuado para los agentes es su arquitectura ramificada. Una empresa puede crear una rama de una base de datos de petabytes en cuestión de segundos sin tener que realizar una copia física completa, ya que Lakebase solo registra los cambios. Esto les permite a los agentes crear entornos aislados, probar distintas alternativas y descartarlas sin aumentar el espacio de almacenamiento subyacente. La pregunta más compleja es si el auge del software generado por agentes transformará esta ventaja en un negocio de bases de datos mucho más grande y sostenible en el tiempo.

La estrategia de datos abiertos puede impulsar la próxima generación de plataformas de IA

La arquitectura Lakehouse, uno de los rasgos distintivos de Databricks, reúne la estructura de un almacén de datos con la flexibilidad de un lago de datos. Sin embargo, parte de su diferencial perdió exclusividad a medida que otras compañías adoptaron una idea similar. 

Su propuesta parte de una premisa sencilla, según la cual los clientes deben conservar sus datos en formatos abiertos y bajo su propio control, en lugar de quedar atados al sistema de un único proveedor. Con el tiempo, esa filosofía ganó terreno en toda la industria. Ghodsi reconoció que competidores como Snowflake "aún no alcanzaron ese nivel, pero avanzan en la misma dirección".

Lakebase y LTAP representan la apuesta de la empresa por conectar las bases de datos operativas con los sistemas analíticos sin duplicar la información. Según la compañía, los motores que procesan transacciones y los que realizan análisis pueden funcionar por separado, pero utilizar una misma copia de los datos. Para Ghodsi, esa característica distingue a LTAP de las arquitecturas HTAP anteriores.

El desafío para Snowflake pasa por defender su fortaleza en el mercado analítico mientras intenta ganar espacio en el negocio de las bases de datos operativas. SingleStore, por su parte, puede cuestionar hasta qué punto la arquitectura de Databricks resulta novedosa, aunque todavía debe demostrar que su tecnología puede generar ingresos comparables a gran escala. Oracle parte de una situación diferente, ya que domina desde hace años el mercado tradicional de bases de datos operativas y mantiene vínculos con grandes empresas que busca atraer.

"Databricks puede expandirse, pero los laboratorios de vanguardia de IA pueden avanzar en la cadena de suministro, mientras que las grandes empresas de procesamiento en la nube pueden avanzar en la cadena. Snowflake también está intentando ofrecer servicios similares a los que ofrece Databricks. Databricks podría quedar en una posición intermedia", señaló Owen. Además, añadió: “Una ventaja clave de Databricks es su formato abierto de datos, que permite a las empresas transferir datos libremente. Esta filosofía resulta atractiva para las nuevas empresas que no utilizan Snowflake”.

La prueba que plantea Ghodsi resulta más sencilla que toda la argumentación comercial en torno a estos productos. "La prueba estará en el rendimiento de Lakebase", afirmó. Además, sostuvo que si la empresa deja de mencionar Lakebase en el futuro, los inversores deberían tomarlo como una señal de alerta y exigir explicaciones sobre el desempeño del producto. También planteó que, al comparar a sus competidores, deberían mirar cuánto dinero genera realmente cada compañía con su tecnología de bases de datos, en lugar de quedarse con los nombres o categorías que utilizan para presentarla.

¿Databricks saldrá a bolsa próximamente?

La reciente ronda de financiamiento también le dio a Databricks más margen para postergar su salida a bolsa. Ghodsi afirmó que ahora es "muy improbable" que la empresa debute en el mercado antes que Anthropic u OpenAI. Entre las razones, mencionó la volatilidad de los mercados, las variaciones en las valuaciones, los cambios en las tasas de interés y una seguidilla de grandes ofertas tecnológicas que podría hacer que el proceso resultara más complejo e incierto.

Ghodsi aclaró que esa decisión no implica que la empresa pretenda seguir como empresa privada indefinidamente. De hecho, la compañía ya adoptó varias prácticas habituales entre las firmas que cotizan en bolsa, como la comunicación periódica con inversores institucionales. Según explicó, la intención es llegar preparada para una eventual salida al mercado, aunque por ahora prefiere esperar mayor estabilidad financiera y condiciones más favorables.

"El modelo de infraestructura de IA requiere más capital que el modelo de software tradicional, pero Databricks es una combinación de ambos. A largo plazo, los inversores querrán ver que la empresa genere un flujo de caja libre positivo de forma sostenible, con una disminución de los gastos de capital", concluyó Owen.

*Esta nota fue publicada originalmente en Forbes.com.