企业AI采用落差、组织结构调整与上市时机——Databricks联合创始人兼首席执行官Ali Ghodsi访谈要点梳理（Sequoia Capital，2026-09-17）
——据Sequoia Capital节目《Databricks’ Ali Ghodsi Never Wanted to Be CEO. Now He’s Among the Best》（2026-09-17）整理
摘要：本文对HubSpot联合创始人Brian Halligan主持的Long Strange Trip播客（发布于红杉资本频道）专访Databricks联合创始人兼首席执行官Ali Ghodsi的主要观点进行了梳理汇总。梳理了Ghodsi对模型能力与企业AI实际用法之间落差的判断，介绍了其亲自参与开发所揭示的流程重造问题、对组织结构调整的看法以及上市时机的考虑，最后阐述了Databricks早期在销售模式、竞争策略与品类创设方面的经验。据其介绍，团队做一个连接器原需一人三个季度，流程重造后一个季度可完成七个；Databricks现有1.2万名员工、3500名工程师，自由现金流已经打平。
关键词：企业采用；企业代理；组织变革；研发效率；融资估值；Databricks；Ali Ghodsi；Genie
一、企业AI采用的落差
Ghodsi认为，模型能力已达到多数时候比多数人聪明的水平，企业内部的用法却仍停留在聊天机器人与编码代理两类，落差源于企业上下文的缺失。
（一）对模型能力的判断
Ghodsi表示，他在每场演讲中都会询问有多少人认为AI多数时候比身边多数人聪明，大约九成的人举手，在Moscone中心面对3.2万名听众时几乎全场举手。他将这一标准定义为AGI，承认它可能还算不上超级智能，但“和身边多数人一样好”这一点并无争议，人们不承认AGI已经到来，只是因为采用了其他定义。对于幻觉问题的批评，他表示人也会产生幻觉，他自己每天都会犯错。
（二）企业内部的实际用法
据其介绍，企业内部的实际用法大致有两类：一是员工向聊天机器人提问获取答案；二是使用编码代理写代码。他接着询问听众，是否有人手下有数百个彼此协作、提出方案并随时同步进展的代理同事，从未有人举手。
（三）企业上下文与本体建设
Ghodsi将这一落差归因于企业上下文的缺失：人脑中的知识、每天做出的决策、录下的每场会议、每封邮件，都需要被捕捉进上下文再提供给AI。Databricks将这套体系称为本体（ontology），并为此推出了Genie产品。他同时指出，购买产品并不等于问题解决，本体仍需企业自行建设：Databricks内部已建成一套较为完整的本体，客户使用同一产品却未能建起来。在公司内部，Genie已能回答他在任何会议上提出的任何问题，并开始自动化执行任务，高管们在手机上频繁使用Genie应用，边使用边补充更多上下文。
二、流程重造与AI扩散周期
Ghodsi通过亲自提交生产代码的实验发现，制约AI发挥作用的主要是既有流程，并据此判断AI的扩散至少需要十年。
（一）连接器开发实验
据其介绍，去年11月他开始把代码提交到生产环境。他用两天写成一个连接器，而团队开发同类连接器需要一人三个季度。团队起初认为他的成果不安全、未经充分测试、只是能运行的原型，无法进入生产环境。为弄清差距来源，他坚持把面向客户的代码提交上线。团队随后承认AI确实有效，此前没有用起来，工期可从三个季度压缩至七个半月；他追问为何仍需如此之久，对方仍以“不安全、不达生产标准”作答。
（二）流程重造的具体做法
此后他安排一位不受原有做法约束的人员加入团队，三个季度后团队回报称一个季度可完成七个连接器。据其了解，真实原因与模型关系不大，而在于流程的三处调整：一是需求环节，过去先花一个季度访谈客户、撰写产品需求文档，期间整条流水线停滞，现在需求文档一周写完，放进一个md文件，后续再迭代；二是环境搭建环节，过去需自行搭建Salesforce、Workday、NetSuite等目标系统的环境，费时且易出错，现在外包给顾问；三是测试环节，过去在末尾用一个季度测试，现在前移并由AI端到端完成。由此，一人负责一个连接器改为七人并行开发七个，有人休假也不会停摆。
（三）AI扩散以十年计
基于这段亲身经历，Ghodsi判断人类至少需要十年来吸收与扩散AI。其理由在于，这一过程发生在一家愿意使用AI、员工素质较高的科技公司内部，而所有组织都需要经历类似的流程重造。
三、组织结构与管理模式
Ghodsi认为，信息流可以由AI承担，但正式的汇报线与管理层级仍需审慎调整。
（一）信息流与汇报线相分离
主持人提到Jack Dorsey与Brian Armstrong正在重塑首席执行官模式，把公司视为一个AI、员工围绕其开展训练、管理层级压缩至两层以内。Ghodsi表示方向上认同，Databricks也在推进，但需要区分两件事：一是公司正式的组织架构；二是公司收集信息、汇总信息与作出决策的方式。一二十年前两者是同一回事，信息只能沿汇报树上下传递；现在信息层可以由AI承担，Genie所做的正是这件事。
（二）大幅扁平化的局限
至于是否拆除人员金字塔，他表示仍待观察。他看到有公司将每位经理的直接下属扩至25人，同时要求经理兼任球员与教练，八成时间亲自写代码上线。他认为这一模式难以为继：一是经理的大量工作涉及人的事务，包括职业选择、目标不清与情绪问题，25名直接下属难以都被照顾到；二是经理忙于写代码，员工见不到上级；三是跨组决策无人拍板，结果是员工不清楚公司方向、满意度下降。他表示自己对此并未被说服。
（三）规模扩张中的组织管理
据其回忆，邓巴数的关口出现在250人左右，恰好也是公司更换首席执行官的时期，公司由首席执行官掌握全部信息的运转方式，转为必须通过中间层、借助评审与关键绩效指标（KPI）把握方向。Databricks目前有1.2万名员工、3500名工程师，他认为大公司的自然状态是各方力量相互抵消，因此需要用清晰明确的表述让所有人朝同一方向努力。
四、上市时机与资本安排
Ghodsi表示，上市的主要理由是员工流动性，但在行业转型期更适合留在私募市场，预计一年左右公开市场会趋于平静。
（一）上市的理由
Ghodsi认为，如果Databricks今天已是上市公司，估值会高得多。据其介绍，公司上一轮融资募集50亿美元，认购意向达200亿美元，按供需本可将价格定得更高，但他们并未以此为优化目标。上市的真实理由是员工流动性：公司每年为在职与离职员工组织要约收购，涉及近百个国家的税法、约1.5万人，相当于在私募市场中模拟一个纳斯达克，到一定阶段上市会更加便利，他表示这一时点不会太远。
（二）暂缓上市的原因
暂不上市的原因在于转型期。他将当下类比为软件公司从永久授权转向订阅时选择私有化的情形，认为转型应在私募市场完成后再进入公开市场。Anthropic与OpenAI情况不同，它们需要巨额资本，而Databricks自由现金流已经打平，没有融资需求。他描述了公开市场对这轮转型的反复摇摆：一时认为“SaaS末日、AI会摧毁所有软件公司”，一时因某家SaaS公司财报良好又认为“该买SaaS”；一时认为“半导体是瓶颈、全押半导体”，一时因某只大型基金出事又“把半导体全卖掉”。他认为公开市场擅长处理常态，难以应对这种变革，估计一年左右会趋于平静，届时再考虑上市。
五、企业软件市场的竞争经验
Ghodsi回顾了Databricks早期在销售模式、竞争策略与品类创设上的三方面经验。
（一）从产品驱动增长转向企业销售
据其介绍，2015年Databricks按美国通用会计准则（GAAP）计的收入约150万美元，开源项目Spark很成功但商业化失败。公司当时信奉产品驱动增长（PLG），不设销售，还尝试过“零接触”模式，结果收入连续两个季度持平。他的推理是一名企业销售的年度配额就有一两百万美元，一个人的业绩就相当于过去几年的全部收入，于是转向企业销售。考察后他发现顶尖销售均非技术出身，于是改按职业进取心、情商以及摸清客户决策权力结构的能力招聘。据其介绍，首席营收官（CRO）Ron Gabrisko至今在任，把年化收入从100万美元做到70亿美元。
（二）针对Snowflake的竞争策略
据其介绍，当时Databricks收入只有Snowflake的一半且增速更慢。他总结出对方的三处弱点：一是数据存放在专有格式中，客户担心被锁定；二是缺乏完善的AI支持；三是产品好因而利润率高、定价偏贵。Databricks据此主打开放格式、AI原生与三分之一的总拥有成本，策略上先与对方共存，逐个账户把适合机器学习的负载抽出并转为开源格式。他的结论是要研究对手但不能复制对手，复制是他所见的首要失败模式。
（三）Lakehouse品类的创设
2018年至2019年，公司年化收入已达数亿美元，但他认为对公开市场投资人讲述的愿景与实际销售的产品不相匹配，于是押上整个公司建设Lakehouse品类，战略咨询公司与内部销售均表示反对，产品推出后也长期受到质疑。他的做法主要有三点：一是全公司围绕这一概念统一表述；二是即便原有Spark文案的广告转化率更高也予以替换；三是销售不愿推广时，直接写入提成方案而不作争论。这一做法坚持了三四年，直至品类得到认可。对于第二增长曲线，他建议私募阶段的公司有余地放慢短期增速，因为公开市场投资人只在新产品收入出现后才会关注愿景。
总的看，Ghodsi认为模型能力已经具备，企业AI采用的瓶颈在于企业上下文的沉淀与流程重造，AI的扩散至少需要十年；Databricks以Genie承担企业信息层的整合，对大幅扁平化的管理模式持保留态度，并计划在公开市场对软件与半导体的定价趋于平静后再推进上市。