Databricks（企業）に関するニュース一覧

VentureBeatの調査「VB Pulse」によると、2026年第1四半期に企業のハイブリッド検索導入意向が10.3%から33.3%へと3倍に急増しました。従業員100人以上の企業を対象に毎月45〜58件の有効回答を得た調査で、企業がRAG（検索拡張生成）の検索レイヤーを追加するフェーズから、既存アーキテクチャを再構築するフェーズへ移行していることが明らかになっています。

ハイブリッド検索とは、ベクトル類似検索にキーワード検索やリランキング層を組み合わせる手法です。単一手法のRAGパイプラインでは対応しきれなかった検索精度とアクセス制御の課題を解決するもので、エージェント型AIワークロードの本番運用に不可欠とされています。一方、Weaviate・Milvus・Pinecone・Qdrantといった単独ベクトルDBは四半期を通じて採用シェアを落としました。

投資優先度にも変化が見られます。評価・関連性テストは1月の32.8%から3月の15.6%へ低下し、代わりに検索最適化が19.0%から28.9%へ上昇して初めて首位に立ちました。HyperFRAME ResearchのSteven Dickens氏は「データチームはフラグメンテーション疲れに疲弊している」と指摘し、ベクトルストア・グラフDB・リレーショナルシステムを別々に管理する運用負荷の問題を挙げています。

検索システムの評価基準も高度化しています。1月には回答正確性が67.2%で突出していましたが、3月には回答正確性・検索精度・回答関連性がいずれも53.3%で収束しました。正しい答えだけでなく、適切な文脈から検索されたかを問う段階へ企業が進んでいることを示しています。

「RAGは終わった」という議論についても、調査データは明確な回答を示しています。ロングコンテキストウィンドウが検索を不要にするという見方は、1月の15.5%から2月に3.5%まで急落しました。Databricksの主任AIサイエンティストJonathan Frankle氏は、数百万件のエントリを持つベクトルDBがエージェント型メモリスタックの基盤にあり、コンテキストウィンドウだけでは置き換えられないと説明しています。RAGそのものではなく、最初に構築されたアーキテクチャが否定されているのです。

データパイプライン運用のスタートアップDefinityは、Sparkパイプラインの内部にAIエージェントを組み込む独自アーキテクチャを発表しました。従来の監視ツールがジョブ完了後にメトリクスを読み取るのに対し、Definityは実行中にデータ品質の問題を検知し、不良データが下流システムに到達する前に介入できます。同社はシリーズAラウンドで1200万ドルを調達しました。

技術的な特徴は、JVMエージェントをパイプラインの実行レイヤーに直接インストールする点です。1行のコード追加で導入でき、クエリ実行の挙動やメモリ負荷、データの偏り、シャッフルパターンなどを実行中にリアルタイムで把握します。事前定義されたデータカタログは不要で、パイプラインとテーブル間のリネージを動的に推定します。

広告テクノロジー企業Nexxenは、オンプレミス環境で大規模Sparkパイプラインを運用する初期ユーザーです。導入初週に最適化機会の33%を特定し、トラブルシューティングと最適化にかかるエンジニアリング工数を70%削減しました。クラウドの弾力性がないオンプレミス環境では非効率がコストに直結するため、この効果は大きいと同社は述べています。

既存のパイプライン監視ツール、たとえばDatadog傘下のMetaplaneやDatabricksのシステムテーブル、Unravel Data、Acceldata等はいずれも実行レイヤーの外側からアプローチします。Definityの差別化要因は、障害発生後ではなく発生時に対処できる点にあります。CEOのRoy Daniel氏は「エージェント型データ運用には、リアルタイムのフルスタックコンテキスト、パイプラインの制御権、フィードバックループでの検証能力が必要だ」と語っています。

AIワークロードがデータパイプラインに依存する度合いは高まっており、パイプライン障害はダッシュボードの停止にとどまらず、AI本番システムの停止を意味するようになっています。Definityのアプローチは、データエンジニアリングチームがリアクティブな障害対応からプロアクティブな最適化へ移行するための基盤となりえます。

Googleは2026年4月のCloud Nextで、AIエージェントが自律的に業務を遂行する時代に対応する新データ基盤「Agentic Data Cloud」を発表しました。従来のデータスタックは人間がクエリを実行し、ダッシュボードで結果を確認する「リアクティブな分析基盤」として設計されていましたが、エージェントが24時間稼働でデータに基づく意思決定と行動を行う世界では、根本的なアーキテクチャ変革が必要だとGoogle Cloud VP兼GMのAndi Gutmans氏は語っています。

新基盤は3つの柱で構成されます。第1のKnowledge Catalogは、従来のデータカタログで必要だった手動のメタデータ管理をエージェントで自動化するものです。BigQuery、Spanner、AlloyDBなどに加え、Collibra、Atlanなどサードパーティカタログとも連携し、SAP、Salesforce、ServiceNowなどのSaaSデータもコピーなしで意味的コンテキストを取得できます。

第2の柱であるクロスクラウドレイクハウスは、オープンなApache Icebergフォーマットを採用し、Amazon S3上のIcebergテーブルをBigQueryから直接照会できるようにしました。Google Cross-Cloud Interconnect経由の専用ネットワークで接続するため、エグレス費用は発生しません。Databricks Unity CatalogやSnowflake Polarisとの双方向連携もプレビュー段階にあります。

第3の柱、Data Agent KitはVS Code、Claude Code、Gemini CLIなどに組み込めるMCPツール群です。データエンジニアはSparkパイプラインを手書きする代わりに、「モデル学習用にクリーニング済みデータセットを用意する」といった成果を記述するだけで、エージェントが最適な実行エンジンを選択しコードを生成します。

競合各社も同様のアプローチを進めています。DatabricksはUnity Catalog、SnowflakeはCortex、MicrosoftはFabricのセマンティックモデル層をそれぞれ強化しています。Googleはオープン標準による相互運用性を差別化要因と位置づけ、他社のセマンティックモデルとも連携する方針です。Gutmans氏は「手動でカタログを管理している企業は、エージェント時代のクエリ量に対応できなくなる」と警告しており、企業のデータ基盤戦略に再考を迫る内容となっています。

オハイオ州立大学教授のYu Su氏が創業したAIスタートアップNeoCognitionが、ステルスモードから姿を現し、シードラウンドで4000万ドル（約60億円）の資金調達を発表しました。Cambium CapitalとWalden Catalyst Venturesが共同でリードし、Vista Equity Partners、Intel CEOのLip-Bu Tan氏、Databricks共同創業者のIon Stoica氏らがエンジェル投資家として参加しています。

Su氏によれば、Claude CodeやPerplexityなど現行のAIエージェントはタスク成功率が約50%にとどまり、独立した作業者として信頼するには不十分です。同氏はAIエージェント研究を率いてきた研究者で、基盤モデルの進歩によりエージェントの真のパーソナライズが可能になると判断し、起業に踏み切りました。

NeoCognitionのアプローチは、人間が新しい環境や職業に適応する過程に着想を得ています。人間の知性は幅広いものの、真の強みは急速に専門化できる能力にあるとSu氏は主張します。エージェントも任意の「マイクロワールド」について自律的に学習し、独自のワールドモデルを構築することで専門家になるべきだという考え方です。

既存のアプローチでは自律タスク向けエージェントを特定の業種ごとにカスタム設計する必要がありました。NeoCognitionは汎用的でありながら自己学習で任意ドメインに特化できる点で差別化を図っています。主なターゲットは企業顧客やSaaS企業で、エージェントワーカーの構築や既存製品へのAI統合に活用される想定です。

Vista Equity Partnersからの出資は、ソフトウェア分野最大級のプライベートエクイティとして膨大なポートフォリオ企業への直接アクセスを提供し、販路拡大の足がかりとなります。現在の従業員数は約15名で、その大半が博士号保持者という研究志向の組織です。

DatabricksのAI研究チームは、マルチステップ型のAIエージェントが従来の単発RAG（検索拡張生成）を大幅に上回るという研究成果を発表しました。スタンフォード大学のSTaRKベンチマークで9つの企業向け知識タスクを検証した結果、マルチステップエージェントは単発RAGに対して20%以上の精度向上を示しています。売上データと顧客レビューのように、構造化データと非構造化データをまたぐ質問に対し、単発RAGが根本的に対応できないことがその背景にあります。

研究の最も重要な発見は、この性能差がモデルの品質ではなくアーキテクチャに起因するという点です。Databricksが最新の高性能基盤モデルで既存のSTaRKベースラインを再実行したところ、それでもマルチステップエージェントに対して学術領域で21%、生物医学領域で38%劣る結果となりました。つまり、より賢いモデルを使うだけでは、構造化・非構造化データの横断的な質問を解決できないことが示されています。

Databricksが構築したSupervisorエージェントは、3つの中核機能で従来のRAGの限界を克服します。第一に、SQLクエリとベクトル検索を並列に実行し、結果を統合してから次のアクションを決定します。第二に、初回の検索が失敗した場合に自動的にクエリを再構成して別のアプローチを試みる自己修正機能を備えています。第三に、新しいデータソースの接続に必要なのは自然言語による説明文の記述だけで、カスタムコードは不要です。

研究責任者のMichael Bendersky氏は「RAGは機能するが、スケールしない」と指摘しています。従来のカスタムRAGパイプラインでは、SQLテーブルのフラット化やJSONの正規化など、新しいデータソースごとに変換作業が必要でした。一方、宣言的なエージェントフレームワークであれば、各データソースをネイティブな形式のまま問い合わせることが可能です。「エージェントをデータのもとへ持っていくだけでいい」とBendersky氏は述べています。

企業への実務的な示唆として、構造化データと非構造化データをまたぐ質問が必要な場合、カスタムRAGパイプラインの構築よりもエージェント型アーキテクチャの採用が有利であることを研究は示しています。ただし、データソースは5〜10個で段階的に拡張し、各段階で結果を検証することが推奨されます。また、エージェントはフォーマットの不一致を処理できますが、元データの事実誤認までは修正できないため、データ品質の確保が前提条件となります。

OpenAIのエンタープライズ担当幹部が就任90日を振り気に、企業向けAI戦略の全体像を明らかにしました。同社の企業向け事業は売上全体の40%超を占めるまでに成長し、2026年末までに消費者向け事業と同等規模に達する見通しです。Codexは週間アクティブユーザー300万人を突破し、APIは毎分150億トークン以上を処理しています。

戦略の柱の一つが、全社横断型のAI基盤「OpenAI Frontier」です。個別のAIツールが乱立する課題に対し、企業の社内システムやデータソースと連携しながらエージェントを統合管理する仕組みを提供します。OracleやUber、State Farmなどが既に導入を進めています。

もう一つの柱が、従業員の日常業務にAIを組み込む「統合AIスーパーアプリ」構想です。ChatGPT、Codex、エージェント型ブラウジングなどの機能を一つのインターフェースに集約し、個人やチームの生産性を大幅に引き上げることを目指しています。ChatGPTの週間ユーザー9億人という基盤が、企業展開時の学習コスト低減に寄与するとしています。

導入支援の面では、McKinsey、BCG、Accenture、Capgeminiと「Frontier Alliances」を結成。さらにAWS、Databricks、Snowflakeとも連携し、既存のインフラやデータ基盤へのAI統合を支援します。AWSとは共同で、エージェントが文脈を保持しながらツール横断で稼働する状態保持型実行環境を開発中です。

同幹部は「AIの実用能力と企業の活用度には大きな乖離がある」と指摘し、この「能力オーバーハング」の解消こそが自社の使命だと強調しました。実験段階から本格展開へと移行する企業に対し、信頼できるパートナーとして伴走する姿勢を鮮明にしています。

Oracleは2026年3月24日、エージェント型AIの本番運用を支える「Oracle AI Database」の新機能群を発表しました。ベクトル・JSON・グラフ・リレーショナルなど6種のデータを単一エンジンで処理する統合基盤を提供します。

中核となるUnified Memory Coreは、従来バラバラのシステムに分散していたデータ形式を1つのACIDトランザクションエンジンに統合します。同期パイプラインが不要になり、エージェントが参照するコンテキストの鮮度と一貫性を保てる設計です。

Vectors on Iceは、Apache Icebergテーブルに対しデータベース内でベクトルインデックスを自動生成する機能です。DatabricksやSnowflakeが管理するIcebergデータとリレーショナルデータを単一クエリで横断検索できます。

アナリストの評価は分かれています。Constellation Researchは統合アーキテクチャの優位性を認める一方、HyperFRAME Researchはベクトル検索やIceberg対応は業界標準になりつつあり、「AIデータベース」は既存戦略のリブランディングに過ぎないと指摘します。

企業のエージェント導入がデータ層で停滞している現状は広く認識されています。アクセス制御・ガバナンス・レイテンシの課題をDB側で解決するOracleのアプローチが、分散データ環境全体に拡張できるかが今後の焦点となります。

Databricksは2026年3月、新セキュリティ製品「Lakewatch」を発表し、その基盤技術としてAntimatterとSiftD.aiの2社を買収したことを明らかにしました。

Lakewatchは同社の大規模データ保管能力を活かし、SIEM（セキュリティ情報イベント管理）の脅威検知・調査機能を提供します。AnthropicのClaude搭載AIエージェントが分析を支援する点が特徴です。

Antimatterはセキュリティ研究者Andrew Krioukov氏が創業し、2022年に1200万ドルを調達した企業です。エージェントの安全な展開と機密データ保護を実現する「データコントロールプレーン」技術を開発していました。

SiftD.aiは2025年11月に製品を公開したばかりの超初期段階の企業で、人間とエージェントが協働する対話型ノートブックを提供していました。共同創業者のSteve Zhang氏はSplunkの元主任科学者として知られています。

Databricksは先月50億ドルの大型資金調達を完了しており、今後もスタートアップ買収を継続する方針を示しています。広報担当者は「市場の先を行き、顧客ニーズのギャップを埋めることが目標」と述べました。

Replitは自社HQからのライブ配信で、AIコーディングツール最新版「Agent 4」を正式発表しました。新機能の中核となるInfinite Canvasや並列タスク処理により、複数人での協働アプリ開発が大幅に効率化されます。

コミュニティマネージャーのManny Bernabe氏は、Agent 4で構築した「テイスト開発アプリ」を実演しました。画像をGoogle Geminiで分析し、タイポグラフィや配色、レイアウトの評価を返すこのアプリは、ランディングページ・Webアプリ・モバイル版を1つのキャンバス上で同時に管理できます。

Raymmar Tirado氏は「Replitopolis」と呼ばれる3D都市を披露しました。BigQueryのデータをリアルタイムで可視化し、各ビルがユーザーを、高さがプロンプト送信数を表現します。企業の読み取り専用データに接続するだけで内部ツールを構築できる可能性を示しました。

デザイナーのZade Keylani氏は、Agent 4のUIデザイン自体をAgent 4で構築した経験を共有しました。Figmaファイルではなく動作するプロトタイプをエンジニアに引き渡す手法により、開発中にリアルな問題を発見・報告できたと語ります。空間的思考を活かすCanvasが試行錯誤のハードルを下げたと強調しました。

マーケティング担当のRaina Saboo氏は、Agent 4のテーマを「意図ある創造性」と説明しました。Agent 3が自律性を追求したのに対し、Agent 4は人間の方向性とAIの能力を掛け合わせる設計思想です。DatabricksやStripeなど大手企業顧客も早期アクセスで導入を進めており、ローンチ週には資金調達発表とブランド刷新も同時に実施されました。

ReplitとDatabricksは、両社プラットフォームを直接接続する新コネクタを発表しました。これにより、企業が管理するデータ基盤上で、コードを書かずに自然言語プロンプトだけでデータアプリケーションを構築できるようになります。

Databricksは2万社以上のエンタープライズ顧客を持ち、Fortune 500の多くがデータガバナンス基盤として利用しています。従来のバイブコーディングでは、こうした本番データへのアクセスがセキュリティ上の壁となっていましたが、今回の連携でその課題が解消されます。

デモではReplitのエージェントが3D気象グローブアプリを数分で構築しました。開発者はプロンプトの調整に集中するだけで、スキャフォールディングやUI生成はエージェントが、データのスケールとガバナンスはDatabricksがそれぞれ担当します。

DatabricksのGenie機能はアプリ内データコパイロットとして機能し、自然言語の質問に対してデータの出典テーブルを明示しながら回答します。これにより、営業・財務・オペレーション部門での意思決定に必要なトレーサビリティが確保されます。

この統合により、PM・RevOps・アナリストなど非エンジニア職でも、ガバナンスを維持したまま社内ツールを自作できるようになります。従来はBI開発のバックログに埋もれていたツール構築が、エンジニアリングキューを経ずに迅速に実現可能となりました。

Andreessen Horowitz（a16z）は、企業のデータエージェントが基本的な質問にすら正確に答えられない原因として、ビジネスコンテキストの欠如を指摘しました。MITの2025年報告でもAI導入の大半が失敗していると警告されています。

問題の核心はテキストtoSQLの精度だけではありません。「先四半期の収益成長率は？」という単純な質問でも、収益の定義がARRか実行レートかで異なり、会計年度の区切りも企業ごとに違うため、エージェントは正しいデータを特定できないのです。

従来のセマンティック層はBI向けの指標定義には有効でしたが、退職した担当者が更新を放置し、新規プロダクトラインが反映されないなどの問題が頻発しています。エージェントの自律動作には、より包括的なコンテキスト基盤が必要です。

a16zが提唱するコンテキスト層は5段階で構築します。まず全データソースへのアクセスを確保し、LLMでクエリ履歴やdbtモデルから自動的にコンテキストを収集します。次に人間が暗黙知を補完し、APIやMCPでエージェントに接続します。

市場ではDatabricksやSnowflakeなどのデータ基盤企業、既存のAIデータ分析企業、そして新興の専用コンテキスト層企業が競合しています。OpenAIも自社内データエージェントの構築過程を公開しており、この領域の重要性が広く認識され始めています。

Databricksは、強化学習を活用した企業向けRAGエージェント「KARL（Knowledge Agents via Reinforcement Learning）」を発表しました。6種類の企業検索行動を同時に学習させることで、単一タスク特化型の限界を克服するモデルです。

従来の企業向けRAGパイプラインは、特定の検索パターンに最適化されており、複数文書の横断的な統合や制約付きエンティティ検索など、異なるタスクには対応できませんでした。KARLは独自ベンチマーク「KARLBench」でClaude Opus 4.6と同等の性能を、クエリあたりコスト33%減・遅延47%減で達成したと同社は主張しています。

学習には新アルゴリズム「OAPL」を採用しています。従来のGRPOが前提とするオンポリシー同期の制約を撤廃し、400勾配ステップ以上のポリシー遅延でも安定動作します。サンプル効率が約3倍向上し、数千GPU時間で全学習を完了できるため、企業チームでも現実的に取り組める規模です。

注目すべきは、KARLが文脈圧縮をエンド・ツー・エンドで自己学習する点です。一部のタスクでは200回の連続ベクトルDB検索が必要となり、コンテキストウィンドウを何度も超過します。圧縮機能を除去すると精度が57%から39%に低下しており、この自律的な圧縮能力が性能の鍵となっています。

一方で課題も明確です。曖昧な質問への対応や途中で回答を断念するケースが残り、SQL検索やPython計算には未対応です。それでも、汎用フロンティアAPIにすべてを委ねるのではなく、目的特化型の検索エージェントを強化学習で育てるアプローチは、企業のRAG戦略に再考を迫る重要な成果といえます。

Databricksは月次ARR（年換算経常収益）54億ドルを達成し、前年比65%の成長を報告しました。このうちAIプロダクトが14億ドル超を占めており、同社がAIデータプラットフォームとして市場での存在感を急速に高めていることを示しています。

CEO Ali Ghodsiは、AI時代においてSaaSという括りから積極的に距離を置いています。「我々にとってAIはSaaSの利用を増加させているだけだ」と述べつつ、プライベート市場ではAI企業として評価されることを重要視しています。

Ghodsiの踏み込んだ発言は「AIがSaaSを無関係にする」というものです。AIエージェントが個別のビジネスアプリケーションの機能を代替できるようになれば、何十もの専用SaaSサービスへの契約は不要になる可能性があります。

同社はMosaic Research（旧MosaicML）の買収を完了し、生成AIモデルの訓練・ファインチューニング能力を強化しました。生成AIとデータ統合の組み合わせが同社の差別化戦略の核心となっています。

既存のSaaSベンダーにとっては深刻な脅威を意味するこの予測は、企業のIT予算配分とソフトウェア調達戦略の抜本的な見直しを迫るものです。

データ分析スタートアップのFundamentalは2026年2月5日、Series Aで2億5500万ドルを調達したと発表した。また、テーブルデータ専用の基盤モデル「NEXUS」を公開した。

NEXUSは従来のビッグデータ分析で必須だったETL（抽出・変換・ロード）プロセスをネイティブに回避する設計となっており、手動のデータ前処理工程を大幅に削減できる。

テーブルデータ（スプレッドシート・データベース・CSVなど）を直接理解できるファウンデーションモデルの登場は、分析の民主化を次の段階に進める可能性がある。

VentureBeatは「大規模データ分析の在り方を根本から変える可能性がある」と評し、データエンジニアの役割が変化するきっかけになりうると分析した。

SnowflakeやDatabricksが支配するデータウェアハウス市場への挑戦となるが、NEXUSのようなAIファースト設計のデータ処理層は新しいカテゴリを作る可能性がある。

Databricksは「データレイクハウス」の概念を生み出した企業として知られていますが、今回はエージェント型AIアプリケーション開発向けに最適化されたサーバーレスデータベースを発表しました。

従来数ヶ月かかっていたAIアプリケーション向けのデータ基盤設計が、Databricksのサーバーレスアプローチにより数日に短縮できるとしています。スキーマ管理・接続設定・スケーリングが自動化されます。

エージェント型AIアプリケーションは、リアルタイムで多様なデータにアクセスしながら複雑なタスクをこなす必要があります。DatabricksのサーバーレスDBはこの需要を前提に設計されています。

競合のSnowflakeとOpenAIの提携、Microsoft Fabricなどと比較しても、Databricksはオープンソース親和性とMLエコシステムとの統合深度で差別化を図ります。

エンタープライズのAI戦略においてデータ基盤の選択は最重要であり、エージェント対応の観点からDatabricksの位置付けは強まっています。

Databricksは、従来のRAG（検索拡張生成）の限界を超える「Instructed Retriever」という新しいデータ取得手法を発表しました。従来のベクター類似検索は「質問に意味的に近い文書を探す」ものでしたが、Instructed Retrieverは明示的な指示に従って意図を理解した上で情報を取得します。

複雑なビジネスクエリや、ユーザーが何を求めているか明示的に伝えていないケースでも、文脈と意図を推定して適切なデータを取得できます。Databricksの統合データプラットフォームUnity Catalogと組み合わせることで、企業全体のデータ資産へのRAGアクセスが改善されます。

エンタープライズRAGの精度は、AIエージェントの有用性に直結する根幹技術であり、この改善はDatabricksを使うデータ・エンジニアリングチームにとって即座に価値が生まれる成果です。競合のSnowflake Cortex AIとの差別化にも貢献します。

IntelからスピンアウトしたAI企業Articul8は、7000万ドル超の資金調達ラウンドを完了し、企業評価額5億ドルに達しました。エンタープライズAIプラットフォームに特化した独立企業として、Intel技術スタックを基盤とした差別化を図っています。

主な顧客ターゲットはFortune 500企業で、オンプレミスまたはプライベートクラウドでのAIデプロイメント支援に強みを持ちます。コンプライアンス要件が厳しい金融・医療・製造業界での採用が進んでいます。

IntelがGPU市場でNvidiaに遅れを取る中、Articul8のスピンアウトはIntelのAI収益化戦略の一環とも見られます。エンタープライズAI導入の専門支援市場は急成長しており、Articul8の独立した成長軌道に注目が集まっています。

データインテリジェンス企業のDatabricksは、シリーズLラウンドで約4,000億円超（4B米ドル超）を調達し、企業評価額が1,340億ドル（約20兆円）に達しました。わずか3か月前に評価額1,000億ドルを達成したばかりであり、34%の急騰を記録しています。

同社の年間収益率は4,800億円相当（4.8B米ドル）を超え、前年比55%増という高い成長率を維持しています。このうちAI製品からの収益はすでに1,000億円規模を超えており、エンタープライズ向けAI活用の需要の強さを示しています。

Databricksは新資金をAIエージェント向けデータベース「Lakebase」、エンタープライズ向けエージェント基盤「Agent Bricks」、開発者ツール「Databricks Apps」の3本柱に投資する方針です。AnthropicやOpenAIとの数百億円規模の提携も進めており、製品へのモデル統合を加速しています。

インドのカスタマーエンゲージメント企業MoEngageは、11月の1億ドル調達からわずか1か月でシリーズFの追加調達を実施しました。今回の1億8,000万ドルのうち約1億2,300万ドルはセカンダリー取引で、259人の現役・元社員への流動性提供も含まれています。

MoEngage社の評価額は9億ドル超とされ、年間経常収益は1億ドル規模に達する見通しです。今後はMerlin AIスイートのAIエージェント機能を強化し、米国・欧州での企業買収も視野に入れています。数年後のIPOを目指しつつ、今四半期中にEBITDA黒字化を達成する計画です。

イスラエルのスタートアップEchoは3,500万ドルのシリーズA調達を発表しました。同社はコンテナの基盤イメージをゼロから再構築し、既知の脆弱性（CVE）をデフォルトでゼロにする「セキュアバイデザイン」アプローチを採用しています。AIエージェントが生成するコードが脆弱なライブラリを使いやすい現状に対応しており、UiPathやEDB、Varonisなどの大手企業に採用されています。

中南米向け医療AIスタートアップのLeonaは、a16z主導で1,400万ドルのシード資金を調達しました。WhatsApp経由で届く患者メッセージをAIが仕分け・返答提案し、医師の業務負担を1日あたり2〜3時間削減できるとしています。すでに14か国・22診療科の医師に提供されており、自律的な予約対応エージェントの導入も予定しています。

今回の一連の資金調達は、AIブームがエンタープライズデータ管理からクラウドセキュリティ、マーケティングプラットフォーム、医療コミュニケーションまで幅広い領域に拡大していることを示しています。IPOを避けたまま大型資金を集める傾向も継続しており、プライベート市場でのバリュエーション競争がさらに激化しています。

元DatabricksのAI責任者Naveen Rao氏が率いる新興企業Unconventional AIは2025年12月9日、シードラウンドにおいて4億7500万ドル（約710億円相当）の資金調達を完了したと発表しました。評価額はシード段階としては異例の45億ドル（約6750億円相当）に達しており、AIハードウェア分野への市場の期待値の高さが浮き彫りとなっています。

本ラウンドはAndreessen Horowitz (a16z) とLightspeed Venturesが主導し、Lux CapitalやDCVCも参画しました。今回の調達は、最大10億ドルを目指す資金調達計画の第一弾と位置付けられています。テック業界では以前からRao氏の新会社が50億ドル規模の評価額を目指していると報じられており、今回の発表でその巨額構想が現実のものとなりました。

同社が目指すのは、AIに特化した新しいエネルギー効率の高いコンピュータの開発です。Rao氏は以前、「生物学と同じくらい効率的な」コンピュータを創るというビジョンを掲げていました。現在のAIモデル開発における膨大な電力消費課題を解決するため、根本的なハードウェアアーキテクチャの刷新を狙っていると見られます。

Rao氏は、これまでにAI関連スタートアップ2社を巨額で売却した実績を持つ「シリアルアントレプレナー」です。2016年にNervana SystemsをIntelへ4億ドル超で、2023年にはMosaicMLをDatabricksへ13億ドルで売却しました。この卓越した実績が、シードラウンドでの記録的な評価額と投資家からの厚い信頼につながっています。

昨今の急激な関税変動は、企業に48時間以内の対応を迫っています。しかし既存ERPのデータサイロ化が迅速な判断を阻害しています。本稿では、プロセスインテリジェンスがいかに供給網の死角を解消し、AI活用と競争優位をもたらすか解説します。

従来のERPシステムは取引記録には優れますが、変化への即応力に欠けています。SAPやOracleなどが個別に稼働しているため、関税変更時の影響分析や代替調達先の選定といったシナリオ分析を迅速に行うことが困難なのです。

ここで重要となるのが、「PI（プロセスインテリジェンス）なくしてAIなし」という原則です。正確な業務プロセスの文脈情報がないままAIエージェントを稼働させれば、部分最適による誤った判断を招き、数百万ドルの損失につながるリスクがあります。

先進企業は既に成果を上げています。Vinmar社は30億ドルの供給網をデジタルツイン化し、配送遅延を20％削減しました。Florida Crystals社も手戻りを排除し、数百万ドルの運転資金を解放するなど、可視化が直接的な利益を生んでいます。

最新の技術革新も見逃せません。Databricks等とのゼロコピー統合により、データを複製せずリアルタイムで数十億件の記録を分析可能です。これにより、企業はシステムを刷新することなく、既存資産を活かして変動に対応できます。

米国発の報道によると、データインテリジェンス大手のデータブリックスが、評価額1300億ドル（約20兆円）以上での資金調達に向けて協議を進めています。同社は9月に資金調達を完了したばかりですが、AIエージェント時代のデータ基盤としての地位を確立すべく、さらなる資本増強を目指している模様です。

今回の協議が成立すれば、2025年9月に完了したばかりの資金調達時の評価額1000億ドルから、わずか数ヶ月で30%以上の企業価値向上となります。現時点で条件概要書への署名は行われていませんが、市場からの期待値は依然として高い水準にあります。

急成長の背景には、AIエージェントの台頭という市場変化があります。同社CEOは以前、データベースの80%が人間ではなくAIによって作成されるようになったと指摘しており、この潮流に対応するためのAI向けデータベース開発やプラットフォーム強化が急務です。

同社は2025年5月にもオープンソースデータベースのNeonを10億ドルで買収するなど、積極的な投資を続けています。AIがデータ産業の再編を促す中、圧倒的な資金力を背景に市場シェアの拡大と技術統合を加速させる構えです。

データ分析基盤大手Databricksの共同創業者アンディ・コンウィンスキー氏が、AI分野で中国に対抗するためには米国はオープンソース戦略に転換すべきだと警鐘を鳴らしました。同氏はCerebral Valley AI Summitにて、現在の技術独占と学術界からの頭脳流出が米国の優位性を損ない、民主主義にとって「存亡に関わる脅威」になっていると強く訴えました。

コンウィンスキー氏が指摘する問題の核心は、大手AIラボの姿勢にあります。OpenAIやMeta、Anthropicなどは画期的な技術を開発していますが、その多くはプロプライエタリ（独占的）であり、広く共有されません。さらに、高額な報酬で大学のトップ研究者を引き抜くことで、学術界での自由な知見の交換が「枯渇しつつある」と危機感を示しました。

対照的に中国では、政府がAIイノベーションのオープンソース化を奨励していると氏は分析します。DeepSeekやAlibaba傘下のQwenといった企業の研究成果が公開されることで、他の研究者や開発者がその技術を土台に新たなイノベーションを生み出す好循環が生まれる可能性があり、これが米国の脅威となり得るとの見方です。

「今日の生成AIは、公開論文で発表されたTransformerアーキテクチャから生まれた」とコンウィンスキー氏は述べ、オープンな研究の重要性を強調します。次のTransformer級のブレークスルーをどちらの国が先に生み出すかが、今後のAI覇権を決定づける重要な要素となるでしょう。

現状を「トウモロコシの種籾を食べているようなものだ」と表現し、イノベーションの源泉が枯渇すれば、5年後には大手AIラボ自身も競争力を失うと警告。米国がAI分野でトップを維持するためには、オープンなエコシステムの再構築が急務であると結論づけました。

Deductive AI社は2025年11月12日、ソフトウェアのデバッグや障害解析を自動化するAIプラットフォームを正式発表し、シードラウンドで750万ドル（約11億円）を調達しました。強化学習を用いたAIエージェントが、複雑なシステムの障害原因を数分で特定します。既に大手DoorDashでは年間1,000時間以上のエンジニア工数を削減しており、AIによるコード生成が加速する中で深刻化する「デバッグ危機」の解決策として注目されています。

なぜ今、このようなツールが求められるのでしょうか。背景には、AIコーディングアシスタントの普及があります。自然言語で手軽にコードを生成できる「Vibe coding」が広まる一方、生成されたコードは保守性が低く、デバッグはますます困難になっています。ある調査では、エンジニアが業務時間の最大50%をデバッグに費やしていると報告されており、この生産性のボトルネック解消が急務となっています。

Deductive AIの核心は、強化学習で訓練されたAIエージェントです。システムはコードやログから関係性をマッピングした「ナレッジグラフ」を構築し、障害発生時には複数のエージェントが連携して根本原因を突き止めます。既存の監視ツールが「何が起きたか」を示すのに対し、同社のAIは「なぜ起きたか」というコードレベルの因果関係まで解明する点が大きな違いです。

その効果は、導入企業で既に実証されています。食品デリバリー大手DoorDashでは、同社のAIを導入し、これまで数時間かかっていた障害調査が数分で完了するようになりました。結果として、年間1,000時間以上に相当するエンジニアの生産性を向上させ、収益への貢献も数百万ドル規模に上ると試算されています。

位置情報サービスのFoursquare社でも同様の成果が見られます。データ処理基盤であるApache Sparkのジョブ失敗原因の特定にかかる時間を90%削減することに成功。これにより、年間27万5,000ドル以上のコスト削減を実現しています。エンジニアは障害対応から解放され、より付加価値の高い業務に集中できるようになりました。

創業チームは、DatabricksやThoughtSpotといったデータ基盤のトップ企業出身者で構成され、技術的な信頼性は折り紙付きです。同社は今後、障害発生後の対応だけでなく、問題発生を予測する予防的な機能の開発も進める計画です。AIがコードを生成し、そのコードが引き起こす問題を別のAIが解決するという、新たなソフトウェア開発サイクルが始まろうとしています。

Databricks社は、AIがAIを評価する「AI Judge」構築における最大の障壁が、技術ではなく組織的な課題であるとの調査結果を発表しました。多くの企業でAI導入を妨げているのは、品質基準の合意形成や専門知識の形式知化といった「人の問題」です。同社は解決策として、実践的なフレームワーク「Judge Builder」を提供し、企業のAI活用を新たな段階へと導いています。

AIモデルの性能自体は、もはや企業導入のボトルネックではありません。DatabricksのAIチーフサイエンティストは「モデルに何をさせたいか、そしてそれができたかをどう知るか」が真の課題だと指摘します。特にステークホルダー間で品質の定義が異なることは、技術では解決できない根深い「人の問題」なのです。

AIでAIを評価する際には、「評価AIの品質は誰が保証するのか」という「ウロボロスの問題」がつきまといます。この循環的な課題に対し、Databricksは人間の専門家による評価との「距離」を最小化するアプローチを提唱。これによりAI Judgeは人間の専門家の代理として信頼性を獲得し、大規模な評価を可能にします。

驚くべきことに、組織内の専門家同士でさえ、品質に対する意見は一致しないことが多いです。そこで有効なのが、少人数で評価例に注釈を付け、評価者間信頼性スコアを確認する手法です。これにより認識のズレを早期に発見・修正でき、ノイズの少ない高品質な学習データを確保して、Judgeの性能を直接的に向上させます。

優れたJudgeを構築する秘訣は、曖昧な基準を具体的な評価項目に分解することです。例えば「良い回答」ではなく、「事実性」「簡潔さ」を個別に評価するJudgeを作成します。また、必要なデータは意見が割れる20〜30のエッジケースで十分であり、わずか数時間で高精度なJudgeを構築することが可能です。

Judgeの導入は、AI投資の拡大に直結します。ある顧客は導入後にAIへの支出を数億円規模に増やし、以前は躊躇していた強化学習にも着手しました。AI Judgeは一度作って終わりではなく、ビジネスと共に進化する「資産」です。まずは影響の大きい領域から着手し、本番データで定期的に見直すことが成功への鍵となります。

データレジリエンス（障害復旧力）大手のVeeamは2025年10月21日、データセキュリティとAIガバナンスを手がけるスタートアップ、Securiti AIを17.25億ドル（約2500億円）で買収すると発表しました。現金と株式交換を組み合わせ、買収は12月第1週に完了する見込みです。AIの導入が加速する中、企業が持つデータのセキュリティと統制を強化する狙いがあります。

VeeamのAnand Eswaran最高経営責任者（CEO）は、「データの新たな時代に入った」と述べ、今回の買収の意義を強調しました。従来のサイバー脅威や災害からのデータ保護に加え、AIを透過的に活用するためには「すべてのデータを特定し、統制され、信頼できる状態に保つこと」が不可欠だと指摘。Securiti AIの技術統合により、この課題に対応します。

買収されるSecuriti AIは2019年設立。企業の全データを一元管理する「データコマンドセンター」を提供し、MayfieldやGeneral Catalyst、Cisco Investmentsなどから1億5600万ドル以上を調達していました。買収完了後、創業者のRehan Jalil氏はVeeamのセキュリティ・AI担当プレジデントに就任する予定です。

この動きは、AI活用を背景としたデータ業界の統合・再編の流れを象徴しています。2025年には、DatabricksがNeonを10億ドルで、SalesforceがInformaticaを80億ドルで買収するなど、大型案件が相次ぎました。企業がAI導入を進める上で、自社のデータ基盤を強化・統合する必要性が高まっています。

業界再編の背景には、多くの企業が課題としてきた「データスタックの断片化」があります。様々なデータ関連ツールを個別に利用することに多くの顧客が疲弊しており、AI導入によってその問題が一層顕在化しました。AIを効果的に活用するには、サイロ化されたデータを統合し、信頼できる基盤を構築することが急務となっており、ワンストップでサービスを提供する企業の価値が高まっています。

米国の園芸用品大手ScottsMiracle-Gro社が、AIを駆使してサプライチェーンコスト1.5億ドルの削減目標の半分以上を達成し、顧客サービスも大幅に改善しました。経営不振からの脱却と、150年の歴史で培った独自の専門知識をデジタル資産に変え、競争優位性を確立することが目的です。半導体業界出身のリーダー主導で組織改革を行い、社内に眠る膨大な知見をデータ化し、独自AIを構築しました。

変革の起点は、社長による「我々はテクノロジー企業だ。まだ気づいていないだけだ」という宣言でした。従来の機能別組織を解体し、新たに3つの事業部を設立。各事業部長に財務成果だけでなく、テクノロジー導入の責任も負わせることで、AI活用をIT部門任せにせず、全社的なビジネス課題として取り組む体制を整えました。

成功の鍵は、150年かけて蓄積された膨大な専門知識、いわゆるドメイン知識のデジタル化にありました。「考古学的作業」と称し、旧来のシステムや書類の山に埋もれていた知見を発掘。データ基盤にDatabricksを採用し、GoogleのLLM「Gemini」を用いて社内文書を整理・分類することで、AIが学習可能なデータ資産へと転換させました。

汎用AIの導入には課題もありました。例えば、除草剤と予防剤を混同し、顧客の芝生を台無しにしかねない誤った提案をするリスクが判明。そこで同社は、問い合わせ内容に応じてブランド別の専門AIエージェントに処理を割り振る、独自の階層型AIアーキテクチャを構築。これにより、正確で文脈に沿った対応を実現しました。

AIの活用は全社に及びます。ドローンが広大な敷地の在庫量を正確に測定し、需要予測モデルは天候や消費者心理など60以上の要因を分析。テキサス州で干ばつが起きた際には、即座に販促費を天候の良い地域へ再配分し、業績向上に貢献しました。顧客サービス部門でもAIが問い合わせメールの回答案を数秒で作成し、業務効率を劇的に改善しています。

同社は、シリコンバレー企業と給与で競うのではなく、「自分の仕事がビジネスに即時のインパクトを与える」という魅力を提示し、優秀な人材を獲得。GoogleやMetaなど外部パートナーとの連携を密にし、少人数の社内チームで成果を最大化するエコシステムを構築しています。この戦略こそ、伝統的企業がAI時代を勝ち抜くための一つの答えと言えるでしょう。

米Databricksの元AI責任者ナヴィーン・ラオ氏が、新会社「Unconventional」を設立し、AIハードウェア市場の巨人Nvidiaに挑みます。同社は、50億ドル（約7500億円）の評価額で10億ドル（約1500億円）の資金調達を目指しており、著名VCのAndreessen Horowitz (a16z)が投資を主導すると報じられました。AIの計算基盤そのものを再定義する壮大な挑戦が始まります。

ラオ氏が目指すのは、単なる半導体開発ではありません。彼がX（旧Twitter）で語ったビジョンは「知性のための新しい基盤」。生物学と同等の効率性を持つコンピュータを、カスタム半導体とサーバーインフラを統合して作り上げる計画です。これは、現在のAI開発における計算コストとエネルギー消費の課題に対する根本的な解決策となり得るでしょうか。

この挑戦を支えるため、シリコンバレーのトップ投資家が集結しています。リード投資家のa16zに加え、Lightspeed、Lux Capitalといった有力VCが参加。さらに、ラオ氏の古巣であるDatabricksも出資者に名を連ねており、業界からの高い期待が伺えます。すでに数億ドルを確保し、10億ドルの調達完了を待たずに開発に着手するとのことです。

ラオ氏は、これまでにも2社のスタートアップを成功に導いた実績を持つ連続起業家です。AIモデル開発の「MosaicML」は2023年にDatabricksが13億ドルで買収。それ以前に創業した「Nervana Systems」は2016年にIntelが4億ドル超で買収しました。彼の持つ技術力と事業構想力が、今回も大きな成功を生むのか注目が集まります。

生成AIの爆発的な普及により、その頭脳であるAI半導体の需要は急増しています。市場をほぼ独占するNvidia一強体制に対し、Unconventional社の挑戦が風穴を開けることができるのか。AIインフラの未来を占う上で、同社の動向から目が離せません。

データ分析基盤のDatabricksは25日、AI開発のOpenAIと複数年にわたる1億ドル規模の契約を結んだと発表しました。この提携で、DatabricksのプラットフォームにOpenAIの最新AIモデル「GPT-5」などが統合されます。企業が自社データを安全に活用しAIアプリを構築できるようにし、エンタープライズ市場での生成AI導入を加速させる狙いです。 今回の統合で、顧客はDatabricksのAI製品「Agent Bricks」上で自社データに基づくAIアプリやエージェントを構築できます。OpenAIの最新モデルが選択肢に加わり、SQLやAPI経由でアクセス可能です。「GPT-5」は旗艦モデルとして提供される予定で、企業のAI開発の選択肢が大きく広がります。 提携の背景には、生成AIを企業システムに組み込む競争の激化があります。企業は自社の機密データを安全に活用できるAIツールを求めており、今回の提携はこの需要に応えるものです。OpenAIのCOOは「企業の安全なデータがある場所で、我々の最先端モデルを提供する」と述べ、企業のAI活用を支援する姿勢を示しました。 今回の契約でDatabricksはOpenAIに最低1億ドルの支払いを保証します。これは関連収益が目標に達しなくても支払うもので、企業顧客のOpenAIモデルへの移行に賭ける戦略です。一方、急速なデータセンター増設を進めるOpenAIにとっては、安定した収入源の確保に繋がります。 Databricksは今年初めにAnthropicとも同様の契約を結んでおり、マルチAIモデル戦略を鮮明にしています。既にMastercardなどの顧客からOpenAIモデルへの強い需要があるとしており、今回の提携が企業のAI活用をさらに後押しすることが期待されます。