最近科技圈有一个数字让我反复回味：Databricks，一家做数据和 AI 平台的公司，ARR（年度经常性收入）已经突破 54 亿美元，估值高达 1340 亿美元，增速还在加速——去年同比增长 65%，比它最大的竞争对手 Snowflake 快了整整一倍。CEO Ali Ghodsi 说 2026 年是"上市的糟糕年份"，因为 SpaceX、OpenAI、Anthropic 都在排队，但即便如此，Databricks 最新一轮私募估值据报道已经奔向 1650 亿到 1750 亿美元。这家公司，在十年前营收不到 100 万美元。
我一直想搞清楚一件事：这种级别的增长，到底是怎么发生的？运气？时机？还是有一套真正可以复盘、可以学习的方法？最近我听了一期播客，Databricks 的 CRO（首席营收官）Ron Gabrisko 把这十年的增长逻辑几乎全部讲透了。他在公司不到 100 万美元营收的时候加入，亲手把销售体系从零搭到今天这个规模。我听完之后反复停下来重听了很多段，因为里面有太多跟我过去的直觉完全相反的东西。我把最核心的部分整理出来，加上我自己的思考，分享给大家。
PS：我来到硅谷后，最大的体会是：国内很多出海大家还在讲 PLG 模式，但实际上最最重要的还是 SLG。那说到 SLG，一定绕不过的就是 Databricks，所以我仔细、深度地做了这个研究，同时我自己的创业项目也是全面转向 SLG 模式。
三个在当时看起来很蠢的赌注
Ron 说，Databricks 早期做了三个核心押注：全押云端（cloud）、全押开源（open source）、全押数据和 AI。听起来今天这三件事都是废话，谁都知道这些方向是对的。但他说这是 2014、2015 年的事，那时候这三个方向都不是主流，甚至被很多人认为是错的。
关于押注云端，Ron 讲了一个让我印象很深的细节。他刚加入公司，带着创始人们去见华尔街的各大银行，CIO（首席信息官）们带着几百号人来听 Spark 发明者的演讲，场面非常壮观。但当 Ron 告诉这些银行 Databricks 是纯云端产品的时候，CIO 们的回答是：我们永远不会上云。不是"以后考虑"，而是"永远不会"。而现在，这些最大的银行客户都已经全面上云了。Ron 说这件事跟今天有人告诉你"我们永远不会用 AI"是一个性质。每个时代都有它的"永远不会"，然后这些"永远不会"一个一个被推翻。背后的原因几乎每次都一样：安全、合规、监管，这些是真实的障碍，但不是永久的障碍。谁能帮客户把这些障碍解决掉，谁就跑在前面了。
关于开源的押注，Ron 说了一点我觉得特别关键。当时开源的商业模式基本只有一种：卖支持和服务。Databricks 做的是在 Spark 这个开源项目上面搭了一套 managed service（托管服务），把所有复杂的配置、安全、扩展性问题全部打包，直接给企业开箱即用。如果企业要自己搭建类似的东西，需要把二三十个不同的开源软件拼在一起，然后在云上一个个配置，还要自己处理安全和扩展性问题。Databricks 把这些全部吸收掉了。这个逻辑本质上是：把复杂度从客户那里拿走，让客户付钱买的是省事和可靠，不是功能列表。这条逻辑今天依然成立，只是被包装成了不同的产品形态。
我自己做 AI 产品出海的过程里，也经常遇到类似的情况。有些市场的客户告诉你某件事"现在不可能"，但他们真正的意思是"现在的障碍还没被解决"。Databricks 押注的方向在当时看起来是反常识的，但它们押的不是方向本身，而是解决那些阻碍这些方向落地的具体障碍的能力。这才是真正的战略眼光，而不是碰运气猜对了风口。
有人用不等于有人付钱，这个坑太多人踩过
Ron 说当时 Spark 已经有几百万用户了。按常规逻辑，这是一个很好的起点，可以直接做 PLG（产品主导增长），等用户自然转化成付费客户。但他说这条路根本走不通。开源用户不会主动来买东西，他们有问题找你问，问完了就走了，根本不会想着要不要付费。他们用过产品，但没有付钱的动力，因为没有人告诉他们为什么要付钱、付钱能得到什么额外的东西。
Ron 的做法是马上招了 40 个销售，直接去拜访所有正在用 Spark 的客户，只问一件事：你们愿意为什么付钱？这个问题听起来很直白，甚至有点傻，但他说你去问了以后会发现，大量客户愿意告诉你真实的答案。他们发现的趋势是：客户愿意为安全性、扩展性，以及省去自己搭建、维护的麻烦付钱。这些反馈直接决定了 Databricks 早期的产品开发方向。
这里有一个我觉得特别重要的底层逻辑。很多技术创始人会有一个假设：只要产品足够好，用户就会来买。但企业级市场不是这么运作的。企业里的人不会主动去挖掘一个开源工具的付费价值，因为这不是他们的职责，他们的职责是解决业务问题。销售的存在价值，不只是"让对方掏钱"，而是帮助客户意识到这个产品能解决他们的问题，然后帮他们在组织内部推动采购决策。这两件事，产品本身都做不到。大量有好产品的公司死在这一步，不是因为产品不好，而是因为没有人帮客户把价值说清楚。
Ron 的第一年，Databricks 营收从不到 100 万增长到 1300-1500 万，后来又迅速冲到 5000 万、1 亿。这个速度背后，最关键的动作就是那 40 个销售去做的那件事：带着问题去见客户，而不是带着产品去推销。
销售不是说服，是问问题
Ron 聊销售方法论的部分，有一个核心主题贯穿始终：好的销售靠的是提问，不是演讲。他说他面试 Databricks 的时候，面试官让他做一个产品 pitch（推销演讲），他拿到 deck（幻灯片）一看，全是技术术语和架构图，充满了首字母缩写和参数细节。他的第一反应不是记这些东西，而是直接问面试官：你们公司是什么类型的？你们怎么用数据？你们希望从 AI 里得到什么？面试官问他：你什么时候开始 pitch？他说：我现在就在 pitch。
他用了一个很好的比喻。他说你去看医生，如果医生一进门就说"你需要手术"，你会是什么感觉？你一定想说：你连我哪里不舒服都没问，就直接告诉我要手术？好的医生是先问诊，然后才给方案。销售也完全一样，你对客户的真实挑战理解得越深，你给出的方案就越有针对性，你的可信度也就越高。而且客户会感觉到这个区别，他们能分辨出来对面这个人是真的想帮他们解决问题，还是只想完成一个 quota（销售配额）。
他还提到了两个框架：MEDDIC（一种企业级销售流程，代表 Metrics/指标、Economic Buyer/经济决策人、Decision Criteria/决策标准、Decision Process/决策流程、Identify Pain/痛点识别、Champion/内部推动者）和 Command of the Message（信息主导力）。他说这两个框架他都用，但他强调的不是框架本身，而是背后的逻辑：你得搞清楚对方组织里谁是真正的决策者，谁掌握预算，决策是怎么做出来的，内部有没有人真正支持你。卖给一个创业公司，可能只要搞定一个人；卖给一家大企业，你面对的是整个组织，如果没有把这张图摸清楚，很可能在推进了六个月之后发现根本找错了人。
技术产品必须用技术人来卖
Databricks 在招聘销售上有一条很硬的标准，Ron 说得很直接：我的销售必须能自己 demo 产品。不是偶尔能演示一下，而是这是基本要求，每个人都得会。他的逻辑很简单：Databricks 的买家是数据工程师、数据科学家，这些人技术能力非常强，时间很宝贵。如果你作为一个销售去跟他们开会，却带不来任何新的技术洞察，帮不到他们解决任何实际问题，他们不会浪费时间陪你喝咖啡，更不会推进采购。你得能跟他们在同一个语言体系里对话，才有资格成为他们信任的顾问，而不只是一个来卖东西的人。
Ron 说他测试候选人 grit（韧劲）的方式也很实际，不只是面试聊聊感觉。他直接给候选人布置作业：写一个业务计划，做一个面向 CEO 的 AI 愿景演讲，用 Genie（Databricks 最新的 AI 产品）为自己目标行业做一个完整的 demo。他说能认真完成这些作业的人，基本上说明他们真的想要这份工作。这个方法论我觉得特别聪明，它同时测试了两件事：这个人够不够勤，以及这个人能不能真正理解产品。这两件事都是日常工作里每天都要用到的能力，比在面试里问"你最大的缺点是什么"可靠多了。
他还说了一条他很坚持的原则：不要招那种两三年就换一家公司的人。他的理由是：这些人没见过公司真正困难的时候是什么样子。每家公司都会有低谷，都会有那种季度没完成、产品出了大问题、团队士气很低的时刻。这个时候，你身边的人是会扛着继续推，还是马上去找下家，这个差别决定了一个团队能不能真正走远。他要的是见过难关、扛过来的人。
POC 免费给，但要把三件事说清楚
Ron 说 Databricks 早期所有的 POC（概念验证，Proof of Concept）全部是免费的。他不是在抱怨这件事，而是把它当成一个战略。他的逻辑是：在客户真正愿意付钱之前，你必须先让他们亲眼看到价值。POC 就是证明价值的舞台，不应该在这个阶段纠结钱的问题，那会分散所有人的注意力，让双方都很别扭。
但他同时强调，免费不等于随便。他说有三件事必须在 POC 开始前说清楚：第一，这次 POC 要验证什么，成功的标准是什么，不能是模糊的"看看效果"；第二，有明确的时间节点，比如 30 天，不能无限期拖下去；第三，也是最关键的，必须要有 executive sponsor（高层背书），不能只是某个底层工程师的个人项目。因为一个没有高层支持的 POC，就算技术上验证成功了，也很难在内部推动实际采购，那 POC 就白做了。三件事都对了，POC 成功了，后续合同的推进会顺畅很多，因为内部已经有真正的人替你说话了。
我自己做 B2B 产品时深有体会。很多时候创业公司在 POC 阶段犯的错误不是给不给钱的问题，而是边界不清楚——POC 没有成功标准，没有时间限制，没有高层卷入，最后拖了半年什么都没有。而且最难的一步往往是找到那个真正有内部影响力、愿意为你背书的人。找到他，整件事就会完全不一样。
按使用量定价，而不是按用户数定价
这是 Ron 提到的几个反直觉决策里我觉得最值得单独展开的一个。他们早期加过 user-based pricing（按用户数定价），结果发现各个团队开始限制员工使用 Databricks 的账号，因为每多一个用户就多一笔钱。直接后果是产品在企业内部的使用深度被人为压缩了，那些可以创造更大价值的使用场景被堵死了。后来他们把用户收费去掉，改成纯粹按 consumption（使用量）收费，使用量立刻爆发，随之带来的是收入的大幅增长。
Ron 现在的判断是：user-based pricing 基本上是过去式了，至少对于数据和 AI 类产品来说是这样。他说的道理很简单：企业的员工数量不会每年翻倍，但他们产生的数据量在增长，跑的查询数量在增长，未来部署的 AI agent 数量也在增长。如果你的定价跟这些增长绑在一起，你的收入就自然跟客户的业务增长绑在一起，双方都有动力把使用量做大。如果你的定价跟用户数绑在一起，你就变成了客户的成本中心，他们会想办法控制你，而不是扩大使用你。
这背后有一条我觉得在任何定价决策里都适用的原则：你的定价方式，决定了客户对你的态度。如果使用越多意味着花越多，客户会开始限制使用。如果使用越多意味着业务越好，客户会主动帮你把使用量推上去。Databricks 早期那次调整定价的决策，表面上看是少收了一部分钱，但实际上打开了更大的增长空间，也让客户和产品之间的关系从对立变成了协同。
用 A16Z 打开企业大门，但要自己去
Ron 说 A16Z（Andreessen Horowitz，硅谷顶级风投）对 Databricks 早期进入大客户起了非常关键的作用，但他的方式不是让 A16Z 发几封邮件介绍，而是利用 A16Z 组织的线下活动。A16Z 会定期邀请各大企业的 CIO 们来硅谷参加活动，然后让十几家组合公司轮流来做 30 分钟的演讲和 demo。CIO 们一趟硅谷，可以见到十几个最顶尖的创业公司，对他们自己来说也是有价值的，而且还能顺便跟 Ben Horowitz 和 Marc Andreessen 面对面交流。
Ron 说他早期几乎自己亲自出席所有这些活动，不是随便派个销售去。他的理由很直接：机会太宝贵了，只有 30 分钟，对面坐的是大公司的 CIO，必须是最能把握这个对话的人去。他的目标也很清晰，不是当场签合同，而是拿到一个 POC 的机会，或者哪怕只是一次 follow-up（跟进会面）。有了这个小小的进门机会，后续所有的事情才有可能发生。
这里我有一个额外的思考。很多人说要"用投资人资源开门"，但操作层面差别巨大。发封邮件介绍一个人，和在一个有组织、有氛围、有背书的场合让双方面对面，效果是完全不同的。Ron 的方法给了一个很具体的模型：借助投资人的平台做线下活动，自己亲自参与，目标不是完成销售，而是建立关系、争取一个验证机会。这条路要慢，但每一步都是真实信任的积累，不是靠一封邮件的一次性介绍。
数据不是模型的附属品，而是核心竞争力
Ron 在播客里说了一句话，我觉得是整期内容里最值得单独展开的判断：现在那些大模型已经足够聪明了，在很多问题上跟我一样聪明甚至更聪明。真正的差别不是你用的是哪个模型，而是你能不能把模型和你自己的业务数据连起来。
这句话直接戳破了我观察到的一个非常普遍的误区。很多企业在评估 AI 方案时，花大量时间比较哪个模型 benchmark（基准测试）分数更高，哪家大厂的模型最新。但 Ron 的判断是：通用模型的智力已经够用了，卡脖子的地方根本不在这里。真正的挑战在于数据基础设施：你的数据在哪里？是不是分散在各个遗留系统里？格式对不对？权限怎么管？这些问题没解决，换再厉害的模型，AI 看到的还是一团乱麻，输出的结果也没办法真正落地。
Ron 把企业 AI 采购的核心关切总结成四个 C：Context（上下文，也就是数据）、Control（治理和权限）、Choice（模型和云的选择自由）、Cost（成本控制）。这四件事排在一起，你会发现它们不是 AI 能力问题，而是企业决策者真正在意的问题。Context 是 AI 能不能真正理解你的业务，Control 是你敢不敢把数据给它，Choice 是你会不会被锁定在某一家供应商，Cost 是预算能不能撑住。Databricks 现在 AI 产品的年收入已经超过 14 亿美元，靠的就是把这四件事都做对了。
Genie：让每个业务人员都能"问"出洞察
Databricks 最近推出了一个产品叫 Genie，Ron 说他整个销售团队都在用这个东西管理日常业务。他说他可以直接用自然语言问 Genie 任何关于客户的问题，比如"德国有哪十个客户最可能流失"，Genie 会自己建一个流失预测模型，给出分析，然后再给出建议怎么干预。他准备每一次客户会议，也是靠 Genie 来做背景研究，了解客户用了哪些产品、还有哪些增长机会、有哪些潜在风险。
他举了一个很有画面感的例子：他可以在跟客户吃晚饭的时候直接掏出手机，现场给对方演示 Genie。把客户的一些测试数据传进去，实时展示 Databricks 能帮他们发现什么洞察，解决什么问题。他说他的销售团队 100% 的人手机上都装了 Genie，每个人都能自己做 demo，不需要等技术团队支持。
还有一个细节让我很有感触。他说零售商的门店经理在用 Genie 问"这个货架上的产品，我应该怎么调配才能最大化销售额"；加油站连锁商在用 Genie 接入摄像头数据，监测披萨库存，预测每天需要多少，什么时候该补货。这些用户不是数据科学家，不会写 SQL，但他们可以用自然语言问问题，然后直接得到可以执行的答案。这条线走下去的逻辑是：AI 真正的普及不是让所有人都学会用 AI 工具，而是让 AI 工具学会跟所有人说话。
规划周期和增长阶段：不同阶段的打法完全不同
Ron 对公司不同阶段需要的销售策略有一个非常实用的框架：0 到 2000 万美元是找到 product-market fit（产品市场契合度）的阶段，核心任务是搞清楚谁会买、为什么买；2000 万到 1 亿是把打法变成可重复的 playbook（打法手册）；1 亿到 10 亿是国际扩张、渠道建设、多产品线；超过 10 亿靠的是最好的 leader（领导者）和文化来维持增长速度。
他说 Databricks 以前是一年做一次规划，后来改成六个月做一次，因为增速太快，一年之前做的计划到了下半年基本已经失效了。这种对规划周期的主动调整背后有一个很清醒的认知：在快速变化的市场里，"计划"的价值不在于精准预测未来，而在于让团队对当前阶段的核心目标保持一致。规划做得太长太细，反而会成为灵活应对的障碍。
这里有一个我自己反复观察到的现象值得说一下。很多公司在早期阶段用的是 10 亿量级公司的管理方式，结果把本来应该用来找产品市场契合的时间，花在了建流程、搞 KPI 体系上。而另一些公司到了 1 亿营收的量级，还在用早期"先找客户再说"的方式运营，结果增长开始卡住了，因为没有可以复制的打法。知道自己现在在哪个阶段，然后用这个阶段真正需要的方法，这件事听起来简单，但在真实的公司里做到的非常少。
出海扩张：先把剧本跑稳，再去复制
Ron 说 Databricks 在国际扩张上也走过弯路，他的建议是不要扩张太快。他给了一个很具体的理由：如果你在欧洲或者亚太找错了一个 leader，你要坐十几个小时的飞机去修复这个问题，损失的不只是时间，还有产品在当地市场的口碑和信誉。他说一旦你的销售团队在当地没有把客户服务好，后续再去重建那个市场会难得多。
他的方法是在本土把打法跑稳之后再去复制。他说大概在 2000 万到 1 亿营收之间，是开始认真准备出海的时机，因为这时候你大概已经知道谁会买、为什么买、怎么卖，这套东西是可以被翻译到其他市场的。同时，他还会从美国本土抽调有经验的人实际去驻扎一段时间，帮助当地团队快速吸收内部的 tribal knowledge（经验积累）。他说这种"老带新"的做法会让当地团队的成长速度快很多，因为很多东西写在文档里传不下去，必须在实际工作中面对面传授。
我自己在做出海这件事时，这一点让我很有共鸣。很多公司出海失败不是因为市场不对，而是因为太快在当地建了团队，但这些团队没有足够的支持和指引，只能靠自己摸索，结果越走越偏，还损耗了品牌。Ron 的模型给了一个很清晰的顺序：先把本土的打法真正跑通，然后带着这套打法和有经验的人一起去复制，而不是把一个新 leader 空投到陌生市场，让他从零开始摸索。
增长的本质，从来不是一件事
听完 Ron 整个的分享，我最大的感受是：Databricks 从 100 万到 70 亿的增长，不是靠某一个神来之笔的决策，而是在每一个关键节点都做对了那个阶段最重要的事。早期靠着走进客户、问对问题找到了可以商业化的方向；中期靠着打造技术型销售团队、利用投资人网络攻进了企业客户；后期靠着使用量定价打开了增长天花板，靠着四个 C 的框架抓住了企业 AI 的浪潮。
但我觉得有一件事是贯穿整个增长过程始终的，那就是 Ron 说的那句话：销售是问问题，不是做演讲。从他第一次拜访华尔街银行，到今天 Genie 让每个业务用户都能用自然语言问出洞察，本质上都是同一件事：帮助客户把他们真正想要的东西说清楚，然后帮他们拿到。这件事十年前靠的是销售团队，今天靠的是 AI。形式变了，逻辑没变。
这也让我想到一个更大的问题：当 AI 把"问问题"这件事变得无比廉价和普及之后，真正稀缺的是什么？我觉得还是判断力，是知道该问什么问题、该往哪里看、该在什么时机推一把。这一点，不管技术怎么演进，都没办法被自动化掉。
结尾
也欢迎大家留言讨论，分享你的观点！
觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。
欢迎关注深思圈，一起探索更大的世界。
往期文章