Databricks verdoppelt SQL-Umsatz: Der Druck auf Snowflake ist real

Databricks meldet, dass der Umsatz seines Snowflake-konkurrierenden Produkts laut einer Bloomberg-Schlagzeile vom 16. Juni 2026 in etwa verdoppelt wurde. Das ist der einzige offengelegte Datenpunkt. Der zugrunde liegende Artikel steckt hinter einer Bot-Erkennungsschranke (Block-Referenz cc0f881f-8988-11f1-9852-28f991937504, falls Sie es wissen möchten). Was Analysten also aktuell vorliegt, ist eine Zahl, ein Vergleich und eine Menge Kontext aus drei Jahren Warehouse-versus-Lakehouse-Positionierung.

Ich bin direkt, was die Erkenntnisgrundlage betrifft: Eine Verdoppelung entspricht einer Wachstumsrate von 100 Prozent im Jahresvergleich – das ist schnell, aber nicht außergewöhnlich für eine Produktkategorie, die sich noch in der Eroberungsphase befindet. Entscheidend ist die Ausgangsgröße, von der aus verdoppelt wurde, das Margenprofil dieses Umsatzes und ob es sich um neue Workloads oder um Migrationen von Snowflake handelt. All das geht aus der Quelle nicht hervor.

Wichtige Details

Die belegbaren Fakten sind eng gefasst. Wie Bloomberg.com es formulierte, haben sich die Databricks-Verkäufe für das Snowflake-konkurrierende Produkt verdoppelt. Das betreffende Produkt wird in der zugänglichen Schlagzeile nicht namentlich genannt, aber durch Ausschlussverfahren im aktuellen Databricks-Katalog lässt sich dies auf Databricks SQL eingrenzen – die serverlose Warehouse-Schicht auf Basis von Delta Lake, die direkt auf Snowflakes zentrale BI- und Analytics-Workloads abzielt. Databricks dokumentiert die Architektur in der Databricks-Dokumentation, aber die genaue SKU-Grenze, die Bloomberg misst, ist nicht offengelegt.

Folgendes verrät die Quelle nicht – und jede dieser Unbekannten hat messbare Grenzen:

• Der absolute Umsatzwert. Wenn die Ausgangsbasis 100 Millionen Dollar betrug, ist eine Verdoppelung auf 200 Millionen ein bedeutsamer, aber untergeordneter Posten gegenüber Snowflakes milliardenschweren Produktumsätzen aus den jüngsten öffentlichen Berichten. Bei einer Basis von 500 Millionen sieht das Bild deutlich anders aus. Die Quelle gibt keinen der beiden Werte preis.
• Das Vergleichsfenster. „Verdoppelt" bedeutet vermutlich im Jahresvergleich, könnte aber auch ein rollierender Zwölfmonatswert, eine auf Quartalsbasis hochgerechnete Run-Rate oder eine Buchungszahl sein. Jede Variante hat eine andere Aussagekraft.
• Bruttomarge. Serverloses SQL in großem Maßstab ist ein rechenintensives Geschäft. Snowflakes veröffentlichte Bruttomargen gelten als Maßstab. Databricks hat historisch rechenintensivere Workloads auf Kunden-Cloud-Accounts betrieben, was die Margenkalkulation verändert.
• Workload-Zusammensetzung. Eine Verdoppelung bei netto neuen, KI-nahen Workloads ist eine ganz andere Geschichte als eine Verdoppelung durch migrierte Snowflake-Dashboards.

Die Quelle offenbart auch keine Kundenzahlen, durchschnittliche Vertragswerte oder Churn-Raten. Das ist relevant, weil eine Verdoppelung durch einige wenige achtstellige Enterprise-Erweiterungen eine andere Geschichte erzählt als eine Verdoppelung durch breite Akzeptanz im mittleren Marktsegment. Ohne diese Aufschlüsselung setze ich das Konfidenzintervall für jede strategische Schlussfolgerung auf ungefähr plus oder minus einen Produktzyklus.

Was das für Data Teams bedeutet

Die Warehouse-versus-Lakehouse-Debatte läuft seit etwa 2020. Für den Großteil dieser Zeit lautete die ehrliche technische Antwort: Snowflake für BI und strukturierte Analysen, Databricks für ML und unstrukturierte Pipelines, verbunden über etwas wie dbt. Eine Verdoppelung des Databricks-SQL-Umsatzes ist das Marktsignal dafür, dass diese Trennung erodiert.

Der technische Grund ist klar. Sobald man ein verwaltetes Tabellenformat (Delta, Iceberg oder Hudi), einen ordentlichen Query-Planner und serverloses Autoscaling hat, verengt sich die funktionale Lücke zwischen einem Warehouse und einem Warehouse-on-a-Lakehouse auf Sekunden bei P95-Latenz und Cent pro Abfrage. Snowflakes Gegenzug waren Iceberg-Tabellen und External-Catalog-Interop, dokumentiert in der Snowflake-Dokumentation. Databricks' Gegenzug war Unity Catalog plus aggressive SQL-Performance-Arbeit. Beide Anbieter konvergieren von entgegengesetzten Seiten auf dieselbe Referenzarchitektur zu.

Für einen Platform Lead, der heute eine Entscheidung trifft, lautet die Frage nicht mehr „welche Engine". Sondern: „In welche Control Plane möchte ich für die nächsten fünf Jahre eingesperrt sein, und welche lässt mir die Storage-Schicht offen?" Eine Verdoppelung des Konkurrenzprodukts ist ein Indiz, kein Beweis, dass die Open-Storage-Wette aufgeht. Es ist kein Beleg dafür, dass Snowflake in absoluten Zahlen Kunden verliert. Beide können gleichzeitig wachsen, in einem Markt, in dem Analytics-Ausgaben noch immer steigen.

Es gibt auch einen Sekundäreffekt für Teams, die ClickHouse oder selbst gehostete OLAP-Engines betreiben. Wenn die beiden hyperscaler-nahen Anbieter bei Preis und Features weiter komprimieren, wird die „do-it-yourself"-Kalkulation für alles unter einigen Petabytes schwerer zu rechtfertigen. Die offene Frage hier – und sie ist real – ist, ob Databricks-SQL-Preise bei Steady-State-Dashboards tatsächlich wettbewerbsfähig sind oder nur bei Burst-Workloads. Der Bloomberg-Artikel geht auf Unit Economics nicht ein.

Auswirkungen auf die Branche

Für die Branchen, in denen RiverCore-Leser tätig sind, lassen sich die Implikationen sauber nach Workload-Typ aufteilen.

In iGaming und Ad-Tech, wo Session-Level-Event-Streams und Sub-Sekunden-Aggregationen dominieren, ist die Databricks-SQL-Geschichte interessant, aber nicht ausschlaggebend. Diese Workloads bevorzugen weiterhin zweckgebundene OLAP-Engines oder Snowflakes materialisierte Views für den Hot Path. Was sich ändert, sind die Cold-Path-Ökonomien: Wenn man Rohereignisse in Delta oder Iceberg halten und ad-hoc abfragen kann, ohne ein separates Warehouse-Ingest, entfällt eine ganze Pipeline-Schicht. Teams, die dbt als Transformations-Layer nutzen, profitieren in jedem Fall, da dbt engine-agnostisch ist und der Modell-Code portierbar bleibt.

Im Fintech-Bereich, wo Governance und Lineage die bindende Einschränkung sind, ist der Vergleich Unity Catalog versus Snowflake Horizon wichtiger als rohe Abfragegeschwindigkeit. Eine Verdoppelung des Databricks-SQL-Umsatzes impliziert, dass Enterprise-Käufer sich mit Unity Catalog für regulierte Daten anfreunden – was vor 18 Monaten noch nicht offensichtlich war.

In Krypto und DeFi-Analytics, wo der Workload graflastige Joins über historische Chain-Daten umfasst, ist keiner der beiden Anbieter eine natürliche Wahl, und die meisten ernsthaften Teams landen auf eigener Infrastruktur. Das Warehouse-Duopol ist hier hauptsächlich als Reporting-Schicht nachgelagert zur eigentlichen Compute-Schicht relevant.

Das übergeordnete Signal: Die Analytics-Infrastruktur konsolidiert sich um zwei Anbieter mit annähernd symmetrischen Fähigkeiten und asymmetrischen Go-to-Market-Bewegungen. Das ist gut für Käufer, die hart verhandeln, schlecht für Käufer ohne Benchmarks und neutral für alle mit einem bestehenden Mehrjahresvertrag.

Was zu beobachten ist

Drei Signale werden zeigen, ob diese Verdoppelung ein Trend oder ein Einzelfall ist.

Erstens: Snowflakes nächstes Quartalsergebnis. Wenn das Produktumsatzwachstum bei etwa 25 Prozent im Jahresvergleich bleibt, ist das Narrativ „Databricks frisst Snowflake" falsch, und beide wachsen in einen expandierenden Markt. Wenn Snowflakes Wachstum unter 20 Prozent fällt, während Databricks SQL weiter zulegt, wird die Substitutionsgeschichte real.

Zweitens: Preisbewegungen. Beobachten Sie mögliche Listenpreissenkungen bei Databricks SQL Serverless oder Änderungen bei Snowflake-Credit-Preisen in den nächsten zwei Quartalen. Umsatzverdoppelung bei gleichzeitiger Preissenkung wäre das stärkste mögliche Signal für Workload-Capture.

Drittens: Die Iceberg-Frage. Wenn Databricks Iceberg weiterhin als erstklassigen Bürger neben Delta behandelt und Snowflake den External-Catalog-Support weiter ausbaut, wird die Storage-Schicht echte Portabilität und der Wettbewerb verlagert sich vollständig auf Compute und Governance. Das ist das Szenario, in dem eine heutige Verdoppelung nächstes Jahr zur Verdreifachung wird.

Meine Prognose, innerhalb von vier Quartalen überprüfbar: Wenn die Verdoppelung real und nachhaltig ist, wird Databricks SQL im nächsten Databricks-S-1 oder in einer Finanzierungsrunde als benanntes Umsatzsegment offengelegt – und die Zahl wird auf Run-Rate-Basis über einer Milliarde Dollar liegen. Wenn es im „Plattformumsatz" verborgen bleibt, wurde die Verdoppelung wahrscheinlich von einer kleinen Basis aus erzielt, und die strategische Schlussfolgerung sollte entsprechend zurückgeschraubt werden.

Wichtigste Erkenntnisse

• Databricks meldet laut einer Bloomberg-Schlagzeile vom Juni 2026 eine Verdoppelung der Verkäufe seines Snowflake-konkurrierenden Produkts. Da der vollständige Artikel nicht zugänglich ist, sind Ausgangsgröße, Marge und Workload-Mix unbekannt.
• Eine Wachstumsrate von 100 Prozent ist schnell, aber nicht außergewöhnlich in dieser Kategorie. Das strategische Gewicht der Zahl hängt vollständig von der Ausgangsbasis ab – die die Quelle nicht offenlegt.
• Die funktionale Lücke zwischen Warehouse und Lakehouse schließt sich auf Sekunden Latenz und Cent pro Abfrage. Die eigentliche Lock-in-Frage betrifft jetzt die Catalog- und Governance-Schicht, nicht die Storage-Engine.
• Für iGaming-, Ad-Tech- und Fintech-Teams liegt die praktische Auswirkung in einer stärkeren Position bei Anbieterverhandlungen und einem besseren Argument für Open-Table-Formate als Storage-Schicht.
• Beobachten Sie Snowflakes nächste Produktumsatz-Wachstumsrate. Liegt sie über 25 Prozent, wächst der Gesamtmarkt. Fällt sie unter 20 Prozent, während Databricks weiter zulegt, ist die Substitutionsthese bestätigt.