Oracle vs. Snowflake vs. Databricks (falls öffentlich): Wer gewinnt die KI-Datenplattform?

Oracle vs. Snowflake vs. Databricks: Wer gewinnt die KI-Datenplattform?

Kurzfassung

Zum Börsenschluss am 31. Juli 2026 notierte Oracle bei 129,87 US-Dollar mit einer Marktkapitalisierung von ungefähr 378 Milliarden US-Dollar, während Snowflake bei 293,28 US-Dollar mit einer Marktkapitalisierung von ungefähr 101 Milliarden US-Dollar gehandelt wurde. Databricks blieb in Privatbesitz; die letzte strategische Finanzierungsrunde wurde mit einer Bewertung von 188 Milliarden US-Dollar bekannt gegeben, wobei der Abschluss der Runde noch später im Sommer erwartet wurde. (databricks.com)

Die drei Unternehmen nehmen unterschiedliche Positionen im KI-Datenplattform-Stack ein:

• Oracle ist am besten geeignet für Unternehmen, die Transaktionsleistung, Oracle-Datenbankkompatibilität, regulierte Workloads und integrierte Cloud-Infrastruktur priorisieren.
• Snowflake ist das stärkste öffentliche Pure-Play für kontrollierte Cloud-Analysen, Cloud-übergreifende Datenfreigabe, SQL-zentrierte Workloads und KI für Geschäftsanwender.
• Databricks hat die breiteste technische Ambition in den Bereichen Data Engineering, maschinelles Lernen, KI-Anwendungen, Agenten und offene Lakehouse-Architektur.

Fazit

• Beste KI-Datenplattform für Unternehmen insgesamt: Databricks
• Bestes Risiko/Rendite-Verhältnis auf dem öffentlichen Markt: Oracle
• Beste öffentliche Pure-Play KI-Datenplattform: Snowflake
• Am teuersten im Verhältnis zu den aktuell offengelegten Wirtschaftsdaten: Databricks
• Höchstes kurzfristiges Bilanz- und Kapitalintensitätsrisiko: Oracle
• Höchstes Bewertungs-Durationsrisiko: Snowflake und Databricks

Mein Investment-Ranking bei den aktuellen Bewertungen Mitte 2026 ist:

1. Oracle – risikobereinigter Gewinner
2. Snowflake – höherwertiges Pure-Play-Wachstumsexposure
3. Databricks – stärkste Plattform-Optionalität, aber Bewertungs- und Liquiditätsrisiken sind erheblich

Diese Rankings trennen die Plattformqualität vom Aktienpotenzial. Das Unternehmen, das die beste KI-Datenplattform bauen mag, ist nicht unbedingt die Aktie, die vom heutigen Kurs aus die beste Rendite bietet.

Der Vergleichsrahmen

Eine KI-Datenplattform muss mehr leisten als nur Daten speichern. Sie muss zunehmend Folgendes unterstützen:

1. Datenerfassung und -transformation
2. Analysen und Business Intelligence
3. Entwicklung von maschinellem Lernen
4. Modellhosting und Inferenz
5. KI-Agenten und -Anwendungen
6. Sicherheit, Governance, Herkunft und Kostenkontrollen
7. Unternehmensintegration und Betriebszuverlässigkeit

Die entscheidende Unterscheidung ist architektonisch:

Keine einzelne Benchmark kann einen Gesamtsieger fair ermitteln. Abfrageform, Datenlayout, Caching, Parallelität, Cloud-Region, Cluster-Dimensionierung, Netzwerktopologie und Governance-Konfiguration können das Ergebnis erheblich verändern. Oracle selbst warnt davor, dass eine seiner veröffentlichten Vergleichs-Benchmarks nicht den formalen TPC-H-Spezifikationen entsprach und nicht direkt mit veröffentlichten TPC-H-Ergebnissen vergleichbar behandelt werden sollte. (oracle.com)

1. Plattformleistung

Oracle: Am stärksten für relationale und Oracle-native Workloads

Oracles Kernvorteil bleibt die Tiefe seiner Datenbanktechnologie. Oracle Autonomous AI Database, Exadata, Oracle Database 26ai und OCI sind für High-Concurrency-SQL, transaktionale Workloads, gemischte operative und analytische Verarbeitung sowie Umgebungen konzipiert, die bereits von Oracle-Schemas, -Anwendungen, -Sicherheitsmodellen und administrativen Fähigkeiten abhängen.

Oracles KI-Strategie ist zunehmend direkt in die Datenbank eingebettet. Select AI unterstützt natürliche Sprache zu SQL, Vektorsuche, Retrieval-Augmented Generation, KI-Agenten, Zusammenfassung, Übersetzung sowie Python- und PL/SQL-Schnittstellen. (docs.oracle.com)

Leistungsvorteile von Oracle:

• Low-Latency-relationale Abfragen
• High-Concurrency-Enterprise-Workloads
• Transaktionale und analytische Workloads auf einer gemeinsamen Datenbankgrundlage
• Integrationen für Oracle ERP, Gesundheitswesen, Finanzdienstleistungen und Behörden
• Datenbank-residenter Vektorsuche und RAG
• Bestehende Oracle-Daten, -Fähigkeiten und operative Tools

Einschränkungen:

• Weniger natürliche Passung für offenes Data Engineering und verteilte ML-Workflows
• Größere Abhängigkeit von Oracle-spezifischen Fähigkeiten und Infrastruktur
• Lizenzierungs- und Migrationskomplexität kann erheblich sein
• OCI ist für allgemeine Analysen weniger weit verbreitet als AWS, Azure oder Google Cloud

Fazit: Oracle ist der Leistungsführer, wenn der Workload im Grunde ein Oracle-Datenbankproblem ist. Als Standard-Greenfield-Plattform für eine moderne ML-Engineering-Organisation ist es weniger überzeugend.

Snowflake: Am stärksten für verwaltete Cloud-Analysen

Snowflakes Hauptleistungsvorteil ist die operative Einfachheit. Es trennt Speicher und Compute, unterstützt unabhängige Compute-Warehouses und bietet eine verwaltete Erfahrung über mehrere öffentliche Clouds hinweg. Seine Plattform umfasst nun Data Engineering, Analysen, KI, Anwendungen, Transaktionen und Zusammenarbeit. (s26.q4cdn.com)

Snowflakes Verbrauchsmodell basiert auf Compute, Speicher und Datenübertragung. Kunden zahlen in der Regel im Voraus für Kapazität und nutzen die Plattform dann im Laufe der Zeit. Dies ermöglicht eine unabhängige Skalierung von Workloads und vermeidet die Bezahlung von dauerhaft bereitgestellter Infrastruktur, die nicht genutzt wird. Allerdings bedeutet der variable Verbrauch auch, dass schlecht optimierte Workloads unerwartet hohe Rechnungen verursachen können. (s26.q4cdn.com)

Leistungsvorteile von Snowflake:

• SQL-Analysen und Business Intelligence
• Parallele Workloads mit Workload-Isolation
• Cloud-übergreifender Datenzugriff
• Verwaltete Operationen und minimale Infrastrukturadministration
• Schnelle Bereitstellung für Analyseteams
• Datenfreigabe zwischen Unternehmen und Geschäftseinheiten

Einschränkungen:

• Weniger natürlich als Databricks für hochgradig angepasstes verteiltes Data Engineering
• Große ML-Workflows können zusätzliche Tools und Dienste erfordern
• Abfrage- und KI-Verbrauch kann bei Skalierung teuer werden
• Leistungsoptimierung bleibt eng mit der Warehouse-Dimensionierung und dem Workload-Management verbunden

Fazit: Snowflake ist wahrscheinlich die beste allgemeine verwaltete Analyseumgebung für Unternehmen, die hohe Leistung wünschen, ohne ein großes Data-Platform-Engineering-Team zu betreiben.

Databricks: Am stärksten für verteiltes Data Engineering und KI-Entwicklung

Databricks ist optimiert für die Konvergenz von Data Engineering, maschinellem Lernen und KI-Anwendungsentwicklung. Seine Architektur konzentriert sich auf das Lakehouse-Modell mit verteilter Verarbeitung, offenen Datenformaten, Notebooks, Modelllebenszyklus-Management und einer vereinheitlichten Governance-Schicht.

Databricks Model Serving bietet eine gemeinsame Schnittstelle für Echtzeit- und Batch-Inferenz, unterstützt Databricks-gehostete und externe Modelle und kann Endpunkte automatisch skalieren. (docs.databricks.com)

Die Plattform ist besonders stark, wenn der Workload Folgendes umfasst:

• Groß angelegte ETL und ELT
• Streaming-Pipelines
• Feature Engineering
• Benutzerdefinierte ML-Modelle
• Modelltraining und Fine-Tuning
• Retrieval-Augmented Generation
• Agentenbewertung und -beobachtbarkeit
• KI-Anwendungen, die strukturierte und unstrukturierte Daten kombinieren

Leistungsvorteile von Databricks:

• Verteilte Datenverarbeitung
• Groß angelegte ML- und KI-Workloads
• Flexible Nutzung von Open-Source-Frameworks
• Vereinheitlichte Notebooks, Pipelines, Modelle und Anwendungen
• Besser geeignet für komplexe benutzerdefinierte Workflows als ein SQL-First-Warehouse
• Zunehmend leistungsfähige Echtzeit- und Transaktionsdienste durch Lakebase

Einschränkungen:

• Mehr operative und architektonische Komplexität als Snowflake
• Erfordert stärkere Data-Engineering- und ML-Talente
• Cluster- und Job-Konfiguration kann Kosten und Leistung erheblich beeinflussen
• Geschäftsanwender finden die Plattform möglicherweise weniger unmittelbar zugänglich als Snowflake

Fazit: Databricks ist der technische Gewinner für Organisationen, die KI-Systeme aufbauen und nicht nur Daten abfragen.

Leistungssieger nach Workload

2. Gesamtbetriebskosten (TCO)

Oracle: Potenziell am günstigsten für Oracle-Bestandskunden, teuer für Greenfield-Implementierungen

Oracles TCO hängt stark vom Ausgangspunkt des Kunden ab.

Für eine Organisation, die bereits Oracle-Datenbanken und -Anwendungen betreibt, kann OCI die Migrationsreibung reduzieren, bestehende Fähigkeiten bewahren und Datenbanklizenzen sowie Unternehmensvereinbarungen nutzen. Die Preisgestaltung der Oracle Autonomous AI Database basiert hauptsächlich auf ECPUs und Speicher, und die Preisgestaltungsmaterialien bewerben elastische Pools mit potenziellen Compute-Einsparungen von bis zu 87 % bei geeigneten Konfigurationen. (oracle.com)

Oracles veröffentlichte Preislisten zeigen einen indikativen Compute-Preis für Autonomous AI Lakehouse von 0,336 US-Dollar pro ECPU-Stunde, mit einem niedrigeren BYOL-Tarif von 0,0807 US-Dollar pro ECPU-Stunde im referenzierten Preisschema für den öffentlichen Sektor. Dies sind Listenpreis-Illustrationen, keine verhandelten Unternehmensangebote. (oracle.com)

TCO-Profil von Oracle:

• Am besten, wenn Kunden bereits Oracle-Lizenzen besitzen
• Am stärksten, wenn Oracle-Datenbankadministrationsfähigkeiten verfügbar sind
• Potenziell effizient für gemischte Transaktions- und Analyse-Workloads
• Höheres Risiko von Lizenzierungskomplexität und Vendor Lock-in
• Cloud-Infrastrukturinvestitionen können letztendlich Preisgestaltung oder Margen unter Druck setzen

Snowflake: Einfachstes Betriebsmodell, aber Risiko variablen Verbrauchs

Snowflake vermeidet einen Großteil der Infrastrukturverwaltung, die mit traditionellen Plattformen verbunden ist. Kunden müssen Cluster nicht auf die gleiche Weise wie bei selbstverwalteten Systemen dimensionieren und warten, und die Compute-Ressourcen können nach Workload getrennt werden.

Diese Einfachheit ist wertvoll, aber das Verbrauchsmodell schafft einen Kompromiss:

• Kunden zahlen nicht für ungenutzte permanente Infrastruktur.
• Schnellere Abfragen können den Verbrauch und somit die Kundenausgaben reduzieren.
• Schlecht gesteuerte Workloads, häufige Scans, KI-Inferenz, Datenbewegung und große temporäre Jobs können den Verbrauch schnell erhöhen.

Snowflake beschreibt den Verbrauch explizit als auf den Kundennutzen und die nutzungsbasierten Kosten ausgerichtet, erkennt aber auch an, dass die Einnahmen variabel sind und Leistungsverbesserungen die Kundenausgaben reduzieren können. (s26.q4cdn.com)

TCO-Profil von Snowflake:

• Geringste operative Belastung der drei
• Vorhersehbar bei streng kontrollierten Workloads
• Potenziell teuer bei unkontrolliertem KI- und Datenverbrauch
• Starke Kostentransparenz, aber nicht unbedingt niedrige absolute Kosten
• Gut geeignet für Organisationen, die die Geschwindigkeit der Bereitstellung gegenüber der Infrastrukturanpassung priorisieren

Databricks: Attraktive Datenökonomie, aber höherer Engineering-Aufwand

Databricks kann günstige Wirtschaftsdaten bieten, wenn ein Unternehmen bereits effektiv auf Cloud Object Storage operiert und eine starke Plattform-Engineering-Organisation besitzt. Die Möglichkeit, offene Formate zu verwenden und Data Engineering, ML- und KI-Workloads zu konsolidieren, kann doppelte Datenkopien und getrennte Tools reduzieren.

Allerdings hängt die Kostenstruktur von Databricks stärker von der Engineering-Disziplin ab. Cluster-Dimensionierung, Jobdauer, Datenlayout, Autoscaling, Modellbereitstellungsdurchsatz, Cloud-Speicher, Netzwerk und Orchestrierung können alle die endgültige Rechnung beeinflussen.

Die Modellbereitstellungsschicht kann Endpunkte automatisch skalieren, was den Infrastrukturabfall bei variablen Workloads reduzieren kann. (docs.databricks.com)

TCO-Profil von Databricks:

• Potenziell attraktiv für technisch reife Organisationen
• Am stärksten, wenn es mehrere Daten- und ML-Tools ersetzt
• Höhere Arbeits- und Architekturkosten als Snowflake
• Kostenüberschreitungen sind ohne Plattform-Governance möglich
• Offene Architektur kann langfristiges Lock-in reduzieren

TCO-Sieger nach Kundentyp

3. Ökosystem und Unternehmensakzeptanz

Oracle: Tiefste Installationsbasis und Unternehmensbeziehungen

Oracle profitiert von Jahrzehnten der Unternehmensakzeptanz, großen Anwendungs-Footprints, Datenbankabhängigkeiten und Beziehungen zu regulierten Branchen. Sein Cloud-Wachstum wird heute sowohl durch die Infrastrukturnachfrage als auch durch die Migration von Cloud-Anwendungen angetrieben.

Oracle meldete 67,4 Milliarden US-Dollar Umsatz im Geschäftsjahr 2026, davon 34,0 Milliarden US-Dollar Cloud-Umsatz. Der Cloud-Infrastrukturumsatz stieg im Laufe des Jahres um 77 %, während die gesamten verbleibenden Leistungsverpflichtungen 638 Milliarden US-Dollar erreichten. Oracle sagte, dass ungefähr 75 Milliarden US-Dollar dieses RPO-Anstiegs mit vorausbezahlter oder vom Kunden bereitgestellter Hardware in großen KI-Verträgen zusammenhängen. (oracle.com)

Die installierte Basis ist ein großer Wettbewerbsvorteil, aber auch eine Quelle strategischen Risikos: Oracle muss Altsystem-Softwarebeziehungen in Cloud-Verbrauch umwandeln und gleichzeitig ein viel kapitalintensiveres Infrastrukturgeschäft finanzieren.

Snowflake: Stärkste Data-Cloud-Netzwerkeffekte

Snowflakes Ökosystem ist um eine verwaltete Daten-Cloud, Datenfreigabe, Marktplatzverteilung, Partnerintegrationen und eine große Basis von Analysebenutzern herum aufgebaut.

Zum 30. April 2026 meldete Snowflake:

• 13.912 Gesamtkunden
• 813 Forbes Global 2000-Kunden
• 779 Kunden, die mehr als 1 Million US-Dollar Produktumsatz in den letzten 12 Monaten generierten
• 9,21 Milliarden US-Dollar verbleibende Leistungsverpflichtungen
• 126 % Net Revenue Retention (investors.snowflake.com)

Snowflakes Ökosystem ist besonders stark bei Datenteams, Systemintegratoren, Business-Intelligence-Anbietern, modernen Data-Stack-Anbietern und Organisationen, die kontrollierte Daten extern teilen müssen.

Databricks: Größter KI-Plattform-Anspruch

Databricks gab im Juli 2026 bekannt, dass mehr als 20.000 Organisationen, darunter 70 % der Fortune 500, auf seine Data + AI Platform vertrauen. Das Produktportfolio umfasst nun Lakehouse, Unity Catalog, Lakeflow, Genie, Agent Bricks, Lakebase und KI-Governance-Funktionen. (databricks.com)

Databricks profitiert auch von seiner Verbindung zu Open-Source- und Entwicklerökosystemen, einschließlich Spark, MLflow, offenen Datenformaten, Modell-Anbietern und KI-Anwendungs-Frameworks.

Sein Ökosystem-Vorteil ist nicht nur die Anzahl der Kunden; es ist die Breite der technischen Workloads, die auf der Plattform konsolidiert werden können. Das Risiko besteht darin, dass ein Teil dieser Breite noch in Arbeit ist, wobei Kunden Databricks möglicherweise für einen Workload einführen, während sie Snowflake, Hyperscaler-Datenbanken oder spezialisierte Tools anderswo beibehalten.

4. KI-Tools

Oracle KI-Tools

Oracles KI-Strategie ist datenbankzentriert:

• Select AI für natürliche Sprache zu SQL
• Oracle AI Vector Search
• RAG-Workflows
• Datenbank-native Agenten
• KI-Proxy- und Gateway-Funktionen
• Python- und PL/SQL-Integration
• Autonomous AI Database

Der Hauptvorteil ist die Datenlokalität. Unternehmen können KI-Funktionen hinzufügen, ohne sensible Daten aus der Oracle-Sicherheits- und Datenbankumgebung zu verschieben.

Am besten geeignet für: Oracle-intensive Unternehmen, regulierte Daten, Transaktionsanwendungen, datenbank-native KI.

Schwäche: Weniger überzeugend für Teams, die breite, benutzerdefinierte KI-Systeme außerhalb des Oracle-Ökosystems entwickeln.

Snowflake KI-Tools

Snowflakes KI-Portfolio umfasst:

• Snowflake Cortex
• Cortex Agents
• Cortex Analyst
• Cortex Search
• Cortex Fine-Tuning
• Snowflake Intelligence
• Cortex Code
• Snowflake CoWork
• Model Context Protocol Integrationen
• KI-Kosten-Governance und Agenten-Beobachtbarkeit

Snowflake meldete, dass im April 2026 mehr als 9.100 Kunden wöchentlich seine KI-Produkte nutzten. Die KI-Strategie ist darauf ausgelegt, sowohl technische Entwickler als auch Geschäftsanwender zu bedienen. (snowflake.com)

Snowflakes stärkste Differenzierung ist die Kombination aus kontrollierten Daten, semantischen Definitionen, Geschäftsanwenderzugriff und verwalteten KI-Diensten. Das Unternehmen positioniert sich als Kontrollebene für das Agenten-Unternehmen und nicht nur als Data Warehouse. (snowflake.com)

Am besten geeignet für: Kontrollierte Unternehmens-KI, natürliche Sprachanalysen, Agenten für Geschäftsanwender und Organisationen, die eine verwaltete Umgebung wünschen.

Databricks KI-Tools

Databricks hat den breitesten KI-Entwickler-Stack:

• MLflow und Modelllebenszyklus-Management
• Mosaic AI
• Model Serving
• Agent Framework
• Agent Evaluation
• Vector Search
• Genie und Genie Code
• Agent Bricks
• Lakebase
• Unity Catalog
• Unity AI Gateway
• Management externer Modelle
• MCP Governance und Tool-Integration

Unity AI Gateway ist darauf ausgelegt, Modelle, Agenten, MCP-Server, Tools, Zugriffsrichtlinien, Budgets, Ratenbegrenzungen, Nutzung und Kosten über eine gemeinsame Kontrollebene zu steuern. (docs.databricks.com)

Databricks unterstützt auch externe Modelle von Anbietern wie OpenAI, Anthropic und Google, während es Organisationen ermöglicht, diese über dieselbe Governance-Schicht zu verwalten. (docs.databricks.com)

Am besten geeignet für: KI-Engineering, benutzerdefinierte Agenten, Modellauswahl, offene Modelle, Evaluierung und Produktions-KI-Anwendungen.

KI-Tooling-Sieger

Databricks gewinnt bei Breite und Entwicklerkontrolle. Snowflake gewinnt bei verwalteter Unternehmens-KI und Geschäftsanwenderzugänglichkeit. Oracle gewinnt, wenn der KI-Workload nahe an einer Oracle-Datenbank oder -Anwendung bleiben muss.

5. Finanzprofil und aktuelle Bewertung

Oracle

Oracles Ergebnisse des Geschäftsjahres 2026 waren ungewöhnlich stark:

• Umsatz: 67,4 Milliarden US-Dollar, plus 17 %
• Cloud-Umsatz: 34,0 Milliarden US-Dollar, plus 39 %
• Cloud-Infrastrukturumsatz: 18,1 Milliarden US-Dollar, plus 77 %
• GAAP-Betriebsergebnis: 20,6 Milliarden US-Dollar
• Non-GAAP-Betriebsergebnis: 28,9 Milliarden US-Dollar
• Operativer Cashflow: 32,0 Milliarden US-Dollar
• Free Cash Flow: negativ 23,7 Milliarden US-Dollar
• Umsatzprognose für GJ2027: 90 Milliarden US-Dollar
• Non-GAAP EPS-Prognose für GJ2027: 8,05 US-Dollar (oracle.com)

Zum Schlusskurs am 31. Juli betrug Oracles Marktkapitalisierung ungefähr 378 Milliarden US-Dollar, oder grob:

• 5,6-mal den Umsatz des Geschäftsjahres 2026
• 4,2-mal die Umsatzprognose des Managements für GJ2027
• Ungefähr 23-mal den nachlaufenden Gewinn, unter Verwendung des Marktdaten-Bewertungsmaßes

Oracles Bewertung ist vergleichsweise zurückhaltend für ein Unternehmen, das ein sehr starkes Cloud-Wachstum prognostiziert. Das Problem ist, dass ein Großteil dieses Wachstums enorme Kapitalinvestitionen und Finanzierungen erfordert. Oracle nahm im Geschäftsjahr 2026 43 Milliarden US-Dollar Fremdkapital und 5 Milliarden US-Dollar Eigenkapital auf und erklärte, dass es im Geschäftsjahr 2027 voraussichtlich weitere 40 Milliarden US-Dollar durch Fremd- und Eigenkapital aufnehmen werde. (oracle.com)

Oracle Investmentthese: Starkes Wachstum zu einem relativ moderaten Gewinn-Multiple, ausgeglichen durch Kapitalintensität, Verschuldung und Ausführungsrisiko.

Snowflake

Snowflakes erstes Quartal des Geschäftsjahres 2027 zeigte eine bemerkenswerte Beschleunigung:

• Produktumsatz: 1,33 Milliarden US-Dollar, plus 34 %
• Gesamtumsatz: 1,39 Milliarden US-Dollar, plus 33 %
• Net Revenue Retention: 126 %
• Kunden mit mehr als 1 Million US-Dollar Umsatz: 779
• RPO: 9,21 Milliarden US-Dollar
• Non-GAAP Bruttomarge für Produkte: 75 %
• Non-GAAP operative Marge: 12 %
• Bereinigte Free-Cashflow-Marge: 19 %
• Produktumsatzprognose für GJ2027: 5,84 Milliarden US-Dollar, plus ungefähr 31 % (investors.snowflake.com)

Bei einer Marktkapitalisierung von ungefähr 101 Milliarden US-Dollar wird Snowflake mit etwa 17,3-mal dem prognostizierten Produktumsatz für GJ2027 gehandelt. Dies ist kein Gewinn-Multiple: Snowflake bleibt GAAP-verlustbringend, und der Produktumsatz schließt einige Umsatzkategorien mit geringerer Marge aus. (investors.snowflake.com)

Snowflakes Bewertung erfordert ein kontinuierliches Wachstum von über 25 %, eine anhaltende Netto-Retention und eine erfolgreiche Monetarisierung der KI-Produkte. Seine verbesserte operative Marge und der Free Cash Flow bieten Unterstützung, aber die Aktie bleibt anfällig für das Konsumwachstum und Änderungen der Software-Bewertungsmultiplikatoren.

Snowflake Investmentthese: Beschleunigter Daten- und KI-Verbrauch mit verbesserten Margen, aber eine Bewertung, die bereits erheblichen langfristigen Erfolg annimmt.

Databricks

Databricks' strategische Finanzierungsrunde im Juli 2026 bewertete das Unternehmen mit 188 Milliarden US-Dollar. Das Unternehmen erklärte, dass das neue Kapital Unity AI Gateway, Genie, Lakebase, zukünftige Akquisitionen und KI-Forschung finanzieren würde. (databricks.com)

Databricks hatte zuvor eine Umsatzrate von über 5,4 Milliarden US-Dollar gemeldet, die im Jahresvergleich um mehr als 65 % wuchs. (prnewswire.com) Basierend auf dieser vom Unternehmen gemeldeten Umsatzrate entspricht die jüngste private Bewertung etwa dem 35-fachen der Umsatzrate.

Das ist wesentlich aggressiver als Oracle und ungefähr doppelt so hoch wie Snowflakes Eigenkapitalwert-zu-Prognose-Produktumsatz-Multiple. Databricks könnte einen Aufschlag verdienen, weil:

• Das Wachstum schneller ist
• Der Produktumfang breiter ist
• KI-Umsätze einen größeren Teil des Geschäfts ausmachen
• Das Unternehmen eine signifikante Nachfrage auf dem privaten Markt hat
• Es mehrere Infrastrukturkategorien konsolidieren könnte

Allerdings bietet Databricks nicht die gleiche öffentliche Offenlegung wie Oracle oder Snowflake. Anleger können GAAP-Margen, aktienbasierte Vergütungen, freien Cashflow, Kundenkonzentration oder Verwässerung nicht mit vergleichbarer Sicherheit unabhängig bewerten.

Databricks Investmentthese: Arguably die stärkste operative Plattform, aber eine Bewertung, die bereits außergewöhnliche Ausführung diskontiert.

6. Historischer Bewertungskontext

Snowflakes IPO-Prospekt von 2020 setzte einen anfänglichen Börsengangspreis von 120 US-Dollar pro Aktie fest, während zeitgenössische Berichte seine private Bewertung auf etwa 12,4 Milliarden US-Dollar bezifferten. Seine aktuelle Marktkapitalisierung von nahe 101 Milliarden US-Dollar stellt einen erheblichen Anstieg des Absolutwerts dar, obwohl Verwässerung und sich ändernde Umsatzskala direkte Aktienkursvergleiche unvollkommen machen. (sec.gov)

Databricks hat eine noch dramatischere Neubewertung auf dem privaten Markt erlebt. Seine gemeldete Bewertung stieg von etwa 62 Milliarden US-Dollar Ende 2024 auf 100 Milliarden US-Dollar, dann auf 134 Milliarden US-Dollar und schließlich auf 188 Milliarden US-Dollar im Juli 2026. (techcrunch.com)

Die Lehre daraus ist, dass Dateninfrastruktur- und KI-Plattformen Premium-Multiples erzielen können, wenn Investoren glauben, dass sie zu strategischen Kontrollpunkten werden. Es unterstreicht auch das Risiko: Private Marktbewertungen können schneller steigen als geprüfte Gewinne und sich abrupt zurücksetzen, wenn öffentliche Marktinvestoren Transparenz der Margen fordern.

Breite SaaS-Bewertungsdaten im Jahr 2026 zeigten eine große Streuung zwischen gewöhnlichen Softwareunternehmen und Premium-Daten-, Sicherheits- und Infrastrukturplattformen. Der Markt belohnte hohe Retention, nachhaltiges Wachstum und KI-Monetarisierung – aber nicht einheitlich. (softwareequity.com)

7. Aufwärtsszenarien für 12–36 Monate

Dies sind Szenario-Outputs, keine Konsensprognosen.

Wichtige Modellierungsunterschiede:

• Oracle verwendet Gesamtumsatz und EPS
• Snowflake verwendet Produktumsatz
• Databricks verwendet die vom Unternehmen gemeldete Umsatzrate
• Die Bewertung von Databricks ist privat und daher nicht direkt gleichwertig mit einer liquiden öffentlichen Marktkapitalisierung

Oracle-Szenario

Wichtige Annahmen:

• Das Basisszenario geht davon aus, dass Oracle seine Umsatzprognose von 90 Milliarden US-Dollar für GJ2027 leicht übertrifft.
• Das EPS-Wachstum profitiert von der Cloud-Skalierung und dem operativen Leverage.
• Das Bewertungs-Multiple bleibt bei etwa dem 20- bis 22-fachen des Gewinns.
• Das Bären-Szenario geht davon aus, dass die Kapitalintensität das Markt-Multiple komprimiert.
• Das Bullen-Szenario geht davon aus, dass KI-Infrastrukturverträge in Umsatz umgewandelt werden, ohne den Free Cash Flow dauerhaft zu beeinträchtigen.

Oracle bietet die klarste Bewertungsunterstützung, da der aktuelle Preis durch Gewinne und nicht nur durch Umsatzerwartungen verankert ist.

Snowflake-Szenario

Wichtige Annahmen:

• Das Basisszenario geht davon aus, dass der Produktumsatz von der GJ2027-Prognose von 5,84 Milliarden US-Dollar auf etwa 7,5 Milliarden US-Dollar im folgenden Jahr und 10,5 Milliarden US-Dollar innerhalb von drei Jahren wächst.
• Die operativen Margen expandieren allmählich, wenn KI-Produkte monetarisiert werden.
• Snowflake behält ein Premium-Umsatz-Multiple bei, da die Retention und das Wachstum großer Kunden stark bleiben.
• Das Bären-Szenario geht von Konsumoptimierung und Multiple-Kompression aus.
• Das Bullen-Szenario geht davon aus, dass Cortex, Snowflake Intelligence und Agenten-Workloads den Verbrauch erheblich steigern.

Snowflake hat mehr Multiple-Risiko als Oracle, aber eine direktere Exposition gegenüber der säkularen KI-Datenplattform-Chance.

Databricks-Szenario

Wichtige Annahmen:

• Das Basisszenario geht davon aus, dass sich das Wachstum der Umsatzrate von über 65 % auf etwa 35 %–40 % verlangsamt.
• KI-Produkte machen einen größeren Anteil am Umsatz aus.
• Databricks behält ein Premium-Umsatz-Multiple bei, da es zu einer standardmäßigen Unternehmens-KI-Kontrollebene wird.
• Das Bären-Szenario geht davon aus, dass sich das Wachstum nach der jüngsten Neubewertung auf dem privaten Markt stark verlangsamt.
• Das Bullen-Szenario geht davon aus, dass Databricks die Standardplattform für KI-Engineering, Agenten und Unternehmensdatenanwendungen wird.

Diese Zahlen stellen Szenarien für den Wert auf dem privaten Markt dar, keine öffentlichen Kursziele. Ein zukünftiger Börsengang könnte je nach Marktbedingungen, Lock-ups, Verwässerung, Kosten öffentlicher Unternehmen und Anlegerprüfung einen Abschlag oder Aufschlag mit sich bringen.

8. Verhältnis von Risiko/Rendite

Oracle Risiken

• Negativer Free Cash Flow während eines aggressiven Ausbaus der KI-Infrastruktur
• Hoher Fremd- und Eigenkapitalfinanzierungsbedarf
• Abhängigkeit davon, dass die Nachfrage nach KI-Infrastruktur weiterhin auf außergewöhnlich hohem Niveau bleibt
• Potenziell geringere Margen aus Infrastrukturwachstum
• Ausführungsrisiko bei der Umwandlung von RPO in profitablen Umsatz

Snowflake Risiken

• Verbrauchsfluktuation
• Wettbewerb durch Hyperscaler und Databricks
• Hohe Bewertung im Verhältnis zu den aktuellen Gewinnen
• KI-Funktionen können den Kundennutzen erhöhen, ohne den Umsatz proportional zu steigern
• Großkunden können Workloads optimieren oder Preise verhandeln
• Fortgesetzte Abhängigkeit von starker Net-Retention

Databricks Risiken

• Private Bewertung könnte den geprüften Fundamentaldaten voraus sein
• Begrenzte finanzielle Offenlegung
• Potenzial für einen IPO- oder Liquiditätsabschlag
• Starker Wettbewerb durch Snowflake, Microsoft, AWS, Google und Oracle
• Plattformbreite kann zu Komplexität in der Ausführung führen
• Zukünftige Verwässerung und aktienbasierte Vergütung sind schwer einzuschätzen
• KI-Infrastruktur und Modellökonomie könnten schneller als erwartet zu einer Kommodifizierung führen

9. Bewertung-versus-Aufwärtspotenzial-Scores

Die Scores sind subjektiv und kombinieren:

• Aktuelle Bewertung im Verhältnis zum Wachstum
• Qualität der Margen und des Cashflows
• Plattform-Monetarisierung
• Unternehmensakzeptanz
• Ausführungs- und Offenlegungsrisiko
• Aufwärtspotenzial für 12–36 Monate

Oracle — 80/100

Oracle bietet die beste Kombination aus aktueller Bewertung, Ertragskraft, Unternehmensverteilung und KI-bezogenem Wachstum. Seine Schwäche ist nicht die Nachfrage; es ist die Menge an Kapital, die zur Unterstützung dieser Nachfrage erforderlich ist.

Snowflake — 70/100

Snowflake ist die ausgewogenste Pure-Play-Investition in eine KI-Datenplattform. Sein Wachstum, seine Retention, Bruttomarge und der Free Cash Flow sind attraktiv, aber der Markt weist ihm bereits einen erheblichen Aufschlag zu.

Databricks — 57/100

Databricks mag das beste langfristige Geschäft haben, aber die private Bewertung von 188 Milliarden US-Dollar lässt weniger Raum für Enttäuschungen. Es würde nach einem Börsengang nur dann attraktiver werden, wenn die Preisgestaltung am öffentlichen Markt einen vernünftigen Einstiegspunkt bietet und die Finanzberichte starke Margen und Cash-Generierung bestätigen.

Rangierte Schlussfolgerung

1. Oracle: Bestes risikobereinigtes Investment

Oracle gewinnt den Investmentvergleich, da seine aktuelle Bewertung durch die Gewinne gestützt wird, während sein Cloud-Geschäft mit einer Rate wächst, die eher typisch für wachstumsstarke Softwareunternehmen ist. Der Kompromiss ist erheblich: negativer Free Cash Flow, hoher Kapitalbedarf und Finanzierungsrisiko.

Am besten für Anleger, die Folgendes wünschen: KI-Infrastruktur-Engagement mit einem niedrigeren Umsatz-Multiple und bedeutsamer Gewinnunterstützung.

2. Snowflake: Beste öffentliche Pure-Play KI-Datenplattform

Snowflake bleibt der sauberste börsennotierte Weg, direkt in die KI-Daten-Cloud-These zu investieren. Seine Cloud-übergreifende Architektur, Governance, das Datenfreigabe-Ökosystem, starke Retention und das expandierende Cortex-Portfolio verleihen ihm einen beträchtlichen strategischen Wert.

Am besten für Anleger, die Folgendes wünschen: Konzentrierte Exposition gegenüber Unternehmensdaten, Analysen und KI-Verbrauch.

3. Databricks: Beste Plattform, unattraktivster aktueller Einstiegspunkt

Databricks ist der Gewinner der Betriebs-Plattform. Es bietet die breiteste technische Abdeckung in den Bereichen Data Engineering, ML, KI-Agenten, Modellbereitstellung und Unternehmens-KI-Governance. Doch bei einer privaten Bewertung von 188 Milliarden US-Dollar – etwa dem 35-fachen der gemeldeten Umsatzrate – erwartet der Markt bereits eine außergewöhnliche Ausführung.

Am besten für Anleger, die Folgendes wünschen: Maximale langfristige KI-Plattform-Optionalität und die Fähigkeit, Illiquidität, Bewertungsrisiko und begrenzte Offenlegung zu tolerieren.

Endgültige Antwort: Wer gewinnt?

• Sieger bei der Unternehmensplattform: Databricks
• Sieger bei den Managed Analytics: Snowflake
• Sieger bei Oracle-Bestand und Datenbank: Oracle
• Sieger bei Risiko/Rendite auf dem öffentlichen Markt: Oracle
• Höchstes langfristiges Plattform-Aufwärtspotenzial: Databricks
• Bestes Gleichgewicht aus Wachstum, Qualität und Zugänglichkeit: Snowflake

Die vernünftigste Schlussfolgerung ist daher nicht, dass ein Unternehmen die anderen eliminieren wird. Die wahrscheinliche Unternehmensarchitektur ist heterogen: Oracle wird für operative Systeme wichtig bleiben, Snowflake für kontrollierte Analysen und Datenkollaboration und Databricks für Engineering, ML und KI-Anwendungen.

Für Anleger, die zu Preisen von Mitte 2026 kaufen, bietet Oracle jedoch die stärkste Bewertungsunterstützung, Snowflake das beste Pure-Play-Engagement und Databricks die größte Plattformambition zum höchsten Preis.

*Diese Analyse dient ausschließlich Informationszwecken und stellt keine personalisierte Anlageberatung dar.