Kiedy Anthropic wprowadził Protokół Kontekstowy Modelu, obiecał uprościć korzystanie z agentów. MCP umożliwia AI zrozumienie, które narzędzia są dostępne: wyszukiwanie w sieci, edytowanie plików i tworzenie e-maili, na przykład. Dziesięć miesięcy później przeanalizowaliśmy 200 narzędzi MCP, aby zrozumieć, które kategorie deweloperzy faktycznie wykorzystują. Z danych wyłoniły się trzy wzorce użycia: Narzędzia infrastruktury deweloperskiej dominują, stanowiąc 54% wszystkich sesji, mimo że stanowią tylko połowę dostępnych serwerów. Dostęp do terminala, generowanie kodu i dostęp do infrastruktury to najpopularniejsze. Podczas kodowania inżynierowie korzystają z możliwości przesyłania do GitHub, uruchamiania kodu w terminalu i uruchamiania baz danych. Te narzędzia usprawniają przepływ pracy i redukują przełączanie kontekstu. Pozyskiwanie informacji zajmuje 28% sesji przy mniejszej liczbie narzędzi, co pokazuje wysoką efektywność. Wyszukiwanie w sieci, bazy wiedzy i pozyskiwanie dokumentów to kluczowi gracze. Te systemy są prawdopodobnie używane częściej w produkcji, w imieniu użytkowników, niż podczas rozwoju. Wszystko inne, w tym rozrywka, zarządzanie osobiste i tworzenie treści, dzieli pozostałe 18%. Rekomendacje filmowe, menedżery zadań i harmonogramy Formuły 1 wypełniają konkretne nisze. Adopcja MCP jest wciąż na wczesnym etapie. Nie wszystkie AI wspierają MCP. Z tych, które to robią, Claude, Claude Code i Cursor zajmują czołowe miejsca (aliteracja w AI). Produkty skoncentrowane na deweloperach i wczesni techniczni użytkownicy stanowią większość użytkowników. Jednak w miarę jak rośnie wykorzystanie narzędzi AI przez konsumentów i wsparcie MCP się rozszerza, powinniśmy spodziewać się znacznie większej różnorodności w użyciu narzędzi.

$4 miliardy w przychodach rocznych. Obie firmy zajmujące się danymi osiągnęły ten poziom po ogłoszeniu przez Databricks, że przekroczyły ten próg. To okazja, aby porównać dwie wiodące firmy zajmujące się danymi na przecięciu przychodów. Obie mają po $4 miliardy przychodu. Każda z nich twierdzi, że ma ponad 650 klientów płacących rocznie ponad 1 milion dolarów. Obie chwalą się silnym wskaźnikiem retencji netto (140% w porównaniu do 125%). Databricks rośnie w tempie 50% w porównaniu do 28% Snowflake'a i na rynku prywatnym handluje się z premią za ten wskaźnik wzrostu. Snowflake przyspieszył, ale stało się to około rok później niż w przypadku Databricks. Porównując wycenę do przychodów rocznych, widać, że Databricks handluje się z 35% premią w porównaniu do Snowflake'a. Databricks jest wyceniany na 100 miliardów dolarów prywatnie, podczas gdy Snowflake handluje się publicznie za 75,9 miliarda dolarów. Na tym rynku każdy 1% wzrostu dodaje 0,3x do mnożnika wyceny. Biorąc pod uwagę przewagę wzrostu Databricks o 22 punkty, 35% premia może w rzeczywistości niedoszacowywać prawdziwą różnicę w ostatecznej wielkości biznesu. Ta premia odzwierciedla rzadkość platform danych o wysokim wzroście na rynkach publicznych. Dziś naprawdę nie ma odpowiednika Databricks. Palantir, z 39% wzrostem, handluje się za 75x przyszłych (nie rocznych). Rubrik, w końcowej fazie przejścia z on-prem na chmurę, handluje się za 15x przyszłych przy 44% wzroście. 35% premia wyceny odzwierciedla zarówno wyższy wzrost Databricks, jak i zakład rynku na AI. Z przychodami z AI już na poziomie 1 miliarda dolarów i napędzającymi równoczesne zapotrzebowanie na obliczenia, Databricks umiejscowił się w centrum najbardziej wartościowego trendu w oprogramowaniu dla przedsiębiorstw. 1. $100 miliardów/$4 miliardy = 25x w porównaniu do $75,9 miliarda/$4,1 miliarda 18,5x