Databricks’ Ali Ghodsi Never Wanted to Be CEO. Now He’s Among the Best
Sequoia Training Data · 2026-09-18
Databricks CEO Ali Ghodsi靠“每次死磕一个最大瓶颈”，让公司营收从150万美元做到超70亿美元，并逆袭Snowflake。
最好的 CEO，不是讨人喜欢而是敢押注
Ali Ghodsi 是 Databricks 七名联合创始人之一、现任 CEO。2015 年，Apache Spark 已是成功的开源项目，但 Databricks 按美国通用会计准则确认的收入只有约 150 万美元。那一年，他原本准备回伯克利走学术道路，却接下 CEO 职位，开始重建管理团队、销售体系和公司的增长逻辑。Ben Horowitz 曾直接称他是最好的 CEO 之一。Ali 的方法不温和：找出唯一瓶颈，把资源压上去，然后用清晰的拒绝和组织机制，防止公司被日常噪音扯散。
这期回答了 8 个问题：
- 为什么“回避冲突”会是 CEO 最危险的性格缺陷？
- 当公司问题多到扑面而来，CEO 如何找到唯一值得押注的瓶颈？
- 技术创始人为什么常常招错第一批企业销售？
- 面对比自己收入高一倍的竞争对手，怎样避免沦为模仿者？
- 为什么一次仓促的高管误聘，可能让公司白白损失两年半？
- 高管会明明可以写 Google Doc，为什么还必须高频见面？
- AI 能替代信息传递后，管理层级真的可以被压缩吗？
- Databricks 为什么在流动性充足时仍不急着上市？
被问到一位原本温和的计算机科学教授，为什么会成为“极具攻击性”的 CEO 时，Ali 把一部分原因归到自己在瑞典作为移民成长的经历：不断换环境，也不断积累“必须证明自己”的劲头。但他真正强调的不是性格底色，而是 CEO 职位的工作要求。每天都会有人带着请求靠近你：走廊里聊两句，电梯里碰个面，再顺势塞进一个审批、一项资源或一个例外。
Ali 的做法很硬：不因为当下气氛友好就答应；不让临时聊天替代正式流程；对不该做的事直接说“不”。他的判断是："probably the number one trait that is terrible for a CEO is if they're conflict averse."（对 CEO 来说，最糟糕的特质可能就是回避冲突。）
这意味着，CEO 的拒绝不是情绪管理问题，而是资源配置问题。部门天然会把自己的需求包装成“公司现在最重要的事”。如果 CEO 不划边界，组织就会被一个个局部合理的请求拖向四面八方。到最后，每个人都拿到一点资源，但没有人真正解决公司最致命的问题。
边界在于，Ali 并不认为冲突本身值得追求。冲突让人不舒服，也会招来反驳和不满。但他把它类比成锻炼：多数人都不喜欢，却不能拿“不喜欢”当理由逃掉。想做 CEO，就得训练自己把模糊处说清楚。
被问到一个毫无 CEO 经验的创始人，如何扭转 Databricks 早期商业困境时，Ali 回到 2015 年的现实：Apache Spark 的开源影响力很大，技术也被市场认可，但 Databricks 当年的 GAAP 收入只有约 150 万美元。换句话说，产品引擎在转，商业引擎没点着火。
他没有试图同时补齐所有短板。工程、产品、招聘、客户、法务、董事会，每天都有“紧急问题”扑来；但他判断技术不是最大问题，真正的单点约束是商业化。于是，他把全公司注意力集中到一个目标：让商业引擎运转起来。正如他说的："typically companies are failing because one major problem."（通常一家公司失败，是因为一个主要问题。）
这意味着，战略不是把待办事项清单做得更快，而是识别限制整个系统产出的那个瓶颈。工厂里最慢的一道工序决定总产量；公司也是如此。若销售能力才是瓶颈，再多招工程师、再做几项新功能，都未必改变增长上限。
而且，这不是按周切换的主题。Ali 认为战略级瓶颈通常要处理一年、两年，甚至三年。Databricks 后来创建 lakehouse 品类，花的就是多年。反面也很明确：专注不是天然正确。若公司把两三年压在错误瓶颈上，损失同样会被放大。因此，押注之前最重要的不是“投入够不够猛”，而是先承认到底哪里没在运转。
被问到首次坐上 CEO 席位后，其他新任 CEO 能学什么时，Ali 没有假装自己一开始就懂经营。刚接任时，他每周工作 100 小时，主动去认识能找到的优秀经营者，也大量读书、吸收外部经验。那不是轻松的“管理学习”，而是在公司收入仅约 150 万美元、前途并不明朗时，边做边补课。
但 Ali 给自己定了一条规则：所有学来的做法都要经过第一性原理检验。第一性原理，简单说，就是不因为“名人这样做过”便照抄，而是追问：这件事解决的到底是什么问题？它依赖哪些条件？放进我这家公司会不会失效？他把自己的学习方式比作 Bruce Lee 融合多门武术、最终形成截拳道。"I was building my own CEO playbook based on all the ingredients I was learning from the different places."（我是在用从不同地方学来的所有素材，构建自己的 CEO 操作手册。）
这意味着，新手 CEO 的差距不在于是否读过同一本管理书，而在于能否把杂乱经验组装成一套自洽的决策原则。比如，企业销售该不该重金投入，取决于产品、客户采购路径和公司阶段，而不是某条“PLG 公司应该怎样”的通用建议。
边界也在这里：第一性原理不是拒绝学习，更不是自以为比所有前人聪明。Ali 的前提恰恰是高强度输入。不同的是，他把别人的经验当材料，不当说明书。
被问到 Databricks 从产品驱动增长转向企业销售时，如何识别销售人才，Ali 先讲了一个失败实验。PLG，即产品驱动增长，原本意味着客户可以自助试用、刷卡购买，尽量少依赖销售。Databricks 甚至做过一个叫“zero touch”的实验：完全不和客户交谈，让整个漏斗自动化。实验开始后，收入连续两个季度持平。
当时公司筛选 AE，也就是负责大客户账户的销售，仍带着工程师视角：看候选人够不够技术、够不够聪明。但 Ali 去观察其他成功公司后发现，顶级销售并不是拥有博士学位的技术型人才。销售负责人 Ron Gresco 招来的 AE Dave，为拿到客户会议，给客户老板和多位相关人士发邮件，逼得客户高管说“以后不要再见到他”。另一位 AE Keith 被客户当面质疑后，没有硬推产品，而是转问对方团队在做什么，最后让对方拥抱他，并为先前的态度道歉。
Ali 因此总结："they need to be professionally aggressive."（他们需要具备职业化的进攻性。） 这意味着，企业销售不是把产品知识背熟，而是能读懂客户内部的权力关系、情绪变化和决策链条。一个数亿美元的采购，不会由单一决策者拍板，而是由许多影响者共同推动。
反面是，这种强势销售会让工程文化不适，也确实难管理。Ali 并非要求销售鲁莽冒犯客户，而是要求他们在复杂人际关系里持续推进，不因第一次被拒绝就退场。
被问到 Databricks 如何追赶 Snowflake 时，Ali 承认双方当时并不在同一位置：Databricks 的收入约是 Snowflake 的一半，增长还更慢。要超过一个收入翻倍于自己的对手，靠一季增长或一次发布不够，必然是数年的战役。
他先拆对手，而不是先模仿对手。Ali 判断 Snowflake 有三个弱点：核心数据格式是专有的，客户容易被锁定；AI 能力较弱；总拥有成本较高。Databricks 的策略不是冲进客户那里说“把 Snowflake 全部替掉”，而是共存。先找到适合机器学习的工作负载，把这些工作负载迁到开放格式上，再用 AI 能力和成本优势持续扩大切口。
他的原话很像一条战术公式："study your enemy carefully, understand their weaknesses, and apply your strength to their weaknesses."（仔细研究你的对手，理解他们的弱点，并把你的优势施加到那些弱点上。）
这意味着，竞争不是在对手定义的赛道上造一个“更好的 Snowflake”。那样客户会问：既然对方是品类领导者，为什么我要换？Databricks 选择重写比较标准：开放格式、AI 工作负载和更低成本。围绕这套打法，公司打造 lakehouse 品类，并执行三到四年。这个词刚推出时还被网上嘲笑，但后来连竞争者也开始使用类似表述。
风险同样存在：不研究竞争对手会盲目；研究得太深又可能只会复制。Ali 认为后者尤其常见。
被问到如何重建管理团队、又如何处理高管错配时，Ali 给出的答案近乎反直觉：越急着填坑，越容易挖出更深的坑。他的原则是，在真正需要一位高管之前就启动招聘。这样可以把搜索周期拉长到至少六个月，有时甚至一年，而不是等职位空着、业务着急，才仓促把人塞进座位。
他拆过一笔错误任命的时间账：先用六个月发现候选人不对；又因为不愿立即解雇，再拖六个月；之后重新搜索、犹豫是否妥协、新人到岗爬坡，时间继续流失。"you lost two two and a half years."（你就损失了两年到两年半。）
这意味着，高管招聘不该优化“多久能招到人”，而该优化“错误任命概率”。因为一位普通员工招错，影响可能局限在一个岗位；高管招错，会通过团队士气、关键决策、下属招聘和跨部门协作不断放大。一个人没选好，可能让一条业务线原地踏步两年。
Ali 复盘自己最明显的两次失误时发现，预警信号在面试里都出现过。他只是替候选人找借口。现在他会做大量 back-door 访谈，也就是绕开候选人提供的推荐人，直接联系其过去的上级，拼出更完整的 360 度判断。
边界是，极端挑剔必然带来误杀。Ali 承认自己拒绝过后来表现很好的人。但在他的计算里，错过一个潜在明星，通常比误聘一位关键高管便宜。
被质疑周一早会是否只是表演、能否改用 Google Doc 时，Ali 的回答很直接。Databricks 的高管团队周一会开一小时到一小时半，围绕公司最高优先级和关键绩效指标。公司每年只设一到三个目标，当年实际只有两个。周三、周五早晨还各有一次 30 分钟碰面，有时讨论最紧迫事项，有时只是聊新闻或轻松聊天。每季度还有两到三天的 QBR，即季度业务复盘，用来检查地区、部门和产品是否偏航，并形成行动计划。
他的反问是："Why should I like you or trust you if I never get to meet you?"（如果我从未见过你，我为什么要喜欢你或信任你？）
这意味着，文档能传递事实，但无法自动生成跨部门合作所需的信任。销售负责人天然会优先考虑季度成交，法务负责人会优先控制风险，营销负责人会优先争取预算。每个人都可以在 Google Doc 里写得很有道理，但如果彼此没有关系基础，冲突出现时，部门会先守住自己的墙。
高频见面真正降低的是部门博弈成本。高管彼此熟悉，才更可能把“公司优先级”放在“自己团队优先级”之前。边界也很明确：会议不聚焦目标和行动，就会变成仪式。Ali 因此把周中会议压到 30 分钟，并用 QBR 检验到底是哪里偏了、谁要改什么。
被问到 AI 原生公司是否应减少管理层、让经理扩大管理跨度时，Ali 先承认 AI 正在改变信息流。Databricks 做了名为 Genie 的产品，并在内部构建“ontology”，即把会议、邮件、决策和组织关系等企业上下文整理给 AI 使用。Ali 说，Genie 几乎能回答他在任何会议中冒出的公司问题。
但他也反复问听众：谁已经拥有数百个彼此协作、主动提出建议的 AI 同事？没有人举手。现实中，许多公司仍把 AI 用成聊天机器人或写代码工具。与此同时，市场上出现另一种推论：既然 AI 能处理信息，每个经理就该管理 25 人，同时做 player-coach，自己也写代码并发布到生产环境。
Ali 对此泼了冷水："I'm not fully bought in to how you resolve that."（我还没有完全相信这个问题已经有了解法。） 管理者处理的并不只有信息：员工不开心、职业方向不清、目标模糊、团队关系紧张，都需要持续的人际互动。一位既要写代码、又要带 25 个直接下属的经理，很难让每个人都感到被支持和对齐。
这意味着，AI 可以减少“信息必须层层上报”的必要性，却不能自动减少人的管理需求。组织图可能变平，但不能只凭技术叙事就宣布管理跨度应翻倍。否则，省下的是层级，积累的却可能是失联、困惑和离职。
被问到 Databricks 为什么不立刻上市、尽管私募市场已有充足流动性时，Ali 给出的数据先排除了“没人愿意买”的解释。公司最近一轮融资实际募得 50 亿美元，但投资兴趣接近 200 亿美元。Databricks 还为员工和前员工组织私募流动性交易，覆盖约 1.5 万人、接近 100 个国家。按他的说法，这相当于在私有市场模拟 NASDAQ。
更重要的是，公司目前自由现金流盈亏平衡，不像 Anthropic 或 OpenAI 那样有巨额资本需求。于是，上市对它不是“没有钱就必须去”的融资动作，而是一个经营自由度的选择。Ali 说："I just don't want to go during this time where we're going through this big crazy transition."（我只是不想在我们正经历这场巨大而疯狂的转型时上市。）
这意味着，上市时机不仅关乎估值。AI 正在让公开市场不断切换叙事：今天担心 SaaS 软件会被 AI 摧毁，明天又因为一份财报重新追捧软件；资金又可能转向半导体，再迅速撤走。公司若正处于产品和行业同时重构的阶段，私有状态能留出更长验证周期，不必每个季度都为市场情绪辩护。
边界是，Ali 并不否定上市。他也承认私有和公开市场谁给出更高估值，会随时间变化。他反对的只是把上市当成混乱时期的第一优先级。
Ali Ghodsi 的方法，核心不是“强势”，而是极端清晰。第 2 条“增长卡住时，不要全面加速，要把公司压到一个瓶颈上”，解决的是公司该把资源投向哪里；第 1 条“CEO 最危险的性格不是不聪明，而是回避冲突”，解决的是当无数人都来争资源时，谁来守住那个选择。
第 5 条关于高管招聘、第 7 条关于高管会议，看上去讨论的是人事和日程，实质也指向同一件事：战略不是写在年度计划里的句子，而是每天通过谁被任用、谁和谁见面、什么事被拒绝来兑现。lakehouse 被嘲笑时，Databricks 没有因为短期转化率更高就回去只卖 Spark；销售不愿卖新东西时，公司把激励写进薪酬计划。清晰，意味着愿意承担这种短期不舒服。
AI 会让信息更快流动，但第 8 条提醒我们，信息更快不等于人更容易协作。对正在带团队、做转型或争取资源的读者来说，真正该问的也许不是“我有没有更多工具”，而是：眼下最限制结果的那个瓶颈究竟是什么？当它和身边人的局部利益冲突时，你有没有把边界、选择和代价讲清楚。
