Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Der aufschlussreichste Moment des diesjährigen Databricks Data + AI Summit war keine Produkteinführung, sondern ein offenes Eingeständnis. Der CEO sprach vor einem Saal voller Kunden.Ali GhodsiDazu sagte er den Teil, den die meisten Anbieter lieber unausgesprochen lassen: „Der Betrieb von Agenten wird extrem teuer werden. Wir kratzen erst an der Oberfläche.“
Für ein Unternehmen, das nach Verbrauchspreisen arbeitet, ist das eine bemerkenswerte Aussage gegenüber seinen Kunden, und sie verdeutlicht genau, wo die KI in Unternehmen im Jahr 2026 steht. Die Begeisterung für Agenten ist auf die Realität der Rechnung gestoßen, und für die meisten Organisationen ist die Rechnung mittlerweile der bestimmende Faktor im Gespräch.
Diese Spannung prägte alle vier Tage im Moscone Center, wo sich rund 30.000 Menschen aus 150 Ländern in über 800 Sessions drängten. Es hat sich still und leise zu dem Ort entwickelt, an dem Investitionen in die Unternehmensinfrastruktur vor ihrer endgültigen Umsetzung präsentiert werden, und die diesjährige Gästeliste bestätigte dies: Microsofts Satya Nadella in einemKamingesprächGreg Brockman von OpenAI persönlich auf der Bühne und Mukesh Ambani von Reliance, der einen Plan zur Demokratisierung von Intelligenz für 1,5 Milliarden Menschen beschreibt.
Hier finden Sie alle wichtigen Informationen zu den folgenden vier Themenbereichen, die in den jeweiligen Keynotes behandelt werden:Kontext, Kontrolle, Kosten und WahlSie wurden von Databricks während der gesamten Veranstaltung als grundlegende Ideen präsentiert und bildeten so ein gemeinsames Thema bei den Ankündigungen neuer Produkte. Die Kernaussage ist klar: Viele KI-Produkte für Unternehmen funktionieren noch nicht einwandfrei.
Ghodsi unterstrich diese Aussage in seiner Keynote noch einmal deutlich. KI, so argumentierte er, „hat kein Intelligenzproblem, sondern ein Kontextproblem. Wenn ein Finanzchef nicht erklären kann, warum sich die Margen verändert haben, liegt das Problem nicht an der Intelligenz des Modells, sondern daran, dass es das Geschäft nicht kennt. Fast jede der nachfolgenden Veröffentlichungen ist ein Versuch, diese Lücke zu schließen.“
1. Genie One
Die wichtigste Produktneuigkeit warDatabricks GenieGenie One, das sich von einer einzelnen Funktion zu einer vollwertigen Produktfamilie entwickelt hat, ist jetzt allgemein verfügbar und wird als KI-Assistent für Finanz-, Vertriebs- und Marketingteams positioniert. Es arbeitet mit strukturierten und unstrukturierten Daten und erstellt tatsächlich Ergebnisse wie Dokumente, Berichte und geplante Aufgaben, anstatt nur Fragen zu beantworten.
Warum das wichtig ist – Dank des Verzichts auf Lizenzgebühren und eines kleinen monatlichen Kontingents pro Nutzer entfällt die Hürde, die die Einführung üblicherweise behindert: der Kauf von Lizenzen für potenzielle Nutzer. Ein Pilotprojekt kann mit wenigen Nutzern starten und erst dann skaliert werden, wenn sich tatsächlich ein Mehrwert ergibt. So werden Tools integriert, anstatt vorgeschrieben zu werden. Für die meisten Unternehmen war der limitierende Faktor bei der Datenanalyse nie der Fachkräftemangel, sondern der Durchsatz. Und genau darauf ist Genie One ausgerichtet.
2. Genie-Ontologie
Es ist mehr als nur ein Chatbot; es ist eine sich ständig verbessernde Kontextschicht, die die Bedeutung Ihrer Geschäftsdaten aus Tabellen, Dashboards, Dokumenten und verbundenen Anwendungen extrahiert. Databricks lieferte Daten, die zeigen, dass Genie die Fragen korrekt beantwortet hat.84,5 ProzentDie Ergebnisse zeigen, dass die meisten Mitarbeiteranfragen beim ersten Versuch korrekt beantwortet wurden, im Vergleich zu einem allgemeinen Codierungsagenten, der nur 52,4 Prozent aller Mitarbeiteranfragen beim ersten Versuch richtig beantwortete. Der Unterschied von 32 Prozentpunkten verdeutlicht den Unterschied zwischen einer Demonstration und einer Lösung, die dem Controller das nötige Vertrauen vermittelt.
Why It Matters - By learning meaning continuously from your own tables, documents, and usage rather than from a one-time manual mapping, Genie Ontology moves the reliability question away from the model and onto the context around it. The 84.5 versus 52.4 percent gap is the concrete version of that shift. It is the entire difference between a tool they double-check and a tool they rely on, and that reliance is the precondition for AI ever leaving the pilot stage.
Die Preisgestaltung war die eigentliche Überraschung. Es gibt keine Lizenzgebühren pro Nutzer, stattdessen sind monatlich bis zu 10 US-Dollar Guthaben pro Nutzer inklusive, und man zahlt nur für die tatsächliche Nutzung. Für alle, die schon einmal versucht haben, die Einführung eines Systems mit 5.000 Plätzen zu budgetieren, ist das eine bewusst niedrige Messlatte für ein reales Pilotprojekt.
1. LTAP
LTAP (Lake Transactional/Analytical Processing) war ein weiterer Fortschritt für Databricks. Es vereint Transaktions-, Analyse- und Streaming-Daten auf einer einzigen Speicherkopie – ohne ETL-Pipelines und Replikate – indem es operative Postgres-Daten ab dem Zeitpunkt ihrer Erstellung im Delta- und Iceberg-Format speichert.
Warum das wichtig ist – Die Auswirkungen sind strukturell, nicht inkrementell. Jede Pipeline zwischen einem operativen und einem analytischen System stellt sowohl einen Kostenfaktor als auch eine potenzielle Fehlerquelle dar. Die Reduzierung auf eine einzige Kopie beseitigt die Infrastruktur, die doppelte Speicherung und die Synchronisierungsverzögerung mit einem Schlag. Die Entwicklungszeit verlagert sich von der Wartung der Pipelines hin zur Produktentwicklung, und die Analysen spiegeln die aktuellen Geschäftsanforderungen wider, anstatt nur die Daten von gestern. Bewährt sich das Modell unter realer Last, wird es die Architektur von IT-Systemen in den nächsten 12 bis 18 Monaten maßgeblich prägen. Kluge Teams werden das Konsistenzmodell gründlich testen, bevor sie es für das gesamte Quartal einsetzen, doch die Richtung ist unübersehbar.
2. Lakebase
Im Hintergrund läuft Lakebase, die serverlose Postgres-Engine, die mittlerweile 12 Millionen Datenbankstarts pro Tag verarbeitet. Sie bietet Git-ähnliche Verzweigungen, regionsübergreifende Notfallwiederherstellung und – besonders nützlich – eine native Hybrid-Vektor- und Volltextsuche. Wenn diese Suche funktioniert, entfällt die separate Vektordatenbank, die in den meisten Agentenarchitekturen heute noch üblich ist. Ein System weniger, das betrieben werden muss, eine Aufgabe weniger.
3. Lakehouse//RT
Die dritte Komponente ist Lakehouse//RT, eine Echtzeitschicht, die Latenzzeiten von unter 100 ms direkt auf verwalteten Delta- und Iceberg-Tabellen ermöglicht. Sie basiert auf einer eigens entwickelten Engine namens Reyden, die von Grund auf für die schnellen, parallelen Abfragen konzipiert wurde, die Live-Dashboards und kundenorientierte Anwendungen erfordern.
Warum das wichtig ist – Besonders hart trifft es Teams, die extra eine zweite Datenbank eingerichtet haben, nur um den Eindruck von Live-Daten zu erwecken. Diese zusätzliche Datenbankebene verursacht eigene Kosten, benötigt eigene Synchronisierung und neigt dazu, von der ursprünglichen Datenquelle abzuweichen. Durch die direkte Ausführung von Abfragen unter 100 ms auf den verwalteten Tabellen entfällt dieses Problem vollständig. Der Vorteil: weniger zu betreibende Systeme, weniger potenzielle Fehlerquellen und eine automatische Datenverwaltung.
1. Agent Bricks
Agentenziegel fürAgentische KI Die Plattform hat sich zu einer vollwertigen Entwicklerplattform entwickelt, und die Nutzungszahlen erklären, warum Databricks immer wieder über die Kosten spricht. Mittlerweile basieren über 100.000 Agenten auf der Plattform, die jährlich über eine Billiarde Token verarbeiten. Eine Billiarde! Diese Größenordnung macht Ghodsis Warnung vor den „extrem hohen Kosten“ zu einem konkreten Kostenposten.
2. Allmächtig
Databricks nutzte die Gelegenheit auch, um gegen die Abhängigkeit von einem einzelnen Anbieter zu wetten. Omnigent, ein neues Open-Source-Meta-Harness, ermöglicht es Teams, Agenten-Frameworks zu kombinieren und zwischen ihnen zu wechseln – ein „Harness aus Harnesses“, der verhindert, dass man an den Ansatz eines einzelnen Anbieters gebunden ist, da sich die Tools ständig weiterentwickeln. Es ist ein selbstbewusster Schritt: Wer die Plattform selbst besitzt, kann es sich leisten, offen über die darauf laufenden Frameworks zu sprechen.
Warum das wichtig ist – Omnigent hat sich bewährt, weil sich die zugrundeliegende Agenten-Tooling-Plattform rasant weiterentwickelt. Die Festlegung auf ein bestimmtes Framework birgt das Risiko eines kostspieligen Neuaufbaus, sobald eine bessere Lösung verfügbar ist. Ein offenes Meta-Framework, das die Kombination und den Austausch von Frameworks ermöglicht, macht diese Festlegung reversibel: Nutzen Sie, was aktuell funktioniert, ohne später die Arbeit zu verlieren. Neuaufbauten gehören zu den teuersten und am wenigsten sichtbaren Kostenfaktoren in Unternehmenssoftware. Daher zahlt sich diese Flexibilität finanziell aus und signalisiert, dass Databricks davon überzeugt ist, dass der Wert der Plattform und nicht des Frameworks selbst liegt.
3. Unity AI Gateway
Dies ist möglicherweise die wichtigste, wenn auch unauffälligste Veröffentlichung der Woche. Sie bietet Transparenz über die Ausgaben verschiedener Anbieter, feste Ausgabenobergrenzen, intelligentes Routing zur Optimierung des Kosten-Nutzen-Verhältnisses sowie Schutzmechanismen für personenbezogene Daten und die sofortige Dateneingabe – alles geregelt durch [Name der Plattform/des Programms einfügen].Unity-Katalogund wurde auf Modelle, Agenten und MCP-Dienste ausgeweitet. Die Botschaft jeder Governance-Sitzung war eindeutig und verdient es, wiederholt zu werden: Richten Sie dies ein, bevor Sie Agenten skalieren, nicht danach. Es klingt selbstverständlich. Die meisten Teams tun es dennoch nicht, und die nachträgliche Implementierung der Governance auf bereits produktive Agenten ist der teure Weg, diese Lektion zu lernen.
4. Unity-Katalog
Grundlage all dessen ist der Unity Catalog, der sich von einem Governance-Katalog zur semantischen Ebene entwickelt hat, auf der jeder Agent basiert. Die wichtigste Neuerung sind die Unity Catalog Metrics: Definiert man einen KPI wie Umsatz oder Kundenabwanderung einmal, liefern alle Dashboards, APIs und Agenten dieselbe Antwort – anstatt dass drei Teams drei unterschiedliche Zahlen melden. Dank eines neuen Geschäftsglossars und gemeinsamer Bedeutungsbereiche wird die Vertrauenswürdigkeit der Agentenantworten gewährleistet – und genau darum geht es.
Databricks hat auch den Einstieg erleichtert. Die kostenlose Edition, die mittlerweile über 500.000 Nutzer zählt, bietet nun kostenlos Genie Code, serverlose GPUs, Lakebase und Agent Bricks.
The summit was really an argument about where enterprise AI goes next, and most of it applies well past the Databricks ecosystem.
Die erste Veränderung besteht darin, dass nicht mehr die Modellqualität, sondern der Kontext den limitierenden Faktor darstellt. Zwei Jahre lang jagte die Branche immer leistungsfähigeren Modellen hinterher. Die Ergebnisse der Genie-Ontologie, bei der ein fundiertes System deutlich häufiger korrekte Antworten lieferte als ein leistungsstarker Allzweckagent, weisen auf einen anderen Engpass hin: Ein Modell, das Ihr Geschäft nicht versteht, wird scheitern, egal wie ausgeklügelt es ist. Das verändert die Herangehensweise. Der Vorteil liegt nun bei demjenigen, der seine Bedeutung, seine Metriken, Definitionen und Beziehungen am präzisesten modelliert, und nicht mehr bei demjenigen, der einfach das leistungsstärkste Modell kauft.
Die zweite Veränderung besteht darin, dass die Kosten nicht mehr nur eine Beschaffungsfrage, sondern eine Architekturfrage sind. Eine Quadrillion Token pro Jahr – diese Summe macht die Ausgaben für Agenten von einer Randnotiz zu einem wichtigen Designfaktor. Wenn der effiziente Betrieb eines Agenten teuer ist, werden Entscheidungen wie die Zuordnung von Modellen zu Aufgaben, die Festlegung von Ausgabenobergrenzen und die Menge an redundanter Infrastruktur nicht länger vernachlässigt, sondern prägen das System von Anfang an. Deshalb wurden Governance und Kostenkontrolle, die unscheinbarsten Aspekte des Systems, als zentrale Funktionen behandelt.
Der dritte Wandel ist die Konsolidierung. LTAP, das die Datenpipeline zwischen operativen und analytischen Daten zusammenführt, Lakehouse//RT, das die separate Echtzeitschicht entfernt, und Lakebase, das die Vektorsuche in die Datenbank integriert, deuten alle in dieselbe Richtung: weniger bewegliche Teile. Jahrelang bestand die Standardantwort auf neue Anforderungen darin, ein weiteres spezialisiertes System hinzuzufügen. Der Gipfel setzt darauf, dass die unübersichtliche Systemlandschaft selbst zum Problem geworden ist und dass sich diejenigen Systeme durchsetzen werden, die die Anzahl der Systeme reduzieren, die ein Team betreiben und verwalten muss.
Nichts davon ist Databricks-spezifisch. Alle großen Daten- und KI-Plattformen konzentrieren sich auf dieselben drei Kernpunkte, weshalb es sich lohnt, sie im Auge zu behalten – unabhängig davon, welchen Anbieter man bevorzugt. Die wichtigste Erkenntnis der DAIS 2026 ist, dass die nächste Phase der KI in Unternehmen auf soliden Grundlagen, kontrolliertem Kontext, überschaubaren Kosten und einer konsolidierten Infrastruktur basieren wird, und nicht allein auf der Rechenleistung von Modellen.