Vat dit blogbericht samen met:
De meeste bedrijven die de Data + AI Summit 2025 in San Francisco bijwoonden, kwamen met dezelfde vraag: waarom werkt onze AI niet zoals het zou moeten? Ali Ghodsi, CEO van Databricks , gaf een direct antwoord tijdens de openingspresentatie: het knelpunt zit niet in het model, maar in de data-infrastructuur die eronder ligt.
Die invalshoek zette de toon voor het hele evenement. Met 81% van de Databricks-klanten die al generatieve AI gebruiken en 95% die klassieke machine learning toepassen, is adoptie niet langer de maatstaf voor vooruitgang. Betrouwbaarheid in productie is dat wel. Deze verschuiving in focus werd weerspiegeld in de aankondigingen die volgden: minder over het introduceren van nieuwe mogelijkheden en meer over het betrouwbaar laten werken van bestaande mogelijkheden op grote schaal.
- Lakebase: een nieuwe database speciaal ontworpen voor AI-workloads. Ghodsi verwoordde het treffend: "Als je eenmaal een transactionele database hebt gekozen en je data erin hebt geplaatst, is het bijna onmogelijk om er vanaf te stappen." Sterk gekoppelde reken- en opslagsystemen hebben dat decennialang afgedwongen. Lakebase – gebouwd op Neon – scheidt de twee: een latentie van minder dan 10 ms, meer dan 10.000 query's per seconde, compatibel met PostgreSQL en gebaseerd op open formaten binnen het Lakehouse. Aangezien 80% van de nieuwe databases nu door AI-agenten wordt aangemaakt, is die scheiding een praktische vereiste geworden.
- Agent Bricks en Mosaic Gateway: De topconferentie bevestigde dat hype en betrouwbaarheid in de praktijk twee verschillende dingen zijn. Agent Bricks is gebouwd om die kloof te overbruggen: beschrijf de taak en het systeem zorgt voor datageneratie, benchmarking, LLM-judge-evaluatie en implementatie. Mosaic AI Gateway (nu algemeen beschikbaar) voegt Fallback toe: automatische omschakeling naar een andere provider wanneer een model uitvalt of te duur wordt. Voor teams die meerdere AI-applicaties gebruiken, is die controlelaag van groot belang.
- Hoe Virgin Atlantic het belang van governance benadrukte: Het argument voor governance kwam van Virgin Atlantic zelf, niet van Databricks. Tijdens hun sessie legden ze uit waarom menselijk toezicht vanaf dag één in de Medallion-architectuur moest worden ingebouwd. De upgrades van Unity Catalog voor 2025 volgen: een Metric Catalog voor consistente KPI-definities, op attributen gebaseerde toegangscontrole en traceerbaarheid die laat zien waar elk getal vandaan komt. Governance is niet het obstakel voor AI. Het is juist wat voorkomt dat AI grotere obstakels creëert.
- Toegang verruimen: AI/BI Genie werd algemeen beschikbaar met een gebruikersgroei van 500% in een jaar. Databricks One breidde het platform uit naar zakelijke gebruikers met dashboards op basis van rollen, zoekopdrachten in natuurlijke taal en zonder dat SQL vereist was. Databricks investeerde 100 miljoen dollar in wereldwijd onderwijs en lanceerde een gratis versie.
Iedereen, ongeacht zijn of haar vaardigheidsniveau, zou gelijke toegang moeten hebben tot het werken met data en het gebruik van AI.
- LakeFlow Designer en Lakebridge: Het data-engineering-achterstand verminderen. Migratie is de kostenpost die in de meeste AI-budgetten wordt onderschat. LakeFlow Designer biedt analisten een visuele, begrijpelijke manier om productieklare pipelines te bouwen – ondersteund door Spark, waarbij Enzyme schemawijzigingen detecteert en ETL automatisch optimaliseert. Porsche Holding rapporteerde een 85% snellere ontwikkeltijd. Voor legacy-systemen automatiseert Lakebridge tot 80% van het datawarehouse-migratiewerk – relevant voor elk team dat nog steeds met Teradata of een oudere infrastructuur werkt.
Als je verder kijkt dan de individuele aankondigingen, zie je een grotere verschuiving. Databricks presenteert zichzelf niet langer als een dataplatform – het wil de volledige keten in handen hebben, vanaf het moment dat de data binnenkomt tot het moment dat een agent ermee aan de slag gaat. Zoals Microsoft CEO Satya Nadella op de topconferentie opmerkte, stapelen de cumulatieve effecten in de verschillende ontwikkelingsfasen van AI – pre-training, testfase, applicatierijpheid – zich op. In juni 2026 wordt die ambitie afgewogen tegen wat bedrijven daadwerkelijk hebben gebouwd.
- Agentische AI van pilot naar productie: De eerlijke vraag voor 2026 is niet of agentische AI werkt – de meeste organisaties hebben in gecontroleerde omgevingen al bewezen dat het werkt. De lastigere vraag is wat er misgaat wanneer je het opschaalt. De problemen verschuiven naar governance, kostenbeheersing en foutafhandeling wanneer agents fundamentele bedrijfsactiviteiten beheren in plaats van demo's: hoe houd je een agent binnen vooraf bepaalde parameters, hoe beoordeel je of deze daadwerkelijk waarde levert en hoe grijp je in als dat niet het geval is? De sessies van 2026 zijn gericht op deze discussies.
- Realtime data-engineering voor AI-ready infrastructuur: De meeste data-pipelines voor bedrijven zijn ontworpen voor batchverwerking — verzamelen, transformeren, laden, analyseren. Dat model voldoet niet aan de latentie-eisen van AI in productieomgevingen. De sessies van 2026 weerspiegelen een bredere verschuiving naar streaming en declaratieve pipelines die data actueel houden terwijl AI-workloads erop draaien. De sessie van Toyota over realtime datastreaming voor connected vehicles is een voorbeeld van waar dit al op grote schaal wordt toegepast.
- AI/BI: Van dashboard naar besluitvorming: Na een gebruikersgroei van 500% in 2025, gaan de Genie-sessies in 2026 verder dan alleen adoptie en richten ze zich op complexere vraagstukken: hoe zorg je ervoor dat de output in natuurlijke taal nauwkeurig genoeg is voor daadwerkelijke besluitvorming, en hoe beheer je deze op grote schaal? Het belangrijkste doel is het bouwen van analyse-lagen waar business teams dagelijks op vertrouwen – in plaats van alleen voor verkennende zoekopdrachten. Atlassian presenteert precies over dit traject, van implementatie tot gebruik in productie.
- AI-toepassingen en -agenten voorbij de experimentele fase: De boodschap rond de bijeenkomst van 2026 suggereert een verschuiving van basismodellen naar complete AI-systemen, van toepassingen en agenten tot workflows die direct gekoppeld zijn aan bedrijfsresultaten. Er lijkt minder nadruk te liggen op "welk model wint" en meer op het creëren van bedrijfsbrede systemen die betrouwbaar, beheersbaar en functioneel zijn.
- Wat AI daadwerkelijk heeft opgeleverd: De sessies van 2026 bevatten meetbare resultaten, niet alleen demonstraties van mogelijkheden. BP verlaagde de clouduitgaven met 43% en verkortte de doorlooptijd van kritieke taken van dagen naar minder dan 8 uur. Ensemble Health Partners elimineerde hun pipeline-infrastructuur op Lakebase, die meer dan 800 TB aan data omvatte. De algemene verwachting voor 2026 is duidelijk: investeringen in AI moeten zich vertalen in omzetgroei of kostenbesparing, niet in cijfers over platformadoptie.
De tools uit 2025 — Lakebase, Agent Bricks, Unity Catalog- upgrades, LakeFlow Designer en Lakebridge — zijn in productie. Ze zijn ontwikkeld voor organisaties die de pilotfase al achter zich hebben gelaten en AI inzetten voor hun kernactiviteiten.
De top van 2026 zal laten zien hoeveel organisaties het daadwerkelijk hebben bereikt – en wat de organisaties die dat wel hebben bereikt gemeen hebben. De vraag voor 2026 is niet langer of bedrijven AI hebben omarmd. Die omarming heeft al plaatsgevonden. De vraag is of AI-systemen betrouwbaar genoeg zijn geworden om de kernactiviteiten te ondersteunen – en welke organisaties hebben geleerd hoe ze die basis moeten leggen. Dat lijkt het belangrijkste thema te zijn dat tijdens de top van dit jaar naar voren komt.
Ontdek wat Polestar Analytics meebrengt naar de Data + AI Summit 2026. Van Lakebase-implementaties tot agentische AI in productie: krijg een voorproefje van wat we dit jaar presenteren.
Ontdek ons programma voor de Summit van 2026.
Kshitij GuptaData-strateeg
Aishwarya Saran