Sammanfatta detta blogginlägg med:
Det mest avslöjande ögonblicket under årets Databricks Data + AI Summit var inte en produktlansering. Det var ett uppriktigt erkännande. I ett tal till ett rum fullt av kunder, VDAli Ghodsisa den del som de flesta leverantörer föredrar att lämna osagd: att driva agenter "kommer att bli extremt dyrt. Vi skrapar bara på ytan."
Det är slående för ett konsumtionsprissatt företag att berätta för sina kunder, och det fångar exakt var företags-AI står sig år 2026. Entusiasmen kring agenter har smittat av sig till verkligheten med fakturan, och för de flesta organisationer är det nu fakturan som driver samtalet.
Den spänningen inramade alla fyra dagarna på Moscone, där ungefär 30 000 personer från 150 länder samlades i över 800 sessioner. Det har i tysthet blivit den plats där satsningar på företagsinfrastruktur förhandsgranskas innan de görs, och i år bevisade gästlistan det: Microsofts Satya Nadella i enpratstund vid brasan, OpenAIs Greg Brockman personligen på scen, och Reliances Mukesh Ambani som beskriver en plan för att demokratisera underrättelsetjänsten för 1,5 miljarder människor.
Här är vad du behöver veta om alla fyra följande ämnen under varje huvudanförande:Kontext, kontroll, kostnad och valDe presenterades som grundläggande idéer av Databricks under hela evenemanget, vilket skapade ett gemensamt tema bland tillkännagivandena av nya produkter. Det underliggande budskapet är tydligt – många AI-produkter för företag fungerar ännu inte korrekt.
Ghodsi gav det erkännandet en skarpare spets i sitt huvudanförande. AI, menade han, "har inget intelligensproblem, det har ett kontextproblem. Om en finanschef inte kan få en modell som förklarar varför marginalerna rörde sig, är problemet inte modellens intelligens. Det är att modellen inte känner till verksamheten. Nästan varje release nedan är ett försök att täppa till det gapet."
1. Genie One
Den största produktnyheten varDatabricks Genie, som gick från att vara en funktion till en komplett familj. Genie One, nu allmänt tillgänglig, marknadsförs som en AI-medarbetare för finans-, försäljnings- och marknadsföringsteam som arbetar med strukturerad och ostrukturerad data och faktiskt producerar saker, dokument, rapporter, schemalagda uppgifter, snarare än att bara svara på frågor.
Varför det är viktigt - Utan licensiering av licensplatser och en liten gratis månadsavgift per användare försvinner barriären som vanligtvis hindrar implementeringen, att köpa licensplatser till personer som kan tänkas använda det. Ett pilotprojekt kan börja med en handfull riktiga användare och bara skala upp där värdet faktiskt visar sig, vilket är hur verktyg integreras snarare än obligatoriska. För de flesta organisationer var begränsningen för analys aldrig talang, det var dataflöde, och Genie One är direkt inriktat på dataflöde.
2. Genie Ontology
Det är mer än bara en chatbot; det är ett oändligt förbättrande kontextlager för att hämta innebörden av ditt företag från dina tabeller, dashboards, dokument och anslutna applikationer. Databricks tillhandahöll data som visade att Genie svarade korrekt.84,5 procentav faktiska medarbetarförfrågningar vid första försöket jämfört med den generella kodningsagenten som endast besvarade 52,4 procent av alla medarbetarförfrågningar korrekt vid första försöket. Skillnaden på 32 poäng mellan resultaten från dessa exempel visar skillnaden mellan något du ser i en demonstration och något som ger en kontrollant förtroendet att lita på det.
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.
Prissättningen var den avgörande twisten. Det finns ingen licens för säten, med upp till 10 dollar i gratis användning per användare varje månad, och du betalar bara för det du konsumerar. För alla som har försökt budgetera en utrullning med 5 000 säten är det en avsiktligt låg ribba för ett riktigt pilotprojekt.
1. LTAP
LTAP, eller Lake Transactional/Analytical Processing, var ytterligare ett steg framåt för databricks. Det förenar transaktions-, analytisk- och strömmande data på en enda kopia av lagringsutrymmet, utan ETL-pipelines och inga repliker, genom att lagra operativ Postgres-data i Delta- och Iceberg-format från det ögonblick de skrivs.
Varför det spelar roll - Effekten är strukturell, inte stegvis. Varje pipeline mellan ett operativt och ett analysmässigt system är både ett kostnadsställe och en felpunkt. Att komprimera det till en enda kopia tar bort rörmokeri, duplicerad lagring och synkroniseringsfördröjning i ett steg. Ingenjörstiden förflyttas från att underhålla pipelines till att bygga produkter, och analyser börjar återspegla verksamheten nu snarare än gårdagens batch. Om det håller under verklig belastning är det den satsning som mest sannolikt kommer att omforma hur stackar designas under de kommande 12 till 18 månaderna. Smarta team kommer att trycktesta konsistensmodellen innan de satsar kvartalet på den, men riktningen är svår att ignorera.
2. Sjöbas
Under ligger Lakebase, den serverlösa Postgres-motorn som nu kör 12 miljoner databasstarter per dag. Den fick git-liknande förgreningar, katastrofåterställning över flera regioner och, mest användbart, native hybrid vector plus fulltextsökning. Om den sökningen fungerar tar den i tysthet bort den separata vektordatabasen som de flesta agentarkitekturer bygger på idag. Ett system mindre att köra, en sak mindre att styra.
3. Sjöhus//RT
Den tredje delen är Lakehouse//RT, ett realtidslager som levererar latens på under 100 ms direkt på styrda Delta- och Iceberg-tabeller. Det körs på en specialbyggd ny motor som heter Reyden, designad från grunden för de snabba, samtidiga frågor som live-dashboards och kundvända appar kräver.
Varför det är viktigt - Detta är svårast för alla team som har satt upp en andra databas bara för att få något att kännas live. Den servernivån har sin egen kostnad, sin egen synkronisering och sin egen tendens att glida bort från sanningens källa. Att köra frågor under 100 ms direkt på styrda tabeller tar bort det helt. Vinsten är färre system att köra, en plats mindre för siffror att avvika från varandra och en styrning som överförs automatiskt.
1. Agenttegelstenar
Agenttegelstenar förAgentisk AI har mognat till en komplett utvecklarplattform, och användningssiffrorna förklarar varför Databricks fortsätter att prata om kostnader. Plattformen har nu 100 000+ agenter inbyggda, som bearbetar över en kvadriljon tokens per år. En kvadriljon. Det är den skalan som förvandlar Ghodsis "extremt dyra" varning från ett kort sammandrag till en radartikel.
2. Allsnämnd
Databricks utnyttjade också tillfället för att satsa mot inlåsning. Omnigent, en ny meta-harness med öppen källkod, låter team kombinera och växla mellan agentramverk, en "harness of harnesses" som innebär att du inte är fast i en leverantörs tillvägagångssätt medan verktygen fortsätter att förändras. Det är ett tyst och självsäkert drag: äg plattformen, och du har råd att vara öppen om ramverken som körs ovanpå.
Varför det är viktigt – Omnigent förtjänar sin plats eftersom agentverktygen under alla fortfarande rör sig snabbt. Att binda sig till ett ramverk idag riskerar en dyr ombyggnad i det ögonblick en bättre metod dyker upp. En öppen meta-harness som låter dig kombinera och byta ramverk gör det åtagandet reversibelt: anamma det som fungerar nu utan att stranda arbetet senare. Ombyggnader är bland de dyraste och minst synliga kostnaderna inom företagsprogramvara, så flexibilitet har en verklig ekonomisk utdelning, och det signalerar att Databricks anser att plattformen, inte harnessen, är där värdet finns.
3. Unity AI-gateway
Detta kan vara veckans viktigaste lansering i tysthet. Den ger insyn i utgifter för olika leverantörer, tydliga utgiftstak, smart routing för att balansera kvalitet mot kostnad, samt PII och prompt-injection-skydd, allt styrt genomUnity-katalogenoch utvidgades till modeller, agenter och MCP-tjänster. Budskapet från varje styrningssession var rakt på sak och värt att upprepa: sätt upp detta innan du skalar agenter, inte efteråt. Det låter självklart. De flesta team gör det fortfarande inte, och att eftermontera styrning på agenter som redan är i produktion är det dyra sättet att lära sig läxan.
4. Unity-katalogen
Underlag för allt detta är Unity Catalog, som expanderade från en styrningskatalog till det semantiska lager som varje agent grundar. Det viktigaste tillägget är Unity Catalog Metrics: definiera en KPI som intäkter eller churn en gång, och varje dashboard, API och agent svarar på det på samma sätt, istället för att tre team rapporterar tre olika siffror. Med en ny affärsordlista och domäner för gemensam mening är det det som gör att en agents svar faktiskt kan litas på, vilket är hela poängen.
Databricks breddade också sin plattform. Dess gratisversion, som nu har över 500 000 användare, lade till Genie Code, serverlösa GPU:er, Lakebase och Agent Bricks utan kostnad.
The summit was really an argument about where enterprise AI goes next, and most of it applies well past the Databricks ecosystem.
Det första skiftet är att kontexten, inte modellens kvalitet, nu är begränsningen. I två år jagade branschen mer kapabla modeller. Resultaten från Genie Ontology, där ett jordat system svarade korrekt mycket oftare än en stark universalagent, pekar på en annan flaskhals: en modell som inte förstår din verksamhet kommer att misslyckas oavsett hur smart den är. Det omformulerar arbetet. Fördelen flyttas till den som modellerar sin betydelse, sina mätvärden, definitioner och relationer, mest rigoröst, och bort från den som helt enkelt köper den största modellen.
Det andra skiftet är att kostnaden har blivit ett arkitekturbeslut, inte ett upphandlingsbeslut. En kvadriljon tokens per år är det antal som förvandlar agentutgifter från en fotnot till en designinput. När det är dyrt att driva en agent väl, slutar val som vilken modell som hanterar vilken uppgift, var utgiftstaken sitter och hur mycket redundant infrastruktur man underhåller att vara eftertankar och börjar forma systemet från dag ett. Det är därför styrning och kostnadskontroll, de minst glamorösa delarna av stacken, behandlades som huvudfunktioner.
Det tredje skiftet är konsolidering. LTAP som kollapsar pipelinen mellan operativa och analytiska data, Lakehouse//RT som tar bort den separata realtidslagret och Lakebase som söker efter vektorer i databasen pekar alla åt samma håll: färre rörliga delar. I åratal var standardsvaret på ett nytt krav att lägga till ytterligare ett specialiserat system. Toppmötets satsning är att själva utbredningen har blivit problemet, och att de system som vinner kommer att vara de som minskar antalet saker ett team måste driva och styra.
Inget av detta är unikt för Databricks. Varje större data- och AI-plattform konvergerar kring samma tre idéer, vilket är det som gör dem värda att hålla koll på oavsett vilken leverantör man har standardiserat sig på. Lärdomen från DAIS 2026 är att nästa fas av företags-AI kommer att byggas på grundvalar, styrt sammanhang, kontrollerad kostnad och konsoliderad infrastruktur, snarare än enbart på modellkraft.