Sammanfatta detta blogginlägg med:
De flesta företag som deltog i Data + AI-toppmötet 2025 i San Francisco anlände med samma fråga: varför fungerar inte vår AI som den ska?Ali Ghodsi, Databricks VD, gav ett direkt svar från den inledande huvudanförandet – flaskhalsen är inte modellen. Det är datainfrastrukturen under den.
Den inramningen satte tonen för hela evenemanget. Med 81 % av Databricks kunder som redan kör generativ AI och 95 % på klassisk maskininlärning, har implementering slutat vara måttet på framsteg. Tillförlitlighet i produktion har gjort det. Den förändringen i fokus återspeglades i de tillkännagivanden som följde – mindre om att introducera nya funktioner, och mer om att få befintliga att fungera tillförlitligt i stor skala.
- Sjöbas:En ny databas byggd för AI-arbetsbelastningar. Ghodsi uttryckte det enkelt: "När du väl har valt en transaktionsdatabas och lagt dina data i den är det nästan omöjligt att lämna den." Tätt kopplade beräknings- och lagringssystem har upprätthållit detta i årtionden. Lakebase – byggt på Neon – separerar de två: latens under 10 ms, 10 000+ QPS, Postgres-kompatibel, på öppna format inuti Lakehouse. Med 80 % av nya databaser nu skapade avAI-agenter, att separation har blivit ett praktiskt krav.
- Agenttegelstenar och mosaikportal:Toppmötet bekräftade att hype och produktionssäkerhet är olika saker. Agent Bricks är byggt för den klyftan: beskriv uppgiften och hanterar datagenerering, benchmarking, utvärdering av jurymedlemmar och driftsättning. Mosaic AI Gateway (nu GA) lägger till Fallback – automatiskt leverantörsbyte när en modell misslyckas eller kostar för mycket. För team som kör flera AI-applikationer är det kontrolllagret viktigt.
- Hur Virgin Atlantic argumenterade för styrning:Argumentet kring styrning kom från Virgin Atlantic, inte Databricks. Deras session förklarade varför mänsklig tillsyn var tvungen att finnas i Medallion-arkitekturen från dag ett. Unity Catalogs uppgraderingar för 2025 följer: en Metric Catalog för konsekventa KPI-definitioner, attributbaserad åtkomstkontroll och härstamningsspårning som visar var ett tal kommer från. Styrning är inte hindret för AI. Det är det som hindrar AI från att skapa större.
- Utökad åtkomst:AI/BI Genie blev allmänt tillgänglig med 500 % användartillväxt på ett år.Databricks En utökade plattformen till företagsanvändare – rollbaserade dashboards, frågor i naturligt språk, inget SQL-krav. Databricks satsade 100 miljoner dollar på global utbildning och lanserade en gratisnivå.
Alla personer på alla kompetensnivåer bör ha lika tillgång till att arbeta med data och använda AI.
- LakeFlow-designer och Lakebridge:Minska eftersläpningen inom datahantering. Migreringsskulder är den post som de flesta AI-budgetar underskattar. LakeFlow Designer ger analytiker ett visuellt och enkelt sätt att bygga pipelines i produktionsklass – med stöd av Spark, där Enzyme upptäcker schemaändringar och optimerar ETL automatiskt. Porsche Holding rapporterade 85 % snabbare utvecklingstid. För äldre system automatiserar Lakebridge upp till 80 % av migreringsarbetet inom lager – relevant för alla team som fortfarande använder Teradata eller äldre infrastruktur.
Titta bortom de enskilda tillkännagivandena så blir ett större drag synligt. Databricks presenterar sig inte längre som en dataplattform – de vill äga hela kedjan, från den tidpunkt då data anländer till det ögonblick då en agent agerar utifrån den.Microsofts VD Satya NadellaSom observerades vid toppmötet ökar de sammansatta effekterna över AI:s utvecklingsfaser – förberedande utbildning, testberäkning och applikationsmognad. Det är i juni 2026 som den ambitionen vägs mot vad företag faktiskt har byggt.
- Agenturell AI-förskjutning från pilot till produktion:Den ärliga frågan för 2026 är inte om agentbaserad AI fungerar – de flesta organisationer har redan bevisat att det gör det i kontrollerade miljöer. Den svårare frågan är vad som går sönder när man skalar upp det. Svårigheterna förändras till styrning, kostnadskontroll och felhantering när agenter hanterar grundläggande affärsaktiviteter istället för demonstrationer: hur håller man en agent inom förutbestämda parametrar, hur bedömer man om den ger ett genuint värde och hur ingriper man när den inte gör det? 2026 års sessioner är centrerade kring dessa diskussioner.
- Realtidsdatateknik för AI-klar infrastruktur:De flesta företagsdatapipelines utformades för batchbehandling – samla in, transformera, ladda, analysera. Den modellen stöder inte latenskraven för produktions-AI. 2026 års sessioner återspeglar ett bredare skifte mot strömmande och deklarativa pipelines som håller data aktuella medan AI-arbetsbelastningar körs ovanpå dem. Toyotas session om realtidsdataströmning för uppkopplade fordon är ett exempel på var detta redan fungerar i stor skala.
- AI/BI: Från instrumentpanel till beslut:Efter en användartillväxt på 500 % under 2025 går Genie-sessionerna under 2026 vidare från implementering till svårare frågor – hur säkerställer man att utdata i naturligt språk är tillräckligt exakta för verkliga beslut, och hur styr man dem i stor skala? Att bygga analyslager som affärsteam förlitar sig på dagligen – snarare än bara för utforskande frågor – är huvudmålet. Atlassian presenterar just den resan, från driftsättning till produktionsanvändning.
- AI-applikationer och agenter bortom experiment:Ett skifte från grundläggande modeller till hela AI-system från applikationer, agenter och arbetsflöden direkt kopplade till affärsresultat antyds av budskapet kring mötet 2026. Det verkar finnas mindre betoning på "vilken modell som vinner" och mer på att skapa system i företagsskala som är pålitliga, kontrollerade och funktionella.
- Vad AI faktiskt har levererat:Sessionerna för 2026 inkluderar kvantifierade resultat, inte bara uppvisningar av kapacitet. BP minskade molnutgifterna med 43 % och minskade kritiska jobbkörningar från dagar till under 8 timmar. Ensemble Health Partners eliminerade sin pipeline-infrastruktur på Lakebase över 800 TB. Den bredare förväntningen för 2026 är tydlig: AI-investeringar måste synas i intäktstillväxt eller kostnadsminskningar, inte i mätvärden för plattformsimplementering.
Verktygen från 2025 — Lakebase, Agent Bricks, Unity-katalogenUppgraderingar, LakeFlow Designer och Lakebridge – är i produktion. De byggdes för organisationer som redan har gått förbi pilotfasen och använder AI i sin kärnverksamhet.
Toppmötet 2026 kommer att visa hur många organisationer som faktiskt nådde dit —och vad de som gjorde det hade gemensamt. Frågan för 2026 är inte längre om företag har anammat AI. Antagandet har redan skett. Frågan är om AI-system har blivit tillräckligt tillförlitliga för att driva kärnverksamheten – och vilka organisationer som har lärt sig att bygga den grunden. Det verkar vara det verkliga temat som framträder kring årets toppmöte.
Polestar Analytics är en certifierad konsultpartner till Databricks som hjälper företag att bygga produktionsklassade data-, AI- och agentlösningar på Databricks.Från datautveckling och modernisering till AI/BI och produktionsklara agenter hjälper vi organisationer att omvandla Databricks funktioner till skalbara affärsresultat.
Se vad Polestar Analytics bidrar med till Data + AI Summit 2026. Från Lakebase-implementeringar till agentisk AI i produktion – få en förhandstitt på vad vi presenterar i år.
Utforska vårt sortiment för toppmötet 2026