Ein paar Wochen nach dem Ende des Data + AI Summit in San Francisco legt sich der Staub langsam. 30.000 Menschen waren vor Ort. Über fünf Tage hinweg wurden Dutzende Ankündigungen gemacht. Und jetzt fragen sich die meisten Datenteams, was das alles konkret für ihre Arbeit am Montag bedeutet.
Genau das haben Alexandru Puiu, CTO bei mindit.io, und Zhanna Pchela, Delivery Solution Architect bei Databricks EMEA Central, in einem 30-minütigen Live-Webinar durchgearbeitet. Was folgt, ist eine Zusammenfassung des Gesprächs: welche Ankündigungen sie hervorgehoben haben und was sie Teams empfehlen.
Das vollständige Webinar-Recording ansehen:
Der Rahmen: vier Schichten, nicht sechs Ankündigungen
Bevor Alexandru auf die einzelnen Produkt-Updates einging, bot er eine Perspektive an, die erklärt, warum all diese Ankündigungen gleichzeitig kommen. Sie sind kein Zufall. Sie füllen vier Schichten, die zusammen KI auf Organisationsebene nutzbar machen, nicht nur im Prototypenstadium.
Die erste Schicht ist Live-Daten. Die zweite ist Kontext. Die dritte sind Agenten. Die vierte ist Governance. Jede wichtige Ankündigung des Summits lässt sich einer dieser Schichten zuordnen, und das Argument ist, dass keine davon ohne die anderen funktioniert.
„Kontext ist das fehlende Stück. Er steckt normalerweise in den Köpfen der Menschen. Er ist das, was KI-Antworten zuverlässig oder unzuverlässig macht.“ — Alexandru Puiu, CTO, mindit.io
Mit diesem Rahmen ergeben die einzelnen Ankündigungen mehr Sinn.
Lakehouse RT und LTAP: das Ende des Replikationsfensters
Für alle, die einem Business-User schon einmal erklären mussten, warum die Daten im Dashboard 24 Stunden alt sind, ist Lakehouse RT die Ankündigung, die am meisten zählt.
Das Versprechen: unter 100 Millisekunden Abfragelatenz direkt auf operativen Daten, mit Unity-Catalog-Governance inbegriffen. Keine separate Echtzeit-Schicht. Kein Replikationsjob, der um Mitternacht läuft und jeden dritten Dienstag etwas kaputtmacht.
Die begleitende Ankündigung ist LTAP, das Lakebase-Daten ohne Pipelines in der analytischen Oberfläche verfügbar macht. Alexandrus Zusammenfassung war direkt: keine Pipelines, kein Monitoring, keine Latenz. Alles ist sofort vorhanden.
Die praktische Konsequenz: Lakebase, die Postgres-kompatible Betriebsdatenbank von Databricks, ist jetzt eine ernsthafte Option für Workloads, die Teams derzeit auf Standard-Postgres betreiben. Nicht weil Postgres schlecht ist, sondern weil die Lücke zwischen operativen und analytischen Daten effektiv geschlossen wurde.
Für Teams, die Postgres parallel zu Databricks betreiben, lohnt sich eine Überprüfung. Die Migration bestimmter Workloads in Lakebase eliminiert das 3-Uhr-Monitoring der ETL-Jobs, die Koordination über fünf Plattformen hinweg und das Replikationsfenster, über das Ops-Teams seit Jahren klagen.
Genie One und Genie Ontology: Kontext als Infrastruktur
Genie One ist die einheitliche Oberfläche für alles, was Databricks rund um natürlichsprachlichen Datenzugriff entwickelt hat. Dashboards, Agenten, Gespräche, Apps. Ein Ort, verfügbar auf dem Mobiltelefon.
Zhanna hat es live im Webinar vorgeführt. Der Teil, auf den es ankommt, war nicht die Oberfläche selbst, sondern was die Antworten antreibt: Genie Ontology.
Ontology ist ein selbstverbessernder Wissensgraph, der alle Datenquellen in der Databricks-Umgebung in einer gemeinsamen semantischen Schicht verbindet. Er verwendet einen PageRank-ähnlichen Algorithmus, um zu bestimmen, welche Informationen autoritativ sind, und speist diesen Kontext in die Agentenverarbeitung ein, sobald jemand eine Frage stellt.
Das Ergebnis in der Theorie: Wenn ein Business-User fragt „Wie hat sich die EMEA-Marketingkampagne letzten Monat entwickelt?“, muss Genie nicht raten, was „EMEA“, „Marketingkampagne“ oder „letzten Monat“ im Kontext des jeweiligen Unternehmens bedeuten. Das weiß es bereits, weil die Ontologie die Glossardefinitionen, die Metrik-Views im Unity Catalog, die Tabellen-Lineage und die Domain-Struktur verbunden hat.
Das Glossar-Feature, das im August in die Private Preview geht, ermöglicht es Domain-Stewards, Geschäftsdefinitionen von KPIs und Entitäten zu schreiben. Diese Definitionen werden KI-generiert, im Unity Catalog verwaltet und von Domain-Eigentümern zertifiziert. Zhanna berichtete, dass sich Kunden in großer Zahl für die Private Preview anmelden, was nachvollziehbar ist: Semantische Lücken sind oft der eigentliche Grund dafür, dass Genie uneinheitliche Antworten liefert.
Genie Agents: von Spaces zu Domain-Spezialisten
Genie Agents sind die Weiterentwicklung von Genie Spaces. Sie sind domain-spezifisch, können jetzt mit unstrukturierten Dokumenten und strukturierten Daten arbeiten und können direkt aus einem Genie-One-Gespräch heraus erstellt werden, ohne in die Workspace-Einstellungen zu gehen.
Der letzte Punkt ist für die Akzeptanz entscheidend. Business-User, die ein nützliches Ergebnis aus Genie erhalten, können dieses Gespräch jetzt in einen persistenten Agenten umwandeln, ohne dass ein Ingenieur dafür benötigt wird.
Die Empfehlung beider Speaker war eindeutig: klein anfangen. Fünf Tabellen auswählen, die man gut kennt, diese sauber dokumentieren und dann aufbauen. Den Genie Agent sofort mit dem gesamten Datenbestand auszustatten, ist der schnellste Weg zu Ergebnissen, die nicht standhalten.
„Man braucht erst ein Gefühl dafür. Man muss sehen, wie es sich verhält, wo es scheitert, wo man nachbessern muss. Dann wird es zu etwas, das man Business-Usern mit Überzeugung zeigen kann.“ — Zhanna Pchela, Delivery Solution Architect, Databricks EMEA Central
Unity AI Gateway: Governance für Agenten-Flotten
Unity AI Gateway erweitert das Unity-Catalog-Governance-Modell auf KI-Assets. Zugriffsrichtlinien für Modelle, Agenten-Monitoring, Guardrails vor und nach LLM-Aufrufen, MCP-Server-Proxying, Kostenprüfungen. Alles verwaltet an derselben Stelle, an der die Daten-Governance bereits liegt.
Der praktische Grund, warum das wichtig ist: Ohne diese Lösung legt jedes Team, das einen Agenten baut, seine eigenen Regeln fest. Oder gar keine. Unity AI Gateway verhindert, dass Agenten unkontrolliert arbeiten und Tausende von Euro an Token-Kosten verursachen, bevor es jemand merkt.
Zhannas Empfehlung: Unity AI Gateway einrichten, bevor man es braucht, nicht danach. Richtlinien, die von Anfang an gesetzt werden, sind viel einfacher durchzusetzen als solche, die nachträglich auf Agenten angewendet werden, die bereits in Produktion sind.
Die Frage, die alle gestellt haben: Wie verhindert man Datenlecks?
Während der Q&A-Runde fragte jemand nach dem Risiko von Datenlecks beim Einsatz von KI. Das ist die Frage, die jeder IT-Verantwortliche hat, und sie hat keine universelle Antwort. Aber die Struktur der Antwort ist konsistent.
Genie ist kein externes Tool, das von außen auf Daten zugreift. Es läuft innerhalb der Databricks-Umgebung, was bedeutet, dass die Sicherheitsgrenze dieselbe ist, die bereits definiert wurde. Der Unity Catalog steuert, welche Daten für wen sichtbar sind, und das gilt für den KI-Zugriff genauso wie für den menschlichen Zugriff.
Darüber hinaus ermöglicht Unity AI Gateway Guardrails auf Prompt-Ebene und auf Antwort-Ebene. Wenn das LLM bestimmte Antworttypen nicht zurückgeben soll, lässt sich das durchsetzen. Wenn bestimmte Eingaben blockiert werden sollen, bevor sie das Modell erreichen, ist das ebenfalls möglich.
„KI-Governance genauso behandeln wie Daten-Governance. Strikt, von Anfang an. Den Schaden minimieren, bevor er entsteht.“ — Zhanna Pchela
Was als nächstes zu tun ist
Alexandru schloss die Session mit vier konkreten Empfehlungen für Teams, die bereits auf Databricks arbeiten.
1. Lakebase einsetzen. Es ist produktionsreif, enterprise-ready und wird im Unity Catalog verwaltet. Wer Postgres-Workloads parallel zu Databricks betreibt, sollte prüfen, welche davon eine Migration sinnvoll machen. Die Kombination aus Lakebase und LTAP beseitigt eine Kategorie von Betriebsproblemen, mit denen die meisten Datenteams seit Jahren umgehen.
2. Daten KI-ready machen. Das bedeutet: Unity-Catalog-Metadaten bereinigen, Domains und Glossareinträge anlegen und die semantische Struktur schaffen, die Ontology braucht, um zu funktionieren. Die Agenten sind nur so gut wie der Kontext, auf den sie Zugriff haben.
3. Genie nutzen, um Agenten schneller auszuliefern. Die Werkzeuge ermöglichen es jetzt, domain-spezifische Agenten ohne tiefes technisches Wissen zu bauen. Die Governance-Schicht stellt sicher, dass das ohne Kontrollverlust möglich ist. Mit einem engen Scope beginnen, Funktionsfähigkeit nachweisen, dann ausweiten.
4. Governance-Richtlinien auf KI ausweiten. Unity AI Gateway ist der Ort dafür. Agenten-Monitoring, Guardrails, Kostenprüfungen. Die Richtlinien jetzt einrichten, bevor die Agenten-Proliferation beginnt.
Die Richtung, in die Databricks sich bewegt, ist klar. Die Plattform wird zum Ort, an dem operative Daten, analytische Daten, KI-Agenten und Business-User in einer gemeinsamen, verwalteten Umgebung koexistieren. Ob diese Vision sich vollständig in Produktions-Deployments bewahrheitet, wird noch bewiesen. Aber die beim Summit angekündigten Komponenten schließen viele der Lücken, die bisher gute Gründe waren, Dinge getrennt zu halten.
