Databricks bourá bariéry: Nová architektura LTAP sjednocuje transakce a analytiku, aby připravila půdu pro AI agenty

Databricks na své klíčové konferenci Data + AI Summit v San Franciscu 16. června 2026 představil LTAP (Lake Transactional/Analytical Processing) – novou architekturu, která bourá jednu z nejstarších bariér v podnikové výpočetní technice: násilné oddělení transakčních databází a analytických systémů . Firma tuto novinku rámuje jako zásadní průlom pro nastupující vlnu AI agentů, kteří potřebují uvažovat a jednat na základě aktuálních provozních dat bez zpoždění a křehkosti tradičních ETL (Extract, Transform, Load) pipeline.

Co LTAP vlastně řeší

Po desetiletí organizace udržují dva oddělené světy pro svá data. OLTP (Online Transactional Processing) systémy zvládají každodenní operace – objednávky, aktualizace skladů, zákaznické záznamy – zatímco OLAP (Online Analytical Processing) systémy zajišťují reporting, dashboardy a trénování modelů. Přesun dat mezi nimi vyžaduje ETL pipeline, které přinášejí latenci, náklady a problémy se správou dat (tzv. governance).

LTAP si klade za cíl sjednotit tyto úlohy na jedné kopii dat uložené v datovém jezeře (data lake). Podle Databricks tato architektura eliminuje ETL, repliky a přesuny dat již svým návrhem . Transakční data se stávají dostupná pro analytiku okamžitě, bez transformací a údržby pipeline.

Základem LTAP je Lakebase, serverless Postgres služba Databricks postavená na otevřeném objektovém úložišti. Lakebase již obsluhuje tisíce zákazníků a na platformě dochází k 12 milionům spuštění databází denně . V rámci modelu LTAP ukládá Lakebase data přímo do Unity Catalogu v otevřených formátech – Delta Lake a Apache Iceberg – takže spravovaná transakční data jsou okamžitě dostupná pro analytické dotazy .

Společnost popisuje několik klíčových vlastností architektury: jednotnou správu s jedním zdrojem pravdy, nezávislé škálování pro transakční a analytické úlohy, plnou ACID sémantiku pro Postgres úlohy a absenci skrytých pipeline či konektorů, které by bylo třeba udržovat .

Nové schopnosti Lakebase

Spolu s oznámením LTAP představil Databricks i několik vylepšení samotného Lakebase:

• Cross-cloud, cross-region disaster recovery pro produkční Postgres databáze.
• Větvení a snapshoty ve stylu Gitu, umožňující bezpečné experimentování přímo na produkčních datech.
• Autonomní databázové operace, které monitorují zpomalení, detekují anomálie a spouštějí automatickou obnovu .

Tyto funkce signalizují záměr Databricks učinit ze serverless Postgres plnohodnotnou provozní databázi pro aplikace a AI agenty, nikoli jen pohodlnou vrstvu pro analytiku.

Lakehouse//RT: real-time analytika na spravovaných datech

Druhým zásadním infrastrukturním oznámením byl Lakehouse//RT, real-time lakehouse poháněný novým výpočetním enginem zvaným Reyden (zkratka pro „Reynold's Dream Engine“, pojmenovaný po spoluzakladateli Reynoldu Xinovi) . Databricks uvádí, že Reyden poskytuje milisekundovou latenci dotazů pro desítky tisíc současně pracujících uživatelů a agentů, a to přímo na spravovaných Delta Lake a Apache Iceberg tabulkách .

Dopad je značný: podniky již nepotřebují budovat oddělenou servírovací infrastrukturu – jako jsou caching vrstvy, materializované pohledy nebo externí dotazovací enginy – aby dosáhly výkonu v reálném čase. Jako launch partner se připojila společnost Sigma Computing, která se přímo napojuje na Lakehouse//RT pro vloženou analytiku .

Spoluzakladatel Databricks Reynold Xin popsal toto uvedení jako „pravděpodobně největší jednotlivé představení od uvedení Lakehouse“ .

Nástup agentů: Genie One, Agent Bricks a širší AI nástroje

Databricks využil summit k tomu, aby svou platformu postavil do role základu pro podnikové AI agenty. Oznámení zahrnovala:

• Genie One: AI agentní „spolupracovník“ navržený tak, aby pomáhal obchodním týmům automatizovat práci na základě reálných firemních dat, s vylepšeními pro agentní kontext .
• Genie Agents a Agent Bricks: Nástroje pro tvorbu a nasazení AI agentů, kteří mohou pozorovat, uvažovat a jednat napříč podnikovými daty. Agent Bricks jsou předpřipravené komponenty, které automaticky optimalizují agenty za použití spravovaných dat .
• Unity AI Gateway: Multi-AI governance a kontrola nákladů pro organizace spravující více poskytovatelů AI modelů .

Širší narativ, jak ho zachytili průmysloví analytici, je ten, že LTAP a Lakehouse//RT představují datové vrstvy pod agentní podnikovou architekturou. Databricks věří, že umístěním provozních dat v otevřených formátech na spravovaném úložišti získají AI agenti schopnost přistupovat k produkčním databázím, uvažovat nad nimi a jednat bez nutnosti data přesouvat či kopírovat .

Integrace s Azure a Microsoftem

Databricks prohloubil svou integraci s ekosystémem Azure několika společně oznámenými schopnostmi:

• Copilot Studio a GitHub Copilot: Uživatelé mohou vytvářet agenty Copilot Studio, kteří uvažují nad celým pracovním prostředím Azure Databricks prostřednictvím jediného MCP (Model-Centric-Protocol) připojení .
• Genie pro Microsoft Teams a M365 Copilot (Beta): Uživatelé mohou označit Genie ve vláknu Teams a obdržet kontextově relevantní odpovědi přímo ze svého prostředí Azure Databricks .
• Azure Databricks Excel Add-in (Public Preview) a nativní příjem dat z Excelu (GA) umožňují bezobslužnou analytiku z tabulek .
• Databricks CustomerLake: První lakehouse nativní platforma pro zákaznická data (CDP), představená pro Azure Databricks .

Tyto integrace naznačují strategii začlenit schopnosti Databricks v oblasti governance a AI do nástrojů pro spolupráci, kde dochází k obchodním rozhodnutím, místo aby uživatelé museli přecházet do samostatného analytického rozhraní.

Co to znamená pro podnikovou datovou architekturu

Souhrnně vzato, oznámení ze summitu představují koherentní sázku na platformu: že další generace podnikových aplikací bude agentní, real-time a spravovaná. LTAP odstraňuje propast mezi transakcemi a analytikou, Lakehouse//RT odstraňuje kompromis v latenci u analytických dotazů a rodina Genie poskytuje orchestrační vrstvu pro agenty.

Pokud bude úspěšná, mohla by tato architektura snížit počet pohyblivých částí v typickém podnikovém datovém stacku – méně databází, méně pipeline, méně servírovacích vrstev – a zároveň poskytnout AI agentům spravovaný, real-time kontext, který potřebují k autonomnímu jednání na základě obchodních dat.

Databricks není v této konvergenci sám, ale s Lakebase, který již nyní zvládá 12 milionů spuštění databází denně, a summitem s 30 000 účastníky, který posiluje jeho ekosystém, představuje oznámení LTAP významný milník ve vývoji architektury lakehouse od analytické platformy k páteři provozních dat .