LTAP soll diese Workloads auf einer einzigen Datenkopie im Data Lake vereinen. Laut Databricks eliminiert die Architektur ETL, Replikate und Datenbewegungen per Design . Transaktionsdaten stehen sofort für Analysen zur Verfügung – ohne Transformationsschritte oder Pipeline-Wartung.

Das Fundament von LTAP ist Lakebase, Databricks‘ serverloser Postgres-Dienst, der auf offenem Objektspeicher aufbaut. Lakebase bedient bereits Tausende Kunden und verarbeitet täglich 12 Millionen Datenbank-Starts auf der Plattform . Im LTAP-Modell speichert Lakebase Daten direkt im Unity Catalog in offenen Formaten wie Delta Lake und Apache Iceberg. Damit sind die verwalteten transaktionalen Daten unmittelbar für analytische Workloads abfragbar .

Das Unternehmen führt mehrere zentrale Eigenschaften der Architektur ins Feld: eine einheitliche Governance mit einer Single Source of Truth, unabhängige Skalierung für transaktionale und analytische Lasten, vollständige ACID-Semantik für Postgres-Workloads sowie keine versteckten Pipelines oder Konnektoren, die gewartet werden müssen .

Neue Lakebase-Fähigkeiten

Begleitend zur LTAP-Ankündigung wurden auch Erweiterungen für Lakebase bekannt gegeben:

• Cloud- und regionenübergreifendes Disaster Recovery für produktive Postgres-Datenbanken.
• Git-ähnliches Branching und Snapshots, die sicheres Experimentieren direkt auf Produktivdaten ermöglichen.
• Autonomer Datenbankbetrieb, der Leistungsabfälle überwacht, Anomalien erkennt und automatische Wiederherstellungsprozesse auslöst .

Diese Funktionen unterstreichen Databricks‘ Ziel, serverloses Postgres als vollwertige operative Datenbank für Applikationen und KI-Agenten zu etablieren – und nicht nur als bequeme Schicht für Analytik.

Lakehouse//RT: Echtzeit-Analysen auf verwalteten Daten

Die zweite große Infrastruktur-Neuheit ist Lakehouse//RT, ein Echtzeit-Lakehouse, das von einer neuen Compute-Engine namens Reyden angetrieben wird (kurz für „Reynold‘s Dream Engine“, benannt nach Mitgründer Reynold Xin) . Databricks zufolge liefert Reyden Abfrage-Antwortzeiten im Millisekunden-Bereich bei Zehntausenden gleichzeitigen Nutzern und Agenten – direkt auf verwalteten Delta Lake- und Apache Iceberg-Tabellen .

Die Bedeutung ist erheblich: Unternehmen benötigen keine separate Serving-Infrastruktur mehr – etwa Caching-Schichten, materialisierte Views oder externe Abfrage-Engines –, um Echtzeit-Performance zu erreichen. Sigma Computing ist als Launch-Partner an Bord und bindet sich direkt an Lakehouse//RT für Embedded Analytics an .

Databricks-Mitgründer Reynold Xin bezeichnete den Launch als „wahrscheinlich die größte Einführung, die wir seit dem Start des Lakehouse vorgenommen haben“ .

Der agentische Vorstoß: Genie One, Agent Bricks und KI-Tooling

Databricks nutzte den Summit, um seine Plattform als Fundament für enterprise KI-Agenten zu positionieren. Die Ankündigungen umfassten:

• Genie One: Ein KI-agentischer Co-Worker, der Geschäftsteams helfen soll, Arbeit auf Basis echter Geschäftsdaten zu automatisieren, mit Erweiterungen für agentischen Kontext .
• Genie Agents und Agent Bricks: Werkzeuge zum Bauen und Bereitstellen von KI-Agenten, die über Unternehmensdaten hinweg beobachten, schlussfolgern und handeln können. Agent Bricks sind vorgefertigte Komponenten, die Agenten mithilfe verwalteter Daten automatisch optimieren .
• Unity AI Gateway: Multi-KI-Governance und Kostenkontrolle für Unternehmen, die mehrere KI-Modell-Anbieter verwalten .

Die übergreifende Erzählung, die auch von Branchenanalysten aufgegriffen wird, ist die, dass LTAP und Lakehouse//RT die datenbereitstellenden Schichten unter einer agentischen Unternehmensarchitektur darstellen. Indem operative Daten in offenen Formaten auf verwaltetem Speicher liegen, können KI-Agenten auf Produktivdatenbanken zugreifen, diese interpretieren und auf Basis dieser Daten Aktionen ausführen – ganz ohne Daten zu bewegen oder zu kopieren .

Azure- und Microsoft-Integrationen

Databricks hat die Integration in das Azure-Ökosystem mit mehreren gemeinsam angekündigten Funktionen vertieft:

• Copilot Studio und GitHub Copilot: Anwender können Copilot Studio-Agenten erstellen, die über eine einzige MCP-Verbindung (Model-Centric-Protocol) auf den gesamten Azure Databricks Workspace zugreifen .
• Genie für Microsoft Teams und M365 Copilot (Beta): Nutzer können Genie in einem Teams-Chat markieren und kontextbezogene Antworten direkt aus ihrer Azure Databricks-Umgebung erhalten .
• Azure Databricks Excel Add-in (Public Preview) und native Excel-Aufnahme (GA) – für Analysen direkt aus Tabellenkalkulationen heraus .
• Databricks CustomerLake: Die erste Lakehouse-native Kundendatenplattform, vorgestellt für Azure Databricks .

Diese Integrationen deuten auf eine Strategie hin, die Governance- und KI-Fähigkeiten von Databricks genau dort einzubetten, wo Geschäftsentscheidungen fallen – in den Kollaborationstools des Alltags –, anstatt die Nutzer zum Wechsel in ein separates Analyse-Interface zu zwingen.

Was dies für enterprise Datenarchitekturen bedeutet

Insgesamt zeichnen die Summit-Ankündigungen eine kohärente Plattform-Wette: Die nächste Generation von Unternehmensanwendungen wird agentisch, in Echtzeit und streng verwaltet sein. LTAP beseitigt die transaktionale-analytische Kluft, Lakehouse//RT beseitigt Latenz-Kompromisse bei analytischen Abfragen, und die Genie-Familie liefert die Orchestrierungsschicht für die Agenten.

Im Erfolgsfall könnte diese Architektur die Anzahl der beweglichen Teile in einem typischen enterprise Daten-Stack drastisch reduzieren – weniger Datenbanken, weniger Pipelines, weniger Serving-Schichten – und KI-Agenten gleichzeitig den verwalteten Echtzeit-Kontext liefern, den sie brauchen, um autonom auf Geschäftsdaten zu reagieren.

Databricks ist mit dieser Konvergenz nicht allein, aber mit Lakebase bei 12 Millionen täglichen Datenbank-Starts und einem Summit mit über 30.000 Teilnehmern, der das Ökosystem bestärkt, markiert die LTAP-Ankündigung einen bedeutenden Meilenstein in der Evolution der Lakehouse-Architektur – von einer reinen Analyseplattform zum Rückgrat für operative Daten .

LTAP soll diese Workloads auf einer einzigen Datenkopie im Data Lake vereinen. Laut Databricks eliminiert die Architektur ETL, Replikate und Datenbewegungen per Design . Transaktionsdaten stehen sofort für Analysen zur Verfügung – ohne Transformationsschritte oder Pipeline-Wartung.

Das Fundament von LTAP ist Lakebase, Databricks‘ serverloser Postgres-Dienst, der auf offenem Objektspeicher aufbaut. Lakebase bedient bereits Tausende Kunden und verarbeitet täglich 12 Millionen Datenbank-Starts auf der Plattform . Im LTAP-Modell speichert Lakebase Daten direkt im Unity Catalog in offenen Formaten wie Delta Lake und Apache Iceberg. Damit sind die verwalteten transaktionalen Daten unmittelbar für analytische Workloads abfragbar .

Das Unternehmen führt mehrere zentrale Eigenschaften der Architektur ins Feld: eine einheitliche Governance mit einer Single Source of Truth, unabhängige Skalierung für transaktionale und analytische Lasten, vollständige ACID-Semantik für Postgres-Workloads sowie keine versteckten Pipelines oder Konnektoren, die gewartet werden müssen .

Neue Lakebase-Fähigkeiten

Begleitend zur LTAP-Ankündigung wurden auch Erweiterungen für Lakebase bekannt gegeben:

• Cloud- und regionenübergreifendes Disaster Recovery für produktive Postgres-Datenbanken.
• Git-ähnliches Branching und Snapshots, die sicheres Experimentieren direkt auf Produktivdaten ermöglichen.
• Autonomer Datenbankbetrieb, der Leistungsabfälle überwacht, Anomalien erkennt und automatische Wiederherstellungsprozesse auslöst .

Diese Funktionen unterstreichen Databricks‘ Ziel, serverloses Postgres als vollwertige operative Datenbank für Applikationen und KI-Agenten zu etablieren – und nicht nur als bequeme Schicht für Analytik.

Lakehouse//RT: Echtzeit-Analysen auf verwalteten Daten

Die zweite große Infrastruktur-Neuheit ist Lakehouse//RT, ein Echtzeit-Lakehouse, das von einer neuen Compute-Engine namens Reyden angetrieben wird (kurz für „Reynold‘s Dream Engine“, benannt nach Mitgründer Reynold Xin) . Databricks zufolge liefert Reyden Abfrage-Antwortzeiten im Millisekunden-Bereich bei Zehntausenden gleichzeitigen Nutzern und Agenten – direkt auf verwalteten Delta Lake- und Apache Iceberg-Tabellen .

Die Bedeutung ist erheblich: Unternehmen benötigen keine separate Serving-Infrastruktur mehr – etwa Caching-Schichten, materialisierte Views oder externe Abfrage-Engines –, um Echtzeit-Performance zu erreichen. Sigma Computing ist als Launch-Partner an Bord und bindet sich direkt an Lakehouse//RT für Embedded Analytics an .

Databricks-Mitgründer Reynold Xin bezeichnete den Launch als „wahrscheinlich die größte Einführung, die wir seit dem Start des Lakehouse vorgenommen haben“ .

Der agentische Vorstoß: Genie One, Agent Bricks und KI-Tooling

Databricks nutzte den Summit, um seine Plattform als Fundament für enterprise KI-Agenten zu positionieren. Die Ankündigungen umfassten:

• Genie One: Ein KI-agentischer Co-Worker, der Geschäftsteams helfen soll, Arbeit auf Basis echter Geschäftsdaten zu automatisieren, mit Erweiterungen für agentischen Kontext .
• Genie Agents und Agent Bricks: Werkzeuge zum Bauen und Bereitstellen von KI-Agenten, die über Unternehmensdaten hinweg beobachten, schlussfolgern und handeln können. Agent Bricks sind vorgefertigte Komponenten, die Agenten mithilfe verwalteter Daten automatisch optimieren .
• Unity AI Gateway: Multi-KI-Governance und Kostenkontrolle für Unternehmen, die mehrere KI-Modell-Anbieter verwalten .

Die übergreifende Erzählung, die auch von Branchenanalysten aufgegriffen wird, ist die, dass LTAP und Lakehouse//RT die datenbereitstellenden Schichten unter einer agentischen Unternehmensarchitektur darstellen. Indem operative Daten in offenen Formaten auf verwaltetem Speicher liegen, können KI-Agenten auf Produktivdatenbanken zugreifen, diese interpretieren und auf Basis dieser Daten Aktionen ausführen – ganz ohne Daten zu bewegen oder zu kopieren .

Azure- und Microsoft-Integrationen

Databricks hat die Integration in das Azure-Ökosystem mit mehreren gemeinsam angekündigten Funktionen vertieft:

• Copilot Studio und GitHub Copilot: Anwender können Copilot Studio-Agenten erstellen, die über eine einzige MCP-Verbindung (Model-Centric-Protocol) auf den gesamten Azure Databricks Workspace zugreifen .
• Genie für Microsoft Teams und M365 Copilot (Beta): Nutzer können Genie in einem Teams-Chat markieren und kontextbezogene Antworten direkt aus ihrer Azure Databricks-Umgebung erhalten .
• Azure Databricks Excel Add-in (Public Preview) und native Excel-Aufnahme (GA) – für Analysen direkt aus Tabellenkalkulationen heraus .
• Databricks CustomerLake: Die erste Lakehouse-native Kundendatenplattform, vorgestellt für Azure Databricks .

Diese Integrationen deuten auf eine Strategie hin, die Governance- und KI-Fähigkeiten von Databricks genau dort einzubetten, wo Geschäftsentscheidungen fallen – in den Kollaborationstools des Alltags –, anstatt die Nutzer zum Wechsel in ein separates Analyse-Interface zu zwingen.

Was dies für enterprise Datenarchitekturen bedeutet

Insgesamt zeichnen die Summit-Ankündigungen eine kohärente Plattform-Wette: Die nächste Generation von Unternehmensanwendungen wird agentisch, in Echtzeit und streng verwaltet sein. LTAP beseitigt die transaktionale-analytische Kluft, Lakehouse//RT beseitigt Latenz-Kompromisse bei analytischen Abfragen, und die Genie-Familie liefert die Orchestrierungsschicht für die Agenten.

Im Erfolgsfall könnte diese Architektur die Anzahl der beweglichen Teile in einem typischen enterprise Daten-Stack drastisch reduzieren – weniger Datenbanken, weniger Pipelines, weniger Serving-Schichten – und KI-Agenten gleichzeitig den verwalteten Echtzeit-Kontext liefern, den sie brauchen, um autonom auf Geschäftsdaten zu reagieren.

Databricks ist mit dieser Konvergenz nicht allein, aber mit Lakebase bei 12 Millionen täglichen Datenbank-Starts und einem Summit mit über 30.000 Teilnehmern, der das Ökosystem bestärkt, markiert die LTAP-Ankündigung einen bedeutenden Meilenstein in der Evolution der Lakehouse-Architektur – von einer reinen Analyseplattform zum Rückgrat für operative Daten .