Durante décadas, las organizaciones han mantenido dos mundos separados para sus datos. Los sistemas de Procesamiento de Transacciones en Línea (OLTP) se encargan de las operaciones diarias —pedidos, actualizaciones de inventario, registros de clientes— mientras que los sistemas de Procesamiento Analítico en Línea (OLAP) ejecutan informes, paneles de control y entrenamiento de modelos. Mover datos entre ellos requiere pipelines de extracción, transformación y carga (ETL), lo que introduce latencia, costos y quebraderos de cabeza en la gobernanza.

LTAP aspira a unificar estas cargas de trabajo en una sola copia de los datos almacenados en el lago de datos. Según Databricks, la arquitectura elimina los ETL, las réplicas y el movimiento de datos por diseño. Los datos transaccionales están disponibles para analítica al instante, sin necesidad de transformación ni mantenimiento de pipelines .

La base de LTAP es Lakebase, el servicio serverless de Postgres de Databricks construido sobre almacenamiento de objetos abierto. Lakebase ya da servicio a miles de clientes y gestiona 12 millones de lanzamientos de bases de datos al día en toda la plataforma . Bajo el modelo LTAP, Lakebase almacena los datos directamente en Unity Catalog utilizando formatos abiertos —Delta Lake y Apache Iceberg— para que los datos transaccionales gobernados sean consultables de inmediato para las cargas de trabajo analíticas .

La compañía describe varias propiedades clave para la arquitectura: gobernanza unificada con una única fuente de verdad, escalado independiente para cargas transaccionales y analíticas, semántica ACID completa para Postgres, y ausencia de pipelines o conectores ocultos que mantener .

Nuevas capacidades de Lakebase

Junto al anuncio de LTAP, Databricks reveló varias mejoras para Lakebase:

• Recuperación ante desastres multinube y multirregión para bases de datos Postgres en producción.
• Ramificaciones y snapshots al estilo Git, que permiten una experimentación segura directamente sobre los datos de producción.
• Operaciones de base de datos autónomas que monitorizan ralentizaciones, detectan anomalías y activan la recuperación automática .

Estas funcionalidades indican la intención de Databricks de convertir su Postgres serverless en una base de datos operativa de primer nivel para aplicaciones y agentes de IA, no solo en una capa de conveniencia para analítica.

Lakehouse//RT: analítica en tiempo real sobre datos gobernados

El segundo gran anuncio de infraestructura fue Lakehouse//RT, un lakehouse en tiempo real impulsado por un nuevo motor de cómputo llamado Reyden (abreviatura de “Reynold’s Dream Engine”, nombrado en honor al cofundador Reynold Xin) . Databricks afirma que Reyden ofrece una latencia de consulta de milisegundos para decenas de miles de usuarios y agentes concurrentes, ejecutándose directamente sobre tablas gobernadas de Delta Lake y Apache Iceberg .

La implicación es significativa: las empresas ya no necesitan configurar una infraestructura de servicio separada —como capas de caché, vistas materializadas o motores de consulta externos— para lograr un rendimiento en tiempo real. Sigma Computing se unió como socio de lanzamiento, conectándose directamente a Lakehouse//RT para ofrecer analítica embebida .

El cofundador de Databricks, Reynold Xin, describió el lanzamiento como “probablemente la mayor presentación que hemos hecho desde el lanzamiento del Lakehouse” .

La apuesta por los agentes: Genie One, Agent Bricks y herramientas de IA

Databricks aprovechó la cumbre para posicionar su plataforma como la base para los agentes de IA empresariales. Los anuncios incluyeron:

• Genie One: Un compañero de trabajo basado en agentes de IA diseñado para ayudar a los equipos de negocio a automatizar tareas fundamentadas en datos reales de la empresa, con mejoras para el contexto agéntico .
• Genie Agents y Agent Bricks: Herramientas para construir y desplegar agentes de IA capaces de observar, razonar y actuar a través de los datos empresariales. Los Agent Bricks son componentes preconstruidos que auto-optimizan agentes utilizando datos gobernados .
• Unity AI Gateway: Gobernanza multi-IA y control de costos para organizaciones que gestionan múltiples proveedores de modelos de IA .

La narrativa general, captada por los analistas de la industria, es que LTAP y Lakehouse//RT son las capas de servicio de datos bajo una arquitectura empresarial agéntica. Al colocar los datos operativos en formatos abiertos sobre un almacenamiento gobernado, Databricks cree que los agentes de IA pueden acceder, razonar y actuar sobre las bases de datos de producción sin necesidad de mover o copiar datos .

Integraciones con Azure y Microsoft

Databricks profundizó su integración con el ecosistema de Azure mediante varias capacidades anunciadas conjuntamente:

• Copilot Studio y GitHub Copilot: Los usuarios pueden crear agentes en Copilot Studio que razonen sobre todo un espacio de trabajo de Azure Databricks a través de una única conexión MCP (Protocolo Centrado en Modelos, por sus siglas en inglés) .
• Genie para Microsoft Teams y M365 Copilot (Beta): Los usuarios pueden etiquetar a Genie en un hilo de Teams y recibir respuestas contextuales directamente desde su entorno de Azure Databricks .
• Complemento de Excel para Azure Databricks (Vista Previa Pública) e ingesta nativa de Excel (disponible de forma general) permiten analítica sin intervención directa desde hojas de cálculo .
• Databricks CustomerLake: La primera plataforma de datos de clientes nativa del lakehouse, presentada para Azure Databricks .

Estas integraciones sugieren una estrategia para incrustar las capacidades de gobernanza e IA de Databricks en las herramientas de colaboración donde ocurren las decisiones de negocio, en lugar de obligar a los usuarios a cambiar a una interfaz de análisis separada.

Lo que esto significa para la arquitectura de datos empresarial

En conjunto, los anuncios de la cumbre representan una apuesta de plataforma coherente: la próxima generación de aplicaciones empresariales será agéntica, en tiempo real y gobernada. LTAP elimina la división transaccional-analítica, Lakehouse//RT elimina el compromiso de latencia para las consultas analíticas, y la familia Genie proporciona la capa de orquestación de agentes.

Si tiene éxito, esta arquitectura podría reducir el número de piezas móviles en una pila de datos empresarial típica —menos bases de datos, menos pipelines, menos capas de servicio— al tiempo que proporciona a los agentes de IA el contexto gobernado y en tiempo real que necesitan para actuar de forma autónoma sobre los datos de negocio.

Databricks no está sola en la búsqueda de esta convergencia, pero con Lakebase alcanzando ya los 12 millones de lanzamientos diarios y una cumbre de 30.000 asistentes que refuerza su ecosistema, el anuncio de LTAP marca un hito significativo en la evolución de la arquitectura lakehouse, que pasa de ser una plataforma de análisis a convertirse en la columna vertebral de los datos operativos .

Durante décadas, las organizaciones han mantenido dos mundos separados para sus datos. Los sistemas de Procesamiento de Transacciones en Línea (OLTP) se encargan de las operaciones diarias —pedidos, actualizaciones de inventario, registros de clientes— mientras que los sistemas de Procesamiento Analítico en Línea (OLAP) ejecutan informes, paneles de control y entrenamiento de modelos. Mover datos entre ellos requiere pipelines de extracción, transformación y carga (ETL), lo que introduce latencia, costos y quebraderos de cabeza en la gobernanza.

LTAP aspira a unificar estas cargas de trabajo en una sola copia de los datos almacenados en el lago de datos. Según Databricks, la arquitectura elimina los ETL, las réplicas y el movimiento de datos por diseño. Los datos transaccionales están disponibles para analítica al instante, sin necesidad de transformación ni mantenimiento de pipelines .

La base de LTAP es Lakebase, el servicio serverless de Postgres de Databricks construido sobre almacenamiento de objetos abierto. Lakebase ya da servicio a miles de clientes y gestiona 12 millones de lanzamientos de bases de datos al día en toda la plataforma . Bajo el modelo LTAP, Lakebase almacena los datos directamente en Unity Catalog utilizando formatos abiertos —Delta Lake y Apache Iceberg— para que los datos transaccionales gobernados sean consultables de inmediato para las cargas de trabajo analíticas .

La compañía describe varias propiedades clave para la arquitectura: gobernanza unificada con una única fuente de verdad, escalado independiente para cargas transaccionales y analíticas, semántica ACID completa para Postgres, y ausencia de pipelines o conectores ocultos que mantener .

Nuevas capacidades de Lakebase

Junto al anuncio de LTAP, Databricks reveló varias mejoras para Lakebase:

• Recuperación ante desastres multinube y multirregión para bases de datos Postgres en producción.
• Ramificaciones y snapshots al estilo Git, que permiten una experimentación segura directamente sobre los datos de producción.
• Operaciones de base de datos autónomas que monitorizan ralentizaciones, detectan anomalías y activan la recuperación automática .

Estas funcionalidades indican la intención de Databricks de convertir su Postgres serverless en una base de datos operativa de primer nivel para aplicaciones y agentes de IA, no solo en una capa de conveniencia para analítica.

Lakehouse//RT: analítica en tiempo real sobre datos gobernados

El segundo gran anuncio de infraestructura fue Lakehouse//RT, un lakehouse en tiempo real impulsado por un nuevo motor de cómputo llamado Reyden (abreviatura de “Reynold’s Dream Engine”, nombrado en honor al cofundador Reynold Xin) . Databricks afirma que Reyden ofrece una latencia de consulta de milisegundos para decenas de miles de usuarios y agentes concurrentes, ejecutándose directamente sobre tablas gobernadas de Delta Lake y Apache Iceberg .

La implicación es significativa: las empresas ya no necesitan configurar una infraestructura de servicio separada —como capas de caché, vistas materializadas o motores de consulta externos— para lograr un rendimiento en tiempo real. Sigma Computing se unió como socio de lanzamiento, conectándose directamente a Lakehouse//RT para ofrecer analítica embebida .

El cofundador de Databricks, Reynold Xin, describió el lanzamiento como “probablemente la mayor presentación que hemos hecho desde el lanzamiento del Lakehouse” .

La apuesta por los agentes: Genie One, Agent Bricks y herramientas de IA

Databricks aprovechó la cumbre para posicionar su plataforma como la base para los agentes de IA empresariales. Los anuncios incluyeron:

• Genie One: Un compañero de trabajo basado en agentes de IA diseñado para ayudar a los equipos de negocio a automatizar tareas fundamentadas en datos reales de la empresa, con mejoras para el contexto agéntico .
• Genie Agents y Agent Bricks: Herramientas para construir y desplegar agentes de IA capaces de observar, razonar y actuar a través de los datos empresariales. Los Agent Bricks son componentes preconstruidos que auto-optimizan agentes utilizando datos gobernados .
• Unity AI Gateway: Gobernanza multi-IA y control de costos para organizaciones que gestionan múltiples proveedores de modelos de IA .

La narrativa general, captada por los analistas de la industria, es que LTAP y Lakehouse//RT son las capas de servicio de datos bajo una arquitectura empresarial agéntica. Al colocar los datos operativos en formatos abiertos sobre un almacenamiento gobernado, Databricks cree que los agentes de IA pueden acceder, razonar y actuar sobre las bases de datos de producción sin necesidad de mover o copiar datos .

Integraciones con Azure y Microsoft

Databricks profundizó su integración con el ecosistema de Azure mediante varias capacidades anunciadas conjuntamente:

• Copilot Studio y GitHub Copilot: Los usuarios pueden crear agentes en Copilot Studio que razonen sobre todo un espacio de trabajo de Azure Databricks a través de una única conexión MCP (Protocolo Centrado en Modelos, por sus siglas en inglés) .
• Genie para Microsoft Teams y M365 Copilot (Beta): Los usuarios pueden etiquetar a Genie en un hilo de Teams y recibir respuestas contextuales directamente desde su entorno de Azure Databricks .
• Complemento de Excel para Azure Databricks (Vista Previa Pública) e ingesta nativa de Excel (disponible de forma general) permiten analítica sin intervención directa desde hojas de cálculo .
• Databricks CustomerLake: La primera plataforma de datos de clientes nativa del lakehouse, presentada para Azure Databricks .

Estas integraciones sugieren una estrategia para incrustar las capacidades de gobernanza e IA de Databricks en las herramientas de colaboración donde ocurren las decisiones de negocio, en lugar de obligar a los usuarios a cambiar a una interfaz de análisis separada.

Lo que esto significa para la arquitectura de datos empresarial

En conjunto, los anuncios de la cumbre representan una apuesta de plataforma coherente: la próxima generación de aplicaciones empresariales será agéntica, en tiempo real y gobernada. LTAP elimina la división transaccional-analítica, Lakehouse//RT elimina el compromiso de latencia para las consultas analíticas, y la familia Genie proporciona la capa de orquestación de agentes.

Si tiene éxito, esta arquitectura podría reducir el número de piezas móviles en una pila de datos empresarial típica —menos bases de datos, menos pipelines, menos capas de servicio— al tiempo que proporciona a los agentes de IA el contexto gobernado y en tiempo real que necesitan para actuar de forma autónoma sobre los datos de negocio.

Databricks no está sola en la búsqueda de esta convergencia, pero con Lakebase alcanzando ya los 12 millones de lanzamientos diarios y una cumbre de 30.000 asistentes que refuerza su ecosistema, el anuncio de LTAP marca un hito significativo en la evolución de la arquitectura lakehouse, que pasa de ser una plataforma de análisis a convertirse en la columna vertebral de los datos operativos .