Per decenni, le organizzazioni hanno mantenuto due mondi separati per i propri dati. I sistemi OLTP (Online Transactional Processing) gestiscono le operazioni quotidiane – ordini, aggiornamenti di magazzino, anagrafiche clienti – mentre i sistemi OLAP (Online Analytical Processing) si occupano di report, dashboard e addestramento di modelli. Spostare i dati tra questi due mondi richiede pipeline ETL (Extract, Transform, Load), che introducono latenza, costi e grattacapi di governance.

LTAP mira a unificare questi carichi di lavoro su un'unica copia dei dati archiviata nel data lake. Secondo Databricks, l'architettura elimina per progettazione ETL, repliche e movimentazione dei dati . Le informazioni transazionali diventano immediatamente disponibili per l'analisi, senza trasformazioni o manutenzione di pipeline.

Il fondamento di LTAP è Lakebase, il servizio serverless Postgres di Databricks costruito su object storage aperti. Lakebase serve già migliaia di clienti e gestisce 12 milioni di avvii di database al giorno sulla piattaforma . Nel modello LTAP, Lakebase memorizza i dati direttamente in Unity Catalog utilizzando formati aperti – Delta Lake e Apache Iceberg – in modo che i dati transazionali governati siano immediatamente interrogabili per i carichi di lavoro analitici .

L'azienda descrive diverse proprietà chiave per l'architettura: governance unificata con un'unica fonte di verità, scalabilità indipendente per carichi transazionali e analitici, piena semantica ACID per i carichi di lavoro Postgres e nessuna pipeline o connettore nascosto da mantenere .

Nuove capacità di Lakebase

Insieme all'annuncio di LTAP, Databricks ha rivelato diversi miglioramenti a Lakebase stesso:

• Disaster recovery cross-cloud e cross-region per database Postgres di produzione.
• Branching e snapshot in stile Git, che consentono una sperimentazione sicura direttamente sui dati di produzione.
• Operazioni di database autonome che monitorano i rallentamenti, rilevano anomalie e attivano il ripristino automatico .

Queste caratteristiche segnalano l'intenzione di Databricks di rendere il Postgres serverless un database operativo di prima classe per applicazioni e agenti AI, non solo un livello di comodo per l'analisi.

Lakehouse//RT: analisi in tempo reale su dati governati

Il secondo grande annuncio infrastrutturale è stato Lakehouse//RT, un lakehouse in tempo reale potenziato da un nuovo motore di calcolo chiamato Reyden (abbreviazione di "Reynold's Dream Engine", dal nome del co-fondatore Reynold Xin) . Databricks afferma che Reyden offre latenze di query di millisecondi per decine di migliaia di utenti e agenti concorrenti, operando direttamente su tabelle governate di Delta Lake e Apache Iceberg .

L'implicazione è significativa: le aziende non hanno più bisogno di configurare infrastrutture di serving separate – come livelli di cache, viste materializzate o motori di query esterni – per ottenere prestazioni in tempo reale. Sigma Computing si è unita come partner di lancio, connettendosi direttamente a Lakehouse//RT per l'analisi embedded .

Il co-fondatore di Databricks, Reynold Xin, ha descritto il lancio come "probabilmente la più grande introduzione singola che abbiamo fatto dal lancio di Lakehouse" .

La spinta verso gli agenti AI: Genie One, Agent Bricks e strumenti più ampi

Databricks ha utilizzato il summit per posizionare la sua piattaforma come base per gli agenti AI aziendali. Gli annunci includevano:

• Genie One: Un collaboratore AI "agente" progettato per aiutare i team aziendali ad automatizzare il lavoro basandosi su dati aziendali reali, con miglioramenti per il contesto agentivo .
• Genie Agents e Agent Bricks: Strumenti per costruire e distribuire agenti AI in grado di osservare, ragionare e agire sui dati aziendali. Gli Agent Bricks sono componenti pre-costruiti che auto-ottimizzano gli agenti utilizzando dati governati .
• Unity AI Gateway: Governance multi-AI e controllo dei costi per le organizzazioni che gestiscono più fornitori di modelli AI .

La narrazione più ampia, come colto dagli analisti del settore, è che LTAP e Lakehouse//RT sono i livelli di servizio dati alla base di un'architettura aziendale "agentiva". Collocando i dati operativi in formati aperti su storage governato, Databricks crede che gli agenti AI possano accedere, ragionare e agire sui database di produzione senza spostare o copiare dati .

Integrazioni con Azure e Microsoft

Databricks ha approfondito la sua integrazione con l'ecosistema Azure con diverse capacità annunciate congiuntamente:

• Copilot Studio e GitHub Copilot: Gli utenti possono creare agenti di Copilot Studio che ragionano su un intero workspace Azure Databricks attraverso una singola connessione MCP (Model-Centric-Protocol) .
• Genie per Microsoft Teams e M365 Copilot (Beta): Gli utenti possono taggare Genie in una discussione di Teams e ricevere risposte contestuali direttamente dal loro ambiente Azure Databricks .
• Componente aggiuntivo Excel per Azure Databricks (Anteprima Pubblica) e l'importazione nativa di Excel (GA) consentono analisi automatizzate da fogli di calcolo .
• Databricks CustomerLake: La prima piattaforma di dati cliente nativa per lakehouse, svelata per Azure Databricks .

Queste integrazioni suggeriscono una strategia per incorporare le capacità di governance e AI di Databricks negli strumenti di collaborazione dove vengono prese le decisioni aziendali, invece di richiedere agli utenti di passare a un'interfaccia di analisi separata.

Cosa significa per l'architettura dati aziendale

Collettivamente, gli annunci del summit rappresentano una scommessa coerente sulla piattaforma: che la prossima generazione di applicazioni aziendali sarà agentiva, in tempo reale e governata. LTAP rimuove la divisione transazionale-analitica, Lakehouse//RT rimuove il compromesso di latenza per le query analitiche e la famiglia Genie fornisce il livello di orchestrazione degli agenti.

Se avrà successo, questa architettura potrebbe ridurre il numero di parti mobili in un tipico stack di dati aziendale – meno database, meno pipeline, meno livelli di serving – fornendo al contempo agli agenti AI il contesto governato e in tempo reale di cui hanno bisogno per agire autonomamente sui dati aziendali.

Databricks non è sola nel perseguire questa convergenza, ma con Lakebase già a 12 milioni di avvii di database al giorno e un summit da 30.000 partecipanti che rafforza il suo ecosistema, l'annuncio di LTAP segna una pietra miliare significativa nell'evoluzione dell'architettura lakehouse da piattaforma di analisi a spina dorsale operativa dei dati .

Per decenni, le organizzazioni hanno mantenuto due mondi separati per i propri dati. I sistemi OLTP (Online Transactional Processing) gestiscono le operazioni quotidiane – ordini, aggiornamenti di magazzino, anagrafiche clienti – mentre i sistemi OLAP (Online Analytical Processing) si occupano di report, dashboard e addestramento di modelli. Spostare i dati tra questi due mondi richiede pipeline ETL (Extract, Transform, Load), che introducono latenza, costi e grattacapi di governance.

LTAP mira a unificare questi carichi di lavoro su un'unica copia dei dati archiviata nel data lake. Secondo Databricks, l'architettura elimina per progettazione ETL, repliche e movimentazione dei dati . Le informazioni transazionali diventano immediatamente disponibili per l'analisi, senza trasformazioni o manutenzione di pipeline.

Il fondamento di LTAP è Lakebase, il servizio serverless Postgres di Databricks costruito su object storage aperti. Lakebase serve già migliaia di clienti e gestisce 12 milioni di avvii di database al giorno sulla piattaforma . Nel modello LTAP, Lakebase memorizza i dati direttamente in Unity Catalog utilizzando formati aperti – Delta Lake e Apache Iceberg – in modo che i dati transazionali governati siano immediatamente interrogabili per i carichi di lavoro analitici .

L'azienda descrive diverse proprietà chiave per l'architettura: governance unificata con un'unica fonte di verità, scalabilità indipendente per carichi transazionali e analitici, piena semantica ACID per i carichi di lavoro Postgres e nessuna pipeline o connettore nascosto da mantenere .

Nuove capacità di Lakebase

Insieme all'annuncio di LTAP, Databricks ha rivelato diversi miglioramenti a Lakebase stesso:

• Disaster recovery cross-cloud e cross-region per database Postgres di produzione.
• Branching e snapshot in stile Git, che consentono una sperimentazione sicura direttamente sui dati di produzione.
• Operazioni di database autonome che monitorano i rallentamenti, rilevano anomalie e attivano il ripristino automatico .

Queste caratteristiche segnalano l'intenzione di Databricks di rendere il Postgres serverless un database operativo di prima classe per applicazioni e agenti AI, non solo un livello di comodo per l'analisi.

Lakehouse//RT: analisi in tempo reale su dati governati

Il secondo grande annuncio infrastrutturale è stato Lakehouse//RT, un lakehouse in tempo reale potenziato da un nuovo motore di calcolo chiamato Reyden (abbreviazione di "Reynold's Dream Engine", dal nome del co-fondatore Reynold Xin) . Databricks afferma che Reyden offre latenze di query di millisecondi per decine di migliaia di utenti e agenti concorrenti, operando direttamente su tabelle governate di Delta Lake e Apache Iceberg .

L'implicazione è significativa: le aziende non hanno più bisogno di configurare infrastrutture di serving separate – come livelli di cache, viste materializzate o motori di query esterni – per ottenere prestazioni in tempo reale. Sigma Computing si è unita come partner di lancio, connettendosi direttamente a Lakehouse//RT per l'analisi embedded .

Il co-fondatore di Databricks, Reynold Xin, ha descritto il lancio come "probabilmente la più grande introduzione singola che abbiamo fatto dal lancio di Lakehouse" .

La spinta verso gli agenti AI: Genie One, Agent Bricks e strumenti più ampi

Databricks ha utilizzato il summit per posizionare la sua piattaforma come base per gli agenti AI aziendali. Gli annunci includevano:

• Genie One: Un collaboratore AI "agente" progettato per aiutare i team aziendali ad automatizzare il lavoro basandosi su dati aziendali reali, con miglioramenti per il contesto agentivo .
• Genie Agents e Agent Bricks: Strumenti per costruire e distribuire agenti AI in grado di osservare, ragionare e agire sui dati aziendali. Gli Agent Bricks sono componenti pre-costruiti che auto-ottimizzano gli agenti utilizzando dati governati .
• Unity AI Gateway: Governance multi-AI e controllo dei costi per le organizzazioni che gestiscono più fornitori di modelli AI .

La narrazione più ampia, come colto dagli analisti del settore, è che LTAP e Lakehouse//RT sono i livelli di servizio dati alla base di un'architettura aziendale "agentiva". Collocando i dati operativi in formati aperti su storage governato, Databricks crede che gli agenti AI possano accedere, ragionare e agire sui database di produzione senza spostare o copiare dati .

Integrazioni con Azure e Microsoft

Databricks ha approfondito la sua integrazione con l'ecosistema Azure con diverse capacità annunciate congiuntamente:

• Copilot Studio e GitHub Copilot: Gli utenti possono creare agenti di Copilot Studio che ragionano su un intero workspace Azure Databricks attraverso una singola connessione MCP (Model-Centric-Protocol) .
• Genie per Microsoft Teams e M365 Copilot (Beta): Gli utenti possono taggare Genie in una discussione di Teams e ricevere risposte contestuali direttamente dal loro ambiente Azure Databricks .
• Componente aggiuntivo Excel per Azure Databricks (Anteprima Pubblica) e l'importazione nativa di Excel (GA) consentono analisi automatizzate da fogli di calcolo .
• Databricks CustomerLake: La prima piattaforma di dati cliente nativa per lakehouse, svelata per Azure Databricks .

Queste integrazioni suggeriscono una strategia per incorporare le capacità di governance e AI di Databricks negli strumenti di collaborazione dove vengono prese le decisioni aziendali, invece di richiedere agli utenti di passare a un'interfaccia di analisi separata.

Cosa significa per l'architettura dati aziendale

Collettivamente, gli annunci del summit rappresentano una scommessa coerente sulla piattaforma: che la prossima generazione di applicazioni aziendali sarà agentiva, in tempo reale e governata. LTAP rimuove la divisione transazionale-analitica, Lakehouse//RT rimuove il compromesso di latenza per le query analitiche e la famiglia Genie fornisce il livello di orchestrazione degli agenti.

Se avrà successo, questa architettura potrebbe ridurre il numero di parti mobili in un tipico stack di dati aziendale – meno database, meno pipeline, meno livelli di serving – fornendo al contempo agli agenti AI il contesto governato e in tempo reale di cui hanno bisogno per agire autonomamente sui dati aziendali.

Databricks non è sola nel perseguire questa convergenza, ma con Lakebase già a 12 milioni di avvii di database al giorno e un summit da 30.000 partecipanti che rafforza il suo ecosistema, l'annuncio di LTAP segna una pietra miliare significativa nell'evoluzione dell'architettura lakehouse da piattaforma di analisi a spina dorsale operativa dei dati .