Databricks lanceert LTAP: één architectuur die transactionele en analytische workloads verenigt

Tijdens de jaarlijkse Data + AI Summit in San Francisco, op 16 juni 2026, presenteerde Databricks LTAP (Lake Transactional/Analytical Processing). Het bedrijf noemt het een fundamenteel nieuwe architectuur die een van de oudste muren in enterprise computing moet slechten: de gedwongen scheiding tussen transactionele databases (OLTP) en analytische systemen (OLAP) . De aankondiging werd gebracht als een infrastructurele doorbraak voor de opkomende golf van AI-agents die moeten redeneren en handelen op live operationele data, zonder de vertraging en complexiteit van traditionele ETL-pipelines.

Wat lost LTAP eigenlijk op?

Al decennialang werken organisaties met twee gescheiden werelden voor hun data. Operationele systemen verwerken dagelijkse transacties zoals orders, voorraadmutaties en klantgegevens. Analytische omgevingen draaien rapportages, dashboards en AI-modellen. Om data van de ene wereld naar de andere te krijgen, zijn complexe ETL-pipelines (Extract, Transform, Load) nodig. Die zorgen voor vertraging, extra kosten en governance-problemen.

LTAP beoogt deze werelden te verenigen op één kopie van de data in het datameer. Volgens Databricks elimineert de architectuur ETL, replica's en datatransport per definitie . Transactionele data is direct, zonder transformatie, beschikbaar voor analytische taken.

De basis van LTAP is Lakebase, Databricks' serverless Postgres-dienst die op open object storage draait. Deze dienst bedient al duizenden klanten en verwerkt dagelijks 12 miljoen database-lanceringen op het platform . Binnen het LTAP-model slaat Lakebase data direct op in Unity Catalog, in open formaten zoals Delta Lake en Apache Iceberg. Transactionele data is daardoor direct bevraagbaar voor analytische workloads, met behoud van governance .

Het bedrijf benadrukt enkele belangrijke eigenschappen: uniforme governance met één bron van waarheid, onafhankelijke schaalbaarheid van transactionele en analytische workloads, volledige ACID-semantiek voor Postgres-workloads, en geen verborgen pipelines of connectors die onderhouden moeten worden .

Nieuwe Lakebase-mogelijkheden

Naast de LTAP-aankondiging onthulde Databricks een reeks verbeteringen voor Lakebase:

• Cross-cloud, cross-region disaster recovery voor productie-Postgres-databases.
• Git-achtige branching en snapshots, waarmee teams veilig kunnen experimenteren direct op productiedata.
• Autonome database-operaties die automatisch vertragingen monitoren, afwijkingen detecteren en herstelacties in gang zetten .

Deze toevoegingen onderstrepen de ambitie van Databricks om van serverless Postgres een volwaardige operationele database te maken voor applicaties en AI-agents, en niet slechts een makkelijke laag voor analytics.

Lakehouse//RT: real-time analytics op gereguleerde data

De tweede grote infrastructurele aankondiging was Lakehouse//RT, een real-time lakehouse aangedreven door een nieuwe compute engine genaamd Reyden (afkorting van “Reynold’s Dream Engine”, een knipoog naar medeoprichter Reynold Xin) . Databricks claimt dat Reyden milliseconde-querylatentie levert bij tienduizenden gelijktijdige gebruikers en agents, rechtstreeks op gereguleerde Delta Lake- en Apache Iceberg-tabellen .

Deze ontwikkeling heeft een belangrijke implicatie: ondernemingen hebben geen aparte serving-infrastructuur meer nodig, zoals caching-lagen, materialized views of externe query-engines, om real-time prestaties te behalen. Sigma Computing, dat aankondigde direct op Lakehouse//RT aan te sluiten voor embedded analytics, werd als lanceerpartner genoemd .

Databricks medeoprichter Reynold Xin omschreef de lancering als “waarschijnlijk de grootste introductie die we hebben gedaan sinds de lancering van Lakehouse” .

De agentic beweging: Genie One, Agent Bricks en bredere AI-tooling

Databricks greep de top ook aan om zijn platform te positioneren als dé basis voor enterprise AI-agents. De aankondigingen omvatten:

• Genie One: Een AI-agent die is ontworpen om bedrijfsteams te helpen werk te automatiseren, gegrond in echte bedrijfsdata en met verbeteringen voor agentic context .
• Genie Agents en Agent Bricks: Tools voor het bouwen en implementeren van AI-agents die kunnen observeren, redeneren en handelen binnen enterprise data. Agent Bricks zijn voorgebouwde componenten die agents automatisch optimaliseren met gereguleerde data .
• Unity AI Gateway: Multi-AI-governance en kostenbeheersing voor organisaties die met meerdere AI-modelaanbieders werken .

De bredere redenering, zoals die ook door industrie-analisten wordt opgepikt, is dat LTAP en Lakehouse//RT de data-serving-lagen zijn onder een agentic enterprise-architectuur. Door operationele data in open formaten op gereguleerde opslag te plaatsen, kunnen AI-agents productiedatabases benaderen, analyseren en erop handelen zonder dat data gekopieerd of verplaatst hoeft te worden .

Azure- en Microsoft-integraties

Databricks verdiepte zijn integratie in het Azure-ecosysteem met een reeks gezamenlijk aangekondigde mogelijkheden:

• Copilot Studio en GitHub Copilot: Gebruikers kunnen Copilot Studio-agents bouwen die via één MCP-verbinding over een volledige Azure Databricks-werkomgeving redeneren .
• Genie voor Microsoft Teams en M365 Copilot (Beta): Gebruikers kunnen Genie taggen in een Teams-gesprek waarna ze direct contextbewuste antwoorden uit hun Azure Databricks-omgeving ontvangen .
• Azure Databricks Excel Add-in (Public Preview) en native Excel-ingestie (GA) zorgen voor driverless analytics vanuit spreadsheets .
• Databricks CustomerLake: Het eerste lakehouse-native klantdataplatform, gepresenteerd voor Azure Databricks .

Deze integraties suggereren een strategie om de governance- en AI-capaciteiten van Databricks te verankeren in de samenwerkingstools waar dagelijks zakelijke beslissingen worden genomen, in plaats van gebruikers te dwingen naar een apart analyse-interface te schakelen.

Wat dit betekent voor enterprise data-architectuur

Samen vormen deze aankondigingen een coherente platformweddenschap: de volgende generatie enterprise-toepassingen zal agentic, real-time en gereguleerd zijn. LTAP haalt de scheidsmuur tussen transacties en analyses weg, Lakehouse//RT elimineert het latentie-compromis voor analytische query’s, en de Genie-familie levert de orkestratielaag voor de agents.

Als dit slaagt, zou de typische enterprise data-stack drastisch kunnen vereenvoudigen: minder databases, minder pipelines, minder serving-lagen — terwijl het AI-agents de gereguleerde, real-time context geeft die ze nodig hebben om autonoom te handelen op bedrijfsdata.

Databricks is niet de enige die deze convergentie nastreeft, maar met Lakebase dat al 12 miljoen dagelijkse database-lanceringen verwerkt en een top met 30.000 deelnemers om het ecosysteem te versterken, markeert de LTAP-aankondiging een belangrijke mijlpaal in de evolutie van de lakehouse-architectuur van een analyseplatform naar het operationele datafundament voor de onderneming .