Koniec ery potoków danych? Databricks burzy mur między systemami transakcyjnymi a analitycznymi

Podczas swojej flagowej konferencji Data + AI Summit w San Francisco, 16 czerwca 2026 roku, Databricks zaprezentował LTAP (Lake Transactional/Analytical Processing) – nową architekturę, która ma za zadanie obalić jeden z najstarszych murów w informatyce biznesowej: narzucony podział na transakcyjne bazy danych i systemy analityczne . Firma określiła to ogłoszenie jako przełom infrastrukturalny dla nadchodzącej fali agentów AI, które muszą rozumować i działać na danych operacyjnych w czasie rzeczywistym, bez opóźnień i kruchości typowej dla tradycyjnych potoków ETL.

Co tak naprawdę rozwiązuje LTAP?

Przez dekady organizacje utrzymywały dwa odrębne światy dla swoich danych. Systemy przetwarzania transakcyjnego online (OLTP) obsługują bieżące operacje – zamówienia, aktualizacje stanów magazynowych, rekordy klientów – podczas gdy systemy przetwarzania analitycznego online (OLAP) służą do raportowania, tworzenia kokpitów menedżerskich i trenowania modeli. Przemieszczanie danych między nimi wymaga skomplikowanych procesów ETL (ekstrakcji, transformacji i ładowania), które generują opóźnienia, koszty i problemy z zarządzaniem.

LTAP ma na celu ujednolicenie tych obszarów na jednej kopii danych przechowywanej w jeziorze danych. Jak twierdzi Databricks, architektura ta eliminuje potrzebę stosowania ETL, replik i przenoszenia danych z samej swojej natury . Dane transakcyjne stają się natychmiast dostępne dla analityki, bez konieczności transformacji czy utrzymywania złożonych potoków.

Podstawą LTAP jest Lakebase – bezserwerowa usługa Postgres od Databricks, zbudowana na otwartym magazynie obiektowym. Lakebase obsługuje już tysiące klientów i realizuje 12 milionów uruchomień baz danych dziennie na całej platformie . W modelu LTAP, Lakebase przechowuje dane bezpośrednio w Unity Catalog, używając otwartych formatów – Delta Lake i Apache Iceberg – dzięki czemu zarządzane dane transakcyjne są natychmiast dostępne dla zapytań analitycznych .

Firma opisuje kilka kluczowych właściwości tej architektury: ujednolicone zarządzanie z jednym źródłem prawdy, niezależne skalowanie dla obciążeń transakcyjnych i analitycznych, pełną semantykę ACID dla środowisk Postgres oraz brak ukrytych potoków i konektorów do utrzymania .

Nowe możliwości Lakebase

Wraz z ogłoszeniem LTAP, Databricks ujawnił również kilka ulepszeń samego Lakebase:

• Odzyskiwanie danych po awarii między chmurami i regionami dla produkcyjnych baz danych Postgres.
• Rozgałęzienia i migawki w stylu Git, umożliwiające bezpieczne eksperymentowanie bezpośrednio na danych produkcyjnych.
• Autonomiczne operacje na bazach danych, które monitorują spowolnienia, wykrywają anomalie i automatycznie uruchamiają procesy naprawcze .

Te funkcje sygnalizują zamiar Databricks, aby uczynić z bezserwerowego Postgresa pierwszorzędną bazę operacyjną dla aplikacji i agentów AI, a nie tylko ułatwienie dla warstwy analitycznej.

Lakehouse//RT: Analityka w czasie rzeczywistym na zarządzanych danych

Drugim dużym ogłoszeniem infrastrukturalnym było Lakehouse//RT, analityczna platforma czasu rzeczywistego napędzana przez nowy silnik obliczeniowy o nazwie Reyden (skrót od „Reynold's Dream Engine”, nazwany na cześć współzałożyciela firmy, Reynolda Xina) . Databricks twierdzi, że Reyden zapewnia milisekundowe opóźnienia zapytań przy dziesiątkach tysięcy jednoczesnych użytkowników i agentów, działając bezpośrednio na zarządzanych tabelach Delta Lake i Apache Iceberg .

Implikacja jest znacząca: przedsiębiorstwa nie muszą już konfigurować oddzielnej infrastruktury serwującej – takiej jak warstwy pamięci podręcznej, widoki zmaterializowane czy zewnętrzne silniki zapytań – aby osiągnąć wydajność w czasie rzeczywistym. Firma Sigma Computing dołączyła jako partner startowy, łącząc się bezpośrednio z Lakehouse//RT w celu osadzonej analityki .

Współzałożyciel Databricks, Reynold Xin, opisał premierę jako „prawdopodobnie największe pojedyncze wprowadzenie, jakiego dokonaliśmy od czasu uruchomienia Lakehouse” .

Natarcie agentów AI: Genie One, Agent Bricks i szersze narzędzia

Databricks wykorzystał szczyt, aby umocnić swoją platformę jako fundament dla korporacyjnych agentów AI. Ogłoszenia obejmowały:

• Genie One: agenta AI zaprojektowanego, aby pomagać zespołom biznesowym automatyzować pracę w oparciu o rzeczywiste dane biznesowe, z ulepszeniami dla kontekstu agentowego .
• Genie Agents i Agent Bricks: narzędzia do budowania i wdrażania agentów AI, którzy potrafią obserwować, rozumować i działać na danych w całym przedsiębiorstwie. Agent Bricks to gotowe komponenty, które automatycznie optymalizują agentów przy użyciu zarządzanych danych .
• Unity AI Gateway: zarządzanie wieloma modelami AI i kontrolę kosztów dla organizacji korzystających z wielu dostawców modeli AI .

Szersza narracja, uchwycona przez analityków branżowych, mówi o tym, że LTAP i Lakehouse//RT stanowią warstwy serwowania danych pod agentową architekturą przedsiębiorstwa. Umieszczając dane operacyjne w otwartych formatach na zarządzanym magazynie, Databricks wierzy, że agenci AI mogą uzyskiwać dostęp, rozumować nad produkcyjnymi bazami danych i działać na nich bez przenoszenia lub kopiowania danych .

Integracje z Microsoft i Azure

Databricks pogłębił swoją integrację z ekosystemem Azure, ogłaszając kilka wspólnych możliwości:

• Copilot Studio i GitHub Copilot: użytkownicy mogą tworzyć agentów w Copilot Studio, którzy rozumują nad całym obszarem roboczym Azure Databricks za pomocą jednego połączenia MCP .
• Genie dla Microsoft Teams i M365 Copilot (Beta): użytkownicy mogą oznaczyć Genie w wątku Teams i otrzymać odpowiedź uwzględniającą kontekst bezpośrednio ze swojego środowiska Azure Databricks .
• Dodatek Azure Databricks Excel (Public Preview) i natywne pozyskiwanie danych z Excela (GA) umożliwiają analitykę bezobsługową prosto z arkuszy kalkulacyjnych .
• Databricks CustomerLake: pierwsza platforma danych klienta natywna dla lakehouse, zaprezentowana dla Azure Databricks .

Te integracje sugerują strategię osadzania możliwości zarządzania i AI Databricks w narzędziach do współpracy, w których zapadają decyzje biznesowe, zamiast wymagać od użytkowników przełączania się do osobnego interfejsu analitycznego.

Co to oznacza dla architektury danych w przedsiębiorstwach

Podsumowując, ogłoszenia ze szczytu stanowią spójny zakład platformowy: że następna generacja aplikacji korporacyjnych będzie agentowa, działająca w czasie rzeczywistym i zarządzana. LTAP usuwa podział transakcyjno-analityczny, Lakehouse//RT eliminuje kompromis opóźnień dla zapytań analitycznych, a rodzina Genie zapewnia warstwę orkiestracji agentów.

Jeśli ta architektura odniesie sukces, może znacznie zredukować liczbę ruchomych części w typowym stosie danych korporacyjnych – mniej baz danych, mniej potoków, mniej warstw serwujących – zapewniając jednocześnie agentom AI zarządzany kontekst czasu rzeczywistego, niezbędny do autonomicznego działania na danych biznesowych.

Databricks nie jest osamotniony w dążeniu do tej konwergencji, ale z Lakebase uruchamianym już 12 milionów razy dziennie i 30-tysięczną publicznością szczytu wzmacniającą jego ekosystem, ogłoszenie LTAP stanowi istotny kamień milowy w ewolucji architektury lakehouse – od platformy analitycznej do kręgosłupa danych operacyjnych .