LTAP syftar till att förena dessa arbetslaster på en enda kopia av data lagrad i datasjön (eng. data lake). Enligt Databricks eliminerar arkitekturen ETL, datareplikor och dataförflyttning genom design . Transaktionsdata blir tillgänglig för analys omedelbart, utan transformationer eller underhåll av pipelines.

Grunden för LTAP är Lakebase, Databricks serverlösa Postgres-tjänst byggd på öppen objektlagring. Lakebase betjänar redan tusentals kunder och hanterar 12 miljoner databasstarter per dag över plattformen . Under LTAP-modellen lagrar Lakebase data direkt i Unity Catalog med öppna format – Delta Lake och Apache Iceberg – vilket gör att styrd transaktionsdata omedelbart är sökbar för analytiska arbetslaster .

Företaget beskriver flera nyckelegenskaper för arkitekturen: enhetlig styrning med en enda "source of truth", oberoende skalning för transaktions- och analysarbetslaster, fullständig ACID-semantik för Postgres-arbetslaster, och inga dolda pipelines eller kontakter att underhålla .

Nya funktioner i Lakebase

Vid sidan av LTAP-lanseringen avslöjade Databricks flera förbättringar av själva Lakebase:

• Katastrofåterställning över moln och regioner för produktions-Postgres-databaser.
• Git-liknande branching och ögonblicksbilder (snapshots) som möjliggör säker experimentering direkt på produktionsdata.
• Autonoma databasoperationer som övervakar prestandanedgångar, upptäcker anomalier och utlöser automatisk återställning .

Dessa funktioner signalerar Databricks avsikt att göra serverlös Postgres till en förstklassig operativ databas för applikationer och AI-agenter, inte bara ett bekvämlighetslager för analys.

Lakehouse//RT: Realtidsanalys på styrd data

Det andra stora infrastrukturtillkännagivandet var Lakehouse//RT, ett realtids-lakehouse drivet av en ny beräkningsmotor kallad Reyden (förkortning för ”Reynold’s Dream Engine”, uppkallad efter medgrundaren Reynold Xin) . Databricks säger att Reyden levererar svarstider på millisekunder för tiotusentals samtidiga användare och agenter, direkt på styrda Delta Lake- och Apache Iceberg-tabeller .

Innebörden är betydande: företag behöver inte längre sätta upp separat serveringsinfrastruktur – såsom cachningslager, materialiserade vyer eller externa sökmotorer – för att uppnå realtidsprestanda. Sigma Computing anslöt sig som lanseringspartner och kopplar direkt till Lakehouse//RT för inbäddad analys .

Databricks medgrundare Reynold Xin beskrev lanseringen som ”förmodligen den enskilt största introduktionen vi har gjort sedan lanseringen av Lakehouse” .

AI-agent-satsningen: Genie One, Agent Bricks och bredare AI-verktyg

Databricks använde toppmötet för att positionera sin plattform som grunden för företagets AI-agenter. Tillkännagivandena inkluderade:

• Genie One: En AI-agentkollega utformad för att hjälpa affärsteam att automatisera arbete grundat i verklig affärsdata, med förbättringar för agent-kontext .
• Genie Agents och Agent Bricks: Verktyg för att bygga och distribuera AI-agenter som kan observera, resonera och agera över företagsdata. Agent Bricks är färdigbyggda komponenter som autooptimerar agenter med hjälp av styrd data .
• Unity AI Gateway: Multi-AI-styrning och kostnadskontroll för organisationer som hanterar flera AI-modell-leverantörer .

Det bredare narrativet, som fångats av branschanalytiker, är att LTAP och Lakehouse//RT är de datalevererande lagren under en agentisk företagsarkitektur. Genom att placera operativ data i öppna format på styrd lagring tror Databricks att AI-agenter kan komma åt, resonera över och agera på produktionsdatabaser utan att flytta eller kopiera data .

Azure- och Microsoft-integrationer

Databricks fördjupade sin integration med Azures ekosystem genom flera gemensamt tillkännagivna kapaciteter:

• Copilot Studio och GitHub Copilot: Användare kan skapa Copilot Studio-agenter som resonerar över en hel Azure Databricks-arbetsyta via en enda MCP-anslutning (Model-Centric-Protocol) .
• Genie för Microsoft Teams och M365 Copilot (Beta): Användare kan tagga Genie i en Teams-tråd och få kontextmedvetna svar direkt från sin Azure Databricks-miljö .
• Azure Databricks Excel Add-in (Public Preview) och inbyggt Excel-intag (GA) möjliggör förarlös analys från kalkylark .
• Databricks CustomerLake: Den första lakehouse-nativa kunddataplattformen, presenterad för Azure Databricks .

Dessa integrationer antyder en strategi för att bädda in Databricks styrning och AI-kapacitet i de samarbetsverktyg där affärsbeslut fattas, snarare än att kräva att användare byter till ett separat analysgränssnitt.

Vad detta betyder för företagets dataarkitektur

Sammantaget representerar toppmötets tillkännagivanden en sammanhängande plattformssatsning: att nästa generations företagsapplikationer kommer att vara agentiska, realtidsbaserade och styrda. LTAP tar bort den transaktionsanalytiska klyftan, Lakehouse//RT tar bort latenskompromissen för analytiska frågor, och Genie-familjen tillhandahåller agent-orkestreringslagret.

Om den lyckas kan denna arkitektur minska antalet rörliga delar i en typisk företagsdatastack – färre databaser, färre pipelines, färre serveringslager – samtidigt som AI-agenter får den styrda, realtidskontext de behöver för att agera autonomt på affärsdata.

Databricks är inte ensamma om att driva denna konvergens, men med Lakebase som redan hanterar 12 miljoner dagliga databasstarter och ett toppmöte med 30 000 deltagare som förstärker deras ekosystem, markerar LTAP-lanseringen en betydande milstolpe i lakehouse-arkitekturens utveckling från analysplattform till operativ datastruktur .

LTAP syftar till att förena dessa arbetslaster på en enda kopia av data lagrad i datasjön (eng. data lake). Enligt Databricks eliminerar arkitekturen ETL, datareplikor och dataförflyttning genom design . Transaktionsdata blir tillgänglig för analys omedelbart, utan transformationer eller underhåll av pipelines.

Grunden för LTAP är Lakebase, Databricks serverlösa Postgres-tjänst byggd på öppen objektlagring. Lakebase betjänar redan tusentals kunder och hanterar 12 miljoner databasstarter per dag över plattformen . Under LTAP-modellen lagrar Lakebase data direkt i Unity Catalog med öppna format – Delta Lake och Apache Iceberg – vilket gör att styrd transaktionsdata omedelbart är sökbar för analytiska arbetslaster .

Företaget beskriver flera nyckelegenskaper för arkitekturen: enhetlig styrning med en enda "source of truth", oberoende skalning för transaktions- och analysarbetslaster, fullständig ACID-semantik för Postgres-arbetslaster, och inga dolda pipelines eller kontakter att underhålla .

Nya funktioner i Lakebase

Vid sidan av LTAP-lanseringen avslöjade Databricks flera förbättringar av själva Lakebase:

• Katastrofåterställning över moln och regioner för produktions-Postgres-databaser.
• Git-liknande branching och ögonblicksbilder (snapshots) som möjliggör säker experimentering direkt på produktionsdata.
• Autonoma databasoperationer som övervakar prestandanedgångar, upptäcker anomalier och utlöser automatisk återställning .

Dessa funktioner signalerar Databricks avsikt att göra serverlös Postgres till en förstklassig operativ databas för applikationer och AI-agenter, inte bara ett bekvämlighetslager för analys.

Lakehouse//RT: Realtidsanalys på styrd data

Det andra stora infrastrukturtillkännagivandet var Lakehouse//RT, ett realtids-lakehouse drivet av en ny beräkningsmotor kallad Reyden (förkortning för ”Reynold’s Dream Engine”, uppkallad efter medgrundaren Reynold Xin) . Databricks säger att Reyden levererar svarstider på millisekunder för tiotusentals samtidiga användare och agenter, direkt på styrda Delta Lake- och Apache Iceberg-tabeller .

Innebörden är betydande: företag behöver inte längre sätta upp separat serveringsinfrastruktur – såsom cachningslager, materialiserade vyer eller externa sökmotorer – för att uppnå realtidsprestanda. Sigma Computing anslöt sig som lanseringspartner och kopplar direkt till Lakehouse//RT för inbäddad analys .

Databricks medgrundare Reynold Xin beskrev lanseringen som ”förmodligen den enskilt största introduktionen vi har gjort sedan lanseringen av Lakehouse” .

AI-agent-satsningen: Genie One, Agent Bricks och bredare AI-verktyg

Databricks använde toppmötet för att positionera sin plattform som grunden för företagets AI-agenter. Tillkännagivandena inkluderade:

• Genie One: En AI-agentkollega utformad för att hjälpa affärsteam att automatisera arbete grundat i verklig affärsdata, med förbättringar för agent-kontext .
• Genie Agents och Agent Bricks: Verktyg för att bygga och distribuera AI-agenter som kan observera, resonera och agera över företagsdata. Agent Bricks är färdigbyggda komponenter som autooptimerar agenter med hjälp av styrd data .
• Unity AI Gateway: Multi-AI-styrning och kostnadskontroll för organisationer som hanterar flera AI-modell-leverantörer .

Det bredare narrativet, som fångats av branschanalytiker, är att LTAP och Lakehouse//RT är de datalevererande lagren under en agentisk företagsarkitektur. Genom att placera operativ data i öppna format på styrd lagring tror Databricks att AI-agenter kan komma åt, resonera över och agera på produktionsdatabaser utan att flytta eller kopiera data .

Azure- och Microsoft-integrationer

Databricks fördjupade sin integration med Azures ekosystem genom flera gemensamt tillkännagivna kapaciteter:

• Copilot Studio och GitHub Copilot: Användare kan skapa Copilot Studio-agenter som resonerar över en hel Azure Databricks-arbetsyta via en enda MCP-anslutning (Model-Centric-Protocol) .
• Genie för Microsoft Teams och M365 Copilot (Beta): Användare kan tagga Genie i en Teams-tråd och få kontextmedvetna svar direkt från sin Azure Databricks-miljö .
• Azure Databricks Excel Add-in (Public Preview) och inbyggt Excel-intag (GA) möjliggör förarlös analys från kalkylark .
• Databricks CustomerLake: Den första lakehouse-nativa kunddataplattformen, presenterad för Azure Databricks .

Dessa integrationer antyder en strategi för att bädda in Databricks styrning och AI-kapacitet i de samarbetsverktyg där affärsbeslut fattas, snarare än att kräva att användare byter till ett separat analysgränssnitt.

Vad detta betyder för företagets dataarkitektur

Sammantaget representerar toppmötets tillkännagivanden en sammanhängande plattformssatsning: att nästa generations företagsapplikationer kommer att vara agentiska, realtidsbaserade och styrda. LTAP tar bort den transaktionsanalytiska klyftan, Lakehouse//RT tar bort latenskompromissen för analytiska frågor, och Genie-familjen tillhandahåller agent-orkestreringslagret.

Om den lyckas kan denna arkitektur minska antalet rörliga delar i en typisk företagsdatastack – färre databaser, färre pipelines, färre serveringslager – samtidigt som AI-agenter får den styrda, realtidskontext de behöver för att agera autonomt på affärsdata.

Databricks är inte ensamma om att driva denna konvergens, men med Lakebase som redan hanterar 12 miljoner dagliga databasstarter och ett toppmöte med 30 000 deltagare som förstärker deras ekosystem, markerar LTAP-lanseringen en betydande milstolpe i lakehouse-arkitekturens utveckling från analysplattform till operativ datastruktur .