Die Evolution des Lakehouse: Databricks, Snowflake und Starburst als Agentic Control Planes
Die Evolution des Lakehouse: Databricks, Snowflake und Starburst als Agentic Control Planes
Zusammenfassung
Die führenden Anbieter von Data-Lakehouse-Architekturen vollziehen einen fundamentalen Wandel: Weg von reinen Datenspeichern und Abfrage-Engines, hin zu agentischen Kontrollzentren (Agentic Control Planes) für Unternehmen. Plattformen wie Databricks (mit Genie One, Omnigent und Unity Catalog), Snowflake (mit CoWork/SnowWork) und Starburst Galaxy integrieren Laufzeit- und Kontext-Schichten, um das Verhalten autonomer KI-Agenten direkt auf den Datenbeständen zu steuern, zu sichern und zu koordinieren. Dieser Wandel markiert den Beginn der “Agentic Enterprise”-Ära, in der Daten und KI-Orchestrierung verschmelzen.
Was ist passiert?
In den letzten Wochen haben mehrere Schwergewichte der Datenbranche weitreichende Neuerungen angekündigt, die das Data Lakehouse als Fundament für KI-Agenten positionieren:
- Databricks stellte auf seinem Summit das Konzept des “Agentic Enterprise Control Plane” vor. Zentrale Säulen sind der erweiterte Unity Catalog zur Absicherung von Agenten-Tools und Modellen, Genie One als datenbasierter KI-Kollege für die Workflow-Automatisierung sowie das Open-Source-Framework Omnigent, das als Meta-Laufzeitumgebung für den flexiblen Austausch verschiedener Agenten-Harnesses dient.
- Snowflake hat das ehemalige Snowflake Intelligence offiziell in Snowflake CoWork umbenannt. Basierend auf dem im Frühjahr vorgestellten Forschungsprojekt Project SnowWork dient CoWork als natürlicher, dialogbasierter Arbeitsagent, der komplexe Aufgaben unter Einhaltung der Snowflake-Sicherheitsperimeter (wie Cortex Sense und RBAC) ausführen kann.
- Starburst Galaxy positioniert sich als föderierte Datenbasis für KI-Agenten. Über ein integriertes Model Context Protocol (MCP) Server-Interface können autonome Agenten wie Claude Code oder ChatGPT Enterprise direkt und ohne komplexe ETL-Pipelines auf verteilte Datenprodukte zugreifen.
Warum es wichtig ist
Für Softwareentwickler, Data Engineers und Unternehmen verschiebt sich die Messlatte für KI-Agenten im Produktivbetrieb. Die größte Herausforderung beim Einsatz autonomer Agenten ist nicht mehr die reine Modellstärke, sondern die Bereitstellung eines präzisen Kontexts (“Golden Context”) und die Governance. Indem Lakehouses als Control Planes agieren:
- Sicherheit und Compliance: Agenten erben die bestehenden feingranularen Zugriffsrechte (RBAC, Spaltenmaskierung) der Datenplattformen.
- Datenminimierung und Föderation: Starburst Galaxy beweist, dass Agenten Daten nicht zentralisieren müssen, um sie zu nutzen, was regulatorische Hürden senkt.
- Orchestrierung statt reiner Analyse: Tools wie Genie One und Snowflake CoWork zeigen, dass Datenplattformen nicht mehr nur Berichte generieren, sondern Workflows über externe APIs (Slack, Gmail, Jira) hinweg ausführen können.
Beweise
Die Neuausrichtung wird durch offizielle Ankündigungen und Marktanalysen untermauert:
- Bain Insights analysierte den Databricks Data + AI Summit und beschrieb den Wandel der Lakehouses zu Kontrollzentren für autonome KI-Agenten.
- Starburst veröffentlichte technische Details zur Bereitstellung föderierter Daten für Agenten über das Model Context Protocol (MCP).
- Snowflake kündigte auf dem Snowflake Summit die offizielle Umbenennung und den Rollout von Snowflake CoWork als Enterprise Intelligence Agent an.
Analyse
Die Entwicklung zeigt, dass LLMs allein im Unternehmen blind sind. Sie benötigen eine strukturierte Kontext- und Sicherheitsumgebung, um verlässlich arbeiten zu können. Databricks’ Einführung des Open-Source-Harnesses Omnigent ist ein kluger Schachzug: Er verhindert den Vendor-Lock-in bei Agenten-Systemen, während Unity Catalog als zentraler Anker für die Governance etabliert wird. Snowflakes Rebranding von Intelligence zu CoWork verdeutlicht den Trend weg von passiver Business Intelligence hin zu aktiver Kollaboration zwischen Mensch und Maschine. Die größte Herausforderung bleibt jedoch die Standardisierung: Starbursts Setzen auf MCP ist hierbei ein wichtiger Schritt zur Interoperabilität, den auch andere Anbieter mittragen müssen, um ein Zersplittern des Marktes zu verhindern.
Praktische Erkenntnisse
Unternehmen und Entwickler sollten folgende Schritte prüfen:
- Tool-Governance über Kataloge: Evaluieren Sie Unity Catalog oder Snowflake CoWork, um Berechtigungen für KI-Agenten und deren Tools auf dieselbe Weise wie für menschliche Nutzer zu verwalten.
- Kontext-Engineering priorisieren: Stellen Sie sicher, dass Daten als saubere “Data Products as Code” strukturiert sind, bevor Agenten darauf losgelassen werden, um Halluzinationen zu minimieren.
- Föderierte Agentenarchitektur prüfen: Nutzen Sie Protokolle wie MCP (über Starburst Galaxy), um Agenten Zugriff auf Multi-Cloud-Daten zu gewähren, ohne diese vorher konsolidieren zu müssen.
Offene Fragen
- Werden sich offene Standards wie MCP als universelle Schnittstelle zwischen Lakehouses und Agenten etablieren, oder bauen Databricks und Snowflake proprietäre Silos auf?
- Wie gut lassen sich die feingranularen Sicherheitsrichtlinien von Lakehouses auf unvorhersehbare, mehrstufige Agentenpfade übertragen, ohne die Effizienz der Agenten zu stark einzuschränken?