Databricks launcht Genie One und Genie Ontology auf dem Data + AI Summit 2026

Zusammenfassung

Auf dem Data + AI Summit (DAIS) 2026 in San Francisco hat Databricks wegweisende Ankündigungen im Bereich der Agentic AI und Data Governance gemacht. Im Mittelpunkt standen die offizielle Freigabe (General Availability) von Genie One, einem agentischen KI-Mitarbeiter für strukturierte und unstrukturierte Daten, und die Einführung von Genie Ontology. Letztere dient als dynamische Kontextschicht, die geschäftliches Wissen automatisiert erfasst und an Genie bereitstellt. Databricks-CEO Ali Ghodsi betonte dabei, dass die Qualität und Zuverlässigkeit von KI-Agenten kein Intelligenzproblem der Modelle, sondern primär ein Kontextproblem der bereitgestellten Daten sei.

Was ist passiert?

Während des Summits, der rund 30.000 Teilnehmer anzog, stellte Databricks mehrere Produktneuheiten vor, um die Implementierung von KI-Agenten im Unternehmen produktionsreif zu gestalten:

Genie One (GA): Ein agentischer Assistent, der komplexe Workflows über unterschiedliche Datenquellen hinweg orchestriert und automatisiert.
Genie Ontology: Eine selbstlernende Kontextschicht unterhalb von Genie One. Sie extrahiert automatisch Definitionen und Geschäftslogiken aus Databricks sowie verbundenen Workspace-Anwendungen und stellt diese dem Agenten zur Verfügung.
Agent Bricks: Erweiterung der Entwicklerplattform zur Unterstützung gängiger Frameworks wie dem Claude Code SDK, LangGraph, Agno und CrewAI.
Omnigent: Ein neues Open-Source-Framework (Meta-Harness) zur Evaluierung und Steuerung von Coding-Agenten.
Unity Catalog Metrics & AI Gateway: Neue Governance-Werkzeuge, mit denen Metriken zentral als Objekte definiert werden können und der Zugriff, die Token-Budgets sowie die Sicherheitsrichtlinien (z. B. Schutz vor Prompt-Injection) kontrolliert werden.
LTAP (Lake Transactional/Analytical Processing): Ein einheitliches Speicher- und Governance-Modell, das transaktionale Postgres-Daten direkt in Delta- und Iceberg-Formaten speichert, um Echtzeitanalysen mit Sub-100ms-Latenz über die neue Reyden-Engine zu ermöglichen.

Warum es wichtig ist

Die Ankündigungen markieren eine strategische Verschiebung in der KI-Branche:

Kontext statt roher Intelligenz: Das Grounding von KI-Agenten basiert zunehmend auf strukturierten Geschäftsregeln (Ontologien) anstelle von einfachen Vektoreinbettungen (RAG). Dies reduziert Halluzinationen und senkt die Token-Kosten signifikant.
Kostenkontrolle bei Agentenschleifen: Ali Ghodsi warnte vor den immensen Token-Kosten, die durch iterative Agentenschleifen entstehen können. Ein präziser Kontext minimiert unnötige API-Aufrufe.
Zentralisierte Governance: Mit dem Unity AI Gateway und Unity Catalog Metrics wird die Ausführung von KI-Aktionen im Unternehmen auditierbar und reglementierbar.

Beweise

Die Relevanz dieser Entwicklungen spiegelt sich in den Reaktionen führender Analysten und Partner wider:

Bain & Company beschreibt den Übergang von Databricks zu einer “Agentic Enterprise Control Plane”, auf der das Lakehouse zum zentralen Betriebssystem für Unternehmens-Agenten wird.
Atlan präsentierte eine enge Integration mit der Genie Ontology über einen Model Context Protocol (MCP) Server. Interne Tests von Atlan AI Labs zeigten, dass Agenten, die auf einer solchen strukturierten Kontextschicht aufsetzen, eine bis zu 5-fach höhere Genauigkeit aufweisen.
Die breite Unterstützung von Branchen-Frameworks in Agent Bricks verdeutlicht Databricks’ Bestreben, das führende Ökosystem für KI-Entwickler zu etablieren.

Analyse

Databricks positioniert sich als das fundamentale Betriebssystem für die agentische Ära. Indem Datenhaltung, Governance (Unity Catalog) und semantischer Kontext (Genie Ontology) in einer Plattform vereint werden, löst Databricks zwei der größten Hürden für Enterprise AI: unzuverlässige Agenten-Antworten und fehlende Kostenkontrolle. Der Wettbewerb verschiebt sich dadurch weg vom reinen Modell-Hosting (wie es Hyperscaler anbieten) hin zur Bereitstellung der besten kontextuellen Datenplattform. Microsoft Fabric mit Fabric IQ steht hierbei als direkter Konkurrent im Fokus.

Praktische Erkenntnisse

Kontext-Engineering priorisieren: Unternehmen sollten sich darauf konzentrieren, Metadaten, Glossare und Geschäftsmetriken maschinenlesbar und zentralisiert bereitzustellen, anstatt nur Dokumente zu indexieren.
Governance frühzeitig etablieren: Der Einsatz von Gateways wie dem Unity AI Gateway ist essenziell, um unkontrollierte Token-Kosten und Sicherheitsrisiken durch fehlerhafte Agenten-Aktionen zu vermeiden.
Echtzeitdaten nutzen: Mit LTAP und der Reyden-Engine können analytische Agenten auf Live-Transaktionsdaten zugreifen, ohne auf langsame ETL-Pipelines warten zu müssen.

Offene Fragen

Wie gestaltet sich die konkrete Preisstruktur für Genie One und Genie Ontology im großen Maßstab?
Wie gut funktioniert die automatische Synchronisation von Genie Ontology mit externen Systemen wie Salesforce oder SAP in der Praxis außerhalb des Databricks-Ökosystems?