Databricks Summit 2026: Diese neuen Features sollten Sie jetzt auf Ihre Roadmap setzen

San Francisco, Moscone Center, Tag eins. Unsere Kolleginnen und Kollegen Susanne Heinrichs, Pierre Seib und Laurenz Wuttke waren in diesem Jahr live vor Ort, mitten unter rund 31.000 Besuchern, und haben die Ankündigungen direkt aus erster Hand verfolgt. Was in San Francisco auffiel: Es ging kaum noch um Features für Datenteams. Es ging um Systeme, die ohne Datenteams auskommen sollen.

Databricks baut keine Plattform mehr, auf der Menschen Daten auswerten. Es baut ein System, auf dem Agenten das eigenständig erledigen. Für den deutschen Mittelstand, der oft noch mit Datensilos und knappen Datenteams kämpft, ist das keine abstrakte Entwicklung. Die Frage ist konkret: Was davon ist heute einsatzreif, und was klingt auf der Bühne besser als es in der Praxis sein wird? Hier sind die Entwicklungen, die 2026 wirklich zählen.

Feature #1: Genie One macht aus Genie einen handelnden Datenkollegen für jede Abteilung

Databricks hat mit Genie One die nächste Ausbaustufe von Genie vorgestellt. Laut Databricks (Juni 2026) ist Genie One als datenkundiger KI-Kollege für Fachanwender konzipiert, der über reine Analyse-Konversation hinausgeht und eigenständig Aktionen ausführen kann. Außerdem kann er Skills nutzen und sich in Werkzeuge wie Slack und Microsoft Teams einbetten.

Für Mitarbeiter im Vertrieb oder im Marketing bedeutet das in der Praxis: Sie stellen Genie in normaler Sprache eine Frage, und bekommen nicht nur eine Antwort, denn Genie erledigt die dazugehörige Aufgabe gleich mit. Genie kann Analysen per Schedule wiederholt ausführen, also nach einem festen Zeitplan, und über sogenannte Skills auf die spezifischen Bedürfnisse einer Abteilung zugeschnitten werden.

Databricks kündigte außerdem deutlich mehr Konnektoren an, etwa zum persönlichen Postfach sowie zu Slack und Jira, somit hat Genie Zugriff auf eine breitere Datenbasis als bisher. Stellen Sie sich Genie wie einen neuen Kollegen vor, der Ihre Datenbank genauso kennt wie Ihren Kalender, Ihre E-Mails und Ihre Tickets.

Was das für Ihr Unternehmen bedeutet:

• Fachabteilungen werden unabhängiger vom Datenteam, weil sie wiederkehrende Auswertungen selbst aufsetzen können, ohne SQL zu schreiben.
• Wiederkehrende Reports lassen sich automatisieren, statt sie regelmäßig manuell zusammenzuklicken.
• Der Wert hängt direkt davon ab, welche Quellen Sie sauber angebunden haben. Ohne gepflegte Datenquellen bleibt Genie ein hübsches Demo.

Unsere Einschätzung: Genie One ist der konsequente Schritt vom Analyse-Chat zum handelnden Assistenten, und für viele Mittelständler der greifbarste Nutzen des gesamten Summits.

Aber Vorsicht: Ein Agent, der handelt, braucht klare Leitplanken. Wir sehen in unseren Projekten regelmäßig, dass die Begeisterung über solche Funktionen schneller wächst als die Bereitschaft, vorher Berechtigungen und Datenqualität zu klären. Genau das entscheidet darüber, ob Genie One ein echtes Werkzeug wird oder ein teures Experiment bleibt.

Expertentipp von Susanne Heinrichs, Senior Data + AI Engineer bei Datasolut:

Ab dem 06.07.2026 kosten Genie Abfragen (zusätzlich zu dem verbrauchten Compute der ausgeführten Queries). Das kann gerade in einer Umgebung mit schwachen Leitplanken schnell zum Problem werden, weil User dadurch mehr Anfragen stellen müssen und reviewen müssen, was die Kosten in die Höhe treiben kann.

Feature #2: Die Genie Ontology löst das Kontextproblem, an dem KI-Agenten bisher scheitern

Genie One und die neuen Genie Agents werden durch die Genie Ontology angetrieben, einen Wissensgraphen, der alle Unternehmensdaten miteinander verbindet. Laut Databricks (Juni 2026) extrahiert die Genie Ontology automatisch das Wissen aus Tabellen, Abfragen, Dashboards, Pipelines und angebundenen Apps und organisiert es in einem lebenden Graphen, der abbildet, wie ein Unternehmen tatsächlich arbeitet und was die Daten wirklich bedeuten.

Dahinter steckt ein konkretes, altbekanntes Problem. Wer Daten an einen Agenten oder ein Sprachmodell übergibt, zwingt diesen, die Daten und ihre Quellen zunächst zu verstehen. Das kann so lange dauern und so viele Tokens verbrauchen, dass der Agent aufgibt oder grobe Fehler macht. Die Genie Ontology löst das mit einem Ansatz, der dem PageRank ähnelt, dem Algorithmus, mit dem Google vor rund 30 Jahren die Relevanz von Webseiten sortiert hat.

Übertragen auf Unternehmensdaten heißt das: Der Graph gewichtet, woher eine Definition stammt, wie häufig sie genutzt wird und wie aktuell sie ist. Er antwortet aus den vertrauenswürdigsten Quellen heraus. Persönliche Glossare und Geschäftswissen lassen sich ebenfalls integrieren.

In einem internen Databricks-Benchmark beantwortete Genie 84,5 Prozent der Fragen im ersten Versuch korrekt, während der stärkste allgemeine Coding-Agent nur 52,4 Prozent erreichte.

Was das für Ihr Unternehmen bedeutet:

• KI-Agenten liefern verlässlichere Antworten, weil sie nicht mehr raten müssen, welche Tabelle oder welche Kennzahl die richtige ist.
• Ihr implizites Geschäftswissen, etwa wie Sie „aktiver Kunde“ definieren, wird maschinell nutzbar, statt nur in den Köpfen einzelner Mitarbeiter zu existieren.
• Auch für Entwickler geht es voran. Laut Databricks bauen bereits 60 Prozent der Entwickler ihre Pipelines mit solchen Agenten, was den Output spürbar erhöht.

Unsere Einschätzung: Die Genie Ontology ist aus unserer Sicht das eigentlich wichtige Stück des Summits, auch wenn sie weniger spektakulär klingt als ein Chat-Assistent. Sie greift genau das Problem an, an dem KI-Projekte im Mittelstand bisher am häufigsten scheitern: der fehlende oder verstreute Kontext. Der Benchmark stammt von Databricks selbst und ist mit Vorsicht zu lesen, doch die Richtung stimmt. Wer seine Glossare und Metrik-Definitionen jetzt strukturiert, legt das Fundament für jede künftige KI-Anwendung.

In fast jedem Kundenprojekt verbringen wir die ersten Tage damit, zu klären, was ein „aktiver Kunde“, ein „Auftrag“ oder eine „Region“ in den jeweiligen Daten tatsächlich bedeutet. Das ist kein technisches Problem, sondern ein Wissensproblem. Die Genie Ontology macht genau diesen Schritt zum festen Bestandteil der Plattform.

Unser Rat: Fangen Sie nicht mit einem leeren Blatt an. Nehmen Sie fünf bis zehn Kennzahlen, die Ihre wichtigsten Entscheidungen treiben, definieren Sie diese sauber und bauen Sie von dort aus.

Feature #3: Genie ZeroOps verwandelt Pipeline-Fehler von Detektivarbeit in Routine

Databricks hat mit Genie ZeroOps einen persönlichen Agenten vorgestellt, der dabei hilft, Datenpipelines zu verstehen, Fehler zu finden und zu reparieren.

Ein Problem, das jedes Datenteam kennt: Pipelines brauchen oft lange und sind schwer zu durchschauen, wenn etwas schiefläuft. Genie ZeroOps führt eine Analyse durch, um herauszufinden, an welcher Stelle welche Daten nicht mehr ankommen, und unterstützt zusätzlich bei der Reparatur. Wenn viele Daten ins Lakehouse fließen und viele Abnehmer mit ihnen arbeiten, hilft ZeroOps dabei, diese Pipelines besser zu verwalten. Der Vergleich, den wir in Projekten oft ziehen: Statt nur zu sehen, dass das Auto nicht anspringt, findet der Mechaniker direkt das Problem und kann auf eine lose Zündkerze hinweisen.

Was das für Ihr Unternehmen bedeutet:

• Die Ausfallzeiten von Datenstrecken werden kürzer, weil die Fehlersuche von Stunden auf Minuten schrumpfen kann.
• Ihr Datenteam verbringt weniger Zeit mit Feuerwehreinsätzen und mehr mit Projekten, die echten Mehrwert schaffen.
• Die Verlässlichkeit Ihrer Reports steigt, weil Probleme früher erkannt werden, im besten Fall bevor falsche Zahlen in einem Vorstandsmeeting landen.

Unsere Einschätzung: Für mittelständische Unternehmen mit kleinen Datenteams ist Genie ZeroOps einer der unterschätzten Helfer des Summits. Genau hier liegt in unseren Projekten oft der größte und versteckte Kostenblock: Pipelines, die niemand mehr vollständig versteht, und Fehler, deren Ursache tagelang gesucht wird. Wenn ZeroOps hält, was es verspricht, ist das kein Komfort-Feature, sondern ein direkter Hebel auf die Betriebskosten Ihrer Datenplattform.

Feature #4: LTAP beendet das teure Hin- und Herkopieren zwischen Datenbank und Lakehouse

Databricks hat mit LTAP (Lake Transactional/Analytical Processing) eine neue Datenarchitektur vorgestellt. Laut Databricks (Juni 2026) vereint LTAP transaktionale und analytische Verarbeitung auf einer einzigen Kopie der Daten im Lake und macht damit ETL-Strecken, Replikate und Pipelines per Design überflüssig.

Bisher waren beide Welten getrennt. Während die Daten im Lakehouse gut für Analysen liegen, führt Lakebase als transaktionale Datenbank Transaktionen aus und fragt Daten schnell ab. Das Problem dabei: Beide Welten kommunizieren langsam.

Ständig müssen Daten hin und her bewegt werden, vor allem über CDC (Change Data Capture, das laufende Mitschreiben von Datenänderungen), und das ist teuer und fehleranfällig. Mit der neuen Engine müssen Daten nicht mehr kopiert werden. Sie liegen zentral, lassen sich in Echtzeit analytisch auswerten, ohne die Produktion zu beeinflussen, und sind nahtlos im Unity Catalog verfügbar. Databricks nennt außerdem eine eindrucksvolle Größenordnung: Lakebase, das Fundament der Architektur, bedient bereits tausende Kunden und verarbeitet 12 Millionen Datenbankstarts pro Tag.

Was das für Ihr Unternehmen bedeutet:

• Sie sparen die Kosten und Komplexität der Datenpipelines, die heute Datenbank und Lakehouse synchron halten müssen.
• Analysen auf transaktionalen Daten werden in Echtzeit möglich, ohne dass Ihre operativen Systeme darunter leiden.
• Besonders im Bereich Machine Learning entsteht ein direkter Vorteil, weil Trainings- und Produktivdaten ohne Umkopieren konsistent zur Verfügung stehen.

Unsere Einschätzung: LTAP ist die architektonisch ambitionierteste Ankündigung des Summits, und zugleich die, bei der wir zur Geduld raten. Die Idee, transaktionale und analytische Daten auf einer Kopie zu vereinen, greift ein 40 Jahre altes Grundproblem der Datenbranche an. Aber LTAP ist laut Databricks erst „coming soon“ als Teil von Lakebase. Für die meisten Mittelständler heißt das: beobachten und verstehen, aber noch keine Architekturentscheidungen darauf aufbauen.

Feature #5: CustomerLake bringt agentenbasiertes Marketing direkt in die Datenplattform

Databricks hat mit CustomerLake ein neues Produkt vorgestellt, das vor allem für die Marketing- und Vertriebsbranche interessant sein könnte. Laut Databricks (Juni 2026) handelt es sich um eine agentenbasierte CDP (Customer Data Platform), die direkt in Databricks eingebettet ist und auf 1:1-Personalisierung in großem Maßstab abzielt.

Konkret greift Databricks damit die etablierten CDP-Plattformen an. Segmente, also Kundengruppen für die gezielte Ansprache, werden agentenbasiert erstellt und lassen sich anschließend in vorhandenen Marketing-Tools und Kanälen aktivieren.

Statt dass ein Analyst manuell Zielgruppen aufbaut und sie mühsam in ein Kampagnentool exportiert, übernimmt ein Agent diese Brücke. Für Unternehmen, deren Kundendaten heute über CRM, Shop, Newsletter-Tool und Service-System verstreut liegen, ist das ein interessanter Ansatz, weil die Aktivierung direkt dort ansetzt, wo die Daten ohnehin schon liegen.

Was das für Ihr Unternehmen bedeutet:

• Marketing- und Vertriebsteams können Zielgruppen schneller bilden und ausspielen, ohne den Umweg über mehrere getrennte Systeme zu nehmen.
• Die Datenhoheit bleibt in Ihrer Plattform, statt Kundendaten in eine weitere externe CDP zu kopieren.
• Personalisierung wird auch für Mittelständler erreichbar, die sich bisher keine teure, separate CDP-Lizenz leisten wollten.

Unsere Einschätzung: CustomerLake bringt im Marketingbereich spürbar Bewegung in den Markt, und wir sind gespannt, was in der Praxis damit wirklich möglich ist. Für unsere Zielgruppe, den B2B-Mittelstand, ist die Relevanz allerdings sehr unterschiedlich: Wer stark datengetriebenes Marketing betreibt, sollte genau hinschauen. Wer das nicht tut, kann dieses Feature vorerst ignorieren.

Feature #6: Lakehouse//RT macht Abfragen auf das Lakehouse endlich schnell genug für Dashboards

Databricks hat mit Lakehouse//RT (Real Time) eine weitere neue Engine vorgestellt. Laut Databricks (Juni 2026) liefert dieses Echtzeit-Data-Warehouse Antwortzeiten im Millisekundenbereich direkt auf dem Lakehouse, ohne separate Systeme und ohne Datenbewegung.

Hier wird eine frühere Schwachstelle behoben. Bisher liefen Abfragen über ein SQL Warehouse, und bei einem Dashboard oder einer Agenten-Anfrage musste man oft mehrere Sekunden auf das Ergebnis warten. Der Grund liegt in der verteilten Architektur: Databricks arbeitet verteilt, und das führt bei jedem Aufruf zu einem Overhead durch die Worker-Maschinen, deren Ergebnisse am Ende zusammengeführt werden müssen. Genau hier setzt die neue Engine an. Für leichtgewichtige Abfragen nutzt sie nicht mehr einen ganzen Cluster, sondern ein Machine-Learning-Modell entscheidet vorab, wie viel Rechenleistung und welche Engine eine Anfrage tatsächlich braucht.

Was das für Ihr Unternehmen bedeutet:

• Dashboards reagieren spürbar schneller, was die Akzeptanz bei Fachanwendern erhöhen kann, die aktuell noch oft frustriert auf ladende Berichte warten.
• KI-Agenten, die Daten abfragen, werden flüssiger nutzbar, weil die Wartezeit pro Abfrage sinkt.
• Sie zahlen tendenziell für weniger unnötige Rechenleistung, weil nicht jede kleine Abfrage einen ganzen Cluster startet.

Unsere Einschätzung: Lakehouse//RT ist aus unserer Sicht ein echter Gamechanger für das Dashboarding und besonders für Databricks-eigene Dashboards. Die langsamen Abfragen waren über Jahre hinweg eine der größten Schwachstellen der Plattform und ein häufiger Einwand in unseren Projekten. Wenn Databricks dieses Problem strukturell löst, fällt eine der letzten echten Hürden gegen den breiten Einsatz von Databricks im Reporting-Alltag weg.

Feature #7: Open Sharing erweitert das Teilen von Daten auf Agenten, Skills und Modelle

Databricks hat mit Open Sharing ein neues Produkt zum Teilen von Assets vorgestellt. Es knüpft an Delta Sharing an, mit dem sich Daten bisher relativ einfach an externe oder interne Abnehmer teilen ließen, und erweitert diesen Gedanken auf die neue Realität.

Heute gibt es im Unternehmen sehr viel mehr Arten von Assets, die geteilt werden müssen, als einfache Tabellen. Agenten, Agenten-Skills und Modelle gehören dazu. Open Sharing übernimmt genau diese Aufgabe und teilt solche Artefakte sowohl intern als auch mit externen Teilnehmern. Es fungiert damit als eine Art Repository, also ein zentraler, verwalteter Ablageort für genau diese neuen Bausteine.

Warum Lakehouses die Daten-Architektur der Zukunft sind

In unserem Whitepaper erfahren Sie:

• Wie sich ein Data Lakehouse von anderen Architekturen unterscheidet.
• Wie Sie durch ein Lakehouse KI-Anwendungen schneller umsetzen.
• Wie Sie ihr internes Team befähigen selbstständig KI Projekte zu implementieren.

Jetzt herunterladen

Was das für Ihr Unternehmen bedeutet:

• Sie können nicht nur Daten, sondern auch fertige KI-Bausteine kontrolliert mit Partnern, Tochtergesellschaften oder Abteilungen teilen.
• Doppelarbeit sinkt, weil ein einmal gebauter Agent oder ein Modell wiederverwendet statt neu entwickelt wird.
• Die Governance bleibt erhalten, weil das Teilen über einen verwalteten Mechanismus läuft, nicht über lose Kopien per E-Mail oder Netzlaufwerk.

Unsere Einschätzung: Open Sharing ist die logische Antwort auf eine Welt, in der nicht mehr nur Daten, sondern ganze Agenten zum Wertgegenstand werden. Für stark vernetzte Unternehmensgruppen ist das relevanter als für ein einzelnes Mittelstandsunternehmen, das erst am Anfang seiner KI-Reise steht. Unsere Empfehlung: Erst die eigene Datenhausordnung schaffen und dann über das Teilen von Artefakten nachdenken.

Alle Neuerungen im Überblick

Ihre nächsten Schritte: Die Databricks-Roadmap für 2026

Basierend auf den oben beschriebenen Neuerungen empfehlen wir folgende Prioritäten für 2026. Die Reihenfolge beginnt mit dem, was Sie unabhängig von Verfügbarkeitsdaten heute schon vorbereiten können.

Jetzt (Q2/Q3 2026)

• Erstellen Sie ein zentrales Glossar Ihrer wichtigsten Kennzahlen und Geschäftsbegriffe. Genau dieses Wissen speist die Genie Ontology und entscheidet über die Qualität jeder späteren KI-Antwort.
• Inventarisieren Sie Ihre Datenquellen und prüfen Sie, welche davon sauber im Unity Catalog governt sind und welche nicht.
• Identifizieren Sie zwei konkrete, eng abgegrenzte Anwendungsfälle für Genie One in einer einzigen Fachabteilung, statt breit auszurollen.

Mittelfristig (Q4 2026)

• Starten Sie einen kontrollierten Pilot mit Genie One in der ausgewählten Abteilung und messen Sie den Zeitgewinn an einem konkreten, wiederkehrenden Report.
• Bewerten Sie Genie ZeroOps an Ihren fehleranfälligsten Pipelines, dort ist der Hebel auf die Betriebskosten am größten.
• Wenn Sie datengetriebenes Marketing betreiben, evaluieren Sie CustomerLake an einer einzelnen Kampagne, bevor Sie über einen breiteren Einsatz entscheiden.

Strategisch (2026 bis 2027)

• Beobachten Sie die Verfügbarkeit von LTAP und prüfen Sie erst dann, ob es Ihre bestehende Trennung von operativer Datenbank und Lakehouse vereinfachen kann.
• Definieren Sie eine Governance-Strategie für KI-Artefakte, bevor Open Sharing für Sie relevant wird, damit Sie Agenten und Modelle von Anfang an kontrolliert teilen.
• Entwickeln Sie einen Plan, wie Ihr Datenteam vom reaktiven Pipeline-Betrieb zur Betreuung von Agenten wechselt. Dorthin verschiebt sich die Arbeit in den nächsten zwei Jahren.

Was wir in Erstgesprächen gerade immer wieder hören: „Wir wollen sofort einen KI-Agenten auf unsere Daten setzen.“ In einem aktuellen Projekt bei einem mittelständischen Industrieunternehmen haben wir genau das gebremst und stattdessen zwei Wochen in die Definition von rund einem Dutzend zentraler Kennzahlen investiert.

Das Ergebnis: Die späteren Agenten-Antworten waren von Anfang an belastbar, statt im Halbjahres-Takt nachkorrigiert werden zu müssen. Die Genie Ontology macht diesen Schritt jetzt noch wertvoller. Mit unserem DSX Lakehouse Framework strukturieren wir genau diese Vorarbeit, damit Sie nicht für Experimente zahlen, die wir in über 30 abgeschlossenen Datenprojekten schon gemacht haben.

Ausblick 2027

Der Summit 2026 hat eine klare Richtung gesetzt. Databricks entwickelt sich von der Plattform, auf der Menschen Daten auswerten, zum System, auf dem Agenten eigenständig handeln. Für 2027 erwarten wir, dass sich diese Verschiebung beschleunigt. Sobald LTAP allgemein verfügbar wird, könnte die jahrzehntealte Trennung von transaktionalen und analytischen Systemen tatsächlich ins Wanken geraten, mit spürbaren Folgen für Architekturentscheidungen im Mittelstand. Auch die Rolle des Datenteams dürfte sich weiter wandeln: weg vom Pipeline-Betrieb, hin zur Betreuung und Absicherung von Agenten.

Ehrlich gesagt ist aber auch Folgendes wahr: Vieles davon ist heute angekündigt, aber noch nicht erprobt. Wir wissen noch nicht, wie sich die genannten Benchmarks in realen, unaufgeräumten Unternehmensumgebungen schlagen, und wir kennen weder die finalen Preise noch die konkreten Verfügbarkeitstermine mehrerer Produkte.

Wir beobachten zudem erste Anzeichen dafür, dass Governance zum entscheidenden Engpass wird, je mehr Agenten eigenständig auf Daten zugreifen und Aktionen auslösen. Wer 2027 vorne sein will, entscheidet das weniger über die Wahl der Features als über die Disziplin bei Datenqualität und Berechtigungen. Genau diese Diskussion führen wir gern mit Ihnen, bevor sie zum Problem wird.

Vinzent Wuttke

Geschäftsführer

Ihr nächster Schritt mit uns!

Databricks ist eine der leistungsfähigsten Plattformen für Daten und KI – aber ihr volles Potenzial entfaltet sich erst, wenn Ihr Team sie wirklich beherrscht. Lassen Sie uns gemeinsam schauen, welche Schulungspakete zu Ihrer Ausgangssituation passen.

Im kostenlosen Erstgespräch klären wir:

• Welche Rollen und Teams von welchem Paket am meisten profitieren
• Ob und wie wir Inhalte auf Ihre Datenarchitektur und Use Cases anpassen
• Wie ein realistischer Zeitplan und die nächsten Schritte aussehen

Erstgespräch vereinbaren

FAQ: Die wichtigsten Fragen zum Summit schnell beantwortet