Databricks Omnigent ist ein quelloffenes Meta-Harness, das mehrere KI-Agenten wie Claude Code, Codex oder Cursor über eine gemeinsame Oberfläche verbindet und zentral steuert. Das Tool wurde am 12. Juni 2026 unter Apache-2.0-Lizenz veröffentlicht und liegt auf Databricks aktuell als verwaltete Beta-Version vor. Für produktionskritische Workloads ist Omnigent damit noch nicht freigegeben, für die Evaluierung und erste Tests aber bereits gut geeignet.
Vielleicht sind Sie über einen Recap zum Data + AI Summit 2026 oder eine interne Diskussion zum ersten Mal auf den Begriff Omnigent gestoßen und fragen sich, ob das jetzt ein neues Databricks-Produkt, ein Namenswechsel für Agent Bricks oder etwas völlig anderes ist. Dieser Artikel klärt, was Omnigent konkret ist, wie die Architektur aufgebaut ist und wo es sich von Agent Bricks und dem Mosaic AI Agent Framework unterscheidet. Sie erfahren außerdem, warum die Governance-Funktionen von Omnigent gerade jetzt an Bedeutung gewinnen und ob sich ein erster Blick für Ihr Unternehmen bereits lohnt. Fangen wir mit den Grundlagen an.
Was ist Databricks Omnigent? Eine Definition
Omnigent ist ein quelloffenes Meta-Harness, also die Betriebsumgebung rund um ein Sprachmodell, dass Werkzeuge wie zum Beispiel Dateien, Codeausführung, Oberfläche oder die Verwaltung des Gesprächsverlaufs zur Verfügung stellt, während das Modell selbst nur das Denken liefert. Es liegt bereits über genutzten KI-Coding-Agenten wie beispielsweise Claude Code, Codex, Cursor oder Pi und stellt diese von einer zentralen Stelle zusammen. Von dort aus kann es die Agenten steuern und teilen.
Ein Meta-Harness ist dabei keine neue KI selbst, sondern nur eine Orchestrierungsschicht, die nicht die einzelnen Agenten ersetzt, sondern sie unter einer gemeinsamen Oberfläche verbindet, ohne dass der Bestandscode neu geschrieben werden muss.
Databricks hat Omnigent am 12. Juni 2026 offiziell vorgestellt, kurz vor dem Data + AI Summit 2026 in San Francisco. „Omnigent ist ein neues Open-Source-Meta-Harness, das über Coding-Tools wie Claude Code, Codex und benutzerdefinierten Agenten ansetzt, sodass Sie KI-Agenten von einem zentralen Ort aus zusammenstellen, verwalten und teilen können“, so die offizielle Ankündigung im Databricks-Blog. Der Kerncode steht unter der Apache-2.0-Lizenz und lässt sich damit auch komplett unabhängig von einer Databricks-Umgebung betreiben.
Entstanden ist Omnigent aus einem konkreten Praxisproblem. Teams setzen heute selten nur einen KI-Agenten ein, sondern mehrere parallel, abhängig von Aufgabe und Vorliebe der Entwickler. Jeder dieser Agenten bringt eigene Sitzungen, eigene Berechtigungen und eigene Protokolle mit. Ohne eine gemeinsame Schicht darüber verliert man schnell den Überblick, wer gerade was mit welchen Rechten tut.
Omnigent vs. Agent Bricks, der häufigste Verwechslungspunkt:
- Omnigent orchestriert und kontrolliert bereits bestehende Agenten-Harnesses wie Claude Code oder Codex
- Agent Bricks ist die vollständige Produktionsplattform von Databricks für eigene Agenten mit Benchmarking und Kostenoptimierung
- Der Unterschied ist, dass Omnigent über fremden Werkzeugen liegt, während Agent Bricks eigene baut
Diese Abgrenzung ist laut unserer Recherche die mit Abstand häufigste Verwechslung rund um Omnigent, deshalb ordnen wir sie im übernächsten Abschnitt noch einmal ausführlich ein. Zunächst geht es aber um die Frage, wie Omnigent technisch überhaupt aufgebaut ist.
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.
Wie funktioniert Omnigent technisch? Architektur aus Server, Runner und Gateway
Technisch besteht Omnigent aus zwei Hauptkomponenten. Einem Runner auf der einen Seite und einem Server auf der anderen. Der Runner ist die Sandbox-Umgebung beziehungsweise eine abgeschottete Testumgebung, in der der Agent nichts außerhalb seines eigenen Bereichs verändern kann. Er besitzt eine einheitliche Schnittstelle, in der die eigentlichen Agenten-Aufgaben ausgeführt werden. Der Server verwaltet Richtlinien, Freigabefunktionen und den Zustand einzelner Sitzungen.
Auf Databricks läuft dazu ein von Databricks selbst betriebener Omnigent-Server, der sich direkt in die Identitätsverwaltung des jeweiligen Workspace integriert. Der Modellzugriff läuft über die Foundation Model APIs und das Unity AI Gateway, sodass die Nutzung ohne eigene API-Keys zentral gesteuert und abgerechnet werden kann.
| Komponente | Funktion | Relevanz für Unternehmen |
| Runner | Sandbox-Umgebung mit einheitlicher API, führt Agenten-Aufgaben sicher aus | Klare Trennung zwischen Ausführung und Steuerung, weniger Angriffsfläche |
| Server | Verwaltet Richtlinien, Session-Zustand und Freigaben | Zentrale Kontrolle statt verstreuter Einzel-Konfigurationen je Agent |
| Unity AI Gateway | Steuert Modellzugriff und Abrechnung | Kein eigenes API-Key-Management pro Team nötig, Kosten bleiben sichtbar |
| Sandbox-Provider (z. B. Modal, Daytona) | Führt Agenten-Sessions in der Cloud aus | Skalierbare Ausführung, auch außerhalb der eigenen Infrastruktur |
Für Unternehmen bedeutet das, dass nicht jedes Team seinen bevorzugten Coding-Agenten isoliert und mit eigenen Zugriffsregeln betreibt, sondern dass alle Sessions über dieselbe Governance-Schicht laufen. Das reduziert vor allem den Aufwand, der entsteht, wenn mehrere Agenten-Tools parallel im Unternehmen im Einsatz sind, ein Zustand, den wir in Projekten mittlerweile eher als Regel statt als Ausnahme erleben.
Omnigent, Agent Bricks oder Mosaic AI? So ordnen Sie die Begriffe richtig ein
Wer sich zum ersten Mal mit dem Databricks-Agenten-Portfolio beschäftigt, stößt schnell auf drei sehr ähnlich klingende Begriffe. Diese sind nicht austauschbar, sondern beschreiben drei unterschiedliche Ebenen desselben Themas.
| Ebene | Was es ist | Typische Frage, die es beantwortet |
| Mosaic AI Agent Framework | Basiswerkzeug zum Bauen eigener Agenten mit Tool-Calling und Governance über Unity Catalog | Wie baue ich einen produktionsreifen Agenten von Grund auf? |
| Agent Bricks | Vollständige Produktionsplattform, automatisiert synthetische Daten, Benchmarks und Kosten-Qualitäts-Optimierung | Wie bringe ich einen selbst gebauten Agenten schnell in die Produktion? |
| Omnigent | Orchestrierungs- und Governance-Schicht über bereits bestehenden, auch fremden Agenten-Harnesses | Wie steuere und überwache ich mehrere unterschiedliche Agenten-Tools zentral? |
Die drei Ebenen sind dabei komplementär und nicht konkurrierend. Während Agent Bricks auf dem Mosaic AI Agent Framework aufbaut, und damit die höhere Abstraktionsebene für eigene Agenten ist, koordiniert und kontrolliert Omnigent mehrere heterogene Agenten-Harnesses, darunter auch fremde wie zum Beispiel Claude Code, über eine gemeinsame Session-, Richtlinien- und Sandbox-Schicht. Wer bereits mit Agent Bricks eigene KI-Agenten baut, kann diese über Omnigent zusätzlich orchestrieren, statt sich zwischen beiden Ansätzen entscheiden zu müssen.
Expertentipp von Laurenz Wuttke, CTO bei Datasolut:
Bevor Sie weiterlesen; wenn Sie gerade dabei sind, Omnigent und Agent Bricks als zwei konkurrierende Produkte gegeneinander abzuwägen, ist das der falsche Ansatz. Die Frage ist nicht, ob Omnigent oder Agent Bricks, sondern welche Ebene Ihres Agenten-Stacks gerade das eigentliche Problem hat – das Bauen von Agenten oder das Steuern mehrerer bereits vorhandener.
Im nächsten Abschnitt klären wir die Frage, welche Variante von Omnigent zu Ihrer aktuellen Infrastruktur passt.
Unsicher, welche Agenten-Ebene zu Ihrer Situation passt?
Omnigent, Agent Bricks oder ein individuell gebauter Agentic-AI-Ansatz. Welche Kombination für Ihr Unternehmen sinnvoll ist, hängt von Ihrer bestehenden Infrastruktur und Ihren bereits eingesetzten Tools ab. In unserer Agentic-AI-Beratung klären wir das anhand Ihrer konkreten Ausgangslage, nicht anhand einer generischen Empfehlung.
Open Source oder Managed Version? Welche Omnigent-Variante zu Ihrem Unternehmen passt
Omnigent existiert in zwei Betriebsformen, die sich vor allem im Aufwand und in der Kontrolle unterscheiden.
Die Open-Source-Variante unter Apache-2.0-Lizenz lässt sich vollständig unabhängig von Databricks betreiben, inklusive eigener API-Keys und eigener Infrastruktur. Sie eignet sich besonders für Teams, die bereits eine eigene Agenten-Infrastruktur pflegen und maximale Kontrolle über Sandbox-Umgebung sowie Kosten behalten wollen.
Die verwaltete Version auf Databricks bindet Omnigent direkt in den bestehenden Workspace ein. Wer welche Rechte hat und was in einer Sitzung passiert, wird also über dieselben Werkzeuge geregelt, die Ihr Data-Team schon für die Rechteverwaltung und Protokollierung auf Databricks nutzt; Unity Catalog und MLflow. Der Zugriff auf die KI-Modelle läuft dabei separat über das Unity AI Gateway. Laut der offiziellen Databricks-Dokumentation befindet sich diese verwaltete Version aktuell im Beta-Status.
Für Unternehmen, die bereits auf Databricks arbeiten, ist die verwaltete Variante in aller Regel der pragmatischere Einstieg. Governance, Abrechnung und Zugriffskontrolle laufen dann über dieselbe Plattform wie der Rest der Datenumgebung, statt eine zusätzliche, separat zu pflegende Infrastruktur aufzubauen.
Warum Kontrolle über KI-Agenten-Sessions gerade jetzt entscheidend wird
Was in der Omnigent-Dokumentation zunächst nach einem administrativen Detail klingt, kontextbezogene Richtlinien, ist in der Praxis eine der wichtigeren Antworten auf ein Problem, das wir in Kundenprojekten immer wieder beobachten. KI-Agenten machen Fehler, sobald ihr Kontext unübersichtlich wird.
Laut einer Studie von Databricks Mosaic Research, die über 2.000 Experimente an 13 verbreiteten Sprachmodellen umfasst, sinkt die Antwortqualität von Modellen messbar, je mehr Informationen gleichzeitig im Kontextfenster liegen.
Unser CTO Laurenz Wuttke veranschaulicht das in einem aktuellen Video-Deep-Dive zu Kontext-Fehlern bei KI-Agenten. In seinem Beispiel mit Claude 3.5 Sonnet lag die Fehlerrate bei einem Kontextfenster von 16.000 Token bei 3,7 Prozent, bei 64.000 Token bereits bei 49 Prozent.
In der Anwendung zeigen sich daraus vier wiederkehrende Fehlerbilder, die uns auch außerhalb von Omnigent regelmäßig in Agenten-Projekten auffallen:
- Context Poisoning: Der Agent produziert eine Halluzination, verarbeitet sie als Fakt weiter und baut darauf neue, ebenfalls falsche Aussagen auf
- Context Distraction: Das Kontextfenster ist so voll, dass der Agent auf altem Kontext weiterarbeitet, anstatt neu zu denken
- Context Confusion: Zu viele geladene Tools und Tool-Beschreibungen verstopfen das Kontextfenster, wodurch der Agent das falsche Werkzeug wählt
- Context Clash: Widersprüchliche Informationen, wie veraltete Daten neben einem aktuellen Systemzustand, führen zu inkonsistenten Antworten
Genau an diesem Punkt setzten die kontextbezogenen Richtlinien an, die eine der zentralen Omnigent-Funktionen darstellen. Sie verfolgen laut Databricks-Blog nicht nur einzelne Aktionen, sondern den gesamten bisherigen Verlauf einer Agenten-Sitzung, um zu bewerten, ob eine nächste Aktion zulässig ist. Damit lassen sich etwa Schreibrechte auf Dateien beschränken, die ein Agent nicht selbst erstellt hat, oder die Rechte eines Agenten automatisch weiter einschränken, nachdem sensible Inhalte gelesen wurden.
Expertentipp von Laurenz Wuttke, CTO bei Datasolut: Omnigent löst das Kontextproblem nicht automatisch, sondern macht es sichtbar und steuerbar. In unseren Projekten sehen wir häufiger, dass Teams zuerst mehr Tools und mehr Agenten hinzufügen, bevor sie über Governance nachdenken. Richtig herum ist es umgekehrt. Je mehr Agenten Sie orchestrieren, desto früher brauchen Sie eine Schicht, die Sessions, Rechte und Kontext nachvollziehbar hält.
Für Unternehmen bedeutet das, dass Governance über KI-Agenten keine Pflichtübung zum Vorschriften einhalten ist, sondern dass sie sich direkt auf die Qualität der Antworten auswirkt. Je mehr Agenten parallel im Einsatz sind, desto wichtiger wird eine Schicht, die deren Kontext und Berechtigungen sauber hält. Das ist genau die Aufgabe, für die Omnigent gebaut wurde.
Ist Omnigent bereits für deutsche Unternehmen relevant?
Omnigent lohnt sich schon jetzt für eine erste Evaluierung, wenn:
- Ihr Unternehmen bereits mehrere KI-Coding-Agenten parallel einsetzt und den Überblick über Zugriffsrechte verliert
- Ihr Data-Team bereits produktiv auf Databricks mit Unity Catalog arbeitet und eine EU-Region mit Unity-AI-Gateway-Unterstützung nutzt
- Sie ohnehin planen, mehrere Agenten-Tools zu konsolidieren, statt jedes Team sein eigenes Setup pflegen zu lassen
Omnigent ist (noch) nicht die richtige Wahl, wenn:
- Sie produktionskritische Workloads darauf aufbauen wollen. Die verwaltete Version ist laut Databricks-Dokumentation aktuell noch im Beta-Status
- Ihr Unternehmen strenge Change- und Freigabeprozesse für neue Software verlangt, wie es in deutschen Unternehmen mit etablierter IT-Governance üblich ist
- Sie noch keinen einzigen KI-Agenten im Unternehmen im Einsatz haben. Hier lohnt sich zunächst ein Databricks-Audit der bestehenden Plattform
Der Beta-Status der verwalteten Version ist dabei der entscheidende Punkt für deutsche Mittelstandsunternehmen mit konservativer IT-Governance. Er bedeutet, dass Omnigent aktuell eher in isolierten Testumgebungen als in produktionskritischen Workflows evaluiert werden sollte. Ob Ihre konkrete Region, beispielsweise Frankfurt, das Unity AI Gateway bereits vollständig unterstützt, sollten IT-Leiter vorab technisch prüfen, da hier keine der uns bekannten Quellen aktuell eine pauschale Zusage für alle EU-Regionen liefert.
Zu DSGVO- und Betriebsrats-Implikationen von Omnigent-Sessions in der Cloud gibt es bislang keine belastbaren Quellen, weder von Databricks noch von unabhängiger Seite. Wer als Mittelständler produktive Agenten-Workflows über Omnigent plant, sollte die Fragen nach den Richtlinien daher aktuell noch im eigenen Compliance-Prozess klären, statt sich auf öffentlich verfügbare Aussagen zu verlassen.
Omnigent mit Datasolut einführen: So gehen wir vor
Schritt 1: Klarheit über Ihren bestehenden Agenten-Stack
Bevor Omnigent überhaupt sinnvoll bewertet werden kann, klären wir gemeinsam, welche KI-Agenten in Ihrem Unternehmen bereits im Einsatz sind, mit welchen Berechtigungen sie laufen und wo aktuell die größten Kontroll- und Kostenlücken liegen. Häufig zeigt sich bereits hier, ob das eigentliche Problem die Orchestrierung oder die fehlende Agenten-Grundlage ist.
Schritt 2: Governance-Konzept statt isolierter Testinstallation
Wir bauen kein isoliertes Omnigent-Sandbox-Setup, sondern binden die Evaluierung direkt in Ihre bestehende Unity-Catalog-Governance ein. Auch ein kleiner erster Test läuft bei uns von Anfang an in Ihrer echten Rechteverwaltung und nicht in einer separaten Testumgebung, die später aufwendig nachgezogen werden müsste. So lässt sich von Anfang an nachvollziehen, welche Session welche Rechte hat, anstatt dass im Nachhinein aufgeräumt werden muss.
Schritt 3: Kontrollierter Piloteinsatz mit klarer Erfolgsmessung
Wir starten mit einem eng begrenzten Piloten, typischerweise einem einzelnen Team und einem klar abgegrenzten Anwendungsfall, und definieren vorab, woran der Erfolg gemessen wird. Erst wenn sich der Pilot bewährt und Omnigent den Beta-Status verlässt, planen wir die Ausweitung auf weitere Teams.
Weiterführende Artikel zu KI-Agenten und Databricks:
Fazit: Lohnt sich der Blick auf Omnigent schon jetzt?
Omnigent ist kein Hype-Produkt, sondern eine nachvollziehbare Antwort auf ein Problem, das mit jedem zusätzlich eingesetzten KI-Agenten größer wird: den Überblick über Rechte, Kosten und Kontext zu behalten. Wer bereits mehrere KI-Coding-Agenten parallel nutzt und produktiv auf Databricks arbeitet, sollte sich Omnigent jetzt als kontrollierten Test anschauen, aber nicht als sofortigen Ersatz für bestehende Prozesse einsetzen. Der Beta-Status ist dabei kein Grund zur Sorge, aber ein guter Grund, produktionskritische Aufgaben vorerst außen vor zu lassen.
Für Unternehmen, die noch am Anfang stehen oder gerade erst einen einzelnen KI-Agenten testen, lohnt sich der Blick auf Omnigent dagegen noch nicht. Hier zählt zuerst ein sauberer Umgang mit Kontext und Rechten im bestehenden Setup, da man sonst mit Omnigent am Ende nur ein Problem verwaltet, das man vorher hätte lösen können. Unsere Empfehlung ist es daher zuerst zu klären, wie viele KI-Agenten in Ihrem Unternehmen tatsächlich im Einsatz sind und wer aktuell wirklich den Überblick darüber hat, bevor Sie über ein neues Werkzeug wie Omnigent nachdenken.
Nächster Schritt? Kostenlose Erstberatung
In 30 Minuten klären wir gemeinsam, ob und wie Omnigent zu Ihrer bestehenden Databricks-Umgebung passt, und wenn nicht, sagen wir Ihnen auch das.
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
Häufig gestellte Fragen zu Databricks Omnigent
Omnigent orchestriert und kontrolliert bereits bestehende Agenten-Harnesses wie Claude Code oder Codex über eine gemeinsame Session- und Richtlinienschicht. Agent Bricks dagegen ist die vollständige Produktionsplattform von Databricks und dient zum Bauen eigener Agenten, inklusive automatisierter Benchmarks und Kostenoptimierung. Beide Ebenen lassen sich kombinieren und ersetzen einander nicht.
Ja, der Kern von Omnigent wurde am 12. Juni 2026 unter der Apache-2.0-Lizenz veröffentlicht und lässt sich vollständig unabhängig von Databricks betreiben. Databricks bietet zusätzlich eine verwaltete Version an, die direkt in Unity Catalog, MLflow und das Unity AI Gateway integriert ist und aktuell im Beta-Status läuft.
Databricks hat Omnigent kurz vor dem Data + AI Summit 2026 in San Francisco, am 12. Juni 2026 vorgestellt. Die Open-Source-Variante ist allgemein verfügbar, die verwaltete Version auf Databricks trägt laut offizieller Dokumentation (Stand Juli 2026) weiterhin den Status Beta und ist für produktionskritische Workloads noch nicht uneingeschränkt freigegeben.
Nicht direkt, aber es macht die Ursache besser steuerbar. Über kontextbezogene Richtlinien verfolgt Omnigent den gesamten Verlauf einer Agenten-Sitzung und kann die Zugriffe je nach bisherigem Kontext einschränken. Das reduziert das Risiko von Fehlern durch überladenen oder widersprüchlichen Kontext, ersetzt aber gleichzeitig kein sauberes Kontext-Management innerhalb der einzelnen Agenten selbst.
Besonders für Unternehmen, die bereits mehrere KI-Coding-Agenten parallel einsetzen und produktiv auf Databricks mit Unity Catalog arbeiten. Für Unternehmen ohne bestehenden Agenten-Einsatz oder mit sehr strengen Freigabeprozessen für Beta-Software ist eine spätere Evaluierung nach dem Verlassen des Beta-Status meist der sinnvollere Zeitpunkt.
Für die Open-Source-Variante fallen nur Infrastruktur- und Modellkosten an, die je nach Setup variieren. Für die verwaltete Version auf Databricks läuft die Abrechnung über das Unity AI Gateway und damit über den regulären Databricks-Verbrauch. Eine konkrete, herstellerseitig kommunizierte Preistabelle allein für Omnigent liegt bisher nicht vor, daher empfehlen wir vor einer Kostenplanung ein Gespräch mit Ihrem Databricks-Ansprechpartner oder mit uns.
