Erstgespräch vereinbaren
Laurenz Wuttke ·

Databricks Genie Code: So automatisiert der KI-Agent deine Data-Arbeit

20 Minuten Lesezeit
Databricks
Zusammenfassung
  • Genie Code (bis März 2026 Databricks Assistant) ist Databricks‘ agentic KI-Partner für technische Nutzer, wie zum Beispiel Data Engineers, Data Scientists und ML-Engineers
  • Er arbeitet kontextbewusst innerhalb von Databricks: Notebooks, SQL Editor, Lakeflow Pipelines, Dashboards, Jobs, File Editor und MLflow. Lokal gibt es zusätzlich die Genie Code CLI (Beta)
  • Unity Catalog ist die Grundlage: Genie Code nutzt Metadaten, Lineage und Berechtigungen für intelligente Datensuche und sichere Ausführung
  • MCPs, Instructions und Skills ermöglichen tiefgehende Anpassung an Enterprise-Standards des jeweiligen Unternehmens
  • Neu seit Juni 2026: Scheduled tasks , teilbare und verzweigbare Chats sowie eine verbrauchsbasierte Abrechnung mit Freikontingent
  • Aktuelle Einschränkungen: Multi-File Editing außerhalb von Pipelines, gemeinsames Steuern eines Chats und die vollständige Surface-Abdeckung sind noch offen

KI-Assistenten im Arbeitsumfeld gibt es schon seit einiger Zeit. Was Databricks im März 2026 aus dem bisherigen Databricks Assistant gemacht und als Genie Code vorgestellt hat, geht jedoch weit darüber hinaus, was bisher unter „Code-Completion“ verstanden wurde. Genie Code ist ein autonomer KI-Agent, der Entwickler durch den gesamten Workflow begleiten kann. Von der Datensuche über das Modell-Training bis zur Pipeline-Erstellung in Produktion ist alles möglich.

Wer in der Databricks-Plattform täglich Notebooks schreibt, Pipelines baut oder ML-Modelle trainiert, kennt das Gefühl: Ein Großteil der Arbeitszeit geht nicht für das eigentliche Problem drauf, sondern für Vorstufen. Die richtige Tabelle finden. Exploratory Data Analysis manuell aufsetzen. Deployment-Fehler iterieren. Dashboards zusammenklicken.

Genau hier setzt Databricks Genie Code an: ein autonomer KI-Agent, der direkt im Databricks-Workspace lebt und uns durch den gesamten Workflow begleitet, von der Datenfindung über Modell-Training bis zur Pipeline-Erstellung in Produktion.

Update Oktober 2026: Databricks hat die Genie-Familie neu benannt: Genie Code hieß bis März 2026 Databricks Assistant, Genie Agents hießen bis Juli 2026 Genie Spaces, Genie One ist der Nachfolger von Databricks One. Seit unserem letzten Stand sind außerdem Scheduled Tasks, die Genie Code CLI und ein neues Preismodell dazugekommen. Wir haben den Artikel auf den Stand vom 22. Oktober 2026 gebracht.

Wir zeigen, was Genie Code ist, wie es sich von Genie One und den Genie Agents (ehemals Genie Spaces) abgrenzt und was das in der Praxis bedeutet. Außerdem geben wir eine ehrliche Einschätzung zu den aktuellen Grenzen.

Genie One, Genie Agents und Genie Code: Wer nutzt was?

Bevor wir in die Funktionalitäten einsteigen, ist eine Abgrenzung wichtig, die in der Praxis häufig zu Verwirrung führt. Durch die Umbenennungen im Jahr 2026 ist sie nicht einfacher geworden.

Genie One richtet sich an Business User. Es bietet eine einfache Chat-Oberfläche über Daten, Dashboards und Apps. Ein Analyst oder Manager stellt Fragen in natürlicher Sprache, Genie One antwortet mit Tabellen, Charts oder Text direkt aus den Unternehmensdaten auf Databricks. (diese liegen im Unity Catalog)

Genie Agents (früher Genie Spaces) sind domänenspezifische Agenten. Das Datenteam legt Datenquellen, Beispielabfragen und Regeln fest, die Business User arbeiten anschließend damit, etwas für Vertriebs- oder Controlling-Fragen.

Das coole: es sind keine SQL-Kenntnisse und kein Umweg über das IT-Team erforderlich. Mehr dazu in unserem Artikel zur Databricks AI/BI-Plattform.

Architektur-Schaubild von Genie und Genie Code. Als KI-Agenten von Databricks verbinden sie Business- und technische Nutzer mit Lakehouse, Lakebase und Lakeflow über KI mit Data Intelligence.

Genie Code hingegen ist ein Produkt für Entwickler auf der Databricks Plattform, die täglich mit Notebooks, Pipelines und Modellen arbeiten. Das Ziel: die Arbeit von Entwicklern zu beschleunigen.

Genie Code schreibt Code, führt ihn aus, interpretiert Ergebnisse, korrigiert Fehler eigenständig und plant autonome Workflows, und das alles in der vertrauten Databricks-Umgebung. Neben dem Chat-Panel gibt es dafür inzwischen ein ganzseitiges „Full page command center“ und mit der Genie Code CLI (Beta seit Oktober 2026) einen separaten Ableger für das lokale Terminal.

Genie One und Genie AgentsGenie Code
ZielgruppeBusiness UserData Practitioners (Engineers, Scientists, Analysts)
KernfunktionNatürlichsprachliche Fragen & Antworten über DatenDinge mit Daten bauen
InteraktionFragenstellen, Antworten lesenNotebooks schreiben, Pipelines bauen, Modelle trainieren
Technische TiefeNiedrigHoch
SetupKeine InstallationIm Workspace keine Installation; CLI optional lokal (Beta)

Alle drei Produkte teilen eine gemeinsame Intelligence-Schicht: den Kontext und das Wissen aus dem Databricks-Workspace, insbesondere aus dem Unity Catalog.

Was Genie Code in der Praxis kann: Der vollständige Data-Workflow

Um die Stärke von Genie Code zu verstehen, ist ein konkretes Demo-Szenario hilfreicher als abstrakte Feature-Listen. Databricks hat bei der Produktvorstellung einen End-to-End-Workflow gezeigt, der sich von der Datenfindung bis zum produktiven Dashboard zieht. Wir haben diesen Workflow für Sie nachgebaut und kommentieren ihn aus der Praxis-Perspektive.

Schritt 1: Intelligente Datensuche (Data Discovery)

Der erste und oft zeitaufwändigste Schritt in jedem Data-Projekt ist die Frage: Welche Tabelle brauche ich eigentlich? Bisher bedeutete das: Katalog durchsuchen, Kollegen fragen, Dokumentation lesen.

Genie Code löst das agentisch: Der Nutzer beschreibt in natürlicher Sprache, was er analysieren möchte, zum Beispiel Flugverspätungen nach Airline und Route. Genie Code durchsucht eigenständig den Unity Catalog, bewertet Tabellen anhand von

  • Beschreibungen,
  • Lineage
  • und Code-Samples

und gibt eine priorisierte Empfehlung mit Begründung.

Das funktioniert umso besser, je vollständiger die Unity-Catalog-Metadaten sind. Hier zeigt sich einer der wichtigsten Schneeballeffekte: Wer in Tabellenbeschreibungen und Spaltenkommentare investiert, bekommt von Genie Code bessere Ergebnisse und wird dadurch motiviert, die Metadaten weiter zu verbessern.

Ein Aspekt, der in Kundengesprächen regelmäßig überrascht: Genie Code wirkt besonders stark bei Nutzern, die Databricks bislang wenig oder zögerlich genutzt haben. Wer bisher einfache SQL-Abfragen geschrieben hat, erledigt plötzlich explorative Datenanalyse, Modell-Training und Pipeline-Bau im selben Workflow, weil der Agent die Komplexitätshürden überbrückt.

Es befähigt auch nicht technische Nutzer auf einmal komplexe Probleme zu lösen.

Schritt 2: Explorative Datenanalyse (EDA)

Ein einzelner Prompt reicht für den nächsten Schritt: „Führe eine EDA auf diesem Datensatz durch und identifiziere fünf interessante Insights.“

Was dann passiert, geht über klassische Code-Completion hinaus. Genie Code erstellt bei komplexen Aufgaben einen transparenten Agent Plan beziehungsweise eine sichtbare Schritt-für-Schritt-Liste der geplanten Aktionen (z.B. „Sample data“, „Deep-dive analyses“, „Visualize and summarize“). Vorgeschlagene Änderungen lassen sich prüfen, annehmen oder ablehnen. Welche Tool-Aufrufe eine Freigabe brauchen, ist konfigurierbar. Standardmäßig ist allerdings Auto-approve aktiv.

Bei unseren Projekten sehen wir, dass genau diese Transparenz das Vertrauen in den Agenten erhöht: Man gibt Verantwortung ab, behält aber den Überblick. Wichtig dabei: Auto-approve ist laut Databricks eine Produktivitätsfunktion und ausdrücklich keine Sicherheitsgrenze. Das Ergebnis: Mehrere Notebook-Zellen mit Python-Code, Visualisierungen und einem strukturierten Insight-Bericht innerhalb weniger Minuten.

Schritt 3: Modell-Training und Deployment

Auf Basis der EDA kann der Nutzer direkt fragen: „Sind wir bereit für ein Predictive Model, oder brauchen wir mehr Exploration?“ Genie Code analysiert die vorliegenden Daten, benennt Probleme wie Class Imbalance und schlägt konkrete Pre-Modeling-Checks vor. Nach der Bestätigung trainiert der Agent ein Modell, zusätzlich werden alle Schritte in MLflow getrackt.

Besonders beeindruckte uns im Deployment-Schritt: Wenn beim Ausrollen des Serving Endpoints eine fehlende Dependency auftritt, erkennt Genie Code den Fehler, fügt die Dependency eigenständig hinzu und wiederholt den Versuch ohne zusätlichen Nutzereingriff. In unserem Test haben wir beobachtet, dass der Agent auch bei mehreren aufeinanderfolgenden Fehlern weitermacht, analysiert und iteriert. Das schafft Vertrauen.

Machen Sie Databricks zu Ihrem Wettbewerbsvorteil

Genie Code entfaltet seine volle Wirkung auf einer sauber aufgebauten Datenbasis. Wenn Sie wissen möchten, wo Ihr Workspace heute steht und welche Schritte den größten Effekt hätten, sprechen Sie mit uns.

Schritt 4: Dashboard-Erstellung und Pipeline-Bau

Genie Code ist nicht auf Notebooks beschränkt. Im AI/BI Dashboard-Bereich erstellt er auf Anfrage Datensätze, Charts und Layouts. Besonders nützlich: Der Agent kann auf Assets aus anderen Bereichen Bezug nehmen, also etwa das EDA-Notebook als Kontext nutzen, wenn er ein Dashboard zu denselben Daten baut.

Im Lakeflow Designer schlägt Genie Code eine Pipeline-Struktur vor (Bronze/Silver/Gold-Architektur), erstellt die entsprechenden Dateien und Ordner und führt eigenständig einen Dry Run durch. Auch hier gilt: Fehler werden ohne Nutzereingriff identifiziert und korrigiert. Eine feste Drei-Schichten-Vorlage für jedes Produkt ist das allerdings nicht: Die Struktur ergibt sich aus Prompt, Daten und Ihren Instructions.

Update Oktober 2026: Seit August 2026 lassen sich Power-BI und Tabelau-Dashboards per /importBI übernehmen. Dashboard-Änderungen von Genie Code werden semantisch validiert und lassen sich rückgängig machen. Im Lakeflow Designer erstellt Genie Code seit September 2026 auf Beschreibungen eigene Operatoren für die Visual data prep.

Schritt 5: Im Hintergrund und im Team arbeiten

In Projekten fällt oft das Stichwort „Cowork“: Mensch und Agent arbeiten gemeinsam an einer Aufgabe. Einen eigenen Cowork-Modus gibt es in Genie Code nicht. Databricks verwendet den Begriff für Genie One. Für die Zusammenarbeit mit Genie Code sind seit Juni 2026 aber mehrere Funktionen dazugekommen:

  • Scheduled tasks (seit 1. September 2026 auf AWS, Azure und GCP): Wiederkehrende Aufgaben laufen zeitgesteuert, jeder Lauf erzeugt einen neuen Chat, den Sie später fortsetzen können. Die Tasks laufen mit den Rechten der Person, die sie angelegt hat, und immer mit Auto-approve.
  • Genie Code als Job-Task (Beta seit August 2026): Genie Code lässt sich als eigener Schritt in Lakeflow Jobs einbinden.
  • Parallele Chats: Mehrere Chat-Tabs laufen nebeneinander weiter, auch wenn Sie zwischen ihnen wechseln. Chats sich durchsuchbar.
  • Chats teilen: Nutzer, Gruppen und Service Principals können Leserechte („Can View“) auf einen Chat erhalten. Gemeinsam den selben Chat steuern können sie nicht.
  • Verzweigen und nachfragen: Chats lassen sich forken, frühere Nachrichten bearbeiten, und mit /btw stellen Sie eine Nebenfrage, ohne den Hauptfaden zu stören.

Unsere Einordnung: Für wiederkehrende Analysen Scheduled tasks ein echter Fortschritt. Echtes gemeinsames Arbeiten mehrerer Personen mit demselben Agenten ist es noch nicht, geteilte Chats sind zum Mitlesen gedacht.

Die Grundlage: Unity Catalog als Sicherheits- und Intelligenz-Schicht

Ein kritischer Aspekt, der bei der Produktbeurteilung oft unterbewertet wird: Genie Code ist nicht losgelöst von der bestehenden Governance-Infrastruktur. Er operiert im Workspace strikt innerhalb der Unity-Catalog-Berechtigungen des jeweiligen Nutzers. Der Agent hat keinen Zugriff auf Daten, auf die der Nutzer selbst keinen Zugriff hat und kann keine Aktionen ausführen, für die die entsprechenden Rechte fehlen.

Das adressiert eine häufige Sorge, den wir von unseren Kunden als Feedback bekommen: „Wir wollen nicht, dass ein Large Language Model uneingeschränkt auf unsere Daten zugreift.“ Die Antwort lautet: Genie Code sieht genau das, was Sie auch sehen, nicht mehr und nicht weniger. Bei Scheduled tasks gelten die Rechte der Person, die den Task angelegt hat.

Für Databricks-Nutzer, die Unity Catalog noch nicht vollständig ausgebaut haben, ist das ein starkes Argument, in die Metadatenpflege zu investieren. Gut beschriebene Tabellen, klare Spaltenkommentare und saubere Lineage verbessern nämlich direkt die Qualität der Genie-Code-Antworten.

Warum Lakehouses die Datenarchitektur 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

Anpassung: MCPs, Instructions und Skills

Genie Code ist out-of-the-box einsatzbereit, aber der echte Enterprise-Mehrwert entsteht durch gezielte Konfiguration.

Wer ein Hochhaus baut, steigt nicht für jedes Stockwerk von der Straße aus nach oben. Man baut eine Etage, stellt ein Gerüst darum und arbeitet sich von dort weiter. In der Community heißt dieses Prinzip bei KI-Agenten „Scaffolding“. Das Gerüst besteht hier aus Kontext: Semantik und Metadaten aus Unity Catalog und Genie Ontology, dazu Ihre Standards und wiederverwendbaren Arbeitsweisen. Es wächst mit jedem Projekt mit, und der Agent muss nicht jedes Mal bei null anfangen.

Ohne dieses Gerüst übernehmen Sie selbst seine Rolle: Sie erklären dem Agenten in jeder Sitzung neu, was bei Ihnen ein Geschäftsjahr ist oder welche Tabelle die bereinigten Umsätze enthält.

Databricks Genie Code mit Gerüst aus MCP-Connectoren, Instructions und Skills auf einem Fundament aus Unity Catalog und Genie Ontology.

Ein offizieller Modus ist Scaffolding jedoch nicht. Genie Code erzeugt nicht auf Knopfdruck komplette Projekte samt Bundle, Tests und CI/CD. Wer Projektvorlagen aus Framework-Templates braucht, findet sie in der Agent Bricks CLI (Beta), einem separaten Werkzeug.

Hier schließt sich der Kreis zum Cowork-Gedanken aus Schritt 5. Ein neuer Kollege wird erst dann eine echte Hilfe, wenn er drei Dinge kennt: die Systeme, in denen die Informationen liegen, die Regeln im Haus und die eingespielten Arbeitsabläufe. Bei Genie Code entsprechen dem die drei Mechanismen für das Gerüst:

1. MCPs (Model Context Protocol)

Auch externe Tools lassen sich in Genie Code einbinden: Confluence, Jira, GitHub, Google Drive, Glean und weitere. Damit kann der Agent Kontext von außerhalb Databricks nutzen oder dort Aktionen ausführen.

Ein Beispiel:

In Confluence pflegen viele Unternehmen ihre internen Entwicklungsrichtlinien. Dazu gehört etwa, welche Felder in bestimmten Datenbereichen nicht gespeichert werden dürfen, wie Tabellen benannt werden sollen oder welche Qualitätsprüfungen bei jeder neuen Pipeline Pflicht sind.

Ohne MCP-Anbindung kennt Genie Code diese Regeln nicht und muss jedes Mal explizit darauf hingewiesen werden. Mit der Confluence-Anbindung liest der Agent die relevante Dokumentation beim Pipeline-Bau eigenständig aus und hält sich automatisch daran — ohne dass der Data Engineer die Vorgaben im Prompt wiederholen muss.

Sowohl Managed MCPs als auch Custom MCPs (als Databricks Apps) sind möglich. Die von Databricks bereitgestellten MCP-Connectoren sind seit 10. Oktober 2026 allgemein verfügbar.

2. Instructions

Bei Instructions handelt es sich um Markdown-Dateien, die bei jedem Prompt an Genie Code übergeben werden. Ideal für diese persistenten Standards: Variable-Naming-Conventions, bevorzugte Libraries oder auch häufig genutzte Flags. Es gibt zwei Ebenen:

  • User Instructions: Persönliche Präferenzen, die nur für den eigenen Account gelten 
  • Workspace Instructions: Unternehmensweite Standards, die vom Admin für den gesamten Workspace gesetzt werden

Instructions sind auf 20.000 Zeichen begrenzt und gelten nicht für Quick Fix und Autocomplete. Zusätzlich liest Genie Code

Der einfachste Weg, diese Instructions zu pflegen, ist es, dem Agenten zu sagen „Merke dir X“. Dann fügt er es automatisch zur Instructions-Datei hinzu.

3. Agent Skills

Agent Skills sind ein System persistenter Standard, das über Markdown-Dateien aufgabenspezifische Konventionen festhält, wie zum Beispiel ML-Workflow-Standards oder Vorgaben für einen bestimmte Pipeline-Typ. Skills können auch Skripte, Beispiele und Unternehmensvorlagen enthalten.

Dabei kann der Agent selbstständig entscheiden, welche Skill-Datei für die aktuelle Aufgabe relevant ist und lädt nur diese, anstatt bei jedem Prompt sofort jede Skill-Datei zu laden. So bleibt das Kontextfenster schlank und übersichtlich, was Ressourcen spart und außerdem die Qualität der Ergebnisse verbessert.

Wo könnten KI-Agenten bei Ihnen den größten Unterschied machen?

Das finden wir gemeinsam heraus

Genie Code vs. Claude Code: Für welchen Workflow eignet sich was?

In Kundenprojekten kommt regelmäßig die Frage: Brauchen wir Genie Code überhaupt, wenn wir bereits externe KI-Coding-Agenten wie Claude Code im Einsatz haben?

Lassen Sie uns die Frage klären:

Claude Code ist Anthropics allgemeiner Coding-Agent. Er läuft im Terminal, per CLI-Installation, als Desktop-App und als VS-Code- bzw. JetBrains-Extension, also unabhängig von jeder spezifischen Plattform. Sein Stärkenfeld ist breite Software-Entwicklungsarbeit: Multi-File-Editing über komplexe Codebasen hinweg, Debugging, Refactoring, Test-Ausführung, Git-Integration.

Genie Code hingegen ist ein spezialisierter Agent für den Data-Practitioner-Workflow innerhalb von Databricks, ohne Installation und darüber hinaus direkt im Workspace aktiv. Sein struktureller Vorteil: Er kennt die eigenen Unternehmensdaten und alle Databricks Artifakte.

Über Unity Catalog hat er Zugriff auf Tabellenmetadaten, Lineage und Berechtigungen und nutzt diesen Kontext bei jeder Anfrage. Hinzu kommt die tiefe Integration in Notebooks, SQL Editor, Lakeflow Pipelines, AI/BI Dashboards und MLflow.

Update Oktober 2026: Die Grenze zwischen beiden Welten ist durchlässiger geworden. Databricks bietet mit der Genie Code CLI (Beta) einen eigenen Terminal-Agenten, der lokale Dateien bearbeitet und Konfigurationen aus Claude Code oder Cursor per /import übernimmt. Umgekehrt lässt sich Claude Code über die ug CLI offiziell an das Databricks Unity Gateway anbinden, inklusive freigegebener MCP-Server, Skills und Kostenanzeige.

KriteriumGenie CodeClaude Code
EinstiegIm Workspace ohne Installation; CLI optional lokal (Beta)Installation per CLI, Desktop-App oder IDE-Extension; Cloud-Sessions im Browser
Primäre OberflächeDatabricks Workspace (Notebook, SQL, Dashboard, Pipeline, Jobs), Full page command center, CLI (Beta)Terminal, VS Code, JetBrains, Desktop-App, Web, Zugriff per Mobile
DatenzugangUnity Catalog: Metadaten, Lineage, Berechtigungen nativ verfügbarKein nativer Zugriff; offizielle Anbindung über Unity Gateway, MCP und Skills möglich
StärkeEnd-to-End Data-Workflows im Databricks-ÖkosystemBreite Software-Entwicklung, komplexe Multi-File-Codebasen
Multi-File EditingIm Pipeline-Editor und lokal per CLI; außerhalb davon eingeschränktRepo-Änderungen mit Diffs, Branch- und PR-Workflow
GovernanceUC-Berechtigungen gelten im Workspace automatisch; lokale CLI-Aktionen außerhalbPermission Modes, Sandbox, Enterprise-Kontrollen (u. a. Audit-Logs, SCIM, Spend Controls); optional über Unity Gateway
MCP-IntegrationDatabricks-bereitgestellte Connectoren (GA) plus eigene MCP-ServerMCP, Plugins und offizielle Databricks-Anbindung
ZusammenarbeitChats mit Leserechten teilen, parallele Chats; kein Cowork-ModusSession-Sharing, Nachrichten zwischen Sessions, Sub-Agenten
Hintergrund-AusführungScheduled tasks (GA), Genie Code als Job-Task (Beta)Hintergrund-Sub-Agenten, Cloud-Sessions, geplante Cloud-Runs
ScaffoldingErzeugt Pipelines, Operatoren und Assets; kein eigener ModusDateien, Skills und Plugins; kein fertiges Databricks-Paket
Abrechnung150 DBU pro Person und Monat frei, danach Verbrauch; CLI separatIm Paid Plan mit Nutzungslimits oder per API; Enterprise pro Seat plus Verbrauch

Die ehrliche Einordnung: Beide Tools sind keine Konkurrenten, sondern für unterschiedliche Aufgaben optimiert. Ihre Funktionsbereiche unterscheiden sich aber stärker als noch im Juni. Data Engineers und Data Scientists, die täglich in Databricks arbeiten, bekommen mit Genie Code einen Agenten, der genau diesen Kontext kennt, ohne Vorbereitung und ohne Kontext-Briefing. Claude Code ist die sinnvollere Wahl für allgemeine Software-Entwicklungsaufgaben außerhalb des Databricks-Ökosystems.

Wir sehen bei unseren Databricks-Kunden typischerweise folgende Nutzerverteilung: Etwa die Hälfte der technischen Nutzer zögert noch, KI-Agenten aktiv zu nutzen. Die Hemmschwelle ist somit real. Etwa 40 Prozent haben Genie Code schnell getestet und berichten von einer messbaren Zeitersparnis. Nur ein kleiner Teil vergleicht aktiv beide Tools und benennt Feature-Gaps.

Aktuelle Limitierungen (Stand: Oktober 2026)

Seit Juni hat Databricks an allen fünf Punkten gearbeitet, die wir damals genannt haben. Vollständig gelöst ist keiner davon:

  • Multi-File Editing (verbessert): Der Lakeflow Designer bearbeitet mehrere Dateien, die CI arbeitet mit lokalen Dateien. Das gleichzeitige Bearbeiten mehrerer Notebooks oder Notebook + Python Files ist im Workspace aber weiterhin nicht so smooth, wie man es sich wünscht.
  • Surface-Abdeckung (verbessert): Jobs, File Editor, MLflow und Dokumentverarbeitung sind dazugekommen. Eine vollständige Abdeckung, etwa für Ingestion. Lineage und Governance, existiert bisher nicht.
  • Latenz (verbesser): Dashboard-Bearbeitungen laufen schneller, überflüssige Agent-Schritte wurden reduziert, und für einfache Aufgaben gibt es eine „Low effort“- Einstellung. Einen allgemeinen Benchmark gibt es nicht.
  • Thread Management (verbessert): Chats sind durchsuchbar, laufen parallel in Tabs und lassen sich forken. Automatischen Kontext aus allen alten Threads gibt es nicht.
  • Asset Search (verbessert, Qualität offen): Genie Onthology und häufig genutzte Assets liefern zusätzlichen Kontext. Wie gut die Suche in der Praxis trifft, hängt weiter stark an Ihren Metadaten.

Dazu kommen Einschränkungen, die im Juni noch keine Rolle spielten:

  • Freigaben: Auto-approve ist Standard und bei Scheduled tasks und Job-Tasks nicht abschaltbar.
  • Zusammenarbeit: Geteilte Chats sind nur lesbar, gemeinsames Steuern ist nicht möglich.
  • Kosten: Budgets mit Altering und Nutzungssperre sind kein hartes Rechnungslimit, laufende Anfragen werden nicht abgebrochen. Compute wird separat abgerechnet.
  • Genie Code CLI (Beta): Keine freie Modellwahl (während der Beta GPT 5.6), keine automatische Übernahme von Workspace-Skills und -Instructions, keine SSH-Tunnel-Sessions.
  • Fair Usage: Nutzungsgrenzen existieren, eine feste Quote veröffentlicht Databricks nicht. Scheduled tasks können daran scheitern.

Das sind keine Show-Stopper für die meisten Workflows, aber relevante Einschränkungen für Teams mit komplexen Multi-File-Projekten. Wer Bugs entdeckt, sollte das Bug-Icon am Ende einer Agenten-Antwort nutzen: Es kopiert eine Trace ID, die das Databricks-Team für die Fehleranalyse benötigt.

Roadmap: Wohin die Reise geht

Was Databricks im Juni 2026 in der Produkt-Roadmap kommuniziert hat, und wo es heute steht:

Background Agents: Künftig soll der Agent auch dann arbeiten, wenn der Laptop geschlossen ist: langläufige Pipeline-Builds, parallele Analysen und proaktive Untersuchungen.

Stand Oktober 2026: Teilweise umgesetzt. Scheduled tasks sind seit 1. September 2026 auf AWS, Azure und GCP allgemein verfügbar, Genie Code als Job-Task ist in Beta. Dass jede interaktive Sitzung nach dem Zuklappen des Laptops weiterläuft, ist damit nicht gemeint.

Autopilot: Data Engineers verbringen heute viel Zeit mit Wartungsaufgaben wie Schema-Evolution, Abhängigkeits-Upgrades und Fehlerbehandlung in Jobs. Autopilot soll bei Job-Failures selbstständig die Ursache analysieren, Korrekturen vorschlagen, diese validieren und automatisch einen Pull-Request öffnen – und das, ohne dass der Ingenieur aktiv werden muss.

Stand Oktober 2026: Databricks hat dieses Zielbild im Juni als Genie ZeroOps vorgestellt und eine Private Preview angekündigt. Einen Nachweis zum tatsächlichen Start oder zur allgemeinen Verfügbarkeit existiert bisher nicht.

Agent-centric UX: Heute wechseln die Nutzer zwischen der Dashboard-, der Pipeline- und der Notebook-Seite. Die Vision: Es gibt nur einen Thread und der Agent koordiniert alles. Ein Prompt wie „Analysiere X, erstelle ein Dashboard und aktualisiere es wöchentlich” soll zu einem vollständig autonomen Workflow führen.

Stand Oktober 2026: Erste Schritte sind sichtbar. Das Full page command center ist für AWS und Azure dokumentiert, mehrere Chats laufen parallel. Einen einzigen Thread, der alle Bereiche steuert, gibt es noch nicht.

Weiter Neuerungen seit Juli 2026, die für Genie-Code-Nutzer relevant sind:

  • Verbraucherbasierte Abrechnung mit Freikontingenten seit 8. Juli 2026
  • Web-Suche in Genie Code (Beta) und Datei-Uploads als Chat-Kontext seit August 2026
  • Genie Code CLI (Beta) seit 6. Oktober 2026 auf AWS, Azure und GCP
  • Agentic Code Converter für SQL seit 15. Oktober 2026 allgemein verfügbar
  • Genie App Builder (Beta seit September 2026) als separates Produkt Apps

Stand heute ist Genie Code ein ausgereifter Agent für die Arbeit im Workspace und ein früher Agent für alles drumherum. Was sich bis Jahresende ändern kann: der Status der CLI und von ZeroOps. Wir beobachten das und aktualisieren diesen Artikel.

Fazit

Genie Code ist kein weiteres Autocomplete-Feature. Es beschleunigt den vollständigen Workflow für Databricks-Entwickler, von der Datensuche bis hin zum produktiven Dashboard. Wir sind teilweise selber überrascht wie gut Genie Code für Databricks spezifische Probleme funktioniert und unsere Arbeit deutlich beschleunigt.

Wer Databricks bereits nutzt, sollte drei Dinge priorisieren:

  • Unity Catalog mit sauberen Metadaten ausbauen,
  • Workspace Instructions frühzeitig definieren,
  • Freigaben und Budgets bewusst konfigurieren, bevor Scheduled tasks produktiv laufen, und
  • mit einem klar abgegrenzten Use Case starten. Der Hebel zeigt sich schnell – meistens schon im ersten vollständigen Workflow.
Vinzent Wuttke
Geschäftsführer

Ihr nächster Schritt mit uns!

Databricks ist eine der leistungsfähigsten Plattformen für Daten und KI. Ihr volles Potenzial entfaltet sich aber erst, wenn Ihr Team sie selbst 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

Häufige Fragen zu Databricks Genie Code

Was ist Databricks Genie Code?

Databricks Genie Code ist ein KI-Agent im Databricks-Workspace, der bis März 2026 Databricks Assistant hieß. Er begleitet Data Engineers, Data Scientists und andere technische Nutzer durch komplexe Daten-Workflows, von der Datensuche über das Modelltraining bis hin zur Pipeline-Erstellung. Er arbeitet kontextbewusst auf Basis von Unity Catalog und ist im Workspace ohne Installation einsatzbereit. Für lokale Arbeit gibt es zusätzlich die Genie Code CLI (Beta).

Was ist der Unterschied zwischen Genie One und Genie Code?

Genie One richtet sich an Business User ohne technisches Vorwissen: Sie stellen Fragen in natürlicher Sprache und erhalten direkte Antworten aus den Unternehmensdaten.

Genie Code ist für technische Nutzer: er schreibt und führt Code aus, trainiert Modelle, baut Pipelines und erstellt Dashboards. Beide teilen dieselbe Datenbasis, sind aber für grundlegend unterschiedliche Aufgaben gebaut.

Wie sicher ist Genie Code im Umgang mit Unternehmensdaten?

Genie Code arbeitet im Workspace ausschließlich innerhalb der Unity-Catalog-Berechtigungen des jeweiligen Nutzers, bei Scheduled tasks mit den Rechten der Person, die sich angelegt hat. In den Modellkontext können Metadaten, Code, Beispieldaten und Zell-Ausgaben gelangen. Auto-approve ist standardmäßig aktiv und laut Databricks keine Sicherheitsgrenze. Berechtigungen bleiben deshalb die entscheidende Schutzschicht.

Brauche ich Genie Code, wenn ich bereits Claude Code oder Cursor nutze?

Das kommt auf den Anwendungsfall an. Allgemeine Coding-Agenten wie Claude Code sind für breite Software-Entwicklungsaufgaben gebaut und kennen Ihre internen Datenbankstrukturen nicht ohne expliziten Kontext. Genie Code ist spezialisiert auf den Data-Practitioner-Workflow in Databricks und versteht Ihren Workspace (Tabellenstruktur, Datenherkunft und Berechtigungen) von Hause aus. In der Praxis ergänzen sich beide.

Was kostet Databricks Genie Code?

Seit 8. Juli 2026 rechnet Databricks die LLM-Nutzung von Genie Code verbrauchsbasiert in DBU ab. Jede Person erhält 150 DBU pro Monat frei, in US East rund 10,50 US-Dollar. Darüber hinaus gilt bis 31. Januar 2027 ein Rabatt von 25 Prozent. Compute wie SQL Serverless kommt separat dazu, Service Principals haben kein Freikontingent. Die CLI läuft über das Unity Gateway und wird getrennt abgerechnet. Weitere Informationen

Funktioniert Genie Code auch ohne gepflegten Unity Catalog?

Ja, Genie Code ist grundsätzlich sofort nutzbar. Die Qualität der Antworten, insbesondere bei der Datensuche, steigt jedoch deutlich mit dem Ausbaugrad des Unity Catalog. Gut beschriebene Tabellen und Spalten sind keine Voraussetzung, aber ein klarer Vorteil. Ganz ohne Unity Catalog sieht es anders aus: Die Genie Code CLI setzt ihm voraus, und für den vollen Funktionsumfang im Workspace ist er praktisch Pflicht.

Weiterlesen

Beitragsbild Lakehouse//RT
Databricks Vor 2 Wochen

Databricks Lakehouse//RT verständlich erklärt

Databricks Real-Time Analytics bezeichnet den Verbund aus Event-Ingestion, Stream Processing, Delta-Tabellen und Abfragen mit niedriger Latenz, mit dem Unternehmen Daten Sekunden nach ihrer Entstehung auswerten. Lakehouse//RT ist darin die neue […]
Beitragsbild Disaster Recovery
Databricks Vor 2 Wochen

Databricks Disaster Recovery: RPO, RTO und Managed DR richtig planen

Es ist Montag, 8:15 Uhr. Die Cloud-Region, in der Ihr Databricks-Workspace läuft, ist gestört. Das Vertriebsdashboard lädt nicht, der nächtliche Forecast-Job ist nicht gelaufen und die Geschäftsführung fragt, wann alles […]
Beitragsbild Databricks Apps
Databricks Vor 4 Wochen

Databricks Apps: Best Practices von der ersten App bis zum stabilen Betrieb

Jemand aus dem Vertrieb hat an einem Nachmittag mit einem KI-Werkzeug eine App gebaut, die gut aussieht und das ganze Team möchte sie nutzen. Das Problem? Sie holt ihre Zahlen […]
Beitragsbild Databricks Implementierung
Databricks Vor 1 Monat

Databricks Implementierung: So gelingt der Aufbau Ihrer Datenplattform

Ein Data Warehouse, das an seine Grenzen stößt. Reports, die drei Tage statt drei Stunden brauchen. Ein IT-Team, das zwischen Tagesgeschäft und dem Wunsch nach einer modernen Datenplattform hin- und […]
Beitragsbild Databricks Lakeflow
Databricks Vor 2 Monaten

Databricks Lakeflow: Was steckt hinter der neuen Data-Engineering-Plattform?

Databricks Lakeflow ist die einheitliche Data-Engineering-Lösung von Databricks für Datenaufnahme, Transformation und Orchestrierung, seit Juni 2025 allgemein verfügbar. Sie fasst die frühere Delta Live Tables (heute Lakeflow Declarative Pipelines), Databricks […]
Beitragsbild Databricks Omnigent
Databricks Vor 2 Monaten

Databricks Omnigent: Was das neue Meta-Harness für KI-Agenten wirklich kann

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 […]
Beitragsbild Context Engineering
Databricks Vor 2 Monaten

Context Engineering bei Databricks: Warum die meisten KI-Agenten nicht am Modell, sondern am Kontext scheitern

Context Engineering bezeichnet die gezielte Steuerung aller Informationen, die ein KI-Agent zur Laufzeit im Kontextfenster erhält. Dazu gehören System-Prompts, abgerufene Daten, Werkzeuge und Gedächtnis. Das Ganze lohnt sich vor allem, […]
Beitragsbild Databricks Lakebridge
Databricks Vor 3 Monaten

Was ist Lakebridge? Databricks kostenloses Migrationstool für Data Warehouses einfach erklärt

Lakebridge ist ein kostenloses, quelloffenes Tool von Databricks Labs, das die Migration von Legacy-Data-Warehouses wie Teradata, Oracle oder Azure Synapse zu Databricks SQL automatisiert. Es deckt laut Databricks bis zu […]
Beitragsbild Databricks Migration durch Datasolut KI-Agenten
Databricks Vor 3 Monaten

Wie funktioniert unser KI-gestützter Databricks-Migrationsansatz?

Im Grundlagenartikel „Databricks Migration einfach erklärt“ haben wir unseren KI-gestützten Migrationsansatz bewusst nur angerissen. Dieser Artikel liefert den technischen Deep-Dive: Wie arbeiten Migrate Agent und Deploy Agent zusammen, was bedeutet […]
Newsletter und Updates

Sie sehen gerade einen Platzhalterinhalt von HubSpot. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.

Mehr Informationen
Erstgespräch vereinbaren