In de week van 15 juni vond de jaarlijkse Databricks Data + AI Summit plaats, met de gebruikelijke stortvloed aan aankondigingen. Te veel om in één blog te behandelen. Daarom zetten we de aankondigingen op een rij die er voor ons het meest uitsprongen: Genie One, ZeroOps, Lakehouse//RT en de Genie App Builder.
Een rode draad valt meteen op. Of het nu gaat om monitoring, realtime data of business users die zelf vragen stellen aan hun data. Bijna alles draait om hetzelfde thema: context.
Wat betekent dit voor jouw organisatie?
Heel concreet: dat data en AI dichter bij de eindgebruiker komen te liggen, zonder dat daar continu een data engineer voor aan de lijn hoeft te hangen. Drie aankondigingen maken dat goed zichtbaar.
Genie One is de omgeving gericht op business users. Een vraag als “Waarom daalde de marge afgelopen kwartaal?" laat zich voortaan in gewone taal stellen, zonder kennis van SQL of de onderliggende tabellen. Dankzij de nieuwe contextlaag, Genie Ontology, zijn de antwoorden niet langer een gok. Het systeem weet welke definities en bronnen betrouwbaar zijn. Dat verschil tussen ‘een antwoord’ en ‘het juiste antwoord’ is precies waar veel zelfbedieningstools tot nu toe op stukliepen.
ZeroOps is een agent die op de achtergrond bewaakt of alles nog draait. Loopt er 's nachts een pipeline vast, dan pikt de agent dat op en stelt een oplossing voor. Nog voordat de eerste gebruiker zijn rapport opent. Minder kapotte rapporten, minder wachten op de data-afdeling.
App Builder maakt de stap van inzicht naar toepassing kleiner. Een idee voor een eenvoudige app rondom de eigen data hoeft niet meer maandenlang op de backlog van een ontwikkelteam te staan.
Kortom: je bent minder afhankelijk van techniek, sneller bij het antwoord en krijgt cijfers waar je daadwerkelijk op kunt vertrouwen. Hieronder lichten we de belangrijkste aankondigingen technisch toe.
ZeroOps: een agent die meekijkt terwijl de rest slaapt
ZeroOps is een autonome agent die op de achtergrond data- en AI-assets in de gaten houdt. Pipelines, jobs en ML-modellen, alles wat in productie draait en stuk kan gaan.
De kracht zit in hoeveel ZeroOps daadwerkelijk weet. De agent heeft toegang tot alle events, logs, lineage en run history. Gaat er iets mis, dan kan ZeroOps de productiedata klonen naar een sandbox-omgeving en daar een fix testen op échte data. Werkt de oplossing? Dan wordt die voorgelegd om te reviewen en eventueel goed te keuren. Je houdt de controle dus altijd in eigen hand.
Waarom is daar een aparte agent voor nodig en kan Genie dit niet gewoon zelf? Je kan Genie of een andere AI-assistent toch vragen om de boel te repareren? Een probleem in een dataplatform laat zich zelden oplossen met alleen de code voor ogen. Er is context nodig: de achterliggende data, de metadata, de lineage. ZeroOps houdt met al die context rekening. Daardoor kan het niet alleen betere oplossingen voorstellen, maar ze ook testen voordat ze live gaan.
Lakehouse//RT en Reyden: realtime zonder extra serving-laag
Lakehouse//RT is een realtime data warehouse waarvoor geen aparte serving-laag meer nodig is bovenop het lakehouse. Dat scheelt complexiteit en levert snelheid op.
Die snelheid komt van een nieuwe engine: Reyden (Reynolds Dream Engine), een knipoog naar medeoprichter Reynold Xin. De engine levert lage latency bij hoge gelijktijdigheid, zodat analytische queries de prestaties van de productiedatabase niet in de weg zitten. Lakehouse//RT draait direct op bestaande Delta- en Iceberg-tabellen, zonder extra configuratie of ingestion-pijplijnen. Op het moment van de summit is het beschikbaar in bèta.
Het meest interessante aan Reyden is niet eens de snelheid zelf, maar de functionaliteit die deze engine mogelijk maakt: LTAP.
LTAP: analytisch en transactioneel in één opslaglaag
Van oudsher leven analytische data (OLAP) en transactionele data (OLTP) in gescheiden werelden, met ETL-laagjes die data heen en weer kopiëren. LTAP (Lake Transactional/Analytical Processing) is Databricks' antwoord op die scheiding: één gedeelde opslaglaag waarin beide soorten data op dezelfde plek staan. Het resultaat is één versie van de waarheid, geen aparte ETL-lagen meer en sneller beschikbare data, terwijl operationele en analytische workloads op de normale manier blijven werken.
Apps bouwen op Databricks: nieuwe gereedschappen
Apps draaien op Databricks kon al langer via Databricks Apps. Wat op deze summit nieuw is, is een set gereedschappen die het bouwen ervan toegankelijker en beter beheersbaar maakt. De meeste zijn aangekondigd in private preview.
De blikvanger is Genie App Builder: een Databricks-eigen AI-tool die een applicatie bouwt op basis van een beschrijving in gewone taal. Omdat de tool op Databricks zelf draait, kent hij de beschikbare tabellen, de definities uit Unity Catalog en de workspace-context. Een gebruiker hoeft dus niet handmatig data aan elkaar te knopen. Het idee laat zich vergelijken met tools als Lovable, maar dan direct op de governed data in het lakehouse.
Daaromheen zitten twee aanvullingen die het vooral op schaal werkbaar maken. App Spaces legt een governance-grens om groepen apps heen, zodat alles wat erin gebouwd wordt automatisch dezelfde toegangsregels en securitybeleid erft. En Serverless Micro Apps draaien op een lichtgewicht runtime die naar nul schaalt zodra een app niet gebruikt wordt. Daardoor blijven ook kleine specialistische tools betaalbaar.
Genie Ontology: de context-laag achter de antwoorden
De omgeving voor business users heette aanvankelijk Databricks One, werd vorig jaar hernoemd naar Genie en gaat sinds deze summit door het leven als Genie One (nu algemeen beschikbaar). Genie One gebruikt alle toegekende assets in Databricks, zoals tabellen, dashboards en documenten om vragen in natuurlijke taal te beantwoorden.
Om accurate antwoorden te geven, is context nodig. Daarvoor introduceert Databricks Genie Ontology, de context-laag die vastlegt welke tabellen belangrijk zijn, welke definities betrouwbaar zijn en welke documenten bepaalde termen uitleggen. Agents hoeven daardoor niet meer zelf te gokken wat er bedoeld wordt, waardoor hun antwoorden betrouwbaarder zijn.
Ook de nieuwe Genie Agents (de evolutie van de bekende Genie Spaces) maken hier gebruik van. Ze werken grotendeels hetzelfde, maar laten zich nu met natuurlijke taal opspinnen en hebben sterk verbeterde toegang tot context.
Ook het vermelden waard
- CustomerLake: Databricks' eigen, in de lakehouse ingebedde Customer Data Platform. Het zet ruwe data om naar Customer 360-profielen en laat daar autonome Profile- en Campaign-agents bovenop draaien. Door meerdere analisten genoemd als een van de meest onderschatte aankondigingen van de week.
- OpenSharing: de opvolger van Delta Sharing, nu een Linux Foundation-project, dat behalve data ook AI-assets als agent skills en modellen deelt. Met nieuwe on-premise storagepartners komt Databricks bovendien naar organisaties die niet alles naar de cloud willen of kunnen verhuizen.
- Agent Bricks en Omnigent: Agent Bricks is het framework voor het bouwen en deployen van agents. Omnigent is een meta-harness die zich bóven bestaande coding-agents (zoals Claude Code en Codex) nestelt om ze te combineren en te besturen. Het is open source gemaakt onder Apache 2.0.
- Unity AI Gateway: de centrale plek om al het AI-gebruik te besturen. Met grip op kosten (spend caps, slim routeren tussen modellen) en guardrails tegen bijvoorbeeld PII-lekken en prompt injection. Databricks' antwoord op de vraag hoe je agents betaalbaar én veilig houdt.
- Catalog Federation: Unity Catalog-governance die zich uitstrekt over accounts, regio's en clouds, aangevuld met external lineage die data volgt tot in bronnen en dashboards buiten Databricks. Eén governance-laag over je hele datalandschap, niet alleen het Databricks-deel.
Context, context, context
Bijna alles wat hierboven voorbijkwam, komt terug op hetzelfde fundament: ZeroOps werkt beter dankzij lineage en metadata, Genie geeft betrouwbaardere antwoorden dankzij de Ontology. Steeds gaat het over het beschikbaar maken van de juiste context op de juiste plek.
Databricks-CEO Ali Ghodsi vatte het tijdens zijn openingskeynote treffend samen: “AI doesn't have an intelligence problem, it has a context problem.” De modellen zijn slim genoeg. Wat ze missen is begrip van een specifieke organisatie, haar definities, haar data.
Die richting is ook breder in de markt te zien. In het meest recente Gartner Magic Quadrant voor AI-platformen voor data science en machine learning staat Databricks opnieuw in het Leaders-kwadrant, met unified governance als belangrijk pluspunt voor AI-agents. Gartner plaatst er wel een nuchtere kanttekening bij: het tempo waarin Databricks features uitrolt kan voor teams overweldigend zijn. Niet alle documentatie houdt dat tempo bij. Er is dus genoeg moois, maar het is wel zaak om te weten waar te beginnen.
En laat dat nu precies zijn waarbij wij graag helpen. Wil je sparren over wat deze ontwikkelingen voor jouw dataplatform betekenen? Je weet ons te vinden.
.png)
