Im Quellenvergleich
Worin die Quellen übereinstimmen
Databricks hat auf dem Data + AI Summit 2026 zwei Produkte vorgestellt, die Datenpipeline-Probleme lösen sollen, die KI-Agenten ausbremsen. Lakehouse//RT ermöglicht Abfragen direkt auf Delta-Lake- und Apache-Iceberg-Tabellen, ohne eine separate Echtzeit-Serving-Ebene. Die Engine integriert sich in den Unity Catalog, sodass bestehende Governance-Regeln auch für Echtzeitabfragen gelten. LTAP (Lake Transactional/Analytical Processing) speichert Postgres-Transaktionsdaten ab dem Schreibvorgang direkt im Delta- oder Iceberg-Format und eliminiert so ETL-Pipelines zwischen operativen und analytischen Systemen. Die Quellen berichten weitgehend übereinstimmend, weichen aber in Details zu Leistungsangaben, Benchmarks und Bewertungen ab. Als Referenzkunden nennt Databricks Cisco und Magnite. Lakehouse//RT richtet sich an Anwendungen mit hohen Parallelitätsanforderungen wie interaktive Dashboards oder KI-Agenten. Die Engine ist erst als Beta verfügbar.
Aktualisierungen
06.07.2026
Als Referenzkunden nennt Databricks Cisco und Magnite.
Lakehouse//RT richtet sich an Anwendungen mit hohen Parallelitätsanforderungen wie interaktive Dashboards oder KI-Agenten.
Die Engine ist erst als Beta verfügbar.
Worin sie sich unterscheidenLeistungsangaben und Benchmarks·Zusätzliches Produkt LTAP·Referenzkunde Cisco+1 weitere
Leistungsangaben und Benchmarks- Die Engine erreicht Antwortzeiten von rund 10 Millisekunden bei kleinen und unter 100 Millisekunden bei großen Datensätzen.1
- Bei Benchmarks gibt Databricks Latenzen von unter 100 Millisekunden bei 12.000 Abfragen pro Sekunde an.1
- Gegenüber bestehenden Stacks sollen Kunden eine Leistungssteigerung um den Faktor 16 gemessen haben.1
- Welche Datensätze den Benchmarks zugrunde liegen, erläutert der Hersteller nicht.1
Zusätzliches Produkt LTAP- LTAP vereinheitlicht Daten auf der Speicherebene, nicht auf der Engine-Ebene.2
- Eine Caching-Schicht zwischen Postgres und Objektspeicher wandelt Daten von Zeilen- in Spaltenformat um, was die Komprimierung um mehr als das Zehnfache verbessert.2
- Mitgründer Reynold Xin bezeichnete einen einfacheren Daten-Stack als „heiligen Gral für Agenten“.2
Referenzkunde Cisco- Cisco berichtet von einer fünffachen Verbesserung der Antwortzeiten.1
Bewertung der Betriebsreife- Analysten sehen die Ausrichtung auf KI-Agenten und offene Formate als Unterscheidungsmerkmal.2
- Stephanie Walter (HyperFRAME Research) merkte an, dass Lakebase noch Latenz, Zuverlässigkeit und Betriebsreife beweisen müsse.2
- Mike Leone (Moor Insights) bezweifelte, ob beide Engines wirklich eine einzige Datenkopie ohne stillen Konvertierungsschritt teilen.2
- Ob Lakehouse//RT spezialisierte Systeme ersetzen kann, bleibt offen: Unabhängige Benchmarks liegen nicht vor.1