Direkt zum Hauptinhalt
Unternehmen

Databricks ist ein Leader und im Gartner® Magic Quadrant™ für Data Lakehouse Platforms 2026 am weitesten bei der Umsetzungsfähigkeit positioniert

Die von uns begründete Lakehouse-Kategorie ist jetzt ein Gartner-Markt. Mit Lakebase bauen wir die nächste Kategorie für operative Datenbanken auf.

von Kaitlin Baumgardner, Kevin Balaji, Brianna Helm, Jonathan Keller und Susan Pierce

  • Die Position von Databricks als Leader im Gartner Magic Quadrant 2026 für Data Lakehouse Platforms bestätigt, dass wir die Lakehouse-Marktkategorie pionierhaft begründet und etabliert haben.
  • Databricks wird als einziger Visionary im Gartner Magic Quadrant für Cloud Operational Database Management Systems genannt – eine starke Wettbewerbsposition, die unsere strategische Vision für die Zukunft operativer Datenbanken unterstreicht.
  • Ein Lakebase ist eine transaktionale Datenbank, die ihre Daten in einem offenen Format im Lake speichert, sodass Agenten bei Bedarf Datenbanken erstellen und verwerfen können und andere Engines mit denselben Daten arbeiten können. Databricks Lakebase Postgres ist die erste kommerzielle Implementierung dieser neuen Datenbank und dient als System of Record für alle Anwendungen: neue agentische Workloads, moderne Anwendungen sowie traditionelle transaktionale Systeme.

KI führt analytische und operative Daten zusammen

Unternehmen verwalten ihre Daten seit Jahrzehnten in zwei getrennten Welten. Ein Data Warehouse oder Lakehouse verarbeitet Analysen. Traditionelle OLTP-Datenbanken betreiben Anwendungen. Pipelines verschieben Daten zwischen ihnen, was im Laufe der Zeit zu Kopien, Verzögerungen und getrennter Governance führt.

Dieser Ansatz funktionierte, solange Dashboards und Anwendungen getrennt voneinander existierten. KI ändert das. Ein Agent, der eine Kundenfrage beantwortet, eine Transaktion genehmigt oder eine Prognose aktualisiert, benötigt gleichzeitig frische operative Daten und tiefen analytischen Kontext und muss oft auch Daten zurückschreiben. Jede zusätzliche Pipeline erhöht Latenz, Kosten und Risiko, weshalb die Grenze zwischen den beiden Systemen zu einem Engpass geworden ist.

Diese Märkte werden weitgehend unabhängig voneinander bewertet. Gartner hat gerade einen Magic Quadrant für Data Lakehouse Platforms und einen Magic Quadrant für Cloud Operational Database Management Systems veröffentlicht. Wir stellen jedoch fest, dass Kunden zunehmend darauf angewiesen sind, dass beide Systeme als eine Einheit funktionieren.

Das Lakehouse: Eine von uns begründete Kategorie, die heute von der Branche anerkannt wird

Als wir das Lakehouse einführten, war die Idee einfach. Jede Datenworkload erhält eine offene, gobernierte Grundlage, anstatt Data Lakes und Data Warehouses als getrennte Systeme zu betreiben. Heute führen Tausende von Organisationen Data Engineering, Data Warehousing, Streaming, BI und KI auf dieser Grundlage aus.

Wir sind davon überzeugt, dass unsere Position als Leader im ersten Magic Quadrant von Gartner für Data Lakehouse Platforms mit den höchsten Werten bei der Ausführung widerspiegelt, worauf sich Kunden jeden Tag verlassen:

  • KI-nativ. Mit Genie kann jeder Fragen zu seinen Daten in natürlicher Sprache stellen, basierend auf governierten Unternehmenssemantiken, die einmal in Unity Catalog definiert wurden. KI-Funktionen führen Inferenz direkt auf governierten Daten aus, und KI optimiert das Lakehouse automatisch.
  • Von Haus aus offen. Daten befinden sich in offenen Formaten (Delta Lake und Apache Iceberg), sodass Kunden nicht an eine proprietäre Engine gebunden sind.
  • Einheitliche Governance. Unity Catalog wendet einen einheitlichen Satz von Berechtigungen, Herkunft und Qualitätskontrollen für Daten und KI an.
  • Performance und Kosten. Serverless Compute und kontinuierliche Engine-Verbesserungen bringen ein Preis-Leistungs-Verhältnis auf Warehouse-Niveau in das Lakehouse.
  • Echtzeit. Lakehouse//RT bringt Analysen mit niedriger Latenz und hoher Parallelität direkt zu den Lakehouse-Daten.

Wir haben die Auswirkungen bei unseren Kunden gesehen. Airwallex und Volkswagen Brasil haben beide von Google BigQuery zu Databricks Lakehouse konsolidiert und eine 3- bis 4-mal schnellere Time-to-Insight sowie eine TCO-Reduzierung von 25 % verzeichnet. Nubank beispielsweise führt mehr als 50 Millionen Abfragen pro Monat mit einer um das Siebenfache besseren P90-Abfrageleistung und über 40 % geringeren Kosten aus.

image1.png

Das Lakehouse begann nicht als Kategorie, sondern als eine neue Art des Bauens. Kunden haben es angenommen, das Ökosystem hat sich darum herum entwickelt, und der Markt ist gefolgt. Diesen Weg gehen wir erneut.

Die Lakebase: Neubefinition operativer Datenbanken im Lake

Das Lakehouse hat Analysen auf offenem, kostengünstigem Cloud-Speicher neu aufgebaut. Eine Lakebase tut dasselbe für operative Datenbanken. Wir glauben, dass sie als System of Record für alle Anwendungen dienen wird: neue agentenbasierte Workloads, moderne Anwendungen sowie traditionelle transaktionale Systeme.

Im Gartner Magic Quadrant für Cloud Operational Database Management Systems 2026 ist Databricks der einzige Anbieter, der als Visionary eingestuft wurde, weniger als ein Jahr nachdem Lakebase Postgres allgemein verfügbar wurde. Wir sehen darin ein Signal dafür, wohin sich die Kategorie entwickelt.

Die meisten heute verwendeten operativen Datenbanken wurden für eine andere Ära entwickelt. Speicher und Compute sind fest gekoppelt, sodass für Kapazität bei Spitzenlasten bezahlt wird. Datenbanken sind schwere Assets, die Teams selten duplizieren, und um Daten für Analysen oder KI verfügbar zu machen, müssen Pipelines erstellt und gewartet werden. Sie wurden nicht für Software entwickelt, die Agenten schreiben und ausführen.

Lakebase Postgres geht von anderen Annahmen aus. Es ist Postgres, sodass Entwickler die Tools behalten, die sie bereits kennen, aber Compute ist von Speicher getrennt und Daten befinden sich auf Cloud-Objektspeicher, derselben Grundlage wie das Lakehouse. Compute ist serverless und skaliert auf Null. Datenbanken verzweigen sich sofort, wie Code, sodass Entwickler und Agenten innerhalb von Sekunden isolierte Kopien hochfahren können. Und da Lakebase Postgres nativ in die Databricks Data + AI Platform integriert ist, werden seine Daten in Unity Catalog zusammen mit allem anderen governiert.

Kunden führen bereits Produktionsworkloads auf einer Lakebase aus. Die PRADA Group nutzt sie, um Tausende vertrauenswürdiger KPIs über ihre Marken hinweg als APIs mit niedriger Latenz bereitzustellen, wodurch sie etwa 130-mal schneller (von ca. 2 Sekunden auf 15 Millisekunden) bereitgestellt werden und gleichzeitig die Infrastrukturkosten um ca. 50 % gesenkt werden.

„Lakebase hat es uns ermöglicht, von der traditionellen abfragebasierten KPI-Bereitstellung zu einer Service-Schicht mit niedriger Latenz zu wechseln, in der jede Metrik in Millisekunden als API bereitgestellt wird.“- Michele Piunti, Data Platform Manager, PRADA Group

LTAP: Eine einheitliche agentenbasierte Datengrundlage für Betrieb und Analysen

image3.png

Operative Daten in Analysen zu integrieren bedeutete schon immer, sie zu kopieren. Eine rechenintensive Analyseabfrage kann nicht auf derselben Maschine wie latenzsensitive Transaktionen ausgeführt werden, ohne Störungen zu verursachen. Daher fügen Teams Read-Replicas hinzu oder erstellen CDC-Pipelines in ein Warehouse. Sie bezahlen für zusätzliche Kopien, warten auf anfällige Pipelines und verwalten am Ende zwei Versionen derselben Daten, deren Berechtigungen auseinanderdriften. Das ist ein Hauptgrund dafür, warum operative Datenbanken und Analyseplattformen lange Zeit als getrennte Märkte gekauft, betrieben und bewertet wurden.

Die Lake Transactional/Analytical Processing (LTAP)-Architektur, die durch die Lakebase ermöglicht wird, vereint beide auf der Speicherschicht, anstatt eine Engine zu zwingen, beide Aufgaben zu übernehmen. Lakebase Postgres verarbeitet Transaktionen mit vollständigen ACID-Garantien, und Lakehouse-Engines verarbeiten Analysen. Beide lesen eine einzige dauerhafte Kopie der Daten in offenen Formaten wie Delta Lake und Apache Iceberg, die in Unity Catalog governiert werden. Es gibt keine Pipeline zu erstellen und keine Tabellen zu spiegeln, und Analyseabfragen verlangsamen niemals die Anwendung. Analysen lesen sofort frische Daten, die die Anwendung gerade geschrieben hat, ganz ohne Verzögerung. So funktionieren operative und analytische Daten auf einer gemeinsamen Grundlage.

Wir sehen bereits, dass Kunden durch diese Vereinheitlichung einen Mehrwert erzielen. Posti führt seine Analysen bereits auf Databricks Lakehouse aus und plant, Lakebase Postgres zu nutzen, um GIS und operative Planung auf derselben governierten Plattform zu betreiben, sodass operative Anwendungen und Analysen nicht länger in getrennten Stacks leben.

Lesen Sie unseren Blogbeitrag, um einen tieferen Einblick in die Funktionsweise von LTAP zu erhalten.

Wie es weitergeht

Vor einigen Jahren war das Lakehouse eine Idee, die wir erklären mussten. Heute ist es eine Marktkategorie, und wir glauben, dass die Lakebase am Anfang desselben Wandels steht. Anwendungen sind nicht mehr das Einzige, was in Datenbanken schreibt. Agenten erstellen, verzweigen und fragen Datenbanken inzwischen mit einer Geschwindigkeit und in einem Umfang ab, für die traditionelle Systeme nicht ausgelegt waren, und sie benötigen den analytischen Kontext, der im Lakehouse liegt.

Wir arbeiten an einer offenen, governierten Grundlage, auf der jede Workload – ob operativ oder analytisch, von Menschen oder Agenten erstellt – auf denselben Daten ausgeführt wird. Wir haben das Lakehouse gemeinsam mit unseren Kunden aufgebaut, und wir bauen die Lakebase auf dieselbe Weise.

Erste Schritte

Gartner, Magic Quadrant for Data Lakehouse Platforms, Aaron Rosenbaum, Michael Gonzales, Masud Miraz, Ramke Ramakrishan, Xingyu Gu, Robin Schumacher, Prasad Pore, 4. November 2026.

Gartner, Magic Quadrant for Cloud Operational Database Management Systems, Masud Miraz, Aaron Rosenbaum, Ramke Ramakrishan, Xingyu Gu, Michael Gonzales, Prasad Pore, Robin Schumacher, 12. November 2026.

Gartner empfiehlt keine in seinen Forschungspublikationen dargestellten Anbieter, Produkte oder Dienstleistungen und rät Technologieanwendern nicht, ausschließlich die Anbieter mit den höchsten Bewertungen oder sonstigen Auszeichnungen auszuwählen. Die Forschungspublikationen von Gartner geben die Meinungen der Research & Advisory Organization von Gartner wieder und sind nicht als Tatsachenbehauptungen auszulegen. Gartner lehnt alle ausdrücklichen oder impliziten Gewährleistungen hinsichtlich dieser Forschung ab, einschließlich jeglicher Gewährleistung der Marktgängigkeit oder Eignung für einen bestimmten Zweck.

GARTNER und MAGIC QUADRANT sind eingetragene Marken von Gartner, Inc. und/oder seinen verbundenen Unternehmen in den USA und international und werden hier mit Genehmigung verwendet. Alle Rechte vorbehalten.

Diese Grafik wurde von Gartner, Inc. als Teil eines größeren Forschungsdokuments veröffentlicht und sollte im Kontext des gesamten Dokuments bewertet werden. Das Gartner-Dokument ist auf Anfrage bei Databricks erhältlich.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag

Verwandte Tags:

Lakebase, LTAP und Lakehouse Architecture

Erhalten Sie die neuesten Beiträge in Ihrem Posteingang

Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.