La categoría de lakehouse que creamos es ahora un mercado de Gartner. Con Lakebase, estamos construyendo la siguiente categoría para bases de datos operativas.
por Kaitlin Baumgardner, Kevin Balaji, Brianna Helm, Jonathan Keller y Susan Pierce
Durante décadas, las empresas han gestionado sus datos en dos mundos separados. Un almacén de datos o lakehouse se encarga de la analítica. Las bases de datos OLTP tradicionales ejecutan aplicaciones. Los pipelines mueven los datos entre ellas, lo que genera copias, retrasos y una gobernanza separada en el proceso.
Esa configuración funcionaba cuando los paneles y las aplicaciones vivían separados. La IA cambia eso. Un agente que responde a la pregunta de un cliente, aprueba una transacción o actualiza una previsión necesita datos operativos frescos y un contexto analítico profundo al mismo tiempo, y a menudo necesita escribir de vuelta. Cada pipeline adicional añade latencia, coste y riesgo, por lo que la frontera entre ambos sistemas se ha convertido en un cuello de botella.
Estos mercados se evalúan de forma mayoritariamente independiente. Gartner acaba de publicar un Cuadrante Mágico para plataformas de Data Lakehouse y un Cuadrante Mágico para sistemas de gestión de bases de datos operacionales en la nube. Sin embargo, vemos que los clientes necesitan cada vez más que ambos sistemas funcionen como uno solo.
Cuando presentamos el lakehouse, la idea era sencilla. Ofrecer a cada carga de trabajo de datos una única base abierta y gobernada, en lugar de mantener los data lakes y los almacenes de datos como sistemas separados. Hoy en día, miles de organizaciones ejecutan ingeniería de datos, almacenamiento de datos, streaming, BI e inteligencia artificial sobre esa base.
Creemos que nuestra posición como Líder en el primer Cuadrante Mágico de Gartner para plataformas de Data Lakehouse, con las puntuaciones más altas en ejecución, refleja en lo que confían los clientes cada día:
Hemos visto el impacto en nuestros clientes. Airwallex y Volkswagen Brasil han migrado de Google BigQuery a Databricks Lakehouse, y han logrado un tiempo hasta la obtención de información entre 3 y 4 veces más rápido y una reducción del TCO del 25 %, respectivamente. Nubank, por ejemplo, ejecuta más de 50 millones de consultas al mes con un rendimiento de consultas P90 7 veces mejor y costes un 40 % inferiores.

El lakehouse no comenzó como una categoría, sino como una forma diferente de construir. Los clientes lo adoptaron, el ecosistema creció a su alrededor y el mercado le siguió. Ese es el camino que estamos recorriendo de nuevo.
El lakehouse reinventó la analítica sobre almacenamiento en la nube abierto y de bajo coste. Un lakebase hace lo mismo para las bases de datos operacionales. Creemos que servirá como la fuente de registro para todas las aplicaciones: nuevas cargas de trabajo con agentes, aplicaciones modernas y sistemas transaccionales tradicionales.
En el Cuadrante Mágico de Gartner de 2026 para sistemas de gestión de bases de datos operacionales en la nube, Databricks es el único proveedor nombrado Visionario, menos de un año después de que Lakebase Postgres estuviera disponible de forma general. Vemos esto como una señal de hacia dónde se dirige la categoría.
La mayoría de las bases de datos operacionales en uso hoy en día fueron diseñadas para otra época. El almacenamiento y la computación están estrechamente acoplados, por lo que la capacidad se paga según los picos. Las bases de datos son recursos pesados que los equipos rara vez duplican, y llevar los datos a la analítica o a la IA implica construir y mantener pipelines. No fueron diseñadas para el software que escriben y ejecutan los agentes.
Lakebase Postgres parte de premisas diferentes. Es Postgres, por lo que los desarrolladores conservan las herramientas que ya conocen, pero la computación está separada del almacenamiento y los datos residen en el almacenamiento de objetos en la nube, la misma base que el lakehouse. La computación es serverless y se escala a cero. Las bases de datos se ramifican al instante, igual que el código, para que los desarrolladores y los agentes puedan crear copias aisladas en segundos. Y dado que Lakebase Postgres es nativo de Databricks Data + AI Platform, sus datos se gobiernan en Unity Catalog junto con todo lo demás.
Los clientes ya están ejecutando cargas de trabajo de producción en un lakebase. El grupo PRADA lo utiliza para ofrecer miles de KPI de confianza en todas sus marcas como API de baja latencia, entregándolos unas 130 veces más rápido (de aproximadamente 2 segundos a 15 milisegundos) y reduciendo los costes de infraestructura en torno al 50 %.
“Lakebase nos permitió pasar de la entrega tradicional de KPI basada en consultas a una capa de servicio de baja latencia donde cada métrica se expone como una API en milisegundos.”- Michele Piunti, gestor de la plataforma de datos, grupo PRADA

Llevar los datos operativos a la analítica siempre ha significado copiarlos. Una consulta analítica pesada no puede ejecutarse en la misma máquina que las transacciones sensibles a la latencia sin causar interrupciones, por lo que los equipos añaden réplicas de lectura o construyen pipelines de CDC hacia un almacén de datos. Pagan por copias adicionales, esperan por pipelines frágiles y terminan gobernando dos versiones de los mismos datos cuyos permisos divergen. Esta es una de las principales razones por las que las bases de datos operacionales y las plataformas analíticas se han comprado, ejecutado y evaluado durante mucho tiempo como mercados separados.
La arquitectura Lake Transactional/Analytical Processing (LTAP) , impulsada por el lakebase, unifica ambas en la capa de almacenamiento en lugar de obligar a un motor a realizar ambas tareas. Lakebase Postgres gestiona las transacciones con garantías ACID completas, y los motores del lakehouse gestionan la analítica. Ambos leen una única copia duradera de los datos en formatos abiertos como Delta Lake y Apache Iceberg, gobernados en Unity Catalog. No hay ningún pipeline que construir ni tablas que reflejar, y las consultas analíticas nunca ralentizan la aplicación. La analítica lee al instante los datos frescos que la aplicación acaba de escribir, sin retrasos. Así es como los datos operativos y analíticos funcionan sobre una misma base.
Ya estamos viendo a los clientes obtener valor de esta unificación. Posti ya ejecuta su analítica en Databricks Lakehouse y planea utilizar Lakebase Postgres para potenciar los sistemas de información geográfica y la planificación operativa en la misma plataforma gobernada, para que las aplicaciones operacionales y la analítica dejen de vivir en pilas separadas.
Para ver en profundidad cómo funciona LTAP, lee nuestra entrada de blog.
Hace unos años, el lakehouse era una idea que teníamos que explicar. Hoy es una categoría de mercado, y creemos que el lakebase está al inicio de esa misma transformación. Las aplicaciones ya no son lo único que escribe en las bases de datos. Los agentes ahora crean, ramifican y consultan bases de datos a una velocidad y escala para las que los sistemas tradicionales no fueron diseñados, y necesitan el contexto analítico que vive en el lakehouse.
Estamos construyendo hacia una base abierta y gobernada donde cada carga de trabajo, operacional o analítica, construida por personas o por agentes, se ejecuta sobre los mismos datos. Construimos el Lakehouse junto con nuestros clientes, y estamos construyendo el Lakebase de la misma manera.
Gartner, Magic Quadrant for Data Lakehouse Platforms, Aaron Rosenbaum, Michael Gonzales, Masud Miraz, Ramke Ramakrishan, Xingyu Gu, Robin Schumacher, Prasad Pore, 4 de noviembre de 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 de noviembre de 2026.
Gartner no respalda a ningún proveedor, producto o servicio descrito en sus publicaciones de investigación, y no aconseja a los usuarios de tecnología seleccionar únicamente a aquellos proveedores con las calificaciones más altas u otra designación. Las publicaciones de investigación de Gartner consisten en las opiniones de la organización de investigación y consultoría de Gartner y no deben interpretarse como declaraciones de hechos. Gartner renuncia a todas las garantías, expresas o implícitas, con respecto a esta investigación, incluidas las garantías de comerciabilidad o idoneidad para un propósito particular.
GARTNER y MAGIC QUADRANT son marcas comerciales registradas de Gartner, Inc. y/o sus filiales en los EE. UU. e internacionalmente, y se utilizan aquí con autorización. Todos los derechos reservados.
Este gráfico fue publicado por Gartner, Inc. como parte de un documento de investigación más amplio y debe evaluarse en el contexto de todo el documento. El documento de Gartner está disponible previa solicitud a Databricks.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.