大手テック企業がLakebaseでビルダー税を廃止する方法

AIアプリのロードマップを阻害する隠れたコスト

AIネイティブアプリを構築する主要なテクノロジー企業では、主な制約がモデルの能力から、基盤となるデータアーキテクチャ、特にデータパイプラインへと移行しています。AIシステムがエージェントのためにリアルタイムでステートフルなコンテキストにアクセスする必要性や、迅速で実験的な開発のための低い限界コストは、従来の分離されたデータアーキテクチャの致命的な欠陥を露呈させました。

運用ワークロードは通常、クラウドトランザクションデータベース（例：マネージドPostgres/MySQLエンジン）で実行され、分析、MLパイプライン、特徴量エンジニアリングはレイクハウスに存在します。これらのレイヤー間の同期は、CDCパイプライン、ETL/ELTジョブ、リバースETLフレームワークの複雑なメッシュに依存しています。これにより、システム全体に非効率性が生じます。

• データの陳腐化：AIシステムはリアルタイムの状態ではなく、遅延したスナップショットで動作します。
• アーキテクチャの断片化：ガバナンス、リネージ、アクセス制御がシステム間で重複します。
• 運用オーバーヘッド：エンジニアリングの労力が製品開発からパイプラインのオーケストレーションと障害管理に移行します。

これを私たちはビルダーズタックスと呼んでいます。これは、分離された運用スタックと分析スタックから生じる構造的な非効率性です。プラットフォーム、SaaS製品、開発者ツールを構築するテクノロジー企業内の人々にとって、他のすべてが依存しているこのタックスは特に壊滅的です。新しいAI機能が追加されるたびに、新しいデータベース、新しいパイプライン、そしてまた四半期の遅延が発生します。

アーキテクチャのシフト：アプリとデータの共置

このパターンを打破するために、主要なテクノロジー企業はアーキテクチャを再設計しており、単なる特殊なツールの導入を超えています。彼らは、分析と同じガバナンスされた基盤上で直接アプリとAIを実行しています。

その基盤が、Databricks Platformにネイティブに統合された完全にマネージドなサーバーレスPostgresエンジンであるLakebaseです。

• アプリはレイクハウス管理データに対して直接読み書きを行います。
• ガバナンスは、すべてのワークロードでUnity Catalogを通じて一元化されます。
• 自動スナップショットと組み込みの障害復旧により、信頼性の高い運用データが提供されます。

これにより、相互運用可能なアプリケーション基盤が確立されます。これは、アプリ、AI、分析が同じ運用ストアを共有する単一のガバナンスレイヤーです。

実際のシナリオ

Amey Banarseは、PostgresConf 2026で「From Transactions to Agents: PostgreSQL in Modern AI Applications」を発表しました[スライド]。Ameyは、Lakebase + AI DevKit上に完全に構築されたヘルスケア請求アプリのライブウォークスルーを紹介し、レイクハウスインテリジェンス、運用上の洞察、継続的な学習ループが単一のDatabricks基盤上でどのように実行されるかを示しています。

組織は通常、次の3つの主要なベクトルを通じてこのアーキテクチャを採用しています。

• リバースETLパイプラインの廃止：分析データセット（ゴールドレイヤーテーブル）は、ネイティブ統合を通じてLakebaseに直接同期されます。これにより、外部ツールへの依存が排除され、パイプラインの脆弱性が軽減されます。
• AIネイティブアプリと内部ツール：モデルサービング、特徴量ストア、分析を備えた単一のサーバーレススタックとしてDatabricks Apps + Lakebaseを実行します。プロビジョニングする追加インフラストラクチャはありません。
• エージェントのメモリと状態：セマンティック検索用のpgvectorを備えたLakebaseは、エージェントが推論するデータとともに、Agent Bricksで構築されたエージェントの運用メモリレイヤーとなります。

テクノロジー企業が実際に目にしていること

以下の成果は、Lakebaseアーキテクチャに移行したテクノロジー企業からのものです。

YipitDataは、AIエージェントパイプラインを時間あたり100万レコードを処理できるように拡張し、92〜95％のタグ付け精度と20倍のカバレッジを達成しました。LakebaseをUnity Catalog内のリレーショナルレコードシステムとして使用することで、エージェントは、脆弱な外部ストアや同期遅延なしに、耐久性がありガバナンスされた状態で動作します。

Quantum Capital Groupは、6つの断片化されたデータソースにまたがる15億レコード以上を管理していました。Lakebaseに統合した後、100以上の重複テーブルを削除し、データエンジニアリング時間を50％削減し、レポート作成速度を3倍にしました。チームは現在、バージョンスプロールと格闘するのではなく、単一の信頼できるデータセットから作業しています。

Ensemble Health Partnersは、15以上の断片化されたSQL Serverシステムを統合しました。Lakebaseをトランザクションレイヤーとして使用することで、AI駆動の収益サイクルワークフローを展開し、運用効率を20％向上させ、顧客が年間純収益を3〜5％多く獲得できるよう支援しました。

Replitは、何百万人もの開発者がソフトウェアを構築および展開するためのプラットフォームを支えており、Lakebase + Databricks AI DevKitを使用して、顧客がわずか3週間で本番コード生成AIを立ち上げ、開発者速度を10倍にし、初日から運用システムと分析システムの間のギャップを解消するのを支援しています。

IntentHQは、消費者インテリジェンスプラットフォームであり、Lakebase上にサービングレイヤーを集中化して、リアルタイムのパーソナライゼーションを大規模に実現しています。これにより、AIモデルはカスタムパイプラインなしでレイクハウスデータと同期したままの低レイテンシ運用ストアを持つことができます。

成果の背後にあるアーキテクチャパターン

AIエージェントやパーソナライゼーションエンジンから、ヘルスケアワークフローや開発者プラットフォームまで、ユースケースは異なりますが、これらの組織は孤立した最適化によって成功しているわけではありません。彼らは根本的に異なるアーキテクチャモデルに収束しています。
その核心において、このアーキテクチャモデルは、トランザクションシステム、分析プラットフォーム、AIパイプラインの間の従来の分離を排除し、共有可能で相互運用可能なデータ基盤に置き換えます。
このパターンは、一貫して3つの緊密に統合されたレイヤーを含んでいます。

1. レイクハウスインテリジェンスレイヤー

   バッチおよびストリーミングデータ、特徴量エンジニアリング、AI/MLワークロードが動作する、ガバナンスされスケーラブルな基盤。このレイヤーはインサイトシステムを提供し、大規模な処理、モデルトレーニング、統合データに対する分析を可能にします。

2. 運用データレイヤー

   アプリケーションとエージェントの実行システムとして機能する、低レイテンシのトランザクションインターフェイス（Lakebase）。このレイヤーは、レプリケーションや同期のオーバーヘッドなしに、ガバナンスされたデータ上でリアルタイムの読み書き、状態管理、アプリケーションロジックを可能にします。

3. 継続的学習ループ

   アプリケーションのインタラクション、エージェントの出力、ユーザーシグナルがキャプチャされ、モデルパイプラインに再統合されるクローズドループフィードバックシステム。これにより、リアルワールドの使用に基づいてAI機能を進化させることができる継続的改善システムが確立されます。

これらの3つのレイヤーが基盤を共有すると、AIシステムは分離されたワークロードから継続的に改善される本番システムへと移行します。

ビルダーズタックスの解消

ビルダーズタックスは避けられないものではありません。それは、データベースがモノリシックで、アプリがステートレスで、インテリジェンスが別個のプロジェクトであった時代のために設計されたインフラストラクチャの上にAIを構築した結果なのです。

Lakebaseは計算方法を変えます！ アプリケーションはデータが存在する場所で実行されます。エージェントは必要なコンテキストを持ちます。そして、パイプラインに費やしていたエンジニアリング時間は、製品出荷に戻ります。

Amey Banarse氏のPostgresConf 2026セッション「From Transactions to Agents: PostgreSQL in Modern AI Applications」 [Slides] をご覧ください。Lakebase上で構築された完全なAIネイティブアプリケーションを実際に確認できます。

Databricks Lakebaseは、エージェントとアプリケーションのために構築されたサーバーレスPostgresです。詳細については databricks.com/product/lakebase.をご覧ください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事