Databricks Data Intelligence Platform

Databricks wurde 2013 von den Entwicklern von Apache Spark gegründet und hat seinen Hauptsitz in San Francisco. Das Unternehmen prägte die Lakehouse-Architektur mit dem Ziel, Daten- und KI-Lösungen zu vereinfachen und breiter nutzbar zu machen. Databricks hat weltweit über 10.000 Kunden und arbeitet mit einem Partnerökosystem aus mehr als 1.200 Partnerschaften. Dazu zählen Cloud-Anbieter, unabhängige Softwareanbieter und Beratungsunternehmen. Zu den Akquisitionen gehören Mosaic (KI-Plattform), Neon im Mai 2025 (transaktionale Workloads) und Tabular im Juni 2024 (Iceberg-Speicherschicht). Strategische Partnerschaften bestehen unter anderem mit AWS, Azure, GCP, NVIDIA, Anthropic, OpenAI und SAP.

Die Databricks Data Intelligence Platform verbindet Data-Warehouse-Performance mit der Flexibilität eines Data Lakes auf Basis einer offenen Lakehouse-Architektur. Sie ist für hochvolumige Datenverarbeitung, Data-Engineering-Pipelines, Echtzeit-Analysen und das Deployment von Machine-Learning-Modellen ausgelegt. Adressiert werden vor allem technische Teams, die Notebooks klassischen SQL-Umgebungen vorziehen. Technisch basiert die Plattform auf Open Source. Delta Lake und Iceberg bieten ACID-konformen Storage mit Time Travel. Apache Spark und die Photon Engine ermöglichen verteilte Verarbeitung. Unity Catalog dient als zentraler Governance-Layer für Berechtigungen, Metadatenmanagement und Lineage.

Zu den zentralen Funktionen zählen Databricks SQL Warehouses für BI-Workloads, Delta Live Tables für Echtzeitverarbeitung, Mosaic AI für Vector Search und RAG-basiertes Model-Deployment sowie Agent Bricks für produktionsreife KI-Agenten-Systeme mit automatisierter Optimierung. Die Plattform skaliert linear und bietet Pay-on-Demand-Serverless-Pricing auf AWS, Azure und GCP. Sie unterstützt Hybrid- und Multi-Cloud-Deployments. Über die Partnerschaft zwischen SAP und Databricks ist sie nativ in SAP Business Data Cloud integriert. Damit lassen sich SAP-Daten mit externen Quellen für Advanced Analytics und KI zusammenführen.

Basierend auf 20 Antworten in der Data Fabric Survey 26 zeigt Databricks deutliche Verbesserungen gegenüber dem Vorjahr. Der Business Value stieg von 5,4 auf 7,1, die Kundenzufriedenheit von 5,4 auf 7,6 und die User Experience von 5,8 auf 7,0. Als Treiber werden eine bessere funktionale Abdeckung und eine höhere Benutzerfreundlichkeit genannt. Die technische Basis blieb mit 7,7/10 stark. Die Plattform liegt bei nahezu allen KPIs über dem Kategoriedurchschnitt. Ausnahmen sind Data Security & Privacy und Key User Support. Besonders hoch bewertet werden Performance (8,6/10), Plattformzuverlässigkeit (8,3/10), Skalierbarkeit (8,3/10) und funktionale Abdeckung (7,9/10).

Kunden nennen funktionale Fähigkeiten (60%), Skalierbarkeit (50%) und Performance (40%) als wichtigste Kaufgründe. Alle drei Werte liegen jeweils über dem Kategoriedurchschnitt. Auffällig ist die KI-Nutzung. 40% haben Databricks wegen KI-Automatisierung und fortgeschrittener User Experience gekauft. Der Branchendurchschnitt liegt bei 8%. Das stützt die AI-native Positionierung. Die „Toolbox“-Architektur ermöglicht eine flexible Kombination von Tools und Engines und bleibt dadurch anpassungsfähig für unterschiedliche Workloads und Datenformate.
Trotz der starken technischen Performance liegen die Herausforderungen vor allem bei der Zugänglichkeit für Business-Anwender und bei der Komplexität. Die meisten gemeldeten Probleme betreffen Support für Business-User und administrative Komplexität. Nur 16% berichten von keinen nennenswerten Problemen. Key User Support liegt mit 5,9/10 unter dem Durchschnitt. Größere technische Probleme wurden nicht berichtet. Das deutet auf Hürden in der Adoption hin, weniger auf architektonische Schwächen. Kostenoptimierung erfordert Plattformkompetenz. Für kleinere Organisationen ohne ausgeprägte Data-Science-Bedürfnisse kann die Lösung überdimensioniert sein.

Databricks zeigt starke technische Fähigkeiten und eine deutliche Dynamik gegenüber dem Vorjahr und positioniert sich damit als Plattform für datenintensive Workloads sowie KI/ML-Anwendungsfälle. Die Lakehouse-Architektur ist darauf ausgelegt, Daten- und KI-Anforderungen gemeinsam zu adressieren. Um den Nutzen zu realisieren, sind Training und qualifizierte Ressourcen wichtig, insbesondere in technisch geprägten Teams mit Code-first-Ansatz. Weniger geeignet ist die Plattform für gelegentliche SQL-basierte Szenarien oder für Organisationen, die primär reife Out-of-the-box-BI-Tools benötigen. Mit zunehmender Reife von Ease-of-Use-Features und Low-Code-Optionen ist eine breitere Adoption durch Business-Anwender zu erwarten. Die inhärente Komplexität spiegelt dabei den Umfang der Plattformfähigkeiten wider.