Databricks Data+AI Summit 2026 不是在发布产品功能，而是在宣告一种企业数据架构的终结。Ali Ghodsi 在 keynote 中给出的核心判断是：当 Agent 成为企业劳动力的倍增器，数据平台必须从"湖仓一体"升级为统一智能层——在同一套开放格式上同时承载事务、分析、AI 三种工作负载，并提供 Agent 所需的上下文、成本控制和治理。
这个战略的前提是：数据管道的时代已经结束。如果这个前提成立，Databricks 在 Agent 时代的卡位就是不可替代的。
统一数据层是 Agent 基础设施的底层前提
上下文质量决定 Agent 的可用性天花板
成本失控是 Agent 规模化部署的最大阻碍
开放协议是 Agent 生态的默认基础设施
数据架构正在从"分层"走向"统一"，ETL 管道时代宣告终结。过去二十年，企业数据架构的默认模式是"操作数据 → ETL → 数据仓库 → BI"——层层复制、层层延迟。Databricks 用 LTAP（Lake Transactional/Analytical Processing）正面挑战这个范式：把 OLTP 和 OLAP 放在同一套开放格式（Delta Lake / Iceberg）的同一副本上，Agent 可以直接在事务数据上进行分析推理。这意味着"数据管道工程师"这个职业类别可能被大幅压缩，而"数据平台工程师"的定义将被重写。Lakebase 已经支撑 1200 万+ 数据库日启动量，80% 由 AI Agent 自动创建而非人类——这暗示了未来数据库的供给方式。
Agent 的 99% 工作不在核心循环，而在基础设施债务。Databricks 官方表述是"核心 agent loop 只是 1% 的工作，其余 99% 是 token 容量、部署、安全、评估、监控、上下文、共享"。这是一个来自生产环境的诚实判断。大多数企业在 POC 阶段只关心"LLM 能不能回答对"，但上生产后才发现：记忆管理、身份验证、成本上限、审计追踪、模型回退——这些才是决定 Agent 能不能跑在真实业务里的硬约束。Databricks 把这一堆基础设施问题打包成平台能力（Agent Bricks + Unity AI Gateway + Managed Memory），本质上是把"Agent 工程"变成一项可外包的托管服务。
上下文层正在成为企业 AI 的"搜索排名"。Genie Ontology 被 Ghodsi 比作 Google 的 PageRank——持续在后台检索分析企业全部知识，为 Agent 构建一个实时、自改进的上下文层。这个定位的战略含义是：当模型能力趋同，谁能更准确地理解企业语义，谁就掌握了 Agent 的可靠性。Genie 的差异化卖点是"计算推理而非背诵复述"——从 governed 数据直接查 SQL 获取真实答案，而不是从文档片段中猜。这恰好击中了企业 AI 的最大痛点：一个自信的错误答案比没有答案更危险。
"开放"是 Databricks 的锁定策略，而且这套策略正在扩展。OpenSharing 将 Delta Sharing 从结构化表扩展到 agent skills、AI 模型、非结构化数据——交给 Linux Foundation 治理，Apache 2.0 许可。表面上是在拆墙，实际上是在定义 Agent 时代的交换标准。当 agent skills 的跨组织共享需要一个标准协议时，OpenSharing 想成为那个默认选项。这与 Snowflake 的 OSI 规范形成直接对位：两家都在争夺"企业语义交换标准"的定义权。唯一的区别在于 Databricks 的开放姿态更彻底——Unity Catalog 源代码在台上开源、Iceberg 和 Delta 双格式支持、on-prem 存储伙伴接入。
成本治理从"事后审计"变成"实时刹车"。Unity AI Gateway 的硬支出上限（hard spend caps）是一个标志性信号：Agent 的成本结构不可预测——一个失控的 Agent 一夜之间烧掉 $6,500+ 的案例已经成为行业共识。Databricks 把预算控制做到运行时层，按用户、团队、工具、用例自动停止超支请求。这不仅仅是省钱，而是让 CFO 敢批准 Agent 上生产。Ghodsi 在媒体沟通中坦承"每家企业都非常担心成本失控，这是我们被问到最多的问题"——这说明成本治理已经从技术议题升级为商业采纳的硬门槛。
Lakehouse//RT + Reyden（Beta）—— 实时数据仓库。全新引擎 Reyden 直接在 governed Delta Lake 和 Iceberg 表上提供毫秒级响应，无需单独 serving layer。小数据集低至 10ms，大数据集 sub-100ms，标准基准测试 12,000 QPS。客户反馈性能比现有实时服务架构最高提升 16x。消除 CDC 管道、ETL 流程和复制数据库——这是"统一数据层"的技术底座。
LTAP（Lake Transactional/Analytical Processing）（coming soon as part of Lakebase）—— 统一事务与分析架构。基于 Lakebase（serverless Postgres，12M+ DB 日启动），将事务数据直接写入 Delta / Iceberg 开放格式，让应用、分析系统和 AI Agent 共享同一份数据。客户包括 Block、Ensemble、Superhuman、Zillow。目标是彻底消除"操作数据 → 管道 → 分析"的分层架构。
Genie One + Genie Ontology（Genie One GA / Ontology 内置）—— 面向业务用户的 Agentic coworker。Genie One 覆盖 Web、iOS、Android，连接 Google Drive、Jira、Slack、Confluence、SharePoint 等 50+ 应用。Genie Ontology 是实时自改进的上下文层，持续从企业数据、文档、工单、聊天中提取和更新业务知识。Genie Agents 支持将对话保存为可复用 Agent，Genie App Builder 提供面向企业的 vibe coding 环境。
Agent Bricks（扩展平台）—— 开发者 Agent 平台。自发布以来已构建 100,000+ agents，年处理 1 quadrillion+ tokens。新增支持：任意 Agent 框架（LangGraph、OpenAI Agents SDK、自定义）、Supervisor Agent（多 Agent 编排）、Document Intelligence（GA，结构化数据提取）、Managed Memory（由 Lakebase 提供，支持 LangGraph checkpointers 和 OpenAI Agents SDK）。模型选择新增 Kimi、Grok（SpaceX 合作），以及通过 RL 训练的 custom model——在 Genie 任务上质量超越 Opus/Sonnet，成本显著更低。
Unity AI Gateway + OpenSharing（Gateway GA / OpenSharing 6/10 发布）—— AI 治理与开放生态。Unity AI Gateway 提供集中式治理：硬支出上限、智能路由、fallback 模型、上下文策略、MCP 治理、审计日志。OpenSharing 由 Linux Foundation 托管，扩展 Delta Sharing 到 agent skills、AI 模型、非结构化数据，支持 Iceberg IRC 客户端和 on-prem 存储伙伴（Everpure、MinIO、Qumulo 等）。54 家厂商参与 Delta Sharing 生态，包括 Amadeus、Atlassian、SAP、Stripe、TheTradeDesk。
6月是企业数据平台的决战月——三场大会密集上演：Snowflake Summit、Microsoft Build、Databricks Data+AI Summit。
| Snowflake Summit | Databricks DAIS | Microsoft Build | |
|---|---|---|---|
| 时间 | 6月1–4日 | 6月15–18日 | 6月2–3日 |
| 核心定位 | 数据仓库 → Agent 运行时 | 湖仓一体 → 统一智能层 | Windows/Azure → Agent 平台 |
| 最强场景 | 结构化数据 + 企业治理 | ML 训练 + 实时分析 + Agent | 知识工作 + 开发者工具 |
| Agent 产品 | CoCo / CoWork | Agent Bricks / Genie One | Windows Agent Framework |
| 数据形态 | 结构化企业数据 | ML 训练数据 + 事务数据 | 办公协作数据 |
| 开放策略 | Iceberg v3 / OSI / Openflow | Delta+Iceberg / OpenSharing / Unity Catalog 开源 | 相对封闭 |
| 营收增速 | ~29% YoY | ~65% YoY | N/A |
LTAP 的生产成熟度：LTAP 目前作为 Lakebase 的升级选项 coming soon，统一 OLTP+OLAP 的愿景很清晰，但面对真实企业环境中复杂的事务一致性要求和遗留系统迁移，"无需 ETL"的承诺能否在生产规模兑现？
Genie Ontology 的规模化考验："持续学习企业上下文"在演示中很 impressive，但面对数据质量参差不齐、文档缺失、业务规则未编码的真实企业环境，自动语义组装的准确率能否维持在可用水平？
Agent 经济模型的清晰度：100k+ agents 和 1 quadrillion tokens 是规模信号，但"企业为 Agent 付多少钱"的商业模型仍不清晰。DB SQL 的 $10 亿+ 年化增长证明数据仓库预算在转移，但 Agent 本身的定价和盈利模式还需要 2027 年验证。
Lakehouse//RT 的 Beta 采用率和 LTAP 的生产就绪时间表是关键验证点。DB SQL $10 亿+ 年化增长和 65% 整体增速构成强劲财务叙事。但多数 AI 产品（Genie One、Agent Bricks 新功能）需要 2026 H2 的企业采用数据来验证。
竞争格局将决定性收窄。Databricks 的 IPO 预期（$1650–1750 亿估值）是催化剂，也是压力测试。如果成功上市并维持估值，将验证"AI 基础设施公司值得溢价"的叙事；如果估值承压，整个 late-stage AI 赛道的定价都会受影响。
如果统一数据层架构被验证、Agent 成为企业运营的主流方式、开放协议（OpenSharing）成为事实标准，那么 Databricks 的赌注成立。但最重要的一步不在 Databricks 手里：Agent 需要真正实质性地提升企业劳动力效率，而非停留在 POC 和炒作周期。