Databricks introduceert LTAP (Lake Transactional/Analytical Processing), een nieuwe architectuur die de scheiding tussen transactionele (OLTP) en analytics (OLAP) databases opheft. Storage wordt samengevoegd in één open formaat, zonder ETL-pipelines. Met Lakebase als fundament bereidt Databricks de enterprise data-infrastructuur voor op een tijdperk waarin AI-agents de primaire gebruikers worden.
Dat maakt Databricks bekend tijdens de Data + AI Summit in San Francisco. Het bedrijf schetst dat er al veertig jaar er een harde grens bestaat tussen OLTP- en OLAP-systemen. Transactionele databases houden productiesystemen draaiende, analytics systemen verwerken historische data voor rapportage. Bedrijven overbruggen die kloof met ETL-pipelines, replica’s en gespecialiseerde data engineers. Maar dat model houdt geen stand wanneer duizenden AI-agents gelijktijdig heen en weer schakelen tussen beide systemen om live transactionele data te lezen, historische context te analyseren en te handelen.
Databricks wil die kloof nu definitief sluiten met LTAP. De aanpak verenigt OLTP- en OLAP-opslag in één enkele laag.
Geen pipelines, geen replica’s
Eerdere pogingen om OLTP en OLAP samen te brengen liepen vast. HTAP-systemen leverden een hoge kostprijs op, prestatiecompromissen en vendor lock-in. “Zero ETL” bleek in de praktijk een verborgen CDC-mechanisme: nog steeds twee kopieën van data, dezelfde problemen rond versheid en isolatie.
LTAP kiest een andere route. Data wordt één keer opgeslagen in een open formaat op object storage, met standaard Postgres-semantiek. Dedicated compute-engines bedienen zowel transactionele als analytics workloads, zodat de performance voor geen van beide wordt opgeofferd. Databricks bouwt hierbij voort op de Lakehouse-architectuur die het eerder introduceerde als open en uniforme basis voor data en AI.
Lakebase als fundament voor AI-agents
Lakebase vormt de uitbreiding van LTAP naar bedrijfskritieke workloads. De Postgres-compatibele, serverless database voegt native vector search en full-text search toe, zodat een aparte vector-database overbodig wordt. Realtime event-ingestie verloopt via Lakeflow Zerobus. Object storage maakt Git-stijl branching mogelijk, waardoor agents hun eigen databaseomgeving kunnen opstarten voor veilige experimenten zonder het productiesysteem te raken.
Agents lezen operationele data op het moment dat een transactie wordt vastgelegd, met volledige historische context erbij. Geen replica’s, geen ETL, geen productierisico.
AI-agents worden volgens Databricks de primaire gebruikers van de enterprise data-stack. De bestaande infrastructuur, gebouwd voor mensen die rapporten draaien, is daar niet op ingericht. LTAP en Lakebase zijn het antwoord op die verwachte verschuiving.