Per decenni, gli ingegneri dei dati hanno lottato per gestire separatamente database operativi e analitici, affrontando latenza e degrado prestazionale. Con l'avvento degli agenti AI, il problema è diventato strutturale: un sistema che ragiona continuamente e agisce su dati live non può tollerare pipeline tra sé e le informazioni necessarie. Durante il Data + AI Summit di questa settimana, Databricks ha presentato due prodotti che mirano a collassare questa infrastruttura: Lakehouse//RT e LTAP (Lake Transactional/Analytical Processing).
Lakehouse//RT: latenza millisecondo senza tier dedicato
Lakehouse//RT elimina la necessità di un livello di serving in tempo reale separato, consentendo query con latenza inferiore a 100 millisecondi direttamente su tabelle Delta e Iceberg governate. Il motore Reyden, costruito per alta concorrenza e bassa latenza, processa fino a 12.000 query al secondo, con tempi di risposta fino a 10 ms su dataset ridotti e prestazioni fino a 16x migliori rispetto agli stack tradizionali. Ogni query rimane all'interno del framework di governance Unity Catalog, senza duplicazioni di dati né pipeline di ingestion.
Sponsored Protocol
LTAP: unificazione a livello di storage
LTAP rappresenta la risposta di Databricks al fallimento degli approcci HTAP (Hybrid Transactional/Analytical Processing). Invece di convergere i motori di query, LTAP unifica i dati a livello di storage tramite l'architettura Lakebase, un servizio PostgreSQL serverless. I dati transazionali vengono scritti direttamente in formato Delta o Iceberg, eliminando le pipeline ETL che da decenni collegano sistemi operativi e analitici. Come spiegato dal co-fondatore Reynold Xin, l'obiettivo è usare il miglior motore per ogni carico di lavoro, ma condividere una singola copia dei dati sullo storage sottostante. La sfida ingegneristica principale è la latenza: lo storage object ha tempi di risposta nell'ordine dei secondi, troppo lenti per OLTP. Lakebase utilizza un livello di caching tra le istanze Postgres e lo storage object, dove la CPU idle converte le righe in colonne, ottenendo una compressione superiore a 10x e riducendo i costi di rete.
Sponsored Protocol
Secondo gli analisti, la vera differenziazione risiede nel framing agentico e nell'approccio open format. Stephanie Walter di HyperFRAME Research sottolinea che gli agenti hanno bisogno di dati operativi live, contesto storico, governance, retrieval e write-back nello stesso flusso di lavoro. Mike Leone di Moor Insights and Strategy aggiunge che consentire scritture transazionali in formati aperti è una mossa meno comune, che rende credibile il ritiro di un'intera batteria di sistemi specializzati. Tuttavia, la sfida rimane dimostrare che entrambi i motori condividano davvero una singola copia senza passaggi di conversione nascosti.
Per le aziende, la domanda non è più quale strumento scegliere per ogni carico, ma se sia ancora difendibile mantenerli separati. I dati di VB Pulse Q1 2026 mostrano che l'intento di recupero ibrido è triplicato, mentre l'adozione di database vettoriali standalone è crollata. Anche nel campo della virtualizzazione, le aziende cercano soluzioni unificate come dimostra l'iniziativa HPE per attrarre clienti VMware insoddisfatti. Allo stesso modo, la controversia di Anthropic con l'amministrazione Trump mostra come le dinamiche di mercato possano influenzare l'adozione dell'AI. In questo contesto, la proposta di Databricks di eliminare le copie e sincronizzazioni tra sistemi operativi e analitici rappresenta un passo avanti significativo per i carichi di lavoro agentici. Per approfondire, si può consultare la pagina Wikipedia di Databricks per una panoramica storica.
Sponsored Protocol
