Databricks Deutschland

"Wir brauchen eine Ontologie!" Der Satz fällt inzwischen in vielen Kundengesprächen, und er meint selten dasselbe. In Folge 12 spricht Patrick Steiner mit Balazs Gaspar, Senior Solutions Architect bei Databricks, über das Thema in drei Schritten.

Zuerst ohne Produkt: Was ist eine Ontologie, was ein Knowledge Graph, und was ist nur Buzzword? Dann: Warum bauen Kunden so etwas, und warum reicht reines Bottom-up-Modellieren am Übergang zu Gold oft nicht aus? Zum Schluss: Wie lösen Genie One und Genie Ontology das mit kuratiertem Wissen (Metric Views, Pages, Domains) und gelerntem Wissen aus Notebooks, Abfragen und Dashboards.

Ein fiktives Rollenspiel zur Reklamationsquote bei einem Automobilzulieferer macht den Ansatz konkret. Am Ende gibt Balazs einen Tipp für den Start.

Wie kommen Fachbereiche an ihre Unternehmensdaten, ohne drei Teams zu bemühen? In dieser Folge sprechen wir über Databricks Genie. Wir schauen, wo allgemeine KI-Werkzeuge bei tabellarischen Daten ihr Potenzial noch nicht ausschöpfen, und wie die fünf Genie-Produkte ineinandergreifen. An einem fiktiven Hersteller im Weihnachtsgeschäft gehen wir Schritt für Schritt durch, wie aus verstreuten Daten eine Analyse wird, der Du vertrauen kannst.

In dieser Folge:

• Warum der Datenzugang im Fachbereich oft stockt: verstreute Daten und ausgelastete BI-Teams
• Wo Claude Code, Codex, Cowork und Copilot bei Unternehmensdaten an Grenzen kommen und wie MCP die
• Die fünf Genie-Produkte: Genie One, Genie Agents, Genie Code, Genie Ontology und Genie ZeroOps
• Ein Praxisbeispiel aus der Lieferkette in sechs Schritten
• Autonomie mit Leitplank ein Mensch gibt frei

Zu Gast: Corbinian Nentwich, Solutions Engineer bei Databricks. Er sitzt täglich mit Kunden zusammen und überlegt mit ihnen, wie die Plattform bei ihren Datenproblemen helfen kann.

Halluzination, RAG, Agenten, Harness, diese Begriffe tauchen in jedem KI-Gespräch auf.

Das Problem: Kaum jemand meint dasselbe damit.

Wenn zwei Seiten im Projekt aneinander vorbeireden, scheitert es nicht am Code, sondern am Gespräch.

Patrick Steiner und Thomas Hass nehmen das Vokabular auseinander, das gerade durch jedes Enterprise-KI-Projekt spukt, am Beispiel eines Data-Engineering-Copiloten, der nicht nur in der Demo funktioniert.

Für Entscheider und alle, die den Agenten wirklich bauen.

AI Readiness in Unternehmen – Let the Data Flow!

Warum scheitern so viele ambitionierte KI-Projekte? Oft liegt es an isolierten Datensilos und starren Bürokratie-Prozessen. In dieser Folge des Databricks Deutschland Podcasts sprechen Patrick und Data & AI Architektur-Experte Xiaofeng (Steve) über das entscheidende Motto für eine erfolgreiche KI-Strategie: „Let the data flow!“.

Die Highlights der Folge:

• Der Paradigmenwechsel: Warum Daten standardmäßig frei zugänglich sein sollten, um die Innovationskraft im Unternehmen zu entfesseln.
• Freiheit statt Bürokratie: Wie Entwickler durch die freie Tool-Wahl (z.B. Claude Code, Databricks AI-Dev-Kit) Arbeitstage auf wenige Stunden verkürzen.
• Sichere Leitplanken: Wie Unity Catalog und AI Gateway für volle Governance sorgen, ohne den Datenfluss zu blockieren.
• KI-Agenten als Multiplikatoren: Wie Agent Bricks helfen, Prozesse zu automatisieren und den Menschen den Fokus auf Strategie und Kreativität zurückgeben.

Egal ob Data Engineer oder IT-Entscheider – erfahre, wie du die Reibung aus dem Informationsfluss nimmst und echte "AI Readiness" erreichst

Stell dir vor: Die Plattform läuft. Uptime bei 99,97 %. Keine ungeplanten Ausfälle. Das Team ist stolz und zu Recht. Und trotzdem nutzt keine einzige Fachabteilung sie produktiv.                                                                           Warum schöpfen so viele Datenplattformen nicht ihr volles Potential aus, obwohl die Technik einwandfrei funktioniert? Das ist die Frage in dieser Solo-Episode.

                                                                                                    Patrick Steiner, ehemals Pivotal Software und VMware Tanzu, heute Senior Manager Solution Engineering bei  Databricks Deutschland, kennt dieses Muster aus jahrelanger Praxis. Nicht aus Büchern. Aus echten Engagements.                                                                                               

In dieser Episode:

• Das mandatory/voluntary-Reframe: Warum Datenplattformen zwei grundverschiedene Schichten brauchen, einen Governance Core, der nicht verhandelbar ist, und eine Developer Experience Surface, die freiwillig bleiben muss. Und was passiert, wenn man diesen Split nicht bewusst macht.                                  
• Fünf wiederkehrende Muster, die Wirkung kosten: Von Orphaned Workspaces über Governance-Theater bis hin

  zur eigentlichen Wurzel aller anderen: Plattform als Projekt.                                             

• Das richtige Team: Wer welche Rolle übernimmt, Platform PM, Governance Steward, Engineering Lead,

  Platform Champion. Vier bis fünf Personen. Nicht fünfzehn.                                                 

• Die Zwei-Tier-Messung: Warum Uptime Pflicht ist, aber nicht die Kür. Und was Use-Case-Velocity als Metrik konkret bedeutet.

"Eine Datenplattform ist kein IT-Projekt — sie ist ein Produkt. Und ein Produkt ohne Verantwortliche ist nur teure Infrastruktur, die darauf wartet, zur Fußnote zu werden."

Wenn euch diese Episode etwas gegeben hat: Abonniert den Podcast und hinterlasst eine Bewertung. Das hilft  anderen, die genau diese Frage gerade stellen, uns zu finden.

Wir hören uns beim nächsten Mal. Und denkt daran:

Gute Daten... ...gute Entscheidungen!  

„Forget that the code even exists“. Mit diesem Zitat von OpenAI-Founding Member Andrej Karpathy starten wir in eine brandneue Folge des Databricks Deutschland Podcasts!

Kämpft ihr noch mit komplexer Syntax oder nutzt ihr schon Vibe Coding?

In unserer neuesten Episode spreche ich mit Felix Ehler, Solution Architect im Field Engineering bei Databricks, über einen echten Paradigmenwechsel in der Softwareentwicklung. Beim Vibe Coding beschreibt man einfach in natürlicher Sprache, was man möchte, und die KI schreibt den Code.

Der Fokus verschiebt sich radikal: Weg von „Wie implementiere ich das?“ hin zu „Was will ich eigentlich erreichen?“.

Das erwartet euch in der Folge:
🔹 Mehr als nur Autocomplete: Warum agentenbasierte KIs (wie Claude Code oder Genie Code) nicht einfach nur Code vervollständigen, sondern den Projektkontext verstehen und selbst Dateien lesen sowie Befehle ausführen können.
🔹 Massiver Speed im Alltag: Wie Felix funktionierende Prototypen und Demos, für die er früher einen halben Tag gebraucht hätte, heute in nur 30 Minuten lauffähig macht.
🔹 Das Databricks AI Dev Kit: Wir werfen einen Deep Dive auf dieses Open-Source-Plugin, das Databricks-Ressourcen (wie Unity Catalog oder SQL) via Model Context Protocol (MCP) als direkte Toolbox für externe AI-Assistenten freischaltet. ( https://github.com/databricks-solutions/ai-dev-kit )
🔹 Die Zukunft der Entwickler: Keine Sorge, Entwickler werden nicht ersetzt! Ihr werdet nur viel effektiver. Die Rolle wandelt sich, man wird mehr zum Architekten und weniger zum bloßen "Tipper".

Felix bringt es auf den Punkt: Wer einmal mit Vibe Coding und diesen Tools gearbeitet hat, möchte im Alltag nicht mehr darauf verzichten. Die Einstiegshürde ist extrem niedrig, fangt einfach klein an, zum Beispiel mit einem simplen Skript zur Automatisierung!

Neugierig geworden? Hört jetzt rein in die neue Folge!

Bei Fragen zu den Databricks Deutschland Podcasts oder Themenwünschen, schreibt gerne eine eMail an [email protected]

Der Online-Handel steht vor dem größten Umbruch seit der Erfindung des digitalen Warenkorbs. Wir bewegen uns in rasantem Tempo weg von einer Welt, in der wir Menschen Produkte suchen, hin zu einer Zukunft, in der KI-Agenten autonom für uns einkaufen. Willkommen in der Ära des Agentic Commerce!

In dieser Folge spricht Patrick mit Anton, Senior Manager Solution Architects Retail & CPG Germany bei Databricks, der gerade frisch von der weltgrößten Retail-Messe – der NRF 2026 in New York – zurückgekehrt ist.

Gemeinsam werfen sie einen Blick in das Auge des Sturms und analysieren, wie sich der Handel jetzt neu erfinden muss.

Die Führungskräfte im Handel fragen nicht mehr, warum KI wichtig ist – sie fragen, wie sie diese jetzt umsetzen können. Hört rein und erfahrt, wie ihr eure Dateninfrastruktur fit für die KI-Agenten von morgen macht.

Data Warehouse Migrationen gelten oft als „Operation am offenen Herzen“, risikoreich, teuer und langwierig. Viele Data Leader haben zurecht Respekt vor dem Projekt, das oft Monate oder Jahre dauern kann. Doch muss das wirklich so sein?

In dieser Folge spricht Patrick mit Olga Romanova (Engagement Manager bei Databricks), die sich selbst als „Mensch im digitalen Universum“ bezeichnet. Gemeinsam entmystifizieren sie den Prozess und zeigen, wie man alte DWH-Strukturen erfolgreich in das moderne Databricks Lakehouse überführt, ohne dass das Budget explodiert.

In dieser Episode erfahrt ihr:

• Strategie statt Chaos: Der bewährte 5-Phasen-Prozess von Discovery bis Execution und warum der Pilot („Think Big, Start Small“) überlebenswichtig ist.
• Die größte Falle: Warum die reine SQL-Konvertierung der einfache Teil ist und die „Validation Gap“ (Testen & Validieren) oft 50–60 % des Aufwands verschlingt.
• Mut zum Löschen: Wie man „Geistertabellen“ identifiziert und durch einen „Value-First“-Audit vermeidet, Datenmüll umzuziehen.
• Technologie-Turbo: Wie KI-Tools wie Lakebridge bei der Automatisierung helfen und warum man trotzdem Subject Matter Experts (SMEs) braucht.
• Der echte Mehrwert: Warum es bei Migrationen nicht nur um TCO geht, sondern um das Aufbrechen von Silos und das Enablement für KI.

Egal ob ihr gerade plant oder mitten im Projekt steckt: Diese Folge liefert den Fahrplan, um Risiken zu minimieren und schneller ans Ziel zu kommen.

Gute Daten, gute Entscheidungen!

Das Lakehouse hat die Analyse großer Datenmengen (OLAP) revolutioniert. Doch Hand aufs Herz: Wenn es um transaktionale Workloads, Web-Applikationen oder das „Gedächtnis“ von KI-Agenten ging, gab es bisher oft eine Lücke.

Musste man wirklich immer eine externe Postgres-Datenbank daneben stellen und Datensilos in Kauf nehmen?

In dieser Folge schließen wir genau diese Lücke. Patrick Steiner spricht mit Christopher Pries ( Senior Solutions Engineer bei Databricks) über Databricks Lakebase – die vollständig gemanagte, serverlose und Postgres-kompatible Datenbank, die direkt auf der Databricks-Plattform läuft.

Wir tauchen tief in die Architektur ein und klären, warum wir OLTP und OLAP nicht mehr als getrennte Welten betrachten sollten.

In dieser Episode erfahrt ihr:

• Das „Warum“: Wieso klassische Data Warehouses für KI-Agenten und Echtzeit-Apps oft zu langsam sind und wie Lakebase dieses Problem löst

• Die Technik: Wie die Architektur hinter Lakebase funktioniert

• Killer-Features: Was es mit „Scale to Zero“, „Database Branching“ und der tiefen Integration in den Unity Catalog auf sich hat

• Daten-Synchronisation: Wie „Synced Tables“ das komplexe Reverse-ETL-Problem lösen und Daten zwischen Lakehouse und Applikation spiegeln

• Praxis-Use-Cases: Von „Stateful Applications“ bis hin zu KI-Agenten, die ein Kurzzeitgedächtnis benötigen

Die Wand zwischen analytischen und operationalen Daten ist gefallen. Hört rein, um zu erfahren, wie die konvergierte Plattform der Zukunft aussieht.

Gute Daten, gute Entscheidungen!

In dieser Episode des Databricks Deutschland Podcasts diskutieren Patrick Steiner und Marco Metting die entscheidende Rolle des Use-Case-Onboardings für den Erfolg von Data- und AI-Projekten.

Sie beleuchten die verschiedenen Phasen des Onboardings, die häufigsten Fehler, die gemacht werden, und die Bedeutung einer strukturierten Herangehensweise.

Die Diskussion umfasst auch die notwendigen Rollen, Werkzeuge und Frameworks, die für ein effektives Onboarding erforderlich sind.