#databricks

AI codingは単一assistantの選択から、複数agentの運用へ移っている。Omnigentはshared sessions、guardrails、human-in-the-loop workflowを持つopen-source meta-harnessだ。

DatabricksはOmnigentをagentの上位に置くopen meta-harnessとして示した。共通interface、policy enforcement、real-time collaborationを一つの層で扱う点が中心だ。

DatabricksはGenie Ontologyを、tables、queries、dashboards、pipelines、connected appsから知識を抽出するcontext layerとして示した。metric definitionsやbusiness termsを結び、エージェントが信頼できる情報源を選ぶ設計だ。

xAIはGrokモデルをDatabricks Agent Bricksで利用可能にし、企業データ基盤内でのモデル選択肢を広げた。OpenAI、Anthropic、Gemini、Qwen、Kimiと並ぶ形で、統制されたエージェント環境に入る。

重要なのは、DatabricksがBI assistantを単一SQL回答からmulti-step analysisへ押し出していることだ。Genie Agent Modeはplanを立て、hypothesesを試し、複数queriesを実行し、findingの裏にあるSQLも示せる。

なぜ重要か: coding agentが実験用途から本番インフラへ移ると、権限、費用、監査ログが分散しやすい。Databricksはcoding agents、LLM calls、MCP integrationsをgovernance、budgets、observabilityの3軸で管理する構えを示した。

Databricks AI Researchは2026年4月10日、Memory Scaling for AI Agents を公開し、real-world agent の性能はより長い reasoning よりも external memory の蓄積と retrieval 品質に左右されうると論じた。記事は labeled example、user log、organizational knowledge によって精度と効率が同時に改善する結果を示している。

Databricksは2026年3月24日、multimodal telemetryを取り込み、business dataと統合し、AI agentで検知・調査・対応を自動化する新しいopen agentic SIEMとしてLakewatchを発表した。DatabricksはAdobeとDropboxを含む顧客とPrivate Previewを開始し、AI-driven攻撃に対抗するには防御側もmachine-speedの構造が必要だと主張している。

Databricksは2026年3月27日、LogSentinelがLLMでcolumnを分類し、hierarchical・residency-aware labelを適用し、driftを検知すると説明した。2,258 sampleでPIIに対して最大92% precision、95% recallを達成したという。Databricksの文書では、Unity Catalog Data ClassificationがAI agentとLLMでtableを分類・taggingし、governed tagsとABACでそれをaccessおよびcompliance controlにつなげると説明している。