Databricks Genie Agents Update erweitert sich von Datenfragen zu Workflows
Databricks hat Genie Agents am 11. November erweitert und Unternehmenskontext sowie Aktionen hinzugefügt, während wichtige Funktionen weiterhin als Preview oder Beta verfügbar sind. Das Databricks Genie Agents Update verbindet ein bekanntes Geschäftsproblem mit einer schwierigeren operativen Frage: Wann sollte aus einer analytischen Antwort eine Aktion werden?
Die Ankündigung vereint Dokumentanalyse, Anwendungsanbindungen und externes Teilen in einer gemeinsamen Produktgeschichte. Diese Ergänzungen betreffen Arbeit, die Datenbanken, Dateien und Geschäftsanwendungen überschreitet. Sie führen zudem unterschiedliche Anforderungen an Nachweise, Berechtigungen und Überprüfung ein.
Die zentrale Spannung besteht zwischen breiterem Kontext und kontrollierter Ausführung. Ein System, das eine Umsatzveränderung erklärt, trägt andere Verantwortung als eines, das seine Schlussfolgerungen veröffentlicht oder einen Datensatz aktualisiert. Snowflake’s Cortex Agents bietet einen Wettbewerbsvergleich für diese Richtung. Für Unternehmenskäufer geht es zunehmend darum, wie diese Systeme Informationen und Befugnisse kombinieren, statt darum, ob sie Fragen in natürlicher Sprache unterstützen.
Was das Databricks Genie Agents Update tatsächlich ergänzt
Die Veröffentlichung erweitert ein bestehendes Analyseprodukt, wobei die Verfügbarkeit der neuen Funktionen unterschiedlich ist.
Laut dem Genie Agents update des Unternehmens geht die Analyse unstrukturierter Dokumente in die öffentliche Preview. Unstrukturierte Daten sind Informationen, die in Dokumenten und Bildern statt in organisierten Datenbanktabellen gespeichert sind. Native Model Context Protocol-Connectoren, über die Agenten mit externen Tools kommunizieren können, werden als allgemein verfügbar beschrieben.
OpenSharing und Genie Clean Rooms für Genie Agents bleiben in der Beta-Phase. OpenSharing ermöglicht Anbietern, Agenten über Databricks-Konten hinweg bereitzustellen. Genie Clean Rooms ergänzt eine kontrollierte Frage-Antwort-Schnittstelle, die die zugrunde liegenden Daten vor Empfängern verbirgt. Diese Veröffentlichungsphasen sind unabhängig voneinander relevant, auch wenn die Funktionen gemeinsam in einer Demonstration erscheinen.
Dies ist ein Komponenten-Update innerhalb einer breiteren Reihe von Genie-Ankündigungen. Es sollte nicht als erster Start von Genie gelesen werden. Es belegt auch nicht, dass jede Funktion der umfassenderen Genie-Familie für den allgemeinen Einsatz bereitsteht.
Die praktische Veränderung liegt in der Bandbreite der Nachweise, die ein Agent vor einer Antwort verwenden kann. Eine Tabelle kann zeigen, dass sich eine Geschäftskennzahl verändert hat. Ein Dokument kann eine Ausnahme, eine Vertragsbedingung oder ein Betriebsverfahren erläutern. Eine Anwendungsanbindung kann ein weiteres Kontextelement liefern oder einen Ort bereitstellen, an den das Ergebnis gesendet wird.
Diese Kombination verändert die Struktur einer analytischen Anfrage. Ein Nutzer kann eine Frage stellen, deren Antwort sowohl von einer Berechnung als auch von einer Erklärung abhängt. Der daraus entstehende Workflow kann außerdem über den Ort hinausreichen, an dem die Berechnung stattfand.
Betrachten wir eine beispielhafte Kontoprüfung. Ein Vertriebsleiter sieht in einer Reporting-Tabelle, dass sich eine Verkaufschance verschlechtert. Die Erklärung könnte von einem Account-Plan und einem kürzlichen Kundengespräch abhängen. Ein Agent, der auf diese Quellen zugreift, hat einen besseren Ausgangspunkt als einer, der auf die Tabelle beschränkt ist.
Der Zugriff auf mehr Nachweise belegt jedoch nicht, dass diese relevant oder aktuell sind. Eine überzeugend formulierte Antwort kann weiterhin eine korrekte Berechnung mit einer veralteten Erklärung verknüpfen. Käufer müssen daher die Quellenabdeckung von der Antwortqualität trennen.
Das Databricks Genie Agents Update ist folgenschwer, weil es diese Fragen in den operativen Rahmen des Produkts einbringt. Es macht die Grenze zwischen Analyse und Ausführung sichtbarer. Die Bewertung dieser Grenze erfordert, über die Konversationsoberfläche hinauszublicken und zu untersuchen, was hinter jeder Antwort geschieht.
Dokumentkontext verändert, wer für die Antwort verantwortlich ist
Die Dokumentanalyse verlagert einen Teil des Implementierungsaufwands zu den Personen, die für geschäftliche Nachweise verantwortlich sind.
Die Dokumentation zur Dateianalyse von Databricks beschreibt das Anhängen von Unity Catalog Volumes, also verwalteten Dateicontainern, an einen Agenten. Die Dateianalyse nutzt den Agent-Modus, den mehrstufigen Schlussfolgerungsmodus des Produkts. Antworten können Zitate zu bestimmten Quellseiten enthalten, und der Zugriff folgt den Berechtigungen des anfragenden Nutzers.
Die Dokumentation definiert auch praktische Grenzen. Autoren fügen ganze Volumes anstatt ausgewählter Ordner innerhalb dieser Volumes hinzu. Die Inhaltssuche unterstützt verwaltete Volumes und überspringt Dateien, die größer als 100 MB oder länger als 500 Seiten sind. Zudem gelten regionale Abhängigkeiten.
Diese Details machen die Organisation von Dokumenten zu einem operativen Thema. Ein Volume, das genehmigte Richtlinien neben veralteten Entwürfen enthält, bietet ein anderes Nachweisumfeld als eine sorgfältig gepflegte Sammlung. Die Agentenoberfläche beseitigt nicht die Notwendigkeit, zu entscheiden, welche Dokumente zusammengehören.
Dadurch geraten sowohl Geschäftsverantwortliche als auch Datenteams unter Druck. Die Finanzabteilung kann für eine Kennzahlendefinition verantwortlich sein, während die Rechtsabteilung die Vertragssprache verantwortet, die ihre Auslegung verändert. Eine Antwort, die beide Quellen kombiniert, benötigt eine klare Beziehung zwischen diesen Zuständigkeiten.
Bei einer beispielhaften Beschaffungsfrage könnten Ausgabendaten Lieferanten mit steigenden Kosten identifizieren. Vertragsdokumente könnten Verlängerungsbedingungen oder ausgehandelte Ausnahmen erläutern. Die Kombination dieser Quellen ist nur nützlich, wenn der Agent eine aktive Vereinbarung von einer abgelösten Version unterscheidet.
Seitenzitate machen die Überprüfung praktikabler, weil sie Lesern eine konkrete Stelle zur Prüfung geben. Sie belegen nicht, dass die ausgewählte Seite jeden Teil der Schlussfolgerung stützt. Ein Verweis kann korrekt sein, während die daraus gezogene Argumentation unvollständig bleibt.
Diese Unterscheidung wird besonders wichtig, wenn Nutzer fragen, warum etwas passiert ist. Numerische Veränderungen und dokumentarische Kommentare können gleichzeitig auftreten, ohne einen Kausalzusammenhang zu belegen. Ein Agent sollte diese Unsicherheit bewahren, statt räumliche oder zeitliche Nähe in eine Erklärung zu verwandeln.
Die Belastung verändert sich daher, statt zu verschwinden. Eine verwaltete Dokumentfunktion kann individuelle Integrationsarbeit reduzieren. Fachexperten müssen weiterhin festlegen, was als maßgeblicher Nachweis gilt und wie widersprüchliche Quellen die Antwort beeinflussen sollten.
Es gibt außerdem einen Unterschied zwischen der Beantwortung auf Grundlage relevanter Passagen und der Ermittlung eines umfassenden Musters über eine Sammlung hinweg. Eine überzeugende Zusammenfassung zeigt nicht von selbst, wie gründlich das System gesucht hat. Prüfer müssen fragen, ob ausgelassene Nachweise die Schlussfolgerung verändern würden.
Der stärkste Einsatzfall ist ein abgegrenzter Geschäftsbereich mit erkennbaren Quellen und verantwortlichen Eigentümern. Breitere Sammlungen vergrößern das Spektrum möglicher Fragen, erschweren aber auch die Bewertung der Quellenauswahl. Mehr Kontext wird nützlich, wenn seine Autorität verständlich ist.
Anwendungszugriff macht Aktionen zu einer separaten Entscheidung
Die Berechtigung zum Abruf von Informationen sollte getrennt von der Berechtigung bewertet werden, ein anderes System zu verändern.
Databricks unterscheidet Lakeflow Connect, seinen Dienst zur Datenaufnahme, von Tool-Verbindungen zur Laufzeit. Die Datenaufnahme bringt Anwendungsdaten in die Analyseumgebung. Laufzeitverbindungen ermöglichen einem Agenten, während einer Aufgabe mit einer Anwendung zu interagieren. Diese Wege dienen unterschiedlichen Zwecken, selbst wenn sie verwandte Geschäftsinformationen betreffen.
Die Dokumentation zu MCP-Tools beschreibt individuelle Nutzerauthentifizierung und Tool-Aufrufe unter Verwendung der Berechtigungen des anfragenden Nutzers. Sie unterscheidet automatische Lesevorgänge von Schreibvorgängen, die eine Genehmigung anfordern. Autoren können einzelne Tools aktivieren oder deaktivieren.
Es gibt eine beachtenswerte Verfügbarkeitsabweichung. Die Ankündigung vom 11. November bezeichnet native MCP-Connectoren als allgemein verfügbar. Der Integrationsleitfaden, zuletzt am 9. November aktualisiert, kennzeichnet MCP-Tools in Genie Agents weiterhin als Beta. Käufer sollten die unterstützte Konfiguration ihres Workspace bestätigen, statt von identischer Verfügbarkeit auszugehen.
Für die Einsatzplanung ist die größere Frage das Verhältnis zwischen Wissen und Befugnis. Das Abrufen eines Account-Plans kann helfen, eine Empfehlung zu erläutern. Die Veröffentlichung dieser Empfehlung in einem gemeinsamen Channel verändert, wer sie sieht und wie andere sie nutzen könnten.
Eine beispielhafte Vertriebsprüfung verdeutlicht den Unterschied. Ein Agent könnte Pipeline-Zahlen mit Account-Dokumenten vergleichen und eine Strategiezusammenfassung erstellen. Die Analyse kann nützlich sein, bevor jemand ihre Verteilung autorisiert. Das Versenden führt eine weitere Entscheidung über Zielgruppe, Inhalt und Zeitpunkt ein.
Die bestehenden Anwendungsberechtigungen eines Nutzers bilden eine Zugriffsgrenze, beantworten aber nicht jede Workflow-Frage. Jemand kann berechtigt auf ein Dokument zugreifen und dennoch eine Managementprüfung benötigen, bevor daraus gezogene Schlussfolgerungen weitergegeben werden. Technische Autorisierung und geschäftliche Genehmigung dienen unterschiedlichen Zwecken.
Hier verändert das Databricks Genie Agents Update die Bewertung durch Käufer. Eine Demonstration erfolgreicher Tool-Nutzung belegt, dass eine Verbindung funktioniert hat. Sie belegt nicht, dass die gewählte Aktion zum Prozess der Organisation passte.
Die Unterscheidung ist auch wichtig, wenn ein Workflow mittendrin stoppt. Einer korrekten Analyse kann ein erfolgloser Schreibvorgang folgen. Umgekehrt kann eine Aktion erfolgreich sein, obwohl die zugrunde liegende Empfehlung korrigiert werden muss. Das gesamte Gespräch als einzelnen Erfolg zu behandeln, verschleiert diese Unterschiede.
Teams, die diese Workflows bewerten, sollten daher Zwischenergebnisse untersuchen. Sie müssen verstehen, welche Informationen abgerufen wurden, welche Schlussfolgerung entstand und welche Aktion vorgeschlagen wurde. Jeder Schritt birgt eine andere Art von Fehler.
Das bedeutet nicht, dass jede Aufgabe zu einem langwierigen Genehmigungsverfahren werden muss. Es erfordert, den Prüfaufwand an die Konsequenz anzupassen. Ein Entwurf zur persönlichen Prüfung und ein gemeinsames operatives Update verdienen unterschiedliche Behandlung.
Die Produktrichtung ist für Arbeit sinnvoll, die bereits Anwendungen überschreitet. Ihr Wert hängt davon ab, Übergaben zu reduzieren, ohne die Verantwortlichkeit schwerer nachvollziehbar zu machen. Die entscheidende Frage ist, ob Nutzer den Übergang von Nachweisen zur Ausführung verstehen und kontrollieren können.
Snowflake zeigt, warum eine Chat-Oberfläche nicht mehr ausreicht
Der Wettbewerbsdruck betrifft den vollständigen analytischen Workflow, einschließlich der Frage, wie Nachweise kombiniert und überprüft werden.
Die Cortex Agents-Dokumentation von Snowflake beschreibt ein System, das strukturierte und unstrukturierte Quellen kombiniert. Cortex Analyst erzeugt Datenbankabfragen, während Cortex Search Dokumentinformationen abruft. Der Agent koordiniert diese Tools und zieht Schlussfolgerungen aus ihren Ergebnissen.
Snowflake dokumentiert außerdem benutzerdefinierte Tools, externe MCP-Verbindungen, Monitoring und Evaluierungen. Die Dokumentation warnt ausdrücklich davor, dass Antwortgenauigkeit und Zitate nicht garantiert sind. Diese Fähigkeiten begründen einen relevanten Vergleich, sind jedoch kein Beleg dafür, dass einer der Anbieter bei einer bestimmten Arbeitslast besser abschneidet.
Die gemeinsame Richtung ist klar: Analysen in natürlicher Sprache umfassen zunehmend die Arbeit rund um eine Abfrage. Nutzer möchten Erklärungen, unterstützendes Material und einen sinnvollen nächsten Schritt. Eine Konversationsoberfläche allein entscheidet nicht darüber, wie diese Arbeit erfolgen sollte.
Für Käufer verändert dies den Vergleich von einer Funktionscheckliste zu einer operativen Bewertung. Beide Anbieter können die Kombination von Daten und Dokumenten beschreiben. Die aussagekräftigen Unterschiede treten hervor, wenn eine reale Frage Mehrdeutigkeit, fehlende Nachweise oder widersprüchliche Definitionen enthält.
Eine beispielhafte Umsatzfrage kann einen Begriff verwenden, den Finanz- und Vertriebsteams unterschiedlich auslegen. Die Herausforderung besteht nicht nur darin, eine gültige Abfrage zu erstellen. Entscheidend ist, die beabsichtigte Geschäftsdefinition auszuwählen und zu erläutern, welche Interpretation das Ergebnis geprägt hat.
Der Zugriff auf Anwendungen fügt eine weitere Vergleichsdimension hinzu. Eine Tool-Liste kann zeigen, dass ein Agent ein Geschäftssystem erreicht. Käufer müssen dennoch klären, ob die daraus entstehende Interaktion ihren Prüfprozess respektiert und genügend Details für die Fehlerbehebung offenlegt.
Das setzt Anbieter unter Druck, ihre Workflows überprüfbar zu machen. Es setzt auch interne Teams unter Druck, zu definieren, wie ein zufriedenstellendes Ergebnis aussieht. Ohne einen vereinbarten Standard kann eine überzeugende Demonstration die Qualität der Präsentation mit tatsächlicher Aufgabenerledigung verwechseln lassen.
Vergleiche sollten die bestehende Umgebung des Unternehmens berücksichtigen. Das Verschieben von Daten, der Neuaufbau von Definitionen oder die Einführung einer weiteren administrativen Grenze können das praktische Ergebnis beeinflussen. Die beste dialogorientierte Antwort ist nur ein Teil der Bereitstellungsentscheidung.
Der Wandel stellt auch isolierte analytische Assistenten infrage. Ein Tool, das auf Datenbankfragen beschränkt ist, muss die Übergaben rechtfertigen, die Nutzer anschließend vornehmen. Ein umfassenderer Agent muss dagegen die zusätzliche Komplexität rechtfertigen, die er einführt. Keiner der beiden Ansätze gewinnt allein dadurch, dass er mehr Funktionen unterstützt.
Für Wissensarbeiter gibt es eine verwandte Grenze zwischen dem Abruf persönlicher Informationen und gemeinsamer Unternehmensanalyse. Die Unterscheidung zwischen persönlichem und Teamwissen hilft zu klären, welche Quellen und Verantwortlichkeiten in die jeweilige Umgebung gehören.
Die wettbewerbliche Konsequenz ist daher enger gefasst als die Behauptung, Agenten würden bestehende Analytik ersetzen. Anbieter konkurrieren darum, einen größeren Teil des Weges von der Geschäftsfrage bis zum geprüften Ergebnis zu übernehmen. Kunden sollten diesen Weg anhand ihrer eigenen Evidenz und betrieblichen Rahmenbedingungen beurteilen.
Externe Freigabe erweitert die Governance-Grenze
Das Teilen eines Agenten schafft Verantwortung sowohl für die Antworten, die Empfänger erhalten, als auch für die Daten, die sie nicht direkt einsehen können.
Die OpenSharing-Ankündigung von Databricks positioniert das Protokoll als Erweiterung über das Teilen von Tabellen und Dateien hinaus. Sie unterscheidet das offene Protokoll von der Unternehmensimplementierung von Databricks. Diese Unterscheidung ist wichtig, wenn Interoperabilitätsbehauptungen anhand einer konkreten Produktkonfiguration bewertet werden.
Für Genie Agents führt das November-Update Beta-Funktionen zum Teilen ein. Ein Anbieter kann Kontext und Anweisungen mit einem Agenten bündeln. Genie Clean Rooms ist für Situationen vorgesehen, in denen Empfänger Antworten erhalten sollen, ohne direkte Einsicht in die zugrunde liegenden Daten zu haben.
Dadurch verändert sich, was der Anbieter pflegen muss. Ein Datensatz hat Definitionen, Erwartungen an Aktualisierungen und Zugriffsbedingungen. Ein Agent fügt eine weitere Ebene hinzu: Anweisungen, die beeinflussen, wie Fragen interpretiert werden und wie aus Evidenz eine Antwort entsteht.
Betrachten wir eine beispielhafte Lieferantenbeziehung. Ein Hersteller möchte, dass ein Partner die Lieferperformance untersucht, ohne jeden internen Datensatz offenzulegen. Eine kontrollierte Agentenschnittstelle kann einen engeren Informationsweg bieten, sofern ihre zulässigen Antworten der beabsichtigten Beziehung entsprechen.
Die wichtige Unterscheidung liegt zwischen dem Verbergen von Rohdaten und der Begrenzung dessen, was Antworten offenlegen. Das sind verwandte Ziele, aber nicht identisch. Eine Datenschutzbewertung muss die über Antworten verfügbaren Informationen berücksichtigen, einschließlich wiederholter oder eng verwandter Fragen.
Dies ist eine analytische Überlegung, keine Behauptung, dass die angekündigte Funktion eine nachgewiesene Schwachstelle aufweist. Die öffentliche Produktbeschreibung belegt nicht, dass jedes mögliche Risiko von Rückschlüssen beseitigt wurde. Käufer sollten architektonische Absichten nicht in eine pauschale Datenschutzgarantie umdeuten.
Externes Teilen verändert auch die Folgen einer mehrdeutigen Kennzahl. Interne Kollegen können eine verwirrende Definition häufig über eine etablierte Arbeitsbeziehung klären. Ein Kunde oder Partner könnte die Antwort eines Agenten hingegen vernünftigerweise als offizielle Position des Anbieters verstehen.
Das macht die Verantwortung für Definitionen und Anweisungen wirtschaftlich wichtig. Anbieter müssen entscheiden, wie Korrekturen Empfänger erreichen und wie Nutzer Bedeutungsänderungen erkennen. Eine dialogorientierte Antwort sollte eine überarbeitete Geschäftsregel nicht stillschweigend verschleiern.
Ein ähnliches Problem besteht bei nicht unterstützten Fragen. Ein geteilter Agent kann flexibler wirken als ein fester Bericht, was Empfänger zum Erkunden ermutigt. Sein Nutzen hängt teilweise davon ab, zu erkennen, wann die verfügbaren Daten keine Antwort stützen können.
Die Verantwortung des Anbieters geht daher über die bloße Zugänglichkeit des Agenten hinaus. Sie umfasst die Pflege einer vertrauenswürdigen Beziehung zwischen Quellmaterial, zulässigen Fragen und daraus resultierenden Schlussfolgerungen. Das Verpacken von Intelligenz beseitigt nicht den Bedarf an klaren Grenzen.
Das Update zu Databricks Genie Agents deutet auf die Verteilung analytischer Erlebnisse neben Daten hin. Das ist eine bedeutende Erweiterung der Produktrolle. Sein Erfolg wird davon abhängen, ob Anbieter diese Erlebnisse mit derselben Sorgfalt unterstützen können, die sie auf ihre zugrunde liegenden Informationsprodukte anwenden.
Worauf zu achten ist, wenn diese Funktionen mehr Workflows erreichen
Die nächsten nützlichen Belege werden die Bereitstellungsreife, die Qualität von Antworten aus gemischten Quellen und abgeschlossene Arbeit mit sichtbarer Verantwortlichkeit betreffen.
Das erste Signal ist eine klarere Verfügbarkeit. In den kommenden Monaten sollten Käufer Release Notes und Dokumentation auf Änderungen bei Dokumentenanalyse und Freigabe prüfen. Sie sollten auch beobachten, ob die Connector-Leitlinien die Diskrepanz zwischen der Ankündigung und der Integrationsdokumentation auflösen.
Konsistente Leitlinien würden die Annahme stärken, dass Organisationen Bereitstellungen rund um einen stabilen Funktionsumfang planen können. Anhaltende Unterschiede würden die Bewertung stärker von arbeitsbereichsspezifischer Bestätigung abhängig machen. Keines der beiden Ergebnisse sollte aus dem übergreifenden Genie-Branding abgeleitet werden.
Das zweite Signal sind Belege zu Fragen, die sowohl Dokumente als auch Tabellen erfordern. Eine hilfreiche Bewertung sollte offenlegen, ob das System die erforderliche Evidenz gefunden und korrekt interpretiert hat. Eine flüssig formulierte Antwort allein bietet wenig Einblick in beide Anforderungen.
Die Dokumentation zur Agentenüberwachung von Databricks bietet eine Grundlage für das Testen und Überprüfen von Agentenverhalten. Käufer sollten diese Fähigkeit nutzen, um repräsentative Aufgaben aus ihrem eigenen Geschäft zu untersuchen. Das wichtige Ergebnis ist, ob die Leistung akzeptabel bleibt, nachdem Quellen und Anweisungen geändert wurden.
Eine Bewertung kann beispielsweise zwischen korrekter Berechnung und fundierter Erklärung unterscheiden. Eine Antwort könnte die Finanzkennzahl korrekt liefern, aber eine Vertragsausnahme falsch verstehen. Diese Ergebnisse getrennt zu erfassen, macht die Bereitstellungsentscheidung informativer.
Unabhängige oder von Kunden veröffentlichte Bewertungen mit klaren Methoden würden den Fall für eine breitere Nutzung stärken. Berichte, die Quellbedingungen oder Fehlerfälle auslassen, würden wichtige Fragen unbeantwortet lassen. Die Evidenz sollte erklären, was getestet wurde, statt lediglich Nutzerbegeisterung zu beschreiben.
Das dritte Signal ist abgeschlossene Arbeit mit einer nachvollziehbaren Dokumentation der Entscheidungen. Organisationen sollten beobachten, ob ein breiterer Kontext den Aufwand reduziert, der erforderlich ist, um zu einem geprüften Ergebnis zu gelangen. Sie sollten auch die Arbeit untersuchen, die durch Prüfung, Korrektur und Pflege des Agenten entsteht.
Eine scheinbar schnellere Antwort kann dennoch nachgelagerten Aufwand verursachen, wenn jemand ihre Begründung rekonstruieren muss. Eine langsamere, aber gut gestützte Antwort kann nützlicher sein, wenn die Prüfung echte Konsequenzen hat. Der Vergleich muss die vollständige Aufgabe einschließen.
Erfolgreiche Beispiele sollten vorgeschlagene Maßnahmen von autorisierten und abgeschlossenen Maßnahmen unterscheiden. Sie sollten auch Raum für angemessene Ablehnung oder Eskalation lassen. Ein Agent, der unzureichende Evidenz erkennt, kann einem Workflow besser dienen als einer, der stets eine selbstsichere Empfehlung abgibt.
Diese Signale werden bestimmen, wie viel operative Verantwortung Unternehmen dem erweiterten Produkt übertragen. Funktionszugriff schafft die Möglichkeit, diese Verantwortung zu testen. Wiederholte, überprüfbare Ergebnisse liefern die stärkere Grundlage, sie auszuweiten.
Bevor Sie einen Pilotversuch ausweiten, wählen Sie eine Geschäftsfrage, die bereits eine Berechnung, dokumentarische Evidenz und einen geprüften nächsten Schritt erfordert. Legen Sie fest, wie ein korrektes Ergebnis aussieht, bevor Sie die Antwort des Agenten vergleichen. Bitten Sie den verantwortlichen Geschäftsinhaber, die Evidenz und die vorgeschlagene Maßnahme getrennt zu prüfen. Halten Sie fest, wo menschliches Urteilsvermögen weiterhin erforderlich ist und ob der Workflow nach der Prüfung Aufwand spart. Nutzen Sie diese Erkenntnisse, um zu entscheiden, welche zusätzlichen Quellen oder Tools Zugriff erhalten sollten. Das Update zu Databricks Genie Agents erweitert, was Teams versuchen können; die praktische Entscheidung lautet, welche Verantwortlichkeiten ihre Evidenz als Nächstes rechtfertigt zu übertragen. Was müsste Ihre Organisation sehen, bevor sie der daraus resultierenden Maßnahme vertraut?



