Databricks Conclui Aquisição da Panther para Avançar em sua Estratégia de Segurança com IA

A Databricks concluiu a aquisição da Panther em 3 de agosto, transformando um acordo firmado havia dois meses em um desafio direto às plataformas de segurança consolidadas. A operação ganhou destaque no Google News à medida que a Databricks avançava além da análise de dados e se aprofundava na cibersegurança operacional. Seu alvo já não é simplesmente outro data warehouse. A Databricks agora quer que Lakewatch e Panther substituam partes da pilha de gerenciamento de informações e eventos de segurança.

Essa ambição cria a tensão central. A Panther traz ferramentas de detecção em funcionamento, integrações de segurança e fluxos de trabalho de investigação. A Databricks fornece a camada de dados, o sistema de governança e a infraestrutura de IA que os sustentam. A proposta combinada ameaça Splunk, CrowdStrike, Palo Alto Networks, Microsoft e outros fornecedores que já controlam os orçamentos de operações de segurança.

A aquisição não prova que as empresas confiarão à Databricks suas operações de segurança. Mas mostra que a empresa reuniu os componentes para uma tentativa crível. A próxima disputa diz respeito à execução, não a diagramas de arquitetura: integração de produtos, qualidade de detecção, esforço de migração e adoção pelos clientes.

O Acordo com a Panther Foi Concluído, mas a Integração Está Apenas Começando

A Databricks passou de anunciar uma estratégia de segurança para ser dona de um produto de operações de segurança com fluxos de trabalho consolidados.

A Databricks anunciou em 3 de agosto que havia concluído oficialmente a aquisição da Panther. As empresas divulgaram pela primeira vez seu acordo em 16 de junho, sem revelar os termos financeiros. A conclusão dá à Databricks o controle da tecnologia da Panther e incorpora seus funcionários ao esforço mais amplo do Lakewatch.

A Panther desenvolve uma plataforma de centro de operações de segurança assistida por IA. Um centro de operações de segurança, normalmente chamado de SOC, monitora sistemas, investiga atividades suspeitas e coordena respostas a incidentes. A plataforma da Panther cuida da coleta de dados, detecção, triagem e investigação relacionadas a essa missão.

A aquisição concluída adiciona três camadas práticas ao Lakewatch. A Panther fornece mais de 100 integrações prontas, um sistema de detecção como código e fluxos de trabalho de investigação assistidos por IA. Esses componentes resolvem uma lacuna na proposta de segurança original da Databricks.

Detecção como código significa que analistas definem, testam, revisam e implantam regras de ameaças por meio de práticas de desenvolvimento de software. As equipes podem manter regras em controle de versão e encaminhar mudanças por testes automatizados. Essa abordagem contrasta com produtos de segurança nos quais administradores editam regras dentro de uma interface proprietária.

As integrações da Panther também encurtam o caminho entre dados brutos e detecções úteis. A telemetria de segurança chega de serviços de nuvem, plataformas de identidade, endpoints, softwares de colaboração e aplicações empresariais. Cada fonte usa formatos diferentes e produz sinais distintos.

O Lakewatch já oferecia a base de armazenamento, processamento, governança e IA para analisar esses registros. Ele não entrou no mercado com o catálogo da Panther de fluxos de trabalho de segurança maduros. A Databricks agora controla os dois lados dessa equação.

A transação seguiu uma relação técnica existente. A Panther anunciou uma integração privada em prévia com a Databricks em setembro de 2025. Os clientes podiam usar a Databricks como data lake por baixo da Panther, em vez de mover informações de segurança para outro repositório proprietário.

Essa integração anterior reduziu a incerteza técnica da aquisição. A Panther já havia projetado um caminho de implantação para gravar registros de segurança normalizados na Databricks. Seus analistas podiam pesquisar esses registros a partir da Panther enquanto as consultas eram executadas no ambiente Databricks do cliente.

No entanto, uma integração funcional não é o mesmo que um produto unificado. A Databricks precisa alinhar identidades, permissões, administração, suporte, faturamento, roteiros de produto e contratos de clientes. Também precisa decidir onde a Panther termina e o Lakewatch começa.

Essas decisões importam porque compradores de segurança não compram apenas arquitetura. Eles compram operações confiáveis durante incidentes. Uma conexão incompleta entre a plataforma de dados e o fluxo de resposta cria riscos justamente no momento em que os clientes precisam de certeza.

A manchete do Google News registra uma transação corporativa concluída. O trabalho mais relevante começa após o fechamento, quando a Databricks precisa transformar componentes adquiridos em uma experiência de segurança coerente.

Por Que a Databricks Quer a Camada de Dados de Segurança Agora

A cibersegurança dá à Databricks uma maneira de transformar sua vantagem existente em dados em um novo mercado operacional.

As equipes modernas de segurança coletam volumes enormes de dados de eventos. Tentativas de autenticação, conexões de rede, mudanças de configuração na nuvem, atividade de endpoints e trilhas de auditoria de software geram registros. Esses registros ajudam investigadores a reconstruir o que aconteceu antes e durante um ataque.

Produtos tradicionais de SIEM coletam e pesquisam essa telemetria. SIEM significa gerenciamento de informações e eventos de segurança, uma categoria que centraliza dados de segurança e aplica regras para detectar comportamentos suspeitos. A Splunk ajudou a estabelecer a categoria, enquanto Microsoft, Google, CrowdStrike e Palo Alto Networks agora vendem abordagens concorrentes.

A categoria enfrenta um problema estrutural. Coletar mais telemetria melhora a visibilidade, mas reter e pesquisar esses dados aumenta as exigências de infraestrutura e licenciamento. Algumas organizações filtram registros, encurtam períodos de retenção ou dividem informações entre vários sistemas.

A Databricks vê esse problema como uma oportunidade de arquitetura de dados. Seu modelo de lakehouse combina armazenamento de objetos de baixo custo com gerenciamento de banco de dados, análise e governança. O Lakewatch aplica essa base às informações de segurança, em vez da análise empresarial convencional.

A empresa lançou o Lakewatch em março de 2026. Ela descreveu o produto como um SIEM agêntico, o que significa que agentes de software podem executar partes da triagem e da investigação sob controles definidos. O Lakewatch usa a plataforma Databricks para reter e analisar conjuntamente dados de segurança, TI e negócios.

A Databricks também adquiriu Antimatter e SiftD.ai para apoiar o lançamento. A Antimatter trouxe experiência em autorização e segurança de agentes. A SiftD.ai contribuiu com engenheiros experientes em sistemas de busca e detecção em larga escala.

As aquisições anteriores deram à Databricks talentos e tecnologia especializados. A Panther acrescenta uma camada operacional mais completa. Ela já oferece suporte a investigações, gerenciamento de regras, integrações e fluxos de trabalho usados por equipes de segurança.

Essa sequência explica por que o fechamento importa mais do que outra manchete sobre aquisição em IA. A Databricks não está adicionando um pequeno recurso a uma plataforma de análise. Ela está montando um produto vertical capaz de competir por um orçamento de segurança estabelecido.

A segurança também se ajusta à economia subjacente da empresa. A telemetria é contínua, volumosa e operacionalmente importante. Os clientes precisam reter alguns registros para investigações, controles internos e obrigações regulatórias. As consultas podem exigir processamento intenso quando analistas pesquisam longos períodos ou correlacionam muitas fontes.

Essas características criam demanda constante por armazenamento, processamento, governança e inferência de IA. A Databricks já vende cada uma dessas capacidades subjacentes. A segurança as organiza em torno de um comprador específico e de uma necessidade operacional recorrente.

O timing também importa. As empresas estão introduzindo agentes de IA no desenvolvimento, suporte ao cliente, administração e pesquisa interna. Cada agente cria novos registros de atividade e possíveis riscos de acesso. As equipes de segurança precisam monitorar tanto sistemas convencionais quanto softwares que atuam com maior autonomia.

Atacantes também podem usar automação para descobrir fragilidades, gerar mensagens convincentes e ajustar táticas mais rapidamente. Isso não torna todos os ataques uma operação avançada de IA. Mas aumenta a pressão sobre os defensores para correlacionar mais dados sem ampliar o trabalho manual na mesma proporção.

A Databricks argumenta que uma camada de dados compartilhada ajuda a reduzir essa lacuna. Agentes de segurança podem examinar a telemetria histórica junto a contexto de identidade, ativos e negócios. A Panther fornece o mecanismo de detecção e investigação que transforma esses registros em trabalho diário de SOC.

É por isso que a empresa agiu agora. O Lakewatch precisava de profundidade operacional, enquanto a Panther precisava de uma base maior de dados e IA. A aquisição combina essas necessidades em uma única organização.

Google News Sinaliza uma Disputa Maior com os Incumbentes de SIEM

O verdadeiro adversário é a pilha proprietária de SIEM, não outra jovem empresa de segurança com IA.

O Google News é um canal de agregação nesta história, não um participante da aquisição. Sua visibilidade reflete a relevância mais ampla da entrada da Databricks em uma categoria de segurança consolidada. A empresa está desafiando a forma como os clientes armazenam, analisam e agem sobre dados de segurança.

O principal argumento da Databricks mira o acoplamento tradicional entre armazenamento, processamento e fluxos de trabalho de segurança. Plataformas legadas frequentemente esperam que os clientes ingiram registros em um ambiente controlado pelo fornecedor. Custos e desempenho podem então influenciar a quantidade de dados que os clientes retêm.

O Lakewatch propõe uma organização diferente. Os clientes mantêm a telemetria em formatos abertos de lakehouse, enquanto a Databricks fornece ferramentas de governança, processamento e IA. A Panther executa detecções e investigações sobre essa base.

A empresa lista Delta, Parquet, Spark, SQL e o Open Cybersecurity Schema Framework entre seus padrões compatíveis. Formatos abertos podem tornar as informações acessíveis a mais de uma ferramenta. Eles também podem reduzir o atrito técnico para mover ou reutilizar dados posteriormente.

A atual arquitetura de data lake da Panther oferece suporte a backends Snowflake e Databricks. Os clientes também podem implantar a Panther em uma conta AWS sob seu controle. Essas opções reforçam o argumento dos dados abertos, embora a propriedade do produto possa eventualmente remodelar seu posicionamento.

A pressão direta recai primeiro sobre a Splunk, da Cisco. A Splunk construiu um grande negócio em torno da indexação de dados de máquinas para busca, monitoramento e segurança. Muitas organizações já dependem de sua linguagem de consulta, conteúdo de detecção, painéis e expertise operacional.

Substituir essa base instalada exige mais do que oferecer armazenamento mais barato. Os clientes têm anos de regras personalizadas e conhecimento institucional incorporados em sistemas existentes. Eles também dependem de integrações com gerenciamento de casos, segurança de endpoints, inteligência de ameaças, ferramentas de identidade e plataformas de resposta.

A Microsoft traz uma vantagem diferente. O Sentinel conecta análises de segurança ao Azure, Microsoft 365, serviços de identidade Entra e ao portfólio mais amplo de segurança da Microsoft. Clientes já comprometidos com esse ambiente podem consolidar fornecedores sem adotar outra plataforma de dados central.

O Google oferece sua própria plataforma de operações de segurança, construída a partir do Chronicle e de integrações posteriores. Ela também enfatiza a análise de telemetria em larga escala e a inteligência de ameaças. CrowdStrike e Palo Alto Networks abordam a disputa a partir de posições de segurança de endpoints e redes, nas quais já observam atividades de alto valor.

Databricks entra com controle do plano de dados analíticos. Isso pode atrair empresas cujas equipes de engenharia já utilizam a plataforma. Um cliente poderia evitar copiar registros para um SIEM separado enquanto aplica ferramentas compartilhadas de governança e análise.

A abordagem também abre correlações que armazenamentos de segurança convencionais talvez não lidem facilmente. Uma detecção pode combinar atividade de login com um inventário de ativos, status de funcionários, propriedade de aplicações ou contexto de transações. Esses registros de negócios podem ajudar a distinguir comportamentos rotineiros de uma ameaça significativa.

Essa vantagem tem limites. Combinar informações de segurança e de negócios amplia o valor da análise, mas também levanta questões de controle de acesso. Analistas e agentes automatizados não devem receber acesso irrestrito a dados sensíveis de recursos humanos ou de clientes apenas porque isso melhora o contexto.

A Databricks dependerá fortemente do Unity Catalog, sua camada de governança para gerenciar permissões, linhagem e descoberta de dados. A arquitetura pode definir controles. Os clientes ainda precisam configurar e auditar esses controles corretamente.

A disputa competitiva, portanto, envolve modelos operacionais tanto quanto recursos. Os players estabelecidos oferecem produtos de segurança verticalmente integrados. A Databricks oferece uma base de dados governada, além de fluxos de trabalho de segurança adquiridos. Os compradores precisam decidir se a consolidação em torno da camada de dados melhora o controle ou concentra responsabilidade demais.

Panther Fornece o Mecanismo que Faltava ao Lakewatch

Panther transforma o lakehouse de segurança da Databricks de um lugar para analisar logs em um sistema capaz de executar operações de segurança.

Um lakehouse de segurança pode reter informações, executar consultas e aplicar governança. Esses recursos são necessários, mas não criam automaticamente detecções úteis. As equipes de segurança ainda precisam de analisadores, esquemas normalizados, regras, fluxos de investigação e ações de resposta.

A Panther fornece esses mecanismos. Seus conectores coletam registros das principais plataformas de nuvem, provedores de identidade, repositórios de código, endpoints e serviços de software. O sistema analisa os registros recebidos e grava dados estruturados no backend selecionado.

A integração com a Databricks permite que a Panther use o lakehouse do cliente como esse backend. Os analistas pesquisam a partir da Panther, enquanto a consulta subjacente é executada no ambiente da Databricks. O cliente pode manter controle direto sobre a infraestrutura de dados.

A integração com a Databricks da Panther descreve três ações importantes. Ela grava registros de segurança normalizados no lake, aplica regras de detecção em tempo real e permite que analistas investiguem esses registros sem duplicá-los em outro lugar.

Considere uma conta comprometida de administrador de nuvem. Logs de autenticação poderiam mostrar um login incomum. Registros de auditoria de nuvem talvez revelem credenciais recém-criadas, enquanto logs de hospedagem de código mostram um download inesperado de repositório.

Uma investigação convencional pode exigir várias ferramentas e correlação manual. A Panther pode normalizar as fontes e acionar regras. O Lakewatch pode fornecer histórico mais longo e contexto de negócios, como a função do administrador ou o proprietário da aplicação afetada.

Um agente de IA poderia então reunir as evidências, recomendar um nível de severidade e redigir um resumo da investigação. A Databricks afirma que seus agentes também podem ajudar na busca de ameaças e na lógica de detecção. Essas continuam sendo alegações da empresa até que os clientes as validem em ambientes de produção.

A detecção como código oferece outra conexão entre os produtos. Engenheiros de segurança podem escrever uma regra, testá-la em registros históricos do lakehouse, revisá-la por meio de controle de versão e implantá-la em um pipeline. O processo se assemelha a práticas consolidadas de engenharia de software.

Esse mecanismo é importante porque detecções geradas por IA precisam de revisão. Uma regra plausível ainda pode criar falsos positivos, deixar passar casos extremos ou consultar os campos errados. O controle de versão e os testes dão às equipes uma forma de inspecionar mudanças antes que elas influenciem o tratamento de incidentes.

A Panther também adiciona uma interface projetada para analistas de segurança. A Databricks não pode presumir que todo investigador queira trabalhar diretamente em notebooks ou escrever SQL. Analistas precisam de alertas, casos, evidências, atribuições, aprovações e cronogramas organizados em torno de incidentes.

A aquisição, portanto, preenche uma lacuna de design de produto tanto quanto uma lacuna técnica. A Databricks fornece infraestrutura flexível. A Panther fornece o modelo de interação especializado usado por equipes de SOC.

Essa combinação também esclarece o papel da IA. Não se espera que os modelos detectem todas as ameaças a partir de logs brutos sem uma estrutura predefinida. Em vez disso, eles operam em pipelines que coletam, normalizam, enriquecem e governam as informações subjacentes.

Essa distinção separa a automação útil de um chatbot conectado a um dashboard. Um agente precisa de acesso aos registros corretos, de um objetivo definido, de limites de permissão e de uma trilha de auditoria. Ele também deve apresentar evidências para que um humano possa avaliar sua conclusão.

As atualizações de produto da Panther mostram que ela vem se movendo nessa direção. Sua versão de 15 de julho adicionou enriquecimento de inteligência de ameaças e controles do Slack para acionar a triagem por IA. Uma atualização de junho adicionou suporte de telemetria para atividades do Claude Code e Claude Cowork.

Essas versões ilustram como a plataforma combinada pode monitorar ferramentas emergentes de IA enquanto usa IA para investigação. Elas também revelam a carga operacional à frente. A Databricks precisa preservar o ritmo de lançamentos da Panther enquanto integra seus componentes ao Lakewatch.

O mecanismo é crível porque muitas partes já existem. A questão não resolvida é se a experiência combinada se torna mais simples do que usar produtos separados. Uma integração que apenas agrupe duas interfaces enfraqueceria a promessa central da aquisição.

Dados Abertos Não Eliminam o Risco de Segurança

A arquitetura da Databricks aborda a portabilidade dos dados, mas não resolve precisão, governança ou confiança operacional.

A empresa apresenta a abertura como uma resposta às plataformas proprietárias de segurança. Manter a telemetria em formatos padrão pode reduzir a dependência de um único mecanismo de consulta. Os clientes podem aplicar ferramentas analíticas adicionais e manter mais controle sobre registros de longa duração.

No entanto, o armazenamento aberto não torna o conteúdo de detecção portátil por si só. As regras dependem de campos normalizados, pipelines de enriquecimento, comportamento de consulta, lógica de alertas e integrações de fluxo de trabalho. Um cliente pode possuir os arquivos subjacentes e ainda permanecer dependente do plano de controle da Panther.

A portabilidade também se torna mais complicada após uma aquisição. Atualmente, a Panther oferece suporte a Snowflake e Databricks como backends de data lake. A Databricks não explicou publicamente se ambas as opções receberão investimento igual no longo prazo.

Essa incerteza é importante para os clientes da Panther que usam Snowflake. A Databricks tem um incentivo para otimizar o produto combinado para sua própria plataforma. Os clientes existentes acompanharão notas de versão, compromissos de suporte e paridade de recursos em busca de evidências da direção real.

A narrativa competitiva cria outro risco. A Databricks argumenta que combinar informações de segurança, TI e negócios fornece melhor contexto. Ainda assim, o acesso amplo pode aumentar as consequências de um erro de permissão ou de uma automação comprometida.

Um agente de segurança pode precisar do status de um funcionário para avaliar um login. Provavelmente, não precisa de acesso irrestrito a registros de remuneração ou comunicações privadas. Os clientes precisam projetar caminhos de acesso restritos e testar se os agentes permanecem dentro deles.

Ferramentas de governança podem impor limites, mas a configuração continua sendo uma responsabilidade humana. As equipes precisam determinar quais registros cada fluxo de trabalho pode ler, quais ações exigem aprovação e por quanto tempo a atividade dos agentes permanece auditável.

O comportamento do modelo acrescenta incerteza. Resumos gerados por IA podem omitir evidências ou apresentar uma inferência incerta com confiança excessiva. A triagem automatizada também pode reforçar regras fracas se as equipes tratarem a saída da máquina como autoritativa.

A Databricks afirma que os agentes da Panther podem aprender com o feedback dos analistas e refinar a lógica de detecção. Os compradores devem perguntar como esse feedback é armazenado, revisado e separado entre clientes. Também devem perguntar se um modelo pode implantar uma regra ou ação de resposta sem autorização humana.

Os falsos positivos oferecem um teste prático. Uma plataforma que analisa mais telemetria pode revelar mais contexto, mas também pode criar mais sinais. A medida importante não é quantos alertas o sistema gera. É se os analistas resolvem incidentes reais mais rapidamente sem deixar de observar evidências importantes.

Os compradores de segurança devem exigir avaliações controladas. Um teste útil reproduziria incidentes conhecidos com telemetria representativa e compararia cobertura de detecção, tempo de investigação, intervenções de analistas e taxas de falsos positivos. Alegações de marketing sobre agentes autônomos não podem substituir esses resultados.

A migração apresenta um desafio separado. Grandes organizações acumularam pesquisas personalizadas no Splunk, regras analíticas do Sentinel, dashboards, playbooks e procedimentos operacionais. Traduzir tudo isso em detecções da Panther exige trabalho de engenharia e validação de segurança.

O processo pode expor suposições não documentadas. Uma regra legada pode depender de um analisador específico, tabela de consulta ou convenção de nomenclatura de campos. Mover os dados subjacentes não preserva automaticamente esse comportamento.

A Databricks também enfrenta um obstáculo de credibilidade. Sua reputação vem principalmente de engenharia de dados, análises e infraestrutura de IA. As equipes de operações de segurança esperarão experiência em resposta a incidentes, suporte confiável e gestão conservadora de mudanças.

A Panther ajuda a fornecer essa experiência. A aquisição também corre o risco de interrompê-la se funcionários-chave saírem ou as prioridades de produto mudarem. Os clientes devem acompanhar a continuidade da liderança e o ritmo de lançamentos específicos de segurança.

O argumento cético não é que a arquitetura não possa funcionar. É que os problemas mais difíceis surgem depois que os dados se tornam acessíveis. Detecções precisas, automação controlada, investigações previsíveis e ações de resposta confiáveis exigem disciplina contínua de produto.

Três Sinais Mostrarão se a Estratégia de Segurança Está Funcionando

As próximas evidências devem vir da convergência de produtos, do uso por clientes e da resposta competitiva, e não de outro anúncio de aquisição.

O primeiro sinal é uma versão unificada de Lakewatch e Panther. A Databricks explicou como os produtos se complementam, mas os compradores precisam de detalhes sobre administração e uso diário. Uma versão crível deve mostrar controles de identidade compartilhados, fluxos de casos, ferramentas de implantação e governança.

A paridade de recursos será importante nessa versão. Os clientes da Panther devem observar se o suporte ao Snowflake continua junto ao desenvolvimento para Databricks. Os clientes da Databricks devem examinar se a integração funciona como um único produto ou exige alternar entre sistemas pouco conectados.

Uma versão coerente reforçaria a alegação de que a Databricks pode desafiar fornecedores de SIEM estabelecidos. Atrasos, interfaces sobrepostas ou empacotamento pouco claro sugeririam que a aquisição continua sendo uma coleção de componentes.

O segundo sinal é a adoção em produção descrita de forma independente. As histórias de clientes devem incluir o escopo da migração, o volume de dados retido, a cobertura de detecção, o tempo de investigação e a carga de trabalho dos analistas. Elas também devem explicar qual produto estabelecido o cliente substituiu ou manteve.

A Databricks e a Panther publicaram exemplos de redução de custos e triagem mais rápida. Esses resultados selecionados pelos fornecedores ajudam a identificar possíveis casos de uso, mas não estabelecem desempenho típico. Os compradores precisam de evidências repetíveis em diferentes setores e ambientes operacionais.

Um caso particularmente útil envolveria uma empresa que já usa a Databricks para dados de negócios. Ele poderia mostrar se reutilizar a plataforma existente reduz a movimentação de dados e o esforço de governança. Também deveria documentar os novos controles necessários quando agentes de segurança acessam um contexto mais amplo.

A retenção em produção será tão importante quanto as novas conquistas. Os clientes existentes da Panther podem revelar se a qualidade do serviço e o ritmo de desenvolvimento permanecem estáveis após a aquisição. Seu comportamento de renovação fornecerá um sinal mais sólido do que o entusiasmo do dia do lançamento.

O terceiro sinal é como os concorrentes estabelecidos respondem. Splunk, Microsoft, Google, CrowdStrike e Palo Alto Networks não deixarão o argumento dos dados abertos sem resposta. Eles podem ajustar opções de armazenamento, ampliar integrações, introduzir ferramentas de migração ou fortalecer seus próprios fluxos de trabalho de IA.

Uma resposta competitiva validaria a direção da Databricks ao mostrar que fornecedores estabelecidos levam a ameaça a sério. Ela também poderia enfraquecer a diferenciação da Databricks se os concorrentes igualarem suas promessas de portabilidade e automação sem obrigar os clientes a passar por uma grande migração.

Analistas independentes já identificaram o acordo como uma tentativa de entrar no mercado de SIEM agêntico. Uma avaliação do setor observou que a Panther contribui com um SIEM nativo de nuvem e mais de 100 integrações. A próxima avaliação precisa examinar a adoção, e não a intenção.

A atenção do Google News em torno da conclusão do negócio é, portanto, um indicador inicial, não um veredito. A Databricks adquiriu uma camada confiável de fluxos de trabalho de segurança e a conectou a uma plataforma de dados em larga escala. Também escolheu um mercado difícil, repleto de produtos consolidados e compradores cautelosos.

Os líderes de segurança devem agora testar a proposta combinada em seus próprios ambientes. Mapeie a telemetria atual, as regras de detecção, os requisitos de retenção, os fluxos de trabalho dos analistas e os controles de resposta antes de considerar uma migração. Em seguida, peça à Databricks que demonstre cada etapa com dados representativos.

A questão decisiva é simples: Lakewatch e Panther conseguem reduzir os comprometimentos de dados sem criar novos problemas operacionais? Nos próximos meses, lançamentos unificados, implantações mensuráveis e reações dos concorrentes devem fornecer a resposta.