# Databricks führt ai_decide in der Betaversion ein, um das Routing von Modellen mit geringer Latenz und die strukturierte Klassifizierung verwalteter Daten zu beschleunigen

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/de/article/databricks-ai-decide-model-routing-beta-2026-10-05-morning-de
Section: AI (https://technewslist.com/de/ai)
Author: TechNewsList
Language: de
Published: 2026-10-05T05:50:21.782+00:00
Updated: 2026-10-05T05:50:21.924976+00:00

> Databricks hat ai_decide in die öffentliche Betaversion für Runtime 15.4 LTS und 18.2+ veröffentlicht und bettet Entscheidungsmodelle mit geringer Latenz direkt in SQL- und Agent-Workflows ein, um teure generative LLM-Aufrufe für verwaltete Unternehmensdaten zu ersetzen.

## TL;DR
- Databricks hat die SQL-Funktion ai_decide als öffentliche Betaversion für Databricks Runtime 15.4 LTS und höher veröffentlicht.
- Das Tool verwendet spezielle Entscheidungsmodelle anstelle der autoregressiven Textgenerierung, um die Abfragelatenz zu reduzieren.
- Unternehmensteams können Eingabeaufforderungen zwischen Modellebenen weiterleiten und unstrukturierte Datensätze direkt in SQL-Pipelines klassifizieren.
- Die Architektur arbeitet vollständig innerhalb der Data-Governance-Grenzen von Unity Catalog ohne externen Netzwerktransit.
- Die Funktion unterstützt binäre Wahrscheinlichkeitsauswertungen, benannte kategoriale Entscheidungen und numerische Bewertungsrubriken.

## Key points
- Entscheidungsmodelle eliminieren den Aufwand für die Token-Generierung, indem sie direkte kategoriale Auswahlen erzeugen.
- Die datenbankinterne Ausführung reduziert die Inferenzkosten pro Abfrage im Vergleich zu Frontier-LLMs um bis zu achtzig Prozent.
- Die Kompatibilität erstreckt sich über alle modernen Databricks-Warehouse-Instanzen und schließt ältere klassische SQL-Ebenen aus.
- Die zugrunde liegende Architektur unterstützt die Integration mit TypeSafe AI Jev-Entscheidungsmodellen für deterministisches Routing.
- Datenteams können Inhaltsfilterung und Sicherheitsüberprüfung im Batch-Verarbeitungsmaßstab für Lakehouse-Tabellen durchsetzen.

## Was passiert ist

Anfang Oktober 2026 führte der Enterprise-Lakehouse-Anbieter Databricks ai_decide offiziell in die öffentliche Betaversion seiner Data-Intelligence-Plattform ein. Die Funktion ist für Databricks Runtime 15.4 Long Term Support (LTS) und die neueren 18.2-Laufzeitumgebungen verfügbar und fügt eine speziell entwickelte SQL-Funktion hinzu, die speziell für hohen Durchsatz, Klassifizierung mit geringer Latenz und automatisiertes Modellrouting entwickelt wurde. Workspace-Administratoren können die Funktion direkt über die Plattformvorschau-Verwaltungsoberfläche aktivieren.

Im Gegensatz zu herkömmlichen Funktionen der generativen künstlichen Intelligenz, die große Sprachmodelle abfragen, um Konversationsabsätze zu erstellen, basiert ai_decide auf kompakten Entscheidungsmodellen. Das System bewertet strukturierten oder unstrukturierten Datensatztext anhand strukturierter Kriterien und gibt präzise Ergebnisse zurück: eine Wahrscheinlichkeitsbewertung, eine Auswahl aus bestimmten kategorialen Optionen oder eine numerische Bewertung auf einer geordneten Skala. Der Dienst stellt außerdem REST-API-Endpunkte für Echtzeit-Agentenpipelines bereit.

Erste Plattformbereitstellungen zeigen sofortige Kompatibilität mit speziellen Architekturen wie TypeSafe AI Jev-Modellen. Durch Umgehen der sequentiellen autoregressiven Token-Generierungsphase, die den Großteil des LLM-Verarbeitungsaufwands ausmacht, führt die Funktion Entscheidungen mit deutlich geringerer Rechenlatenz und geringeren Infrastrukturkosten aus.

## Warum es wichtig ist

In den letzten zwei Jahren hatten Enterprise-Engineering-Organisationen mit der unhaltbaren Betriebsökonomie zu kämpfen, die sich aus der Verwendung von Allzweck-Frontier-LLMs für alltägliche Betriebsaufgaben ergibt. Tausende automatisierte Workflows übermitteln Kundenanfragen, Transaktionsnotizen und Protokollereignisse wiederholt an Modelle, die für kreatives Schreiben entwickelt wurden, um festzustellen, ob es sich bei einer Nachricht um eine Eskalation, eine Rückerstattungsanfrage oder eine Spam-Übermittlung handelt.

Diese architektonische Diskrepanz hat zu massivem Rechenaufwand, anhaltenden Latenzengpässen und unregelmäßigen Formatierungsfehlern geführt, wenn nachgeschaltete Pipelines unstrukturierte Antworten aufnehmen. Durch die Einführung einer speziellen Entscheidungsbewertung auf der SQL-Ebene bietet Databricks Entwicklern einen deterministischen Mechanismus zur Kategorisierung von Millionen von Zeilen in Sekunden.

![Hochleistungs-Computing-Cluster-Hardware, die umfangreiche verteilte Datenverarbeitungsalgorithmen ausführt](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178082225-0acz6y-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-1-62a370c178.webp)

Darüber hinaus dient die Fähigkeit als wesentliche Grundlage für das Multi-Agent-Routing. In komplexen Agentensystemen muss ein primärer Controller ständig entscheiden, ob er eine eingehende Aufgabe an ein leichtes lokales Modell, einen spezialisierten Codierungsassistenten oder eine teure Reasoning-Engine weiterleitet. Die Durchführung dieser Triage über ai_decide ermöglicht Orchestratoren, das Budget zu schonen und gleichzeitig die Latenz für den Benutzer zu reduzieren.

## Technische Details

Die technische Implementierung von ai_decide konzentriert sich auf strukturierte Eingabeaufforderungsschemata, die in Databricks SQL-Ausführungsknoten ausgeführt werden. Entwickler rufen die Funktion mithilfe von Standard-SQL-Ausdrücken auf und geben neben einem Array von Kandidatenbezeichnungen oder einer definierten Bewertungsfrage Zieltext an. Die zugrunde liegende Inferenz-Engine wertet die Eingabe anhand der angegebenen Kriterien in einem einzigen parallelisierten Durchgang aus und gibt strukturierte JSON- oder native SQL-Datentypen zurück.

Da das System als native KI-Funktion innerhalb der verwalteten Rechenebene arbeitet, bleibt die gesamte Datenverarbeitung strikt innerhalb der Sicherheitsgrenzen des Unternehmens. Unity Catalog-Berechtigungen regeln den Zugriff auf die zugrunde liegenden Tabellen und erzwingen Zugriffsmasken auf Spaltenebene, um sicherzustellen, dass proprietäre Kundeninformationen niemals die Unternehmensgrenzen verlassen.

![Sichere Servereinrichtung für Unternehmen, die automatisierte Modellinferenz- und Datenbankanalyse-Workloads hostet](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178084748-35q8r9-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-2-0e2a9f6c9b.webp)

Architektonisch wird das Tool auf serverlosen und professionellen SQL-Warehouses unterstützt, wohingegen ältere Databricks SQL Classic-Konfigurationen ausdrücklich ausgeschlossen sind. Integrationstests zeigen, dass die Ausführung von Batch-Klassifizierungen über Hunderttausende Datensätze in parallelen Pipelines zu Durchsatzsteigerungen führt, die das Fünffache von Standard-Abschlussaufrufen übersteigen, und gleichzeitig fehlerhafte Ausgabefehler praktisch eliminieren.

## Auswirkungen auf Markt und Branche

Die Einführung von ai_decide spiegelt einen entscheidenden branchenweiten Wandel hin zu spezialisierten, aufgabenspezifischen Modellen der künstlichen Intelligenz in Unternehmensdatenstapeln wider. Während Anbieter von Basismodellen um allgemeine Argumentations-Benchmarks konkurrieren, optimieren Unternehmensinfrastrukturplattformen wie Databricks, Snowflake und Google Cloud zunehmend im Hinblick auf Kosteneffizienz, Latenz und Vorhersehbarkeit der Governance.

Für konkurrierende Datenplattformen verschärft die Veröffentlichung den Kampf um Lakehouse-Analyse-Workloads. Unternehmenskunden, die die Gesamtbetriebskosten bewerten, können jetzt semantische Transformationen in großem Umfang durchführen, ohne externe API-Schlüssel von Drittanbietern zu lizenzieren oder dedizierte GPU-Cluster bereitzustellen.

Gleichzeitig beschleunigt die Entwicklung die Einführung der Agentenautomatisierung in regulierten Sektoren wie dem Bankwesen und dem Gesundheitswesen. Compliance-Beauftragte, die sich bisher gegen die generative Textgenerierung innerhalb von Produktionsdatenbanken gewehrt haben, können begrenzte Entscheidungsmodelle, die streng geprüfte Kategoriebezeichnungen ausgeben, leichter genehmigen.

## Worauf man als Nächstes achten sollte

In den kommenden Wochen werden Ingenieure die Metriken zur Unternehmensakzeptanz überwachen, da immer mehr Unternehmen von experimentellen Eingabeaufforderungen auf produktive SQL-Skripts umsteigen. Ein entscheidender technischer Meilenstein wird sein, ob Databricks die native Unterstützung auf vom Benutzer genau abgestimmte Entscheidungskontrollpunkte ausdehnt, die direkt auf proprietären Organisationstaxonomien trainiert werden.

Branchenbeobachter werden auch Benchmark-Vergleiche von Drittanbietern auswerten, die die Klassifizierungsgenauigkeit anhand spezieller Grenzmodelle über komplexe Randfälle und kontradiktorische Eingaben hinweg messen.

Schließlich sollten Unternehmensarchitekturteams beobachten, wie konkurrierende Datenplattformanbieter reagieren, insbesondere, ob konkurrierende Datenbank-Engines native semantische Klassifizierungsfunktionen einführen, um die Parität zwischen Data-Lakehouse-Umgebungen bis Ende 2026 aufrechtzuerhalten.

## Quellen

* [Databricks Engineering Documentation](https://docs.databricks.com/en/large-language-models/ai-functions.html) – Offizielle Plattformdokumentation mit detaillierten Angaben zur ai_decide-SQL-Syntax, Unity Catalog-Integration und Laufzeitanforderungen.
* [DataPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/) – Technische Analyse zur Untersuchung der Architektur von Databricks-Entscheidungsmodellen und des Stapelverarbeitungsdurchsatzes.
* [Remio AI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/) – Unabhängige Benchmark-Bewertung, die die Latenz von ai_decide mit den standardmäßigen generativen LLM-Aufrufkosten vergleicht.

Mentions: Datensteine, Ali Ghodsi, Unity-Katalog, TypeSafe KI, SQL, Seehaus

## Sources
- [Technische Dokumentation zu Databricks](https://docs.databricks.com/en/large-language-models/ai-functions.html)
- [DatenPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/)
- [Remio KI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/)