Databricks Data + AI Summit 2026: Unity AI Gateway styrer agenter og MCP

To uker etter Snowflake var det Databricks sin tur. På Data + AI Summit i San Francisco i midten av juni var budskapet at agentene går fra eksperimenter til produksjon, og at dataplattformen skal være stedet der de styres. Verktøyet for dette er Unity AI Gateway, som utvider datakatalogen til Databricks til å omfatte modeller, agenter og MCP-tjenester.

Hva Databricks kunngjorde

Unity AI Gateway bygger på Unity Catalog, som mange virksomheter allerede bruker til å styre tabeller og filer. Ifølge Databricks dekker den nå også:

• Modeller, agenter, MCP-tjenester og skills som styrte ressurser, med samme type tilgangskontroll som data.
• Kostnadskontroll, med oversikt over forbruk på tvers av modeller og leverandører, kostnader fordelt per bruker, team, verktøy og brukstilfelle, faste grenser for forbruk og routing basert på kvalitet og kostnad.
• Kontroller mens agentene kjører, som godkjenningssteg og guardrails for sensitive handlinger, for eksempel å pushe kode eller lese data. Den mest avanserte typen policy, Contextual Service Policies, er i beta.
• Gjenkjenning av personopplysninger og prompt injection, og fullstendige traces av hva agentene gjør.

Samtidig utvidet Databricks Agent Bricks, plattformen sin for å bygge agenter. Den støtter rammeverk med åpen kildekode som LangGraph, Agno og CrewAI, og agent-SDK-ene fra Anthropic og OpenAI. Støtte for MCP i Unity Catalog lar agentene koble seg til tjenester som Google Drive, Jira, Slack og GitHub. Databricks sier at over 100 000 agenter er bygget på Agent Bricks.

Hvorfor det betyr noe

Som Snowflake vil Databricks være mer enn stedet der dataene lagres. Selskapet vil være kontrollaget for agentene som bruker dataene, og for verktøyene disse agentene kaller. Valget om å legge modeller, agenter og MCP-tjenester i samme katalog som dataene er logisk: mange spørsmål om tilgang for agenter er egentlig spørsmål om tilgang til data.

For integrasjonsteam er overlappen tydelig. MCP gatewayer, kostnadskontroll for AI og guardrails tilbys også av leverandører av iPaaS, API management og sky. En virksomhet som bruker Databricks til data og en iPaaS til integrasjon, kan snart ha to steder som begge sier at de styrer den samme agenten.

Hvordan det står seg

Styrken til Databricks er at dataene allerede ligger der. En agent som mest leser og analyserer data i lakehouse-et, er det naturlig å styre der. En agent som mest handler i ERP-, CRM- og HR-systemer, er det mer naturlig å styre der de koblingene finnes, og det er ofte i integrasjonsplattformen.

Hva du bør spørre om

1. Hvor gjør agenten mesteparten av jobben? Legg styringen der agenten har den viktigste tilgangen, og la de andre plattformene rapportere dit.
2. Hvem setter grensene for forbruk? Bestem om budsjettene for AI settes i dataplattformen, i gatewayen eller begge steder, slik at de ikke kolliderer.
3. Overlapper MCP-koblingene? Sjekk om agentene i Databricks når de samme forretningssystemene gjennom egne MCP-tjenester som iPaaS-en allerede styrer.