Was ist Databricks Genie – und sollten Sie es nutzen? (Webinar-Recap)

TL;DR

Genie ist nicht ein einzelnes Databricks-Feature, sondern drei separate Produkte – Genie One, Genie Agents und Genie Code –, die alle auf einer gemeinsamen Intelligence-Schicht namens Genie Ontology aufsetzen.
Früher war Genie kostenlos. Seit Juli letzten Jahres berechnet Databricks Gebühren für Genie Code; Genie One und Genie Agents dürften früher oder später folgen.
Die AI-Kosten lassen sich leicht nachverfolgen. Die von Genie ausgelösten Compute-Kosten dagegen nicht – und die machen meist den größeren Posten aus.
Genie-Budgets können den AI-Anteil der Rechnung deckeln. Den Compute-Anteil bekommen Sie nur mit einem dedizierten, sauber getaggten SQL Warehouse in den Griff.

Genie besteht aus drei Produkten, nicht aus einem

Genie ist mittlerweile zum Sammelbegriff geworden – und Databricks macht es einem nicht gerade leicht, den Überblick zu behalten. Wie Olivier es formulierte: Die Namensgebung hat sich so oft geändert, dass selbst langjährige Databricks-Nutzer durcheinanderkommen. Das steckt heute tatsächlich hinter dem Namen Genie.

Genie One

Der Einstiegspunkt für Business-User. Eine vereinfachte Chat-Oberfläche, ähnlich wie ChatGPT oder Claude – nur direkt mit Ihren Daten verbunden: Ihren Tabellen, Ihren Metadaten und allen Agents, die Sie gebaut haben. Genie One funktioniert auch außerhalb von Databricks: Über die Genie-API lässt es sich in Slack, Teams oder Tabellenkalkulationen einbinden, sodass jemand eine Frage wie "Wie viele Verkäufe hatten wir letzte Woche?" stellen kann, ohne Databricks überhaupt zu öffnen.

Genie Agents

Genie hat standardmäßig Zugriff auf jede Tabelle in Ihrem Katalog – aber das reicht nicht immer aus, um eine spezifische Frage gut zu beantworten. Genie Agents lösen genau dieses Problem: Sie konfigurieren eine Ressource mit echtem Domänenwissen – welche Tabellen für ein bestimmtes Thema relevant sind, Anweisungen in natürlicher Sprache sowie Beispielrechnungen oder Metriken. Genie One zieht diese Agents automatisch heran, wenn eine Frage in ihr Gebiet fällt – ohne dass Sie angeben müssen, welcher Agent zuständig ist.

Agents lassen sich außerdem so konfigurieren, dass sie mit den Zugriffsrechten der fragenden Person laufen – bestehende Row-Level-Security und Spaltenmaskierung greifen also weiterhin. Alternativ können sie unter einem gemeinsamen Credential laufen, wenn der Agent breiteren Zugriff haben soll.

Genie Code

Der Baustein für Entwickler. Genie Code führt SQL und Python aus und kann echte Databricks-Ressourcen erstellen: Jobs, Pipelines, Dashboards und sogar andere Genie Agents. In der Demo hat Olivier die Konfiguration eines Agents nicht von Hand geschrieben, sondern mit Genie Code generiert – das Tool fragte ab, welche Informationen es benötigt, und formatierte anschließend alles korrekt.

Die Schicht darunter: Genie Ontology

Mit Genie Ontology interagieren Sie nicht direkt – es ist die Intelligence-Schicht, die die drei anderen Produkte erst möglich macht. Aufgebaut auf Unity Catalog extrahiert sie automatisch Business-Definitionen, bildet Beziehungen zwischen Tabellen ab, analysiert Ihre Query-Historie, um zu verstehen, was tatsächlich wie genutzt wird, und liest vorhandene Metadaten, Kommentare und Governance-Regeln aus, die Sie bereits eingerichtet haben. Genau das versetzt Genie in die Lage, Fragen zu Ihrem konkreten Geschäft zu beantworten – statt generische, zusammenhanglose Antworten zu liefern.

Ein kurzes Beispiel: Genie lernt ein Aktien-Portfolio kennen

Um zu zeigen, wie diese Bausteine zusammenspielen, führte Olivier eine einfache Demo vor. Er hatte eine Unity-Catalog-Tabelle mit historischen Aktienkursen und stellte Genie One eine simple Frage: Wie hat sich der Wert meines Portfolios in den letzten zwei Jahren entwickelt?

Genie One konnte die Frage nicht beantworten. Es sah zwar die Tabelle mit den Aktienkursen, wusste aber nicht, welche Aktien Olivier tatsächlich besaß – diese Information existiert in Databricks schlicht nicht.

Also baute er einen Genie Agent, um das zu beheben. Die Anweisungen des Agents enthielten die tatsächlich gehaltenen Anteile (in der Demo rund 100 $ in Apple und 200 $ in Microsoft, gekauft zwei Jahre zuvor) sowie eine Erklärung in natürlicher Sprache, wie sich daraus der Portfoliowert berechnet. Außerdem verwies er den Agent auf die richtigen Quelltabellen.

Danach ging er zurück zu Genie One und stellte exakt dieselbe Frage noch einmal, Wort für Wort. Diesmal lieferte Genie statt des Hinweises auf fehlende Informationen ein Diagramm des Portfoliowerts im Zeitverlauf, die Gesamtrendite, Gewinne und wichtige Momente der Positionen. Genie One hatte automatisch erkannt, welcher Agent relevant ist, und ihn aufgerufen – ohne dass es jemand vorgeben musste.

Dasselbe Setup unterstützt auch Dinge wie Einheitenumrechnung. Olivier zeigte als Beispiel eine Anweisung, Preise von USD in CAD oder Zeitstempel in UTC umzurechnen – direkt in der Agent-Konfiguration, ohne irgendetwas an den zugrunde liegenden Tabellen zu ändern.

Rund um diese Demo kamen noch ein paar weitere Punkte zur Sprache:

Agents können Aufgaben aneinander übergeben. Erstreckt sich eine Frage über mehrere Themen, kann Genie One mehrere Agents aufrufen, auf die einzelnen Antworten warten und sie zu einer einzigen Antwort zusammenführen.
Agent-Definitionen lassen sich als JSON oder YAML exportieren und über Databricks Asset Bundles deployen – Databricks' vereinfachtes, Terraform-ähnliches Deployment-Tool. Native Terraform-Unterstützung speziell für Agents gibt es noch nicht.
Agents lassen sich wie Code evaluieren – mit MLflow können Sie Testfragen definieren, erwartete und tatsächliche Antworten über die Zeit vergleichen und einen Agent im Produktivbetrieb auf Drift überwachen.

Olivier teilte außerdem ein echtes Beispiel aus seiner eigenen Arbeit: ein Monitoring-Setup, das mehrere Agents anzapft (Workflow-Fehler, Kostendaten, Datenqualitätschecks), um automatisch tägliche Reports zu erzeugen – plus die Möglichkeit, Rückfragen zu stellen wie "Warum habe ich Duplikate?" und eine konkrete, brauchbare Antwort zu erhalten.

Was Genie wirklich kostet

Genie war früher kostenlos. Das hat sich im Juli letzten Jahres geändert. Ursprünglich wollte Databricks alle drei Produkte gleichzeitig kostenpflichtig machen, ruderte dann aber zurück, um Teams Zeit zur Anpassung zu geben. Zum Zeitpunkt dieses Webinars wird nur Genie Code abgerechnet, und zwar nutzungsbasiert – Genie One und Genie Agents dürften aber ebenfalls irgendwann gemessen und berechnet werden.

Jeder User erhält 150 kostenlose DBUs pro Monat (je nach Cloud-Anbieter und Region etwa 7 bis 8 $), bevor Kosten anfallen. Eine wichtige Ausnahme: Service Principals erhalten dieses Freikontingent überhaupt nicht. Automatisierte Nutzung wird ab der allerersten Anfrage berechnet.

Die Kosten selbst teilen sich in zwei sehr unterschiedliche Posten:

LLM-Nutzung. Diese lässt sich problemlos nachverfolgen. Sie wird in DBUs gemessen und erscheint in Ihren System Tables – Sie können sie direkt abfragen und nach Produkttyp filtern, um genau zu sehen, was die AI-Nutzung von Genie Sie kostet.
Compute. Hier wird es schwierig. Wenn Genie Code (oder ein beliebiger Agent) läuft, wird darunter echtes SQL und Python ausgeführt – und dieses Compute wird als ganz normales Databricks-Compute abgerechnet. Es gibt keine Spalte in den System Tables, die sagt: "Diese Warehouse-Aktivität stammt von Genie." Diese Kosten bleiben unsichtbar, solange Sie sie nicht gezielt isolieren.

In der Portfolio-Demo lagen die Gesamtkosten bei rund 5 $. Der LLM-Anteil wurde mit 0 $ berechnet, weil er in das monatliche Freikontingent fiel – ohne dieses hätte er allein etwa 4 $ gekostet. Olivier konnte LLM- und Compute-Kosten nur deshalb sauber trennen, weil es sein persönlicher Workspace war und in diesem Zeitfenster sonst nichts lief. In einer gemeinsam genutzten Produktionsumgebung ist eine so saubere Trennung ohne zusätzliches Setup nicht realistisch.

So behalten Sie die Genie-Kosten im Griff

Für die LLM-Seite bietet Databricks Genie-Budgets, konfigurierbar über die UI oder als Code. Sie können ein globales Monatslimit und ein Limit pro User festlegen, erhalten ein Dashboard zur Nutzungsübersicht und werden per E-Mail, Slack oder Teams benachrichtigt, sobald sich jemand seinem Limit nähert. Aktuell deckt das nur Genie Code ab – das einzige Produkt, das derzeit abgerechnet wird –, dürfte sich aber auf Genie One und Genie Agents ausweiten, sobald auch diese gemessen werden.

Für die Compute-Seite gibt es keine vergleichbare eingebaute Kontrolle. Der empfohlene Ansatz: ein dediziertes SQL Warehouse speziell für Genie Agents anlegen, sauber taggen und den Agent-Traffic darüber laufen lassen. So wird aus einem sonst unsichtbaren Kostenblock etwas, das Sie tatsächlich sehen und mit Ihrem LLM-Kosten-Dashboard zu einem Gesamtbild kombinieren können.

FAQ

Berücksichtigt Genie meine bestehende Row-Level-Security und Datenmaskierung? Ja. Sie können einen Agent so konfigurieren, dass er mit den Zugriffsrechten der fragenden Person läuft – bestehende Row-Level-Security und Spaltenmaskierung greifen dann weiterhin. Alternativ können Sie einem Agent ein gemeinsames Credential geben, wenn er breiteren Zugriff haben soll als einzelne User.

Kann ich wählen, welches AI-Modell hinter Genie steckt? Nein. Databricks verwaltet und wählt das Modell für Sie – es handelt sich um ein proprietäres Modell, das speziell für die Datenprodukte von Databricks entwickelt wurde, und innerhalb von Genie lässt es sich nicht austauschen. Eine Modellwahl haben Sie nur, wenn Sie eine vollständig eigene Databricks App mit eigener Logik bauen.

Können verschiedene Genie Agents gemeinsam an einer Frage arbeiten? Ja. Genie One agiert als Orchestrator. Berührt eine Frage mehrere Themen, kann es mehrere Agents aufrufen, auf deren Antworten warten und die Ergebnisse zu einer einzigen Antwort zusammenführen.

Kann ich meine Genie Agents wie Code versionieren? Teilweise. Agent-Definitionen lassen sich als JSON oder YAML exportieren und über Databricks Asset Bundles deployen – Databricks' eigenes, Terraform-ähnliches Deployment-Tool. Direkte Terraform-Unterstützung für Agents gibt es noch nicht.

Woher weiß ich, ob ein Agent tatsächlich korrekt antwortet? Databricks unterstützt Evaluierungen über MLflow. Sie können Testfragen mit erwarteten Antworten definieren, die Genauigkeit eines Agents über die Zeit verfolgen und ihn im Produktivbetrieb auf Drift überwachen.

Hat Snowflake etwas Vergleichbares, und wird es genauso bepreist? Ja. Snowflake bietet ein vergleichbares Agent-basiertes Produkt mit einem nahezu identischen zweiteiligen Preismodell: LLM-Nutzung plus das Compute, das der Agent auslöst. In den meisten Anwendungsfällen ist am Ende das Compute der größere Kostentreiber, nicht die LLM-Nutzung selbst.

Ist Genie wirklich kostenlos nutzbar? Nicht mehr. Seit Juli letzten Jahres berechnet Databricks Gebühren speziell für Genie Code, nutzungsbasiert abgerechnet in DBUs, mit einem monatlichen Freikontingent von 150 DBUs pro User (Service Principals ausgenommen). Genie One und Genie Agents dürften künftig ebenfalls gemessen und abgerechnet werden.

Weiterführende Ressourcen

Sie möchten die ausführliche, schriftliche Version aller hier behandelten Themen – inklusive der exakten System-Tables-Query, mit der Sie Ihre Genie-Kosten abrufen? Dann werfen Sie einen Blick in unseren kostenlosen Guide: Databricks Genie Explained: What It Is, How to Use It, and What It Costs.