Databricks hat am 14. Oktober 2026 im offiziellen Blog die Beta der Predictive AI Functions angekündigt: vier neue SQL-native Funktionen auf einen Schlag, dazu ein verbessertes ai_forecast mit einem stärkeren Zeitreihen-Grundlagenmodell. Die Zielprobleme sind konkret: Wie entwickeln sich die Umsätze im nächsten Quartal, warum hat sich eine Kennzahl bewegt, welche Tage einer Reihe fallen aus dem Rahmen? Solche Fragen warteten bisher auf ein Data-Science-Team; jetzt können Analysten sie direkt im SQL-Editor und in Dashboards stellen, und Fachanwender fragen über Genie in natürlicher Sprache, das die passende Funktion aufruft.
Fünf Funktionen, je eine pro Fragetyp
Die Aufteilung folgt der Geschäftsfrage. ai_forecast schreibt eine Zeitreihe in die Zukunft fort. ai_top_drivers zeigt, welche Segmente eine Kennzahlveränderung am stärksten getrieben haben. ai_detect_anomalies markiert Ausreißer in zeitlichen Daten. ai_predict_value und ai_predict_class ergänzen kontinuierliche Werte beziehungsweise kategoriale Ergebnisse. Alle sind native SQL-Funktionen, laufen über Hunderte Millionen Zeilen und speisen ihre Ergebnisse direkt in bestehende Abfragen und Pipelines. Bei der Verfügbarkeit gilt: ai_top_drivers ist in Genie bereits nutzbar, die übrigen vier sind dort als kommend angekündigt und werden vorerst vor allem aus SQL und Dashboards genutzt.
Warum ohne Tuning geworben wird
Hinter dem verbesserten ai_forecast steht ein Transformer-basiertes Zeitreihen-Grundlagenmodell, vortrainiert auf einer großen, vielfältigen Sammlung von Zeitreihen. Die Idee: Es lernt Muster wie Saisonalität und Trends so, wie ein Sprachmodell Text lernt, und liefert auf den eigenen Daten Prognosen ohne Abstimmung. Die neue Version verarbeitet zudem Variablen, die im Betrieb zählen: Feiertagseffekte sind eingebaut, etwa Einbrüche zu Weihnachten oder Spitzen zum Schulbeginn, und externe Kovariaten wie Preisänderungen oder Marketingausgaben lassen sich einspeisen. Auf dem Benchmark fev-bench schlägt die neue Version nach Angaben von Databricks die vergleichbare Funktion eines führenden Cloud-Data-Warehouse und die eigene Vorgängerversion bei der Aufgaben-Gewinnrate; das ist ein Herstellervergleich, bei einer Auswahlentscheidung gehört die Prüfung auf eigenen historischen Daten dazu. In derselben Woche wurde auch die Dokumentenverarbeitung allgemein verfügbar, siehe Databricks Document Intelligence geht in die allgemeine Verfügbarkeit; beide Linien verwandeln Arbeit, die früher bei Spezialisten Schlange stand, in Standardfunktionen der Plattform.
Das Beta-Etikett ernst nehmen
Die Einschränkungen sind ebenso klar. Die Funktionen sind noch Beta, und Databricks wartet die Modelle zentral. Das bringt konsistente Ergebnisse in Dashboards, SQL und Genie und erspart Infrastrukturarbeit, kostet aber Modellwahl und eigenes Tuning; eine schlechte Prognose lässt sich kaum so zerlegen wie bei einem eigenen Modell. Sinnvoll ist der Einsatz für Exploration und laufende Betriebsanalysen: schnell klären, was sich vertiefen lohnt, und für die wirklich kritischen Kennzahlen eigene Modelle bauen. Für Teams, deren Daten schon auf Databricks liegen, ist der Testaufwand tatsächlich gering, eine einzige SQL-Anweisung. Für Teams mit Daten anderswo ist diese Ankündigung allein kein Migrationsgrund.
