Databricks beskriver tre veje til at indføre OpenAI-værktøjer i virksomheder

Databricks offentliggjorde en oversigt over virksomheders ibrugtagning den 13. november 2026. Her beskrives tre måder at bruge OpenAI-værktøjer sammen med virksomhedsdata underlagt styringsregler: ChatGPT-analyser via Genie, centralt styrede Codex-installationer og specialbyggede agenter, der hostes som Databricks Apps.

Vejledningen bygger videre på et flerårigt partnerskab, der blev annonceret den 25. september 2025. I den oprindelige meddelelse blev partnerskabet vurderet til 100 millioner dollars, og det blev oplyst, at OpenAI-modeller, der kører direkte på platformen, ville blive tilgængelige for mere end 20.000 Databricks-kunder på tværs af cloudmiljøer. OpenAI-medstifter og -præsident Greg Brockman beskrev AI uden adgang til virksomhedens data sådan: »Det er som at ansætte en person med 20 ph.d.-grader og aldrig invitere vedkommende til et møde.«

I den fælles arkitektur leverer OpenAI GPT-modeller, ChatGPT, Codex og Agents SDK. Databricks bidrager med lakehouse-platformen, der lagrer virksomhedsdata underlagt styringsregler, samt forretningsdefinitioner, adgangsregler, videresendelse af modelanmodninger og applikationsinfrastruktur. Genie Ontology føjer virksomhedsspecifik kontekst til.

Genie anvender virksomhedens definitioner i ChatGPT

Løsningen til forretningsbrugere henvender sig til medarbejdere, der har brug for tal, men ikke skriver SQL-forespørgsler til databaser. Via Databricks Genie-pluginet kan en ChatGPT-bruger stille et spørgsmål i almindeligt sprog. Genie finder de relevante data, anvender godkendte definitioner af måltal, kører forespørgslen i Databricks og returnerer grafer eller diagrammer. Genie Ontology registrerer måltal, forretningsdefinitioner og relationer mellem virksomhedens data, så et måltal som omsætning følger virksomhedens egen definition.

Adgangen er fortsat begrænset til data, som brugeren allerede har tilladelse til at se, og hvert svar indeholder et link til de Databricks-kilder, det bygger på. ChatGPT Work kan også anbefale næste skridt og foreslå, hvem der bør inddrages, dele resultater via Slack eller e-mail og udføre handlinger, som brugeren har godkendt, gennem tilsluttede værktøjer.

OpenAI’s oversigt over plugins omfatter også generering af SQL, opsummeringer af dashboards eller Genie-resultater samt klargøring af resultater til teams. Tilgængeligheden afhænger af pluginet, abonnementsplanen og indstillingerne for arbejdsområdet, og nogle forbindelser kræver opsætning eller godkendelse fra en administrator.

Unity Gateway centraliserer styringen af Codex

For udviklingsteams sender Codex anmodninger gennem Unity Gateway i stedet for at kontakte OpenAI direkte. Udviklerne kan fortsætte med deres eksisterende arbejdsgang og logge ind med en Databricks-legitimationsoplysning, mens OpenAI API-nøglen forbliver i gatewayen. Alle anmodninger logføres, og tekniske ledere kan fastsætte budgetter for teams, gennemgå hvert teams forbrug og vælge, hvilken GPT-model der skal håndtere de enkelte opgaver.

Den anbefalede opsætning installerer kommandolinjeværktøjet Unity Gateway og kører ug codex. Databricks’ dokumentation til opsætning dækker også manuel konfiguration og kørsel af Codex på Databricks-compute. Kvalificerede ChatGPT Go-, Plus-, Pro- og Enterprise-abonnementer kan oprette forbindelse via en tjeneste til modeludbydere, der er konfigureret af en administrator, og anmodningerne faktureres på ChatGPT-abonnementet. Unity Gateway er generelt tilgængelig, mens de dokumenterede værktøjer til SQL, sandkasse og websøgning samt Unity Gateway-funktionerne fortsat er i betafase.

Specialbyggede agenter bruger data underlagt styring og fælles kontroller

Den tredje vej handler om specialbyggede agenter til forretningsprocesser, der bruger data underlagt strenge sikkerheds- og styringsregler. Databricks Model Serving kører OpenAI-modeller tæt på disse data, og der kræves ingen ekstern API-nøgle, når Databricks leverer modellen. Teams kan bygge og evaluere agenter i Agent Bricks eller bruge OpenAI Agents SDK og udrulle resultatet som en Databricks App.

Den officielle appskabelon indeholder en samtalebaseret REST API, en interaktiv chatgrænseflade og MLflow-kode til evaluering. MLflow AgentServer håndterer videresendelse af anmodninger, logning og fejlhåndtering og har indbygget sporing og observerbarhed. En ResponsesAgent grænseflade sikrer kompatibilitet med Databricks’ værktøjer til evaluering og udrulning, mens Model Context Protocol forbinder agenten med værktøjer og datakilder.

På tværs af disse mønstre håndterer Unity Catalog tilladelser, Unity Gateway står for videresendelse af anmodninger og omkostningskontrol, og Lakebase leverer administreret Postgres-lagring til agenters hukommelse og tilstand. Databricks planlægger opfølgende indlæg om arkitektur, opsætning og kundernes erfaringer med hvert mønster.

Den fælles arkitektur giver forespørgsler fra forretningsbrugere, kodeanmodninger og specialbyggede agenter én samlet ramme for tilladelser og omkostningskontrol. Dermed bliver styring et fælles fundament, efterhånden som brugen af OpenAI breder sig i virksomheden.