Partnerskaber

Decagon indgår partnerskab med Databricks om data, modeller og Marketplace

mm
Føj Unite.AI til dine foretrukne kilder på Google

Decagon annoncerede et partnerskab med Databricks den 30. september 2026, som kombinerer nul‑kopi datadeling mellem de to platforme med model‑serving baseret på Databricks og planlagt tilgængelighed af deres kunde‑vendte AI‑agenter på Databricks Marketplace.

Den meddelelse på Decagons blog blev medforfattet af Roger Liang, Decagons leder af strategiske alliancer og partnerskaber, og Mohsen Malik, chef for applikationspartnerskaber hos Databricks. Den beskriver Databricks Data + AI Platform som et samlet, styret grundlag for virksomhedsdata og AI, der indeholder den fulde registrering af hver kunde, inklusive ordrer, betalinger, rettigheder og produktbrug.

“Gennem dette partnerskab kan Decagon‑agenter få adgang til styrede data fra Databricks, når de har brug for dem, mens indsigter fra disse samtaler kan flyde tilbage til Databricks og blive nyttige på tværs af resten af virksomheden,” sagde Reynold Xin, medstifter og chief architect hos Databricks. “Vi er begejstrede for at arbejde sammen med Decagon‑teamet for at gøre virksomhedens kunde‑agenter mere kontekstbevidste, samtidig med at datastyring forbliver i centrum.”

Nul‑kopi data i begge retninger

Decagon oplyser, at deres brugerhukommelse indfanger en kundes kontekst og præferencer på tværs af samtaler, mens Databricks‑platformen indeholder, hvad kunderne har gjort: hver ordre og betaling, de produkter de faktisk bruger, samt de scorer, som et datateam har beregnet ud fra alt dette. At samle de to har typisk betydet at bygge skræddersyede datapipelines, som dataingeniører ejer på ubestemt tid, med en kopi af følsomme kundedata, der lander et nyt sted. I regulerede brancher er den kopi, der bremser godkendelse, fordi sikkerhedsteams spørger, hvor kundedataene går hen, hvem der kan se dem, og hvad der sker med dem bagefter.

Med nul‑kopi OpenSharing, styret af Unity Catalog, læser agenter kunderecorden direkte fra Databricks i det øjeblik, de har brug for den, uden behov for ETL, under de tilladelser, som kundens team fastsætter.

Data flyder også tilbage. Hver Decagon‑samtale kan skubbes til Databricks‑platformen som struktureret data, inklusive intentionstags, grundårsagsattribution, eskaleringsdrivere og bruger‑sentiment. Decagon siger, at disse indsigter beriger indtægts‑, fastholdelses‑ og produkttabeller og fodrer Duet Autopilot, så en rigere kontekst giver bedre validerede agent‑opdateringer.

Decagon introducerede brugerhukommelse i et 9. marts 2026 produktindlæg. Funktionen er bygget på en bruger‑niveau abstraktion, der udvikler sig på tværs af interaktioner, lagrer samtalehistorik og udtrækker strukturerede signaler såsom funktionsanmodninger, sentiment og angivne præferencer knyttet til hver kundes profil. Lagringen er valgfri, med udløbs‑ og redigeringskontroller, revisionslogfiler og fuld dataportabilitet, ifølge virksomheden.

Model‑serving gennem Unity Gateway

Decagon oplyser, at de har tilføjet Databricks som model‑serving‑udbyder og snart vil deltage i Built‑On‑programmet, med to begrundelser. Deres kernekonstellation af modeller er eftertrænet til kundeoplevelse og håndterer størstedelen af virksomhedens trafik. For alt andet giver Unity Gateway dag‑nul adgang til populære, topmoderne open‑source‑ og frontier‑modeller uden en separat integration for hver udbyder, et modelvalg som Decagon siger hjælper dem med at undgå låsning, efterhånden som AI‑økosystemet udvikler sig.

Den anden begrundelse, ifølge Decagon, er governance. Hvert trin i en samtale sender en forespørgsel til en model, hvilket rejser spørgsmål om, hvilken udbyder der håndterede den, hvad prompten indeholdt, og om noget af den blev gemt. De fleste agentplatforme logger denne aktivitet selv i en separat konsol med de opbevaringsbetingelser, de fastsætter, hvilket giver sikkerhedsteamet hos kunden endnu et system at gennemgå og stole på. Routing gennem Unity Gateway betyder, at Unity Catalogs tilladelser, lineage og revisionsspor dækker denne inferensaktivitet, så sikkerhedsteamet ser Decagons retningslinjer og deres egen governance på ét sted.

Indkøb gennem Databricks Marketplace

Decagon er opført som lanceringspartner på Databricks Marketplace, en virtuel butik for køb af udvalgte partnerprodukter. Kunder vil kunne bruge deres eksisterende leverandørforhold til Databricks til at forenkle fakturering og indkøb, når de køber Decagon, og virksomheden siger, at ordningen vil hjælpe kunder med at fjerne uger fra agent‑implementeringsprocessen.

Databricks åbnede butikken den 15. juni 2026, og bragte tredjepartsapplikationer til Databricks Marketplace med mere end 20 lanceringspartnere og introducerede Marketplace Commit Drawdown, som gør det muligt for kunder at erhverve tredjepartsdata og AI‑løsninger ved hjælp af eksisterende Databricks‑universale commits. I samme meddelelse sagde Databricks, at Delta Sharing var udviklet til OpenSharing, et Linux Foundation‑projekt, som de beskrev som den første åbne, leverandør‑neutrale protokol til sikker deling af AI‑aktiver, herunder Agent Skills, AI‑modeller og ustruktureret data.

Decagon vil være tilgængelig via Databricks Marketplace, og virksomheden henviser eksisterende Databricks‑kunder til at booke en demo.

Aiden Cross er en AI-genereret strateg hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomheds teams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med en pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktveje, markedsstrategier, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnere. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastruktur begrænsninger og sammenligningen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genereret og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.