Ketika tim Anda menghabiskan berjam-jam menulis prompt, menyesuaikan model, dan menyusun pipa data hanya untuk mengimplementasikan satu agen AI, produktivitas terhenti.
Databricks memperkenalkan Agent Bricks untuk mengatasi hambatan tersebut dengan mengotomatisasi seluruh alur kerja pembangunan dan optimasi pada data perusahaan.
Panduan ini akan memandu Anda melalui apa yang ditawarkannya, bagaimana cara kerjanya, dan apakah cocok dengan infrastruktur Anda.
Poin Penting
- Databricks Agent Bricks mengotomatiskan pembuatan agen menggunakan data sintetis dan benchmark.
- Ini menghilangkan penyesuaian prompt manual dan terintegrasi langsung dengan Unity Catalog.
- Pengguna awal melaporkan biaya optimasi yang tinggi tetapi kinerja yang kuat pada skala besar.
- Akses regional dan kustomisasi terbatas tetap menjadi risiko utama selama fase beta.
Apakah Databricks Menyediakan Agentic AI?
Ya, Databricks meluncurkan Agent Bricks pada 11 Juni 2025 di acara Data+AI Summit di San Francisco.
Platform ini mengotomatiskan pembuatan agen AI dengan menghasilkan data sintetis yang spesifik domain dan tolok ukur yang sadar tugas, lalu mengoptimalkan model untuk biaya dan kualitas tanpa perlu rekayasa prompt manual.
Dibangun berdasarkan akuisisi Databricks terhadap MosaicML pada tahun 2023, produk ini menempatkan Databricks sebagai penyedia data lakehouse dan platform AI berbasis agen.
Teknologi ini ditujukan untuk tim yang mengelola volume besar dokumen internal, catatan transaksi, atau konten tidak terstruktur, dan membutuhkan agen yang dapat mengekstrak wawasan, menjawab pertanyaan, atau mengoordinasikan alur kerja multi-langkah secara aman.
Agent Bricks memasuki fase beta publik pada pertengahan 2025, awalnya tersedia di AWS di wilayah AS dengan rencana perluasan ke Eropa pada akhir tahun.
Bagaimana Sebenarnya Cara Kerjanya?
Agent Bricks menghilangkan siklus coba-coba tradisional dan menggantinya dengan alur kerja yang terarah. Anda menggambarkan tugas dalam bahasa yang mudah dipahami, menghubungkan sumber data Anda melalui Unity Catalog, dan sistem secara otomatis menghasilkan contoh pelatihan sintetis yang mencerminkan domain Anda.
Contoh-contoh tersebut dimasukkan ke dalam rangkaian benchmark yang menilai model kandidat berdasarkan akurasi, latensi, dan biaya. Platform kemudian memilih konfigurasi yang memenuhi standar kualitas Anda dengan biaya terendah per inferensi.
Alur kerja ini menghilangkan waktu berminggu-minggu yang biasanya dihabiskan tim untuk memberi label data, menyesuaikan prompt, dan menjalankan uji A/B.
Di balik layar, MLflow 3.0 mencatat setiap proses evaluasi, sehingga Anda dapat melacak keputusan model kembali ke data dan parameter dasarnya. Keamanan tetap terjaga karena agen tidak pernah menarik data di luar batas Databricks lakehouse.
Ringkasan arsitektur ini paling penting ketika Anda melihatnya menyelesaikan masalah nyata.
Bagaimana Ini Berfungsi dalam Praktiknya?
Tim data AstraZeneca menghadapi tumpukan 400.000 file PDF uji klinis yang memerlukan ekstraksi terstruktur untuk pengajuan regulasi. Pemeriksaan manual akan memakan waktu berbulan-bulan.
Mereka mengonfigurasi agen Ekstraksi Informasi di Agent Bricks, mengarahkannya ke repositori dokumen, dan membiarkan sistem menghasilkan sampel sintetis berdasarkan skema protokol uji coba. Agen tersebut memproses semua 400.000 file dalam waktu kurang dari 60 menit tanpa kode.
- Tim mengidentifikasi bottleneck ekstraksi data dan batas waktu regulasi.
- Menghubungkan Agent Bricks ke danau dokumen internal melalui Unity Catalog.
- Platform menjalankan optimasi, menghasilkan tolok ukur khusus tugas, dan memilih model yang telah disesuaikan.
- Deploy agen ke produksi, menghemat waktu berminggu-minggu kerja manual menjadi kurang dari satu jam.
Hawaiian Electric juga mengalami peningkatan serupa saat mereka mengganti solusi LangChain yang rentan dengan Agent Bricks untuk kueri dokumen hukum.
Agen baru ini secara signifikan outperformed alat asli mereka dalam akurasi jawaban, baik dalam evaluasi otomatis maupun manual, memberikan kepercayaan kepada karyawan untuk mengandalkannya dalam pencarian kepatuhan.
Integrasi & Kesesuaian Ekosistem
Agent Bricks mewarisi lapisan integrasi Databricks, sehingga dapat diintegrasikan langsung ke platform yang sudah digunakan oleh tim data dan ML Anda.
Unity Catalog bertindak sebagai pusat tata kelola terpusat, mengelola akses ke data lake, data warehouse, dan vector store dalam satu kerangka kebijakan.
Agen mengakses tabel Delta, file Parquet, atau dokumen yang disimpan di lakehouse tanpa perlu menyalin data ke layanan eksternal.
| Platform/Mitra | Sifat Integrasi |
|---|---|
| Unity Catalog | Pengelolaan terpadu untuk data, model, dan output agen. |
| Neon | Serverless Postgres untuk alur kerja agen transaksional |
| Tecton | Pelayanan fitur real-time dengan latensi di bawah 100 milidetik |
| OpenAI | Akses langsung ke GPT-5 pada data perusahaan |
Pengembang berinteraksi dengan Agent Bricks melalui API dan SDK Databricks standar. Fungsi SQL ai_query memungkinkan analis memanggil LLMs secara langsung dalam kueri, dan endpoint REST melayani agen melalui infrastruktur Model Serving.
Integrasi IDE mendukung pipeline CI/CD, sehingga insinyur dapat mengelola versi konfigurasi agen bersamaan dengan kode aplikasi.
Akuisisi Tecton yang akan datang akan mengintegrasikan toko fitur online ke dalam Agent Bricks, menyediakan data streaming ke agen dengan latensi di bawah 10 milidetik.
Kemampuan tersebut memungkinkan deteksi penipuan, personalisasi, dan kasus penggunaan lainnya yang bergantung pada informasi real-time.
Saat ini, tim dapat membuat prototipe menggunakan fitur batch dan berencana untuk mengganti dengan data real-time setelah integrasi diluncurkan pada pertengahan 2026.
Bincang Komunitas & Tanggapan Pengguna Awal
Umpan balik awal terbagi antara antusiasme terhadap kemudahan penggunaan dan kehati-hatian terkait batasan versi beta.
Seorang pengguna Reddit memuji pembuat agen tanpa kode dan integrasi yang erat dengan Unity Catalog, mencatat bahwa agen secara otomatis mewarisi izin data.
Pengguna yang sama melaporkan bahwa menjalankan optimasi penuh biasanya memakan waktu lebih dari satu jam dan menghabiskan lebih dari $100 untuk komputasi, yang dapat bertambah selama proses eksperimen.
- “Ini sangat menyederhanakan alur kerja kami dan mengurangi penyesuaian manual.” Reddit
- “Biaya per kali optimasi dapat tinggi pada versi beta.” Reddit
- “Akses aman ke konten internal membangun kepercayaan terhadap platform.” Komunitas Databricks
Ketersediaan regional menimbulkan kendala bagi tim di Eropa. Seorang perwakilan akun Databricks mengonfirmasi pada pertengahan 2025 bahwa Agent Bricks hanya tersedia di AS selama fase pratinjau awal, mendorong beberapa pelanggan untuk membuat ruang kerja sandbox di wilayah AS untuk menguji produk tersebut.
Posting di forum juga menyebutkan ketidakstabilan versi pratinjau dan perubahan fitur yang sering, yang merupakan hal biasa untuk perangkat lunak beta, tetapi perlu dipertimbangkan jika kasus penggunaan Anda membutuhkan waktu operasional yang tinggi.
Secara keseluruhan, pengguna awal yang dapat mengatasi kelemahan versi beta dan biaya komputasi melihat nilai dalam otomatisasi yang ditawarkan oleh Agent Bricks. Pemrosesan 400.000 dokumen oleh AstraZeneca dan peningkatan akurasi oleh Hawaiian Electric menjadi bukti bagi komunitas bahwa platform ini mampu menangani tugas skala produksi.
Validasi dunia nyata sangat penting saat Anda memutuskan apakah akan menginvestasikan waktu pengembangan sekarang atau menunggu produk tersebut matang.
Peta Jalan & Prospek Ekosistem
Databricks akan memperluas cakupan geografis dan fungsional Agent Bricks dalam 18 bulan ke depan. Pada kuartal keempat 2025, versi pratinjau akan diluncurkan di wilayah Eropa, dimulai dengan implementasi Azure di Eropa Barat.
Peluncuran bertahap tersebut memungkinkan perusahaan mengumpulkan umpan balik dari berbagai pengguna dan memastikan kepatuhan terhadap peraturan data regional sebelum mengumumkan ketersediaan umum.
Integrasi Tecton pada pertengahan 2026 akan memungkinkan agen untuk mengambil fitur real-time dari aliran data, API, dan gudang data dengan tingkat ketersediaan 99,99%, memfasilitasi kasus penggunaan deteksi penipuan dan personalisasi yang memerlukan data terkini.
Neon dan Mooncake akan digabungkan menjadi pengalaman "Lakehouse DB" yang terpadu, memberikan agen kemampuan penulisan yang sesuai dengan ACID dan pembacaan analitis instan tanpa memerlukan pipeline ETL.
“Agent Bricks menandai pergeseran besar dalam AI perusahaan,” kata seorang analis di VentureBeat, mengacu pada peningkatan kinerja 10× hingga 100× dengan menghilangkan pipa data tradisional.
Dapatkan templat agen baru di luar empat jenis awal (Ekstraksi Informasi, Asisten Pengetahuan, Pengawas Multi-Agen, Agen LLM Kustom).
Penelitian Databricks sedang mengeksplorasi asisten kode, agen perencanaan, dan konektor ke API eksternal. Kemitraan dengan OpenAI memastikan bahwa saat OpenAI merilis GPT-5 dan model-model masa depan, mereka akan tersedia secara native di Agent Bricks dengan dukungan dan tata kelola pihak pertama.
Jangka panjang, Databricks membayangkan AI agen sebagai persona pengguna baru di platform, berdampingan dengan insinyur data dan analis. Visi tersebut mencakup investasi berkelanjutan dalam fitur AI Bertanggung Jawab seperti log audit, deteksi bias, dan kontrol kebijakan yang detail seiring dengan pertumbuhan adopsi agen di industri yang diatur.
Berapa Biaya Databricks Agentic AI?
Agent Bricks mengikuti model penetapan harga berdasarkan penggunaan Databricks tanpa biaya lisensi di muka. Anda membayar per detik penggunaan komputasi dan inferensi model, yang dibebankan dalam Unit Databricks (DBU).
Beban kerja Model Serving dan Feature Serving dikenakan biaya sekitar $0,07 per DBU-detik pada paket Premium, yang sudah termasuk biaya instance cloud dasar. Inference yang dipercepat GPU untuk model dasar juga dikenakan biaya sekitar $0,07 per DBU-detik.
Bagian yang paling intensif adalah proses optimasi awal. Seorang pengguna awal melaporkan menghabiskan lebih dari $100 untuk komputasi cloud dalam satu siklus pelatihan berdurasi satu jam yang menghasilkan data sintetis dan menyesuaikan agen.
Setelah optimasi, penyediaan agen menjadi jauh lebih murah karena sistem telah mengidentifikasi konfigurasi model yang efisien secara biaya, yang tetap menjaga kualitas dengan jumlah token yang lebih sedikit per kueri. Tim dapat menetapkan batas anggaran melalui kebijakan anggaran Databricks untuk membatasi pengeluaran selama eksperimen.
Pelanggan korporat dapat membeli paket komitmen (jam DBU prabayar) untuk mendapatkan diskon volume, yang secara efektif menurunkan tarif per detik dibandingkan dengan penagihan on-demand. Harga pasti bergantung pada penyedia cloud Anda (AWS, Azure, GCP) dan wilayah, dengan beberapa wilayah memiliki tarif sedikit lebih tinggi dibandingkan dengan US East atau West.
Biaya tersembunyi yang perlu diperhatikan meliputi komputasi untuk pencarian vektor, pengambilan data, dan pelatihan ulang berkala saat distribusi data Anda berubah. Pertimbangkan waktu pengembangan yang dihemat dengan menghilangkan penyesuaian prompt manual dan penandaan data saat menghitung total biaya kepemilikan.
Pengguna awal melaporkan bahwa waktu kerja manual yang dihemat oleh Agent Bricks seringkali menyeimbangkan biaya komputasi, terutama jika mempertimbangkan biaya kesempatan akibat penundaan deployment agen.