Databricks ו-Anthropic: שיתוף פעולה ל-AI ארגוני

בצעד משמעותי שעשוי לעצב מחדש את האופן שבו תאגידים ממנפים בינה מלאכותית, Databricks, מעצמה בניהול נתונים ופתרונות AI, איחדה כוחות עם Anthropic, חברה מובילה במחקר ובטיחות AI. שתי החברות חשפו שיתוף פעולה אסטרטגי משמעותי לחמש שנים, שמטרתו לשלב לעומק את מודלי ה-AI המתוחכמים Claude של Anthropic ישירות בפלטפורמת ה-Data Intelligence של Databricks. הסכם ציון דרך זה מבטיח לספק את יכולות ה-AI המתקדמות של Anthropic, כולל מודל Claude 3.7 Sonnet האחרון שלה, לבסיס הלקוחות הנרחב של Databricks, המונה למעלה מ-10,000 ארגונים ברחבי העולם. המטרה המרכזית שאפתנית אך ברורה: להעצים עסקים לפתח ולהפעיל באופן מאובטח סוכני AI חכמים המסוגלים לחשיבה מורכבת, תוך שימוש ישיר במערכי הנתונים הייחודיים והקנייניים שלהם בסביבה מאוחדת. אינטגרציה זו זמינה כעת על פני ספקיות הענן הגדולות – AWS, Azure ו-Google Cloud Platform – דרך פלטפורמת Databricks.

ניווט במורכבויות של אימוץ AI ארגוני

המשיכה של בינה מלאכותית אינה מוטלת בספק עבור ארגונים מודרניים, המבטיחה יעילות טרנספורמטיבית, חוויות לקוח חדשניות ומקורות הכנסה בלתי מנוצלים. עם זאת, הדרך למימוש יתרונות אלה רצופה לעתים קרובות במכשולים משמעותיים. ארגונים רבים מוצאים עצמם מתמודדים עם האתגרים המעשיים של תרגום פוטנציאל ה-AI לערך עסקי מוחשי. מכשול עיקרי טמון בניצול יעיל של מאגרי נתונים פנימיים עצומים, שלעתים קרובות מבודדים (siloed). בניית מודלי AI, במיוחד סוכנים מתוחכמים המסוגלים לחשיבה וביצוע משימות אוטונומי, דורשת גישה חלקה לנתונים ארגוניים אלה.

עם זאת, מספר גורמים מסבכים תהליך זה:

• פיצול נתונים ונגישות: נתונים ארגוניים שוכנים לעתים קרובות במערכות נפרדות, מסדי נתונים מדור קודם וסביבות ענן שונות, מה שהופך גישה מאוחדת לקשה ויקרה. הכנת נתונים אלה לצריכת AI היא לעתים קרובות משימה עתירת משאבים.
• חששות אבטחה ופרטיות: שימוש בנתונים קנייניים רגישים לאימון והסקת מסקנות (inference) של AI מעלה שאלות קריטיות של אבטחה ופרטיות. ארגונים זקוקים למנגנונים חזקים כדי להבטיח סודיות נתונים ולמנוע גישה או דליפה בלתי מורשית, במיוחד בעת מינוף מודלי AI של צד שלישי.
• מורכבות הפיתוח והפריסה: יצירה, אימון, הערכה ופריסה של סוכני AI ברמת ייצור (production-grade) מהווים אתגר הנדסי מורכב. הדבר דורש מומחיות ייעודית, כלים מתוחכמים ובדיקות קפדניות כדי להבטיח אמינות ודיוק.
• ממשל ותאימות (Governance and Compliance): הקמת מסגרות ממשל יעילות ל-AI היא בעלת חשיבות עליונה. זה כולל ניהול גרסאות מודלים, מעקב אחר שושלת נתונים (data lineage), בקרת הרשאות גישה, ניטור אחר הטיה או שימוש לרעה, והבטחת תאימות לתקנות מתפתחות. היעדר ממשל מקצה לקצה מעכב לעתים קרובות אימוץ AI בקנה מידה גדול.
• הבטחת דיוק ואמינות: סוכני AI חייבים לספק פלטים מדויקים, אמינים ורלוונטיים מבחינה הקשרית, במיוחד כאשר הם מקיימים אינטראקציה עם תהליכים עסקיים קריטיים או יישומים הפונים ללקוח. הערכת ביצועי המודל מול משימות ארגוניות ספציפיות והבטחת אמינות נותרו אתגר משמעותי.
• חישוב החזר על השקעה (ROI): הדגמת ROI ברור מהשקעות AI יכולה להיות קשה, במיוחד בשלבים המוקדמים. העלויות הגבוהות הכרוכות בהכנת נתונים, פיתוח מודלים, תשתית וכישרונות מיוחדים מחייבות נתיב ברור לתוצאות עסקיות מדידות.

בדיוק בנוף מורכב זה של אתגרים שואפת השותפות האסטרטגית בין Databricks ו-Anthropic לטפל, ומציעה נתיב יעיל לארגונים להתגבר על מכשולים אלה ולפתוח את הפוטנציאל האמיתי של AI המיושם על נכסי הנתונים הייחודיים שלהם.

סינרגיה עוצמתית: שילוב Data Intelligence עם AI מתקדם

שיתוף הפעולה בין Databricks ו-Anthropic מייצג התכנסות של חוזקות משלימות, היוצר פתרון רב עוצמה לשוק ה-AI הארגוני. Databricks מספקת את פלטפורמת ה-Data Intelligence הבסיסית, שנועדה לאחד אחסון נתונים (data warehousing), ממשל ויכולות AI בסביבה אחת ולכידה. הארכיטקטורה שלה, הבנויה על פרדיגמת ה-lakehouse, מאפשרת לארגונים לנהל נתונים מובנים ובלתי מובנים בקנה מידה גדול, ומקלה על גישה חלקה לנתונים עבור עומסי עבודה של אנליטיקה ולמידת מכונה. רכיבים מרכזיים כמו Mosaic AI מציעים כלים המותאמים במיוחד לבנייה, פריסה וניטור של מודלים וסוכני AI, ומפשטים את מחזור החיים של AI מקצה לקצה.

Anthropic, מצידה, מביאה לשולחן את משפחת מודלי השפה הגדולים (LLMs) Claude המתקדמים שלה. מודלי Claude, הידועים ביכולות החשיבה המתקדמות שלהם, בקיאות במעקב אחר הוראות מורכבות, ודגש חזק על בטיחות ושיקולים אתיים באמצעות גישת ה-Constitutional AI שלה, נועדו להתמודד עם משימות מתוחכמות בעולם האמיתי. הכללת Claude 3.7 Sonnet, שהודגש כמודל החשיבה ההיברידי הראשון בשוק ומוביל במשימות קידוד, משפרת עוד יותר את היכולות הזמינות ללקוחות Databricks.

על ידי הטמעת המודלים של Anthropic ישירות בתוך פלטפורמת Databricks, השותפות מבטלת רבים מהחסמים המסורתיים הקשורים לשילוב שירותי AI חיצוניים. אינטגרציה מקורית (native) זו מבטיחה שניתן ליישם את כוחו של Claude ישירות במקום שבו שוכנים הנתונים הארגוניים, ומטפחת גישה מאובטחת, יעילה ומנוהלת יותר לבניית יישומי AI מונעי נתונים. הסינרגיה טמונה בשילוב תשתית ניהול הנתונים והממשל החזקה של Databricks עם יכולות החשיבה המתקדמות של Anthropic, המציעה לעסקים ערכת כלים מהשורה הראשונה לפיתוח ופריסה של סוכני AI מתוחכמים ואמינים המותאמים להקשר התפעולי הספציפי שלהם.

שחרור הפוטנציאל של Claude בתוך מארג Databricks

השילוב של מודלי Claude של Anthropic בפלטפורמת ה-Data Intelligence של Databricks מתוכנן להיות חלק ועוצמתי, מה שהופך יכולות AI מתקדמות לנגישות בקלות למגוון רחב של משתמשים בתוך הארגון. זה אינו רק חיבור API; הוא מייצג הטמעה עמוקה של Claude בתוך האקוסיסטם של Databricks.

היבטים מרכזיים של אינטגרציה זו כוללים:

• נגישות מקורית (Native Accessibility): משתמשים יכולים לקיים אינטראקציה עם מודלי Claude ישירות דרך ממשקי Databricks מוכרים. זה כולל הפעלת מודלים באמצעות שאילתות SQL סטנדרטיות, יתרון משמעותי עבור אנליסטים של נתונים ואנשי מקצוע שכבר מרגישים בנוח עם SQL. בנוסף, מודלים זמינים כ-endpoints ממוטבים, המאפשרים למדעני נתונים ומפתחים לשלב בקלות את Claude בתהליכי העבודה של למידת מכונה וביישומים שלהם.
• זמינות חוצת-עננים (Cross-Cloud Availability): מתוך הכרה במציאות הרב-עננית של ארגונים מודרניים, ההצעה המשולבת זמינה על פני AWS, Azure ו-Google Cloud Platform, מה שמבטיח שארגונים יכולים למנף את הכוח המשולב של Databricks ו-Anthropic ללא קשר לספקית תשתית הענן המועדפת עליהם.
• מינוף Claude 3.7 Sonnet: הזמינות המיידית של המודל החדש ביותר של Anthropic, Claude 3.7 Sonnet, מספקת למשתמשים גישה ליכולות מתקדמות. חוזקותיו בחשיבה היברידית וקידוד פותחות אפשרויות חדשות לפתרון בעיות מורכבות ומשימות יצירה או ניתוח קוד אוטומטיות ישירות בתוך פלטפורמת הנתונים.
• ביצועים ממוטבים: אינטגרציה מקורית מאפשרת ביצועים ויעילות ממוטבים. על ידי הרצת מודלי Claude קרוב יותר לנתונים בתוך סביבת Databricks, ניתן למזער את ההשהיה (latency), וניתן להפחית משמעותית את עלויות העברת הנתונים הקשורות לקריאות API חיצוניות.

אינטגרציה עמוקה זו משנה את האופן שבו ארגונים יכולים להשתמש במודלי שפה גדולים. במקום להתייחס ל-AI כשירות נפרד וחיצוני הדורש צינורות נתונים מורכבים ופתרונות אבטחה עוקפים, Claude הופך לחלק אינטרינזי מתהליך העבודה של בינת הנתונים, זמין בקלות לשיפור אנליטיקה, אוטומציה של משימות והנעת חדשנות ישירות מבסיס הנתונים של הארגון.

טיפוח אינטליגנציה ספציפית לתחום עם נתונים ארגוניים

אולי ההבטחה המשכנעת ביותר של השותפות בין Databricks ל-Anthropic טמונה ביכולתה להעצים ארגונים לבנות סוכני AI מיוחדים ביותר בעלי ידע ספציפי לתחום (domain-specific knowledge) עמוק, הנגזר ישירות מהנתונים הקנייניים של החברה עצמה. מודלי AI גנריים, למרות עוצמתם, חסרים לעתים קרובות את ההבנה הניואנסית של תעשייה ספציפית, ז’רגון חברה או תהליכים פנימיים הנדרשים למשימות ארגוניות בעלות ערך גבוה. שיתוף פעולה זה מטפל ישירות בפער זה.

האינטגרציה מאפשרת יצירת סוכני AI מתוחכמים המסוגלים ל:

• חשיבה ותכנון מתקדמים: מודלי Claude מצטיינים בחשיבה ותכנון רב-שלביים. בשילוב עם גישה לנתונים הייחודיים של הארגון דרך Databricks, סוכנים אלה יכולים להתמודד עם תהליכי עבודה מורכבים. לדוגמה:
  • בתעשיית התרופות, סוכן יכול לנתח נתוני ניסויים קליניים לצד רשומות בריאות של מטופלים (עם אמצעי הגנה מתאימים) וספרות מחקרית כדי לזהות מועמדים מתאימים לניסויים או לחזות אינטראקציות פוטנציאליות בין תרופות, ובכך לייעל תהליך מורכב וגוזל זמן.
  • בשירותים פיננסיים, סוכן יכול לנתח דפוסי עסקאות, היסטוריית לקוחות ונתוני שוק בזמן אמת כדי לספק ייעוץ השקעות מותאם אישית ביותר או לזהות פעילויות הונאה מתוחכמות שעשויות לחמוק ממערכות מבוססות חוקים מסורתיות.
  • בייצור, סוכן יכול לקשר נתוני חיישנים ממכונות, יומני תחזוקה ומידע על שרשרת האספקה כדי לחזות במדויק כשלים בציוד ולמטב את לוחות הזמנים של הייצור באופן יזום.
• טיפול במערכי נתונים גדולים ומגוונים: חלון ההקשר הגדול של Claude מאפשר לו לעבד ולהסיק מסקנות על פני כמויות נרחבות של מידע בו-זמנית. זה חיוני למקרי שימוש ארגוניים הכוללים לעתים קרובות מערכי נתונים עצומים ומגוונים המאוחסנים בתוך ה-lakehouse של Databricks.
• התאמה אישית באמצעות RAG וכוונון עדין (Fine-Tuning): הפלטפורמה מפשטת את תהליך התאמת מודלי Claude. ארגונים יכולים ליישם בקלות Retrieval-Augmented Generation (RAG) על ידי יצירה אוטומטית של אינדקסים וקטוריים של המסמכים והנתונים שלהם בתוך Databricks. זה מאפשר לסוכן ה-AI לאחזר מידע פנימי רלוונטי ועדכני כדי ליצור תגובות מדויקות ומבוססות הקשר יותר. יתר על כן, הפלטפורמה תומכת בכוונון עדין (fine-tuning) של מודלי Claude על מערכי נתונים ארגוניים ספציפיים, ומאפשרת התאמה עמוקה יותר לשפה, לתהליכים ולידע הספציפיים לחברה.

על ידי הבאת כוח החשיבה של Claude ישירות לידי ביטוי על נתונים קנייניים בתוך פלטפורמה מאוחדת, עסקים יכולים לנוע מעבר ליישומי AI גנריים ולפתח סוכנים חכמים באמת המבינים את הנוף התפעולי הייחודי שלהם, מה שמניע שיפורים משמעותיים ביעילות, בקבלת החלטות ובחדשנות.

יצירת בסיס של אמון: ממשל משולב ו-AI אחראי

בעידן ה-AI, אמון אינו רק תכונה רצויה; הוא דרישה בסיסית. מתוך הכרה בכך, השותפות בין Databricks ו-Anthropic שמה דגש חזק על אספקת ממשל חזק וטיפוח פרקטיקות פיתוח AI אחראיות. הדבר מושג על ידי שילוב הדוק של המתודולוגיות ממוקדות הבטיחות של Anthropic עם מסגרת הממשל המקיפה של Databricks.

המרכיבים המרכזיים העומדים בבסיס אקוסיסטם AI אמין זה כוללים:

• ממשל מאוחד באמצעות Unity Catalog: ה-Unity Catalog של Databricks משמש כמערכת העצבים המרכזית לממשל נתונים ו-AI על פני הפלטפורמה. הוא מספק פתרון יחיד ומאוחד לניהול נכסי נתונים, מודלי AI וחפצים קשורים. בהקשר של האינטגרציה עם Anthropic, Unity Catalog מאפשר:
  • בקרת גישה פרטנית (Fine-Grained Access Control): ארגונים יכולים להגדיר ולאכוף הרשאות מדויקות, ולהבטיח שרק משתמשים או תהליכים מורשים יוכלו לגשת לנתונים ספציפיים או לקיים אינטראקציה עם מודלי Claude.
  • מעקב שושלת מקצה לקצה (End-to-End Lineage Tracking): Unity Catalog עוקב אוטומטית אחר שושלת הנתונים ומודלי ה-AI לאורך מחזור החיים שלהם. זה מספק נראות חיונית לגבי אופן אימון המודלים, לאילו נתונים הם ניגשו, וכיצד נעשה שימוש בפלטים שלהם, ותומך ביכולת ביקורת (auditability) ותאימות רגולטורית.
  • ניהול עלויות: תכונות כמו הגבלת קצב (rate limiting) מאפשרות לארגונים לשלוט בשימוש במודלי Claude, לנהל עלויות נלוות ביעילות ולמנוע חריגות תקציב בלתי צפויות.
• המחויבות של Anthropic לבטיחות: פילוסופיית הפיתוח של Anthropic נטועה עמוק במחקר בטיחות AI. גישת ה-Constitutional AI שלהם כוללת אימון מודלי AI לדבוק בסט של עקרונות או “חוקה”, המקדמת התנהגות מועילה, כנה ולא מזיקה. מיקוד מובנה זה בבטיחות משלים את יכולות הממשל של Databricks.
• יישום מעקות בטיחות (Safety Guardrails): הפלטפורמה המשולבת מאפשרת לארגונים ליישם מעקות בטיחות נוספים המותאמים לסובלנות הסיכון הספציפית שלהם ולהנחיות האתיות שלהם. זה כולל ניטור אינטראקציות מודלים לאיתור שימוש לרעה פוטנציאלי, זיהוי והפחתת הטיה, והבטחה שמערכות AI פועלות בגבולות אתיים מוגדרים מראש.
• שמירה על ביצועים: באופן מכריע, דגש זה על ממשל ובטיחות נועד לעבוד בתיאום עם, ולא להפריע ל, יתרונות הביצועים של שימוש במודלים חזיתיים כמו Claude. המטרה היא לספק סביבה מאובטחת ואחראית מבלי להתפשר על העוצמה והתועלת של ה-AI.

על ידי שילוב תשתית הממשל המאוחדת של Databricks עם עיצוב ה-AI הבטיחותי-ראשון של Anthropic, השותפות מציעה לארגונים מסגרת חזקה לפיתוח, פריסה וניהול של סוכני AI באחריות. גישה משולבת זו מסייעת בבניית אמון בעלי עניין, מבטיחה תאימות ומאפשרת לארגונים להרחיב את יוזמות ה-AI שלהם בביטחון.

היתרון של אינטגרציה מקורית: יעילות ואבטחה

מבדל קריטי של השותפות בין Databricks ל-Anthropic הוא האינטגרציה המקורית (native integration) של מודלי Claude בתוך פלטפורמת ה-Data Intelligence. זה עומד בניגוד חריף לגישות המסתמכות אך ורק על קריאות API חיצוניות כדי לגשת למודלי שפה גדולים. היתרונות של אינטגרציה עמוקה זו משמעותיים עבור ארגונים.

• הפחתת תנועת נתונים: כאשר מודלי AI משולבים באופן מקורי, הצורך להעביר כמויות גדולות של נתונים ארגוניים שעלולים להיות רגישים מחוץ להיקף המאובטח של סביבת Databricks ממוזער או מבוטל. ניתן לעבד ולנתח נתונים במקום, מה שמשפר משמעותית את מצב האבטחה ומפחית את הסיכונים הכרוכים בהעברת נתונים.
• השהיה נמוכה יותר וביצועים משופרים: עיבוד נתונים וביצוע הסקת מסקנות AI באותה פלטפורמה מפחיתים את השהיית הרשת בהשוואה לביצוע קריאות לשירותים חיצוניים. התוצאה היא זמני תגובה מהירים יותר ליישומי AI, דבר שהוא חיוני למקרי שימוש בזמן אמת וסוכנים אינטראקטיביים.
• תהליכי עבודה פשוטים יותר: אינטגרציה מקורית מייעלת את תהליך הפיתוח. מהנדסי נתונים, אנליסטים ומדענים יכולים לגשת ליכולות של Claude באמצעות כלים וממשקים מוכרים (כמו SQL או מחברות Python בתוך Databricks) ללא צורך לנהל מפתחות API נפרדים, פרוטוקולי אימות או מחברי נתונים עבור שירות AI חיצוני.
• יעילות עלות: ביטול הצורך ביציאת נתונים נרחבת (egress - העברת נתונים אל מחוץ לסביבת הענן) יכול להוביל לחיסכון משמעותי בעלויות, שכן ספקיות ענן גובות לעתים קרובות תשלום עבור נתונים היוצאים מהרשתות שלהן. יתר על כן, ניצול משאבים ממוטב בתוך הפלטפורמה המשולבת יכול לתרום ליעילות עלות כוללת.
• ממשל עקבי: החלת מדיניות הממשל המאוחדת של Unity Catalog של Databricks הופכת להרבה יותר פשוטה כאשר מודל ה-AI הוא חלק מהפלטפורמה, ולא ישות חיצונית. בקרות גישה, מעקב שושלת וניטור מיושמים באופן עקבי על פני נכסי נתונים ו-AI כאחד.

גישה מקורית זו מפשטת באופן יסודי את הארכיטקטורה הנדרשת לבניית סוכני AI מתוחכמים, והופכת את התהליך למאובטח, יעיל וניתן לניהול יותר עבור ארגונים בהשוואה לחיבור שירותים נפרדים יחדיו.

אימות בעולם האמיתי: מאפשרים AI מאובטח וניתן להרחבה

היתרונות המעשיים של גישה משולבת זו כבר זוכים להכרה מצד מובילי תעשייה. Block, Inc., חברת טכנולוגיה פיננסית בולטת, מדגימה את הצעת הערך. כפי שהדגישה Jackie Brosamer, סמנכ”לית הנדסת פלטפורמת נתונים ו-AI ב-Block, החברה נותנת עדיפות ליישומי AI מעשיים, אחראיים ומאובטחים. מינוף הקשר האסטרטגי שלהם עם Databricks מאפשר ל-Block לגשת למודלים מתקדמים כמו Claude של Anthropic ישירות בתוך סביבת הנתונים המהימנה שלהם.

Block מנצלת יכולת זו כדי להניע את “codename goose”, יוזמת סוכני ה-AI הפנימית שלה בקוד פתוח. היכולת לפרוס מודלים כמו Claude באופן מאוחד (federated) דרך Databricks מציעה יתרונות קריטיים:

• גמישות ויכולת הרחבה (Scalability): היא מאפשרת ל-Block להרחיב את יכולות ה-AI שלה בצורה חלקה על פני צוותים ומקרי שימוש שונים.
• אבטחה משופרת: שמירה על אינטראקציות מודלים וטיפול בנתונים בתוך סביבת Databricks המנוהלת שלהם תואמת את דרישות האבטחה המחמירות שלהם.
• שליטת משתמש: גישה זו שומרת על שליטה חיונית על אופן השימוש במודלי AI ועל אופן הגישה לנתונים.

עבור Block, האינטגרציה של Databricks-Anthropic אינה רק עניין של גישה למודל עוצמתי; מדובר בקיום פלטפורמה מאובטחת, גמישה וניתנת להרחבה לטיפוח יעילות רבה יותר והנעת חדשנות באחריות ברחבי הארגון. יישום זה בעולם האמיתי מדגיש את היתרונות המוחשיים של שילוב AI מתקדם עם פלטפורמת בינת נתונים חזקה ומנוהלת.

התוויית המסלול העתידי של אינטליגנציה מונעת נתונים

הברית בין Databricks ו-Anthropic מסמלת יותר מסתם אינטגרציה טכנית; היא משקפת חזון אסטרטגי לעתיד ה-AI הארגוני, שבו אינטליגנציה מתוחכמת שזורה עמוק במארג ניהול הנתונים והממשל. כפי שניסח זאת Ali Ghodsi, מייסד שותף ומנכ”ל Databricks, הביקוש הגובר לבינת נתונים (data intelligence) – היכולת להבין ולפעול על בסיס נתונים ביעילות – מניע את הצורך בפתרונות משולבים ועוצמתיים כאלה. על ידי הבאת המודלים של Anthropic באופן מאובטח ויעיל לפלטפורמת ה-Data Intelligence, הם שואפים להעצים עסקים לבנות סוכני AI המכווננים היטב למציאות התפעולית הספציפית שלהם, ומבשרים את מה ש-Ghodsi רואה כשלב הבא של ה-AI הארגוני.

בהדהוד לסנטימנט זה, Dario Amodei, מנכ”ל ומייסד שותף של Anthropic, הדגיש כי הטרנספורמציה של העסקים על ידי AI מתרחשת עכשיו, לא כסיכוי רחוק. הוא צופה התקדמות יוצאת דופן בסוכני AI המסוגלים לטפל באופן אוטונומי במשימות מורכבות. הפיכת Claude לזמין בקלות ב-Databricks מספקת ללקוחות את הכלים החיוניים לבניית סוכנים עוצמתיים אלה מונעי נתונים, ומאפשרת להם לשמור על יתרון תחרותי בעידן ה-AI המתפתח במהירות.

שותפות זו ממצבת את פלטפורמת ה-Data Intelligence של Databricks כמרכז שבו ארגונים יכולים לא רק לנהל ולנתח את הנתונים שלהם, אלא גם להחדיר בהם יכולות חשיבה מתקדמות של AI בבטחה וביעילות. היא נותנת מענה לצורך הארגוני הקריטי בבניית פתרונות AI מותאמים אישית ואמינים הממנפים את הערך הייחודי הנעול בתוך מערכי נתונים קנייניים. על ידי דמוקרטיזציה של הגישה למודלים מתקדמים כמו Claude בתוך מסגרת מנוהלת, Databricks ו-Anthropic סוללות את הדרך לדור חדש של יישומים חכמים על פני תעשיות מגוונות – מהאצת מחקר מחלות ומאבק בשינויי אקלים ועד לזיהוי הונאות פיננסיות והתאמה אישית של חוויות לקוח – ובסופו של דבר מניעות את האבולוציה לעבר ארגונים בעלי בינת נתונים אמיתית.