Definition: Data Lakehouse
Ein Data Lakehouse ist eine vereinheitlichte Datenarchitektur, die Roh- und strukturierte Daten gemeinsam auf kostengünstigem Objektspeicher ablegt und dabei über ein offenes Tabellenformat warehouse-typische ACID-Transaktionen, Schema-Durchsetzung und schnelle SQL-Abfrageleistung hinzufügt.
Kernmerkmale von Data Lakehouse
Ein Data Lakehouse trennt Speicher von Rechenleistung und legt eine transaktionale Metadatenschicht über Dateien, die im Objektspeicher liegen, sodass dieselben Dateien gleichzeitig von vielen Engines abfragbar bleiben. Dieser Aufbau macht es überflüssig, Daten zwischen einem Lake und einem Warehouse zu kopieren, bevor sie für Reporting vertrauenswürdig sind.
- Offene Tabellenformate (Delta Lake, Apache Iceberg, Apache Hudi) fügen ACID-Transaktionen direkt über Dateien im Data-Lake-Speicher hinzu
- Schema-Durchsetzung und Schema-Evolution verhindern fehlerhafte Schreibvorgänge und erlauben dennoch, dass sich Tabellen über Zeit verändern
- Entkoppelter Speicher und Rechenleistung, sodass mehrere Abfrage-Engines dieselben Tabellen lesen können, ohne Daten zu duplizieren
- Eine einzige Datenkopie versorgt BI-Dashboards, Datenpipeline-gestütztes Reporting und KI- oder Machine-Learning-Training gleichzeitig
Data Lakehouse vs. Data Lake
Ein reiner Data Lake speichert Rohdaten, überlässt Transaktionsgarantien, Schema-Durchsetzung und Abfrageoptimierung aber dem jeweiligen Tool, das die Daten liest, und genau so wird aus einem ungesteuerten Lake ein Data Swamp. Ein Data Lakehouse legt eine transaktionale Tabellenschicht über denselben Rohspeicher, sodass jeder Schreibvorgang atomar ist, jede Tabelle ein durchgesetztes Schema hat und Abfrage-Engines Indizes und Statistiken nutzen können, wie sie es bei einem Data Warehouse tun würden. Der praktische Unterschied zeigt sich beim Abfragezeitpunkt: Ein Data Lake braucht einen eigenen Verarbeitungsjob, um Daten analysefertig zu machen, während eine Lakehouse-Tabelle bereits abfragefertig ist, sobald sie geschrieben wird. Die meisten Unternehmen, die ein Lakehouse einführen, ersetzen nicht ihren Lake, sondern ergänzen ihn um die fehlende Zuverlässigkeitsschicht.
Bedeutung von Data Lakehouse im Enterprise-KI-Umfeld
KI-Agenten und Retrieval-Systeme brauchen dieselben zugrunde liegenden Daten gleichzeitig aktuell genug für Echtzeitentscheidungen und strukturiert genug für verlässliche Abfragen, und genau diese Lücke zwischen roher Aufnahme und vertrauenswürdigem Zugriff schließt ein Lakehouse. Eine Dremio-Umfrage aus 2025 ergab, dass 41 Prozent der Unternehmen bereits von einem klassischen Cloud-Data-Warehouse zu einer Lakehouse-Architektur gewechselt sind, 67 Prozent erwarten, dass Lakehouses bis 2028 den Großteil ihrer Analytics-Workloads tragen. Für mittelständische Unternehmen mit schlanken Datenteams zählt diese Konvergenz, weil sie die doppelten Pipelines und den Abgleichaufwand entfernt, der früher nötig war, um Lake und Warehouse synchron zu halten.
Methoden und Verfahren für Data Lakehouse
Der Aufbau eines verlässlichen Data Lakehouse verbindet die Wahl des Tabellenformats mit Katalog- und Schichtungsdisziplin.
Einführung offener Tabellenformate
Das Tabellenformat ist das Fundament eines Lakehouse, da es festlegt, wie Transaktionen, Schema-Änderungen und Dateistruktur unterhalb der Abfrage-Engine nachverfolgt werden. Delta Lake ist eng mit Databricks und Spark integriert, Apache Iceberg hat sich zum Format mit der breitesten Multi-Engine-Unterstützung entwickelt, und Apache Hudi bleibt stark für Streaming- und Change-Data-Capture-Aufnahme.
- Format anhand der Abfrage-Engines und Tools wählen, die die Organisation bereits einsetzt
- Schema-Evolution und Time Travel aktivieren, damit historische Tabellenversionen für Audits abfragbar bleiben
- Tabellen in einem zentralen Datenkatalog registrieren (etwa Unity Catalog, AWS Glue oder ein Iceberg-REST-Katalog), damit jede Engine dieselben Metadaten findet
Medallion-Schichtung
Viele Lakehouse-Implementierungen organisieren Tabellen in eine Bronze-Schicht mit rohen, unveränderten aufgenommenen Daten, eine Silver-Schicht mit bereinigten und validierten Daten und eine Gold-Schicht mit aggregierten, geschäftsfertigen Tabellen. KI- und Analytics-Workloads lesen typischerweise aus Silver oder Gold, während Bronze für Nachverarbeitung und Audits verfügbar bleibt.
Entkoppelte Rechenleistung und Multi-Engine-Zugriff
Da Speicher und Rechenleistung unabhängig skalieren, können verschiedene Teams getrennte Abfrage-Engines, einen Spark-Cluster für Data Engineering, ein SQL-Warehouse für BI und eine Inferenz-Pipeline für KI-Agenten, gegen genau dieselben zugrunde liegenden Tabellen betreiben. Das vermeidet die doppelten Datenkopien, die ein paralleler Lake-und-Warehouse-Aufbau früher erforderte, und hält die Rechenkosten an die tatsächliche Nutzung gebunden statt an eine feste Clustergröße.
Wichtige Kennzahlen für Data Lakehouse
Die Leistung eines Lakehouse wird ebenso über Tabellenzuverlässigkeit wie über Speicher- oder Abfragekosten gemessen.
Operative Leistungskennzahlen
- Abfragelatenz: Antwortzeit im Sub-Sekunden- bis niedrigen Sekundenbereich für die meisten BI-Dashboards
- Aufnahme-zu-Abfrage-Latenz: Minuten statt der Stunden, die für reine Batch-Lake-Pipelines typisch sind
- Fehlerquote bei Tabellenschreibvorgängen: unter 1 Prozent der geplanten Jobs
- Speicherkosten pro Terabyte: typischerweise 60 bis 80 Prozent unter einem vergleichbaren reinen Warehouse-Aufbau
Strategische Adoptionskennzahlen
Das klarste Zeichen für Lakehouse-Reife ist, wie viel des gesamten Analytics- und KI-Workloads einer Organisation gegen Lakehouse-Tabellen läuft statt gegen eine separate Warehouse-Kopie. Die Dresner-Advisory-Umfrage aus 2026 ergab, dass die Lakehouse-Verbreitung 29 Prozent erreicht hat, bereits vor mehreren etablierteren Architektur-Mustern, was darauf hindeutet, dass sich die Migrationskurve schneller beschleunigt, als frühere Skepsis gegenüber der Kategorie vermuten ließ.
Datenqualitäts- und Vertrauenskennzahlen
Verfolgen Sie den Anteil der Tabellen, die die Schema-Validierung beim Schreiben bestehen, sowie den Prozentsatz der Gold-Schicht-Tabellen mit einem benannten Owner im Katalog. Konsequente Validierung bereits bei der Aufnahme, nicht erst bei der Nutzung, verhindert, dass sich in einem Lakehouse stillschweigend dieselben unzuverlässigen Datensätze ansammeln wie in einem schlecht gesteuerten Data Lake.
Risikofaktoren und Kontrollen bei Data Lakehouse
Ein Lakehouse konzentriert mehr Workloads auf eine Speicherschicht, was die Kosten von Governance-Lücken erhöht.
Tabellen- und Katalog-Wildwuchs
Ohne klare Zuständigkeitsregeln erstellen Teams überlappende Tabellen, die dieselben zugrunde liegenden Daten unter anderen Namen duplizieren, und der Katalog füllt sich mit Einträgen, die niemand pflegt. Das ist das Lakehouse-Äquivalent zum Data-Swamp-Problem, mit dem ungesteuerte Data Lakes zu kämpfen haben.
- Kein zugewiesener Owner für neu erstellte Tabellen
- Uneinheitliche Zugriffsrichtlinien über verschiedene Abfrage-Engines, die dieselben Tabellen lesen
- Doppelte oder nahezu doppelte Tabellen, die verschiedene Teams für dieselben Quelldaten anlegen
Format- und Anbieter-Interoperabilitätsrisiko
Die Wahl zwischen Delta Lake, Apache Iceberg und Apache Hudi ist nicht rein technisch, da jedes Format die Organisation enger an bestimmte Anbieter und Engines bindet. Ein Data-Governance-Programm, das Formatentscheidungen gemeinsam mit der Zugriffsrichtlinie prüft, statt die Entscheidung allein dem Team zu überlassen, das zuerst baut, hält die Architektur davor, in inkompatible Inseln zu zerfallen.
Datensouveränität und Cloud-Abhängigkeit
Da die meisten Lakehouse-Plattformen auf Hyperscale-Cloud-Objektspeicher laufen, erbt die Architektur alle Einschränkungen zu Datensouveränität und Datenresidenz, die für diesen Cloud-Anbieter gelten. Bitkoms Cloud Report 2026 ergab, dass sich 64 Prozent der deutschen Cloud-Nutzer inzwischen durch die US-Politik gezwungen fühlen, ihre Cloud-Strategie zu überdenken, gegenüber 50 Prozent im Vorjahr, was die Wahl von Anbieter und Region zu einer Governance-Entscheidung macht statt zu einer rein technischen, sobald ein Lakehouse personenbezogene oder vertragliche Daten hält.
Praxisbeispiel
Ein 230-Mitarbeiter-Baustoffgroßhändler in Nordrhein-Westfalen betrieb jahrelang getrennte Systeme: Ein Data Warehouse versorgte Finanz- und Vertriebsreporting, während eine locker gesteuerte Dateifreigabe Lieferantenverträge, Lieferscans und Lagersensorprotokolle hielt, die nie in einem strukturierten System landeten. Als das Unternehmen einen KI-Agenten einführen wollte, der Preis- und Lieferfragen direkt aus aktuellen Daten beantwortet, sah der Agent nur die Warehouse-Hälfte des Bildes und übersah Kontext, der in den unstrukturierten Dateien lag. Das Unternehmen führte beide in ein einziges Lakehouse zusammen und registrierte Warehouse-Tabellen und neu aufgenommene Rohdokumente unter einem Katalog mit einheitlichen Zugriffskontrollen. Binnen eines Quartals konnte derselbe KI-Agent Fragen beantworten, die strukturierte Bestelldaten mit unstrukturierter Lieferdokumentation kombinierten, etwas, das keines der beiden Systeme allein geleistet hatte.
- Einheitlicher Katalog über strukturierte ERP-Tabellen und rohe Lieferantendokumente hinweg
- Ein einziges Set an Zugriffskontrollen, durchgesetzt über BI- und KI-Abfrage-Engines
- Bronze-, Silver- und Gold-Schichten, die rohe Aufnahme von geschäftsfertigem Reporting trennen
- Eine Lakehouse-Datenkopie statt der getrennten Warehouse- und Dateifreigabe-Pipelines, die zuvor manuellen Abgleich erforderten
Aktuelle Entwicklungen und Auswirkungen
Die Lakehouse-Kategorie konsolidiert sich mit wachsender Verbreitung um eine kleinere Zahl offener Standards.
Standardisierung offener Tabellenformate
Apache Iceberg hat sich zum Format mit der breitesten Multi-Engine-Unterstützung entwickelt, und mehrere große Cloud- und Warehouse-Anbieter haben native Iceberg-Kompatibilität hinzugefügt, statt ein proprietäres Format zu verlangen. Katalog-Interoperabilitätsprojekte, einschließlich Iceberg-REST-Katalogstandards, verringern die Abhängigkeit, die frühere Formatentscheidungen mit sich brachten.
- Cloud-Data-Warehouses lesen und schreiben zunehmend direkt Iceberg-Tabellen
- REST-Katalogstandards lassen Engines verschiedener Anbieter eine Metadatenschicht teilen
- Migrationswerkzeuge konvertieren inzwischen zwischen Delta Lake, Iceberg und Hudi mit weniger manuellem Aufwand
Konvergenz von BI- und KI-Workloads
Da immer mehr Unternehmen Retrieval-Augmented-Generation- und agentische KI-Workloads direkt gegen Lakehouse-Tabellen betreiben, verschiebt sich die Architektur von einem BI-first-Design zu einem, das KI-Inferenz als gleichrangigen Konsumenten derselben Daten behandelt. Das verringert die separaten Datenkopier-Pipelines, die früher einen eigenen KI-Datenspeicher versorgt haben.
Souveräne und EU-gehostete Lakehouse-Angebote
Cloud- und Infrastrukturanbieter führen EU-gehostete und souveräne Varianten von Lakehouse-Plattformen ein, als direkte Antwort auf den Datenresidenz-Druck, den Bitkoms Umfrage erfasst hat. Für mittelständische Unternehmen mit vertraglichen oder regulatorischen Datenresidenz-Anforderungen erweitert das die realistische Auswahl an Lakehouse-Optionen über die größten US-Hyperscaler hinaus.
Fazit
Ein Data Lakehouse beseitigt den langjährigen Zielkonflikt zwischen der Flexibilität eines Data Lake und der Zuverlässigkeit eines Data Warehouse, indem es transaktionale Garantien direkt über Rohspeicher legt. Diese eine Architektur wird zur praktischen Grundlage für Unternehmens-KI, da Agenten und Retrieval-Systeme dieselben Daten sowohl aktuell als auch vertrauenswürdig brauchen. Die Governance-Disziplin, die ein Lakehouse verlangt, klare Tabellen-Zuständigkeit, einheitliche Zugriffskontrollen und bewusste Formatentscheidungen, zählt umso mehr, je mehr Workloads sich darauf konzentrieren. Unternehmen, die dieses Fundament früh bauen, sind diejenigen, deren KI-Agenten auf vollständigen, verlässlichen Daten handeln können, statt auf dem, was gerade zufällig angebunden ist.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem Data Lakehouse und einem Data Warehouse?
Ein Data Warehouse speichert nur strukturierte, vormodellierte Daten und erzwingt ein Schema vor dem Laden, ausgelegt für Reporting auf bekannte Fragen. Ein Data Lakehouse speichert dieselben strukturierten Daten zusammen mit rohen und semi-strukturierten Daten an einem Ort und fügt warehouse-typische Transaktionen und Abfrageleistung über ein offenes Tabellenformat hinzu, statt für alles Unstrukturierte ein eigenes System zu verlangen.
Lohnt sich ein Data Lakehouse für ein Unternehmen mit 150 bis 300 Mitarbeitern?
Ja, wenn das Ziel die Konsolidierung von zwei oder drei bestehenden Systemen ist, statt eine Plattform komplett neu aufzubauen. Eine fokussierte Migration, die ein bestehendes Warehouse mit den unstrukturierten Dokumenten aus Dateifreigaben oder SharePoint vereint, liefert für ein Unternehmen dieser Größe meist schneller Wert, als wenn Warehouse und Lake getrennt angeschafft und parallel betrieben würden.
Wie wirkt sich ein Data Lakehouse auf DSGVO und Datensouveränität aus?
Personenbezogene und vertragliche Daten in einem Lakehouse unterliegen vollständig der DSGVO, unabhängig davon, ob sie in einer Bronze-, Silver- oder Gold-Tabelle liegen. Da die meisten Lakehouse-Plattformen auf Hyperscale-Cloud-Speicher laufen, ist die Wahl von Anbieter und Hosting-Region passend zu den Datenresidenz-Anforderungen des Unternehmens eine Compliance-Entscheidung, die vor der Migration getroffen werden muss, nicht danach.
Was kostet der Aufbau oder die Migration zu einem Data Lakehouse?
Die Kosten hängen stark davon ab, wie viele Bestandsdaten migriert werden müssen und wie viele Quellsysteme das Lakehouse versorgen. Ein fokussierter Aufbau für zwei bis drei Kernsysteme bewegt sich für ein mittelständisches Unternehmen meist im niedrigen bis mittleren sechsstelligen Eurobereich, wobei die laufenden Cloud-Speicher- und Rechenkosten mit der tatsächlichen Nutzung statt mit einem festen Infrastrukturbudget skalieren.
Brauchen wir ein eigenes Data-Engineering-Team, um ein Data Lakehouse zu betreiben?
Nicht von Anfang an. Die meisten mittelständischen Unternehmen starten mit einem externen Partner, der Tabellenformat, Katalog und Aufnahme-Pipelines aufsetzt, und bauen interne Data-Steward-Kapazitäten auf, sobald die Nutzung wächst. Cloud-verwaltete Lakehouse-Plattformen verringern zusätzlich den laufenden Infrastrukturaufwand gegenüber dem getrennten Betrieb von Lake und Warehouse.
Wie passt Superkind zu einem Data Lakehouse?
Superkind verbindet KI-Agenten mit den echten Systemen eines Unternehmens, E-Mail, Teams, SharePoint, CRM und ERP, sodass Agenten unabhängig vom Ursprungssystem auf aktuelle Daten zugreifen können. Ein gut gesteuertes Lakehouse, das diese Systeme zu einer abfragbaren Grundlage konsolidiert, macht diese Verankerung vollständiger und verlässlicher.