Ein Streamhouse ist eine Datenarchitektur, die den aktuellen Zustand eines Unternehmens kontinuierlich für produktive Anwendungen, Analytics und KI-Agenten verfügbar hält. Es erfasst Daten in dem Moment, in dem Ereignisse stattfinden, verarbeitet und steuert sie in Bewegung und stellt sie jedem System bereit, das darauf reagieren muss, ohne auf einen nächtlichen Batch-Job zu warten. Seit September 2026 ist der Begriff eine offene, herstellerneutrale Kategorie: Fünf Data-Streaming-Unternehmen haben damals eine gemeinsame Definition veröffentlicht. Dieser Artikel erklärt, was ein Streamhouse ist, auf welchen Prinzipien es beruht, wie es funktioniert und wie es sich von Data Warehouse und Lakehouse unterscheidet.
Die Streamhouse Working Group beschreibt die Architektur als eine, mit der Organisationen „den aktuellen Zustand ihres Geschäfts kontinuierlich erfassen, transportieren, transformieren, steuern und bereitstellen, damit produktive Anwendungen und Agenten darauf handeln können“. Die Definition ist auf streamhouse.com veröffentlicht und wird von den Gründungsmitgliedern der Gruppe gepflegt: Aiven, Confluent, Redpanda, StreamNative und Ververica.
Der Begriff stammt von Ververica. Ursprünglich bezeichnete Ververica damit einen konkreten Stack, der Apache Flink für Stream Processing mit Apache Paimon als Streaming-Speicher auf einem Data Lake kombiniert. Die Definition der Working Group ist breiter gefasst: Sie beschreibt ein Architekturmuster, das sich mit vielen Stacks umsetzen lässt. Dank einer verbindlichen Markenzusage darf jeder den Namen verwenden, um eine Architektur zu beschreiben, aufzubauen oder zu vermarkten, die der Definition entspricht, ohne Genehmigung und ohne Gebühren.
Für alle, die Anbieter bewerten, ist das der entscheidende Punkt. Ein Streamhouse ist eine Reihe von Anforderungen und kein Produkt. Sie können diese Anforderungen mit Open-Source-Technologie, kommerziellen Plattformen oder einer Kombination aus beidem erfüllen.
Datenarchitekturen in Unternehmen haben sich bisher daran orientiert, wie Menschen Daten nutzen. Das Data Warehouse lieferte Analystinnen und Analysten eine strukturierte Sicht für das Reporting. Das Lakehouse ergänzte offenen Speicher und die Skalierung, um Modelle auf grossen Mengen historischer Daten zu trainieren und zu betreiben. Beide arbeiten in Batches, weil die Menschen, die diese Daten nutzen, nur in Abständen darauf schauen.
Mit KI-Agenten ändert sich, wer die Daten nutzt. Ein Agent, der eine Zahlung freigibt, eine Lieferung umleitet oder eine Kundenanfrage beantwortet, handelt kontinuierlich, und zwar auf Basis der Daten, die er in diesem Moment sieht. Stammen diese Daten aus einem Batch-Job von letzter Nacht, trifft der Agent seine Entscheidungen über ein Unternehmen, das sich längst weiterbewegt hat.
Die Forschung bestätigt diese Lücke. Die Studie The GenAI Divide von MIT NANDA aus dem Jahr 2025 ergab, dass 95 % der untersuchten Organisationen keinen messbaren Ertrag aus ihren Initiativen mit generativer KI erzielten. Zu den Ursachen zählt sie fragile Workflows und schwaches kontextuelles Lernen. Im Data Streaming Report 2026 von Confluent gaben 94 % der 4.625 befragten IT-Verantwortlichen an, dass Data Streaming die Wirkung ihrer KI-Investitionen verstärkt hat oder verstärken wird. Das Streamhouse ist die architektonische Antwort darauf: eine Schicht, deren Aufgabe es ist, aktuellen Kontext für die Software verfügbar zu halten, die auf dieser Grundlage handelt.
Daten bleiben aktuell, während Ereignisse im Unternehmen stattfinden, statt in periodischen Batches aktualisiert zu werden. Eine Preisänderung, eine Zahlung oder ein Sensorwert erreicht die abhängigen Systeme innerhalb von Sekunden. Für einen KI-Agenten macht genau das den Unterschied zwischen einer Entscheidung auf Basis von Fakten und einer auf Basis einer Momentaufnahme.
Die Architektur ist auf produktive Service-Levels ausgelegt. Sobald Anwendungen und Agenten für ihre Entscheidungen darauf angewiesen sind, wird ein Ausfall der Datenschicht zu einem Ausfall im Geschäft. Ein Streamhouse braucht deshalb dieselben Standards für Verfügbarkeit, Monitoring und Wiederherstellung wie jedes andere System im operativen Kernbetrieb.
Ein Streamhouse nutzt Daten dort, wo sie bereits liegen. Statt zu verlangen, dass zuerst alle Systeme auf einer Plattform konsolidiert werden, verbindet es sich mit bestehenden Datenbanken, SaaS-Anwendungen, Mainframes und IoT-Quellen und bewegt die relevanten Ereignisse zwischen ihnen. Das macht die Architektur für grosse Unternehmen praxistauglich, in denen eine vollständige Konsolidierung selten realistisch ist.
Die Definition beschreibt fünf Stufen. Capture holt Änderungen aus den Quellsystemen, sobald sie entstehen, meist über Change Data Capture (CDC) oder Konnektoren. Transport bewegt diese Änderungen als dauerhafte Event-Streams. Transform verarbeitet und reichert sie unterwegs an, etwa indem eine Zahlung mit dem Kundendatensatz verknüpft oder eine Anomalie direkt markiert wird. Govern wendet Schemas, Datenqualitätsregeln, Lineage und Zugriffskontrollen an, während die Daten in Bewegung sind. Serve stellt das Ergebnis allen bereit, die es brauchen: einem Agenten, der den aktuellen Zustand abfragt, einer Anwendung, die auf ein Ereignis reagiert, oder einem Lakehouse, das aktuelle Tabellen für Analysen erhält.
Die Definition nennt ausserdem die Technologien, die diese Stufen typischerweise umsetzen:
Ein Streamhouse ersetzt weder das Lakehouse noch das Warehouse. Jedes beantwortet eine andere Frage, und die meisten Unternehmen werden alle drei betreiben.
| Data Warehouse | Lakehouse | Streamhouse | |
|---|---|---|---|
| Hauptaufgabe | Reporting und Business Intelligence | Analysen und Modelltraining auf historischen Daten | Das Geschäft auf Basis aktueller Daten betreiben |
| Aktualität der Daten | Batch, typischerweise Stunden bis Tage | Batch oder Micro-Batch | Kontinuierlich, sobald Ereignisse eintreten |
| Hauptnutzer | Analystinnen und Analysten | Data Scientists und Analysten | Anwendungen und KI-Agenten |
| Service-Level | Analytisch | Analytisch | Produktiv |
| Wo die Daten liegen | Konsolidiert im Warehouse | Konsolidiert in offenem Speicher | Dezentral, an der Quelle |
Am einfachsten gesagt: Das Lakehouse erklärt, was passiert ist, und das Streamhouse bestimmt, was als Nächstes passiert. Die beiden ergänzen sich auch. Weil ein Streamhouse aktuelle Tabellen über offene Tabellenformate in ein Lakehouse liefern kann, bleiben Analysen aktueller, als es Batch-Pipelines erlauben.
Da Streamhouse herstellerneutral ist, haben Sie die Wahl der Plattform. Für Unternehmen, die auf IBM setzen, ist die Data-Streaming-Plattform von Confluent, inzwischen Teil von IBM, die naheliegende Grundlage. Sie deckt jede Stufe der Definition ab. Konnektoren und CDC erfassen Daten aus Systemen wie IBM Z, SAP, Oracle und Salesforce. Apache Kafka streamt sie, Apache Flink verarbeitet sie, und integrierte Governance verwaltet Schemas und Datenqualität. Tableflow stellt Streams als Apache-Iceberg- oder Delta-Lake-Tabellen für Lakehouses wie IBM watsonx.data bereit, und Agenten greifen über APIs, SQL und das Model Context Protocol (MCP) auf aktuellen Kontext zu.
Mimacom ist IBM Silver Business Partner mit langjähriger Erfahrung mit Confluent und Apache Kafka. Unsere Teams betreiben Streaming-Plattformen in Produktion für Banken, Handelsunternehmen, Hersteller und Verkehrsbetriebe. Lesen Sie unsere Einordnung der Streamhouse-Ankündigung und was sie für Unternehmen bedeutet, die KI auf IBM aufbauen.
Die Streamhouse Working Group, gegründet von Aiven, Confluent, Redpanda, StreamNative und Ververica, hat die offene Definition am 15. September 2026 veröffentlicht. Der Begriff selbst stammt von Ververica, das ihn zuvor für seine Architektur aus Flink und Paimon verwendet hat. Die Working Group pflegt die Definition öffentlich, und jeder darf den Namen kostenlos verwenden.
Nein. Ein Streamhouse ist eine Architekturkategorie mit veröffentlichten Anforderungen: Echtzeit, produktionsreif und dezentral. Sie können es mit Open-Source-Projekten, mit kommerziellen Plattformen wie IBM Confluent oder mit einer Kombination aus beidem aufbauen.
Nein. Das Lakehouse bleibt der Ort für historische Analysen und Modelltraining. Das Streamhouse übernimmt die operative Seite, stellt Anwendungen und Agenten aktuelle Daten bereit und kann das Lakehouse über offene Tabellenformate wie Apache Iceberg mit aktuelleren Tabellen versorgen.
Die Streaming-Architektinnen und -Architekten von Mimacom unterstützen Unternehmen dabei, Streamhouse-Architekturen auf IBM Confluent zu entwerfen und zu betreiben, beginnend mit den Entscheidungen, die am dringendsten Live-Daten brauchen. Erfahren Sie mehr über unsere Confluent-Beratung oder kontaktieren Sie uns, um Ihren ersten Schritt zu planen.