AI TOOL DATABASE v2
Databricks Mosaic AI
Databricks Mosaic AIは、Lakehouse上の企業データと生成AI・MLを同じガバナンス基盤で開発から本番運用までつなぐAIプラットフォームです。
選定サマリー
30秒で向き不向きを確認
AI位置づけ
AIネイティブ（AIそのものが中核のサービス）
向いている
Databricksに企業データを集約している組織
向いていない
企業data基盤をDatabricksに置かず単一LLM APIだけを最小構成で利用したい用途
料金
Databricksの利用量ベース課金が中心。Model Serving、Vector Search、Foundation Model APIs等、利用機能・cloud・regionにより料金が異なる。
最大の強み
企業dataと生成AIを同一platformで接続しやすい
注意点
Databricksを利用していない組織には導入範囲が大きい
THINKLAB判定
Databricks Mosaic AIの価値は『LLMを呼べること』より、既にLakehouseへ集約した企業dataをVector Search・Model Serving・MLflow・Unity Catalogと同じ運用境界でAIへつなげられることです。Databricks中心のdata architectureを持つ企業には有力ですが、単一LLM APIだけを求める用途ではplatform全体が重すぎます。
概要
Databricks Mosaic AIは、Databricks Data Intelligence Platform上で生成AIapplication、RAG、AI agent、custom ML modelを構築・評価・配備・監視するための機能群です。
Foundation Model APIsやModel Servingでmodel inferenceを提供し、Mosaic AI Vector Searchで企業dataを検索し、Agent Framework/関連agent機能でtoolやretrievalを組み合わせたapplicationを構築できます。
概要の続きを読む概要を閉じる
MLflowを使ったexperiment・evaluation・tracing、Unity Catalogによるdata/model/access governanceと同じplatform内で接続できる点が特徴です。
単純なLLM API gatewayというより、既にDatabricksへdata pipeline・analytics・ML workloadを集約している組織が、そのdataを生成AIへ安全につなぐためのend-to-end基盤として見るのが適切です。
主な機能
企業データとAIを同じ基盤で接続
Lakehouse上のtable・document・feature等をAI applicationへつなぎやすい構成です。
Vector Search
Databricks data pipelineと連動したvector retrievalをRAG applicationへ組み込めます。
Model Serving
foundation modelからcustom modelまでserving endpointとして本番applicationへ提供できます。
Agent開発・評価
agentの構築だけでなく、trace・evaluation・iterationまで同じplatformで管理できます。
MLflow統合
experiment、model lifecycle、GenAI evaluation/tracingを既存MLOps workflowへ統合できます。
Unity Catalog
企業dataとAI assetに対するgovernance、権限、lineageを統合しやすい点が企業利用で重要です。
AI機能の詳細・制約はページ下部の「詳細情報」にまとめています
活用例
個人・一般
企業RAG
Lakehouse内のdocumentやbusiness dataをVector Searchで検索し、grounded assistantを構築する。
AIエージェント
企業data、retriever、model、toolを組み合わせた業務agentを開発・評価・配備する。
モデル本番配備
custom ML/AI modelやfoundation modelをserving endpointとしてapplicationへ提供する。
GenAI品質管理
MLflow tracing/evaluationでprompt・retrieval・responseを比較し、本番品質を改善する。
業務・組織
社内ナレッジAI
Databricksへ蓄積した企業dataを権限制御したままRAG assistantへ接続する。
データ分析Agent
business dataとAIを接続し、検索・分析・actionを組み合わせたagent workflowを構築する。
AI/ML共通運用基盤
data engineering、ML、GenAIを別々のtoolchainに分断せず、共通governance下で運用する。
料金
Mosaic AIの費用はDatabricksのcloud・region・edition・利用機能と消費量に依存します。
Model Serving、Foundation Model APIs、Vector Search等はそれぞれ課金unitや提供条件が異なるため、AI modelのtoken単価だけでなくDatabricks compute/serving/vector等を含むTCOで比較する必要があります。
無料の継続利用枠なし（有料プラン中心）
Model Serving / Foundation Model APIs
利用量・モデル別
inference方式、model、throughput等に応じた料金。最新単価はDatabricks公式Pricingを確認。
Vector Search
capacity / usage条件により異なる
endpoint/index構成と利用量に応じて費用が発生します。
Databricks Platform
cloud・edition・workload別
AI機能以外のcomputeやdata processingも含め、workspace全体の利用量で確認します。
公式 Pricing ページを開く料金確認：2026年8月27日
強み・弱み
強み
- 企業dataと生成AIを同一platformで接続しやすい
- Vector Search・Model Serving・evaluationをend-to-endで組み合わせられる
- MLflowによるAI/ML lifecycle管理と相性が良い
- Unity Catalogを使ったdata/AI governanceを統合できる
弱み
- Databricksを利用していない組織には導入範囲が大きい
- DBUやserving/vector等を含むcost構造の理解が必要
- 単純なLLM API利用だけならplatformが過剰になりやすい
- 機能更新が速くproduct名称・提供条件を継続確認する必要がある
比較・競合
迷うときの比較軸
- 企業データ連携
- Vector Search
- RAG
- Agent
- Model Serving
- MLflow
- 評価・Tracing
- Unity Catalog
- ガバナンス
- 料金
- 既存データ基盤との相性
Databricks Mosaic AI vs Snowflake Cortex AI
Snowflake Cortex AIはSnowflake内のdataをSQL/AI機能から活用する構成に強み。Mosaic AIはLakehouse、MLflow、Model Serving、Vector Search、agent開発までAI/ML lifecycleを広く統合します。
Databricks Mosaic AI vs Vertex AI
Vertex AIはGoogle Cloud全体のmodel/agent/ML platform。Mosaic AIはDatabricks Lakehouse上の企業dataとML/GenAI workflowの統合が中心です。
Databricks Mosaic AI vs Amazon Bedrock
BedrockはAWS上で複数foundation modelとRAG/Agentをmanaged serviceとして利用。Mosaic AIはdata engineering・analytics・MLflow・Unity Catalogまで含むDatabricks data platformとの一体運用が強みです。
Databricks Mosaic AI vs Microsoft Foundry
Microsoft FoundryはAzure/Microsoft ecosystemを軸にAI applicationを構築。Mosaic AIはLakehouseに蓄積した企業dataとAI/ML lifecycleを直接つなぐ構成に向きます。
THINKLABの結論
選定サマリーの判定を、選び方として整理したものです。
選ぶべき場合
Databricks上の企業dataをRAGやAI agentへ直接活用し、data engineering・ML・GenAIを共通governanceとMLflow lifecycleで本番運用したい場合。
別製品を選ぶべき場合
Databricksをdata platformとして利用しておらず、単純なmodel APIや小規模chat applicationだけが必要な場合。
確信度: high
詳細情報
導入判断の本線から外した補足です。必要な項目だけ開いてください。
AI機能の詳細
Foundation Model APIs / Model Serving
Databricks上のserving endpointからfoundation modelやcustom modelをapplicationへ提供し、real-time inferenceに利用します。
制約
対応model、throughput、pricing、region、endpoint方式は更新されるため採用時に公式documentationで確認が必要です。
Mosaic AI Vector Search
Delta/Lakehouse上の企業dataからvector indexを構築し、semantic retrievalをRAGやagentへ組み込みます。
制約
検索品質はembedding、chunking、metadata filter、index更新、source data品質に依存します。
AI Agent development
retriever、model、tool、business logicを組み合わせたagent applicationを構築し、Databricks上で評価・配備します。
制約
外部tool実行には権限境界、validation、human approval、監査設計が必要です。
MLflow Evaluation / Tracing
prompt、response、retrieval、agent trace等を記録し、品質評価・比較・debug・monitoringへ利用します。
制約
自動metricだけではbusiness固有の正しさを保証できず、人手評価や本番KPIとの併用が必要です。
Unity Catalog governance
data、model、AI assetへのaccess controlやlineageをDatabricksのgovernance layerで管理します。
制約
実際の権限設計はworkspace、catalog、external systemを含めたleast-privilege設計が必要です。
向き不向き（一覧）
こんな人におすすめ
- Databricksに企業データを集約している組織
- RAG・AI agentをdata platformと一体で構築したいAIチーム
- MLflowやUnity Catalogを既に利用している企業
- 生成AIと従来MLを同じMLOps/governance基盤で管理したい組織
おすすめしないケース
- 企業data基盤をDatabricksに置かず単一LLM APIだけを最小構成で利用したい用途
- data engineeringやMLOpsを必要としない小規模な非開発チーム
プラットフォーム / API
対応プラットフォーム
- Web
API
あり
セキュリティ / データの扱い
Mosaic AIはDatabricksのidentity/access control、Unity Catalog、network/security機能と組み合わせて企業AIを運用できます。
RAGやagentではsource data、model endpoint、toolの権限を分離し、least privilegeと監査可能性を設計することが重要です。
取扱い: data handling、model providerとのdata flow、retention、region、training利用条件は利用するDatabricks機能・model・cloud構成によって異なるため、契約と公式security/documentationを構成単位で確認してください。
学習・送信: 一律の条件として扱わず、利用model/providerとDatabricksの最新契約・documentationで確認してください。