Dataplattform 2026 – lakehouse, data mesh eller Microsoft Fabric?

Valet av dataplattformsarkitektur är 2026 ett av de mest strategiska beslut ett teknikdrivet bolag fattar. Tre huvudspår dominerar diskussionen: lakehouse (Databricks, Iceberg, Snowflake), data mesh (domänägda dataprodukter med federerad styrning) och Microsoft Fabric (Microsofts samlade dataplattform). De representerar tre olika svar på samma grundfråga – hur får vi data från källa till insikt på ett sätt som skalar – men de passar olika organisationer, olika mognadsgrader och olika budgetar.

Den här guiden går igenom de tre arkitekturerna ärligt, med särskilt fokus på svensk kontext: GDPR-krav, den dominerande Azure-närvaron och de TCO-kalkyler som faktiskt spelar roll för medelstora svenska bolag. Jag arbetar med dataplattformar inom vår dataplatttformstjänst, och mitt råd är alltid detsamma: välj arkitektur utifrån er organisation, inte utifrån vad som är trendigast.

Lakehouse: Databricks, Iceberg, Snowflake

Lakehouse-arkitekturen slår ihop det bästa från data lake (billig lagring för all typ av data) och data warehouse (strukturerade frågor med hög prestanda). Grunden är ett öppet tabellformat som Apache Iceberg eller Delta Lake, som ger transaktionsgarantier och time travel direkt på billig objektlagring.

Styrkan är flexibilitet. Ni kan lagra allt från strukturerade affärstransaktioner till ostrukturerad logg- och bilddata i samma lager, och bearbeta det med allt från SQL i en notebook till strömmande pipelines i Spark. För bolag med datavetare som vill experimentera, eller med mixade datatyper som inte enkelt passar i ett traditionellt warehouse, är lakehouse ofta rätt väg. Databricks och Snowflake är de ledande plattformarna, och båda körs på Azure, AWS och GCP.

TCO för ett lakehouse på Azure med Databricks eller Snowflake landar ofta på 200 000–600 000 kr per år för ett medelstort bolag, beroende på datavolym och beräkningsbehov. Den öppna arkitekturen gör att ni inte låses in hos en leverantör – Iceberg-tabeller går att flytta mellan plattformar.

Data mesh: domänägda dataprodukter

Data mesh är inte en teknik utan en organisatorisk princip. I stället för att ett centralt datateam äger all datainfrastruktur, äger varje affärsdomän sina egna dataprodukter och exponerar dem för andra domäner via standardiserade API:er. Ett centralt team ansvarar för federerad styrning: gemensamma standarder för hur data beskrivs, hur den görs tillgänglig och hur kvaliteten säkerställs.

Data mesh passar organisationer där flera affärsdomäner har tydligt eget ansvar och där det centrala datateamet blivit en flaskhals. I en svensk kontext har data mesh fått fäste främst i större bolag med många affärsområden – banker, försäkringsbolag och retailkedjor – där varje division har sin egen datalogik och sina egna regulatoriska krav.

Nackdelen är att data mesh kräver en relativt hög mognadsgrad. Varje domän måste kunna äga och förvalta sina dataprodukter, vilket förutsätter både kompetens och verktyg. För ett mindre bolag med ett enda datateam är data mesh ofta för tungt – lakehouse eller en hanterad plattform som Fabric ger mer värde snabbare.

Microsoft Fabric: växande i Sverige

Microsoft Fabric är den mest integrerade plattformen och den som växer snabbast i Sverige 2026, mycket tack vare Microsofts dominans i den svenska enterprise-marknaden. Fabric samlar lakehouse, warehouse, realtidsanalys, Power BI:s semantiska lager, och AI-funktioner i en enda miljö med en gemensam lagringsyta (OneLake). För bolag som redan sitter i Azure och Microsoft 365 är integrationen omedelbar: datan hamnar där Power BI och Copilot redan finns.

• Lägst tröskel: om ni redan kör Azure och Power BI är Fabric det mest naturliga nästa steget. Det kräver inget nytt moln eller nya leverantörsrelationer.
• OneLake: en enda lagringsyta för hela organisationen, med öppna format så att data inte låses in. Delta Parquet under huven.
• Kapacitetsbaserad prissättning: som för Power BI Premium, vilket ofta är kostnadseffektivt för bolag som redan har Power BI-kapacitet.

TCO för Microsoft Fabric i ett medelstort svenskt bolag landar på 150 000–400 000 kr per år i kapacitetskostnad, beroende på volym och antal användare. Tillkommer gör kompetens och implementering, men den totala ägandekostnaden är ofta lägre än lakehouse-alternativen, särskilt om ni redan är Microsoft-kunder.

När välja vad?

Det finns inget universellt rätt svar, men tydliga tendenser utifrån bolagets storlek, tech stack och mognad. Är ni ett mindre bolag med begränsat datateam och redan i Azure, är Microsoft Fabric ofta det mest pragmatiska valet – lägst tröskel, bra integration och en kostnadsbild som går att förutsäga. Har ni datavetare som vill experimentera och jobba i notebooks, eller hanterar ni stora volymer ostrukturerad data, lutar det åt ett lakehouse med Databricks eller Snowflake. Är ni en större organisation med flera tydliga affärsdomäner och mognaden att äga dataprodukter själva, kan data mesh vara rätt väg – men börja i så fall med en pilotdomän innan ni breddar.

Vanliga misstag jag ser

Det absolut vanligaste misstaget är att välja arkitektur innan ni förstått era verkliga databehov. Ett lakehouse låter modernt men är fel om era analytiker bara behöver enkla SQL-frågor mot strukturerad data. Data mesh är för tungt om ni har ett team som redan är en flaskhals – då behöver ni tvärtom stärka det centrala teamet först. Och Fabric är inte rätt om ni inte redan är Microsoft-kunder – då betalar ni för integrationer ni inte utnyttjar.

Det andra vanliga misstaget är att bygga för en framtida skala ni inte har. En lakehouse-arkitektur med öppna format är framtidssäker, men att implementera full data mesh med tjugo domäner innan ni har två är att bygga en motorväg innan ni har bilar. Börja enkelt, väx efter behov. Den principen är central i vår dataplattformstjänst.

Relaterat

• dbt vs SQLMesh 2026: Modern transformation-lager för Snowflake/BigQuery
• Data mesh i praktiken: Domänägarskap, federated governance och svenska bolag
• Snowflake vs BigQuery vs Databricks 2026: Jämförelse för svenska bolag

Exempel på hur vi byggt dataplattformar med olika arkitekturval finns i casebook.

Vill du ta det vidare?

Jag hjälper svenska bolag att välja rätt dataplattformsarkitektur – lakehouse, Fabric eller data mesh – utifrån era verkliga behov och er budget. Boka ett samtal så går vi igenom er datasituation.