KI-gestützte Analysen: Erstellung von Datenvisualisierungen mit natürlicher Sprache vs. SQL

Richard Tomlinson, der das Produktmarketing für die Business-Intelligence- und Analytics-Produkte von Databricks leitet, setzt sich seit vielen Jahren für Technologien ein, die Daten bändigen, um Menschen dabei zu helfen, bessere Entscheidungen zu treffen und Innovationen voranzutreiben. In diesem Gespräch erläutert er, wie Abfragen in natürlicher Sprache für Visualisierungen endlich mehr bieten können als SQL, wie sich sicherstellen lässt, dass KI-gestützte Analysen vertrauenswürdig sind, und warum der Geschäftskontext dabei entscheidend ist.

Warum Abfragen in natürlicher Sprache für Visualisierungen bisher hinter den Erwartungen zurückgeblieben sind

Abfragen in natürlicher Sprache für Visualisierungen gibt es bereits seit einem Jahrzehnt. Warum haben sie ihr Versprechen bisher nicht eingelöst?

Richard Tomlinson: Das Versprechen gibt es bereits seit den Anfängen der suchbasierten Analytik, aber es wurde bisher nicht erfüllt, weil die Systeme zwar die Frage verarbeiten, aber das Geschäft nicht verstehen konnten.

Frühere Generationen von NL-to-SQL behandelten das Problem als reine Übersetzung von Sprache in Schema – Wörter Spalten zuordnen, eine Abfrage generieren und ein Diagramm zurückgeben. Das funktioniert für einfache Abfragen, gerät aber angesichts der Komplexität von Unternehmensdaten schnell an seine Grenzen. In der Praxis gibt es oft teamübergreifend abweichende Definitionen derselben Kennzahl, mehrdeutige Joins zwischen Tabellen, Geschäftsregeln, die in den Köpfen der Mitarbeitenden statt in Metadaten verankert sind, und keine Möglichkeit zu entscheiden, welche Quelle maßgeblich ist, wenn zwei Zahlen voneinander abweichen.

Nicht die LLMs waren der Engpass, sondern der Kontext. Selbst als sich die Modelle drastisch verbesserten, rieten sie immer noch basierend auf unstrukturierten Tabellennamen und Spaltenüberschriften nach der Bedeutung. Genau deshalb konnte dieselbe zweimal gestellte Frage zwei unterschiedliche Antworten liefern.

Geändert haben sich nicht nur bessere Modelle, sondern die Erkenntnis, dass unter dem Sprachmodell eine verwaltete semantische Schicht erforderlich ist. Diese teilt dem Agenten mit, was „Umsatz“ für dieses spezifische Team bedeutet, welche Tabelle die zertifizierte Quelle ist, wie Geschäftsjahre definiert sind und welche Filter immer angewendet werden sollten. Ohne diese Schicht waren Abfragen in natürlicher Sprache lediglich eine Demo, die im Konferenzraum beeindruckte, bei echten Unternehmensdaten jedoch versagte.

Vertrauenswürdige Antworten für alle Nutzenden generieren

Natürliche Sprache hat KI-gestützte Analysen für alle zugänglich gemacht. Aber wie stellen Sie sicher, dass auch Nicht-Fachleute Antworten erhalten, denen sie vertrauen können?

Richard Tomlinson: Mehr Menschen zu befähigen, Fragen zu stellen, ist der einfache Teil. Die Herausforderung besteht darin, die Antworten so vertrauenswürdig zu machen, dass man darauf basierend handeln kann. Dafür müssen drei grundlegende Voraussetzungen erfüllt sein.

Erstens müssen die Daten selbst governed (ordnungsgemäß verwaltet) sein. Sie benötigen saubere, gut strukturierte Daten, die an den tatsächlichen Abläufen des Unternehmens ausgerichtet sind – mit unternehmensweit einheitlichen Kategorien, eindeutig definierten Datensätzen und ohne doppelte Kunden oder Produkte. Das Ganze muss durch feingranulare Zugriffskontrollen abgesichert sein, damit alle Nutzenden nur das sehen, wozu sie berechtigt sind.

Zweitens muss die Bedeutung dieser Daten explizit und maschinenlesbar sein – nicht versteckt in implizitem Erfahrungswissen oder den Tabellenkalkulationen einzelner Personen. Sie benötigen verwaltete Kennzahlendefinitionen, dokumentierte Geschäftsbegriffe, klar definierte Primär- und Fremdschlüsselbeziehungen sowie zertifizierte Quellen, die alle in einem System wie Unity Catalog registriert sind, wo ein KI-Agent zur Abfragezeit darauf zugreifen kann.

Drittens braucht es eine Vertrauens- und Überprüfungsschicht mit der Möglichkeit, jede KI-generierte Antwort bis zu den zugrunde liegenden Definitionen, Quellen und Berechtigungen zurückzuverfolgen. So können Fachanwendende nachvollziehen, warum das System eine bestimmte Antwort gegeben hat, und nicht nur, wie sie lautet. Das ist das Fundament von Genie One: verwaltete Daten, explizite Semantik und überprüfbare Herkunft. Ohne dies gibt man allen nur eine schnellere Möglichkeit, die falsche Antwort zu erhalten.

Wie semantisches Grounding die Spielregeln verändert

Was ist semantisches Grounding und wie trägt es zu effektiven sprachbasierten Datenvisualisierungen bei?

Richard Tomlinson: Semantisches Grounding ist der Prozess, die Interpretation einer Frage durch einen KI-Agenten an den tatsächlichen Geschäftsdefinitionen, -beziehungen und -regeln der Organisation zu verankern, anstatt das Modell die Bedeutung aus Spaltennamen ableiten und auf das Beste hoffen zu lassen.

In der Praxis bedeutet dies, dass der Agent noch bevor eine einzige Zeile SQL generiert wird, bereits weiß, dass beispielsweise „Nettoumsatz“ auf einer spezifischen, genehmigten Berechnung basiert, dass dieser aus einer zertifizierten Finanztabelle statt aus einer Marketing-Zusammenfassung bezogen werden sollte, dass Geschäftsquartale im Februar beginnen und dass Testversion-Nutzende von Kundenbindungsmetriken ausgeschlossen sind.

Bei Databricks bietet Genie Ontology eine einheitliche Kontextschicht, die explizit modelliertes Wissen – wie z. B. Kennzahlenansichten, verwaltete Seiten, Domänen und zertifizierte Quellen – mit Kontext kombiniert, der automatisch aus den tatsächlichen Arbeitsabläufen der Organisation gelernt wird. Dieser Kontext wird direkt aus Dashboards, Abfragen, Notebooks und anderen Unternehmensressourcen extrahiert.

Jeder gelernte Kontextbaustein, genannt Ontology Snippet, enthält eine Autoritätsbewertung, die auf seiner Quelle, Nutzungshäufigkeit, Aktualität und dem Zertifizierungsstatus basiert. Bei einer Abfrage bewertet ein Ranking-System konkurrierende Snippets sowohl nach Relevanz als auch nach Autorität, löst Konflikte und liefert nur den Kontext, den der Nutzende sehen darf.

Eine mit diesem Verfahren erstellte Visualisierung ist nicht nur ein ansprechendes Diagramm. Sie basiert auf denselben Definitionen und derselben Logik, die auch die Fachexpertinnen und -experten der Organisation verwenden würden – was den Unterschied zwischen einer plausiblen und einer vertrauenswürdigen Antwort ausmacht.

Gute Governance macht alles möglich

Welche Rolle spielt Governance beim erfolgreichen Erstellen von Datenvisualisierungen in natürlicher Sprache anstelle von SQL?

Richard Tomlinson: Governance ist die tragende Infrastruktur, die Analysen in natürlicher Sprache auf Unternehmensebene überhaupt erst möglich macht – und kein Compliance-Häkchen, das man nachträglich anbringt.

Wenn Fachanwendende eine Frage in natürlicher Sprache stellen, muss das System eine Reihe von Entscheidungen treffen, die die Antwort prägen. Dazu gehören die Auswahl der abzufragenden Tabellen, der zu verwendenden Joins und der anzuwendenden Kennzahlendefinitionen sowie die Bestimmung, welche Zeilen und Spalten eine bestimmte Person sehen darf. In einer SQL-Welt trifft diese Entscheidungen eine geschulte Analysefachkraft. In einer Welt der natürlichen Sprache trifft sie der KI-Agent. Das bedeutet, dass Governance jede Entscheidung des Agenten leiten muss und nicht erst im Nachhinein angewendet werden kann.

Unity Catalog bietet diese Grundlage mit feingranularen Zugriffskontrollen, benutzerspezifisch durchgesetzten Zeilenfiltern und Spaltenmasken, Zertifizierungssignalen, die dem Agenten mitteilen, für welche Assets die Organisation bürgt, sowie Veralterungsmarkierungen (Deprecation Flags), die den Agenten von veralteten Quellen fernhalten.

Governance erstreckt sich auch auf die semantische Schicht selbst. Ontology Snippets folgen denselben Unity Catalog-Berechtigungen wie die von ihnen beschriebenen Daten. So nutzt der Agent nur den Geschäftskontext, den der Nutzende sehen darf. Mit der richtigen Governance können Organisationen Self-Service-Analysen bedenkenlos für einen viel größeren Personenkreis öffnen, da die Schutzplanken (Guardrails) vom System durchgesetzt werden.

Gesprächsfäden auf Kurs halten

Wie behalten KI-gestützte Analysen den Kontext in einem laufenden Gespräch und bei Folgefragen im Blick?

Richard Tomlinson: Das ist eine der am unterschätztesten technischen Herausforderungen in der konversationellen Analytik und der Punkt, an dem die meisten NL-to-SQL-Systeme scheitern. Wenn ein Nutzender beispielsweise fragt: „Wie hoch war der Umsatz im letzten Quartal?“ und dann nachhakt: „Schlüssele das nach Region auf“, muss das System verstehen, dass sich „das“ auf die Kennzahl, das Zeitfenster und die Filter der vorherigen Abfrage bezieht, und diesen Kontext in seiner Antwort nutzen.

Genie behält den Gesprächskontext innerhalb eines Threads bei, indem es den Konversationsstatus verwaltet. Tabellen- und Spaltenmetadaten, von Agenten-Editoren bereitgestellte Anweisungen und der Kontext aus vorherigen Konversationsschritten fließen alle in die Interpretation der nächsten Frage ein. Wenn die Folgefrage mehrdeutig ist, kann Genie eine Klärungsfrage stellen, anstatt zu raten.

Genie kann auch auf frühere Gespräche zurückgreifen, um Antworten zu formulieren. Nutzende können sich auf frühere Ergebnisse beziehen („Erinnerst du dich, als wir letztes Quartal über ARR gesprochen haben? Lass uns das nach Regionen vertiefen“), und das System zieht diesen Kontext in die aktuelle Konversation, ohne dass die Nutzenden die Seite verlassen müssen.

Die Kombination aus semantischem Grounding und Gesprächsfilterung sorgt für konsistente Antworten, auch wenn Gespräche länger werden. Die Ontologie liefert stabile Definitionen, die über mehrere Dialogschritte hinweg bestehen bleiben, sodass „Umsatz“ im fünften Schritt genau dasselbe bedeutet wie im ersten. Währenddessen wählt das Konversationsmanagement relevanten Kontext aus, anstatt naiv alles anzuhängen, was irgendwann das Kontextfenster überfordern und zu Abweichungen führen würde, wie man sie aus weniger ausgereiften Systemen kennt.

Genie mit integrierter Governance in alltägliche Tools bringen

Wie können Organisationen Genie in die Apps und KI-Tools integrieren, die ihre Teams bereits nutzen, und wie werden Datenzugriffsrechte durchgesetzt?

Richard Tomlinson: Databricks bietet mehrere Möglichkeiten zur Integration. Die Genie Conversation API ermöglicht es Entwicklern, Datenabfragen in natürlicher Sprache direkt in ihre eigenen Anwendungen, Chatbots und Agent-Frameworks einzubetten. Über die API können Benutzer Fragen stellen, generierten SQL-Code und Abfrageergebnisse abrufen und Antworten in mehrstufigen Unterhaltungen erhalten, die den vorherigen Kontext berücksichtigen.

Organisationen können Genie auch über die KI-Assistenten nutzen, auf die sie sich bereits verlassen, wie Claude, ChatGPT, Microsoft Copilot oder Cursor, und zwar über den Genie One MCP-Server. Die Antworten verwenden dieselben Geschäftsdefinitionen und Datenberechtigungen wie innerhalb von Databricks.

Genie-Agenten können auch in andere Anwendungen eingebettet werden, wobei die Berechtigungen erhalten bleiben. Abfragen werden auf einem SQL Warehouse mit Anmeldeinformationen ausgeführt, die vom Agent-Autor eingerichtet wurden, aber Unity Catalog bestimmt basierend auf den Zugriffsrechten, was jeder Endbenutzer sehen kann. Zeilenfilter, Spaltenmasken und Berechtigungen auf Tabellenebene gelten jeweils pro Benutzer.

Das empfohlene Authentifizierungsmuster für externe Integrationen ist On-Behalf-Of (OBO) OAuth, bei dem der externe Assistent im Namen des Benutzers handelt und Genie die Berechtigungen dieser Person auf jede Anfrage anwendet. So können zwei Personen demselben Chatbot dieselbe Frage stellen und angemessene Antworten erhalten, die sich nur auf die Daten beziehen, die sie sehen dürfen – ohne spezielle Einrichtung für jeden Benutzer.

Eine reine Datenbankverbindung übergibt einfach nur Daten. Eine Governed-Analytics-Integration steuert, wer welche Metriken sieht und wie diese berechnet werden.

Das Versprechen von Analytics in natürlicher Sprache einlösen

Analytics in natürlicher Sprache hat lange versprochen, dass jeder eine Frage stellen und eine Datenvisualisierung erhalten könnte. In der Realität waren die Ergebnisse oft nicht verlässlich genug, um darauf basierend zu handeln. Da die KI Entscheidungen übernimmt, die traditionell von Analysten getroffen wurden, wird der zugrundeliegende Kontext entscheidend. Vertrauenswürdige Antworten hängen von governed Daten, gemeinsamen Definitionen, klaren Berechtigungen und einer Möglichkeit ab, zu überprüfen, wie jede Antwort generiert wurde. Systeme müssen außerdem den Kontext im Verlauf von Unterhaltungen nachverfolgen und KI-gestützte Analysen in die Tools bringen, die Mitarbeiter bereits verwenden. Mit dieser Grundlage können Organisationen ihren Mitarbeitern im gesamten Unternehmen vertrauensvollen Zugriff auf Analysen gewähren – wo auch immer sie arbeiten –, damit sie fundierte Entscheidungen treffen können.

Erfahren Sie, wie Genie geschäftliche Fragen in governed Antworten und Aktionen verwandelt.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag