Semantik für KI erschließen: Wie Mercedes-Benz Korea vertrauenswürdiges „Talk to Data“ im großen Stil aufbaute

„Talk to Data“ entwickelt sich branchenübergreifend rasant zu einer wichtigen Funktion. Um diese in Enterprise-Qualität bereitzustellen, ist ein starkes semantisches Fundament erforderlich. Die Zuverlässigkeit der Antworten ist am höchsten, wenn die AI auf eine klar geregelte Business-Logik zugreifen kann, anstatt sie aus komplexen Schemata, berichtsspezifischer KPI-Logik oder isolierten Dashboards abzuleiten. Konsistente KPI-Definitionen, eine abgestimmte Business-Logik sowie klar definierte Joins und Aggregationen liefern Führungskräften genau die erklärbaren Antworten, die sie benötigen.

Mercedes-Benz Korea und Databricks haben dies gemeinsam in Angriff genommen. Anstatt „Talk to Data“ als reines Chatbot-Projekt zu betrachten, hat Mercedes-Benz Korea seine bestehende Analytics-Basis um eine geregelte semantische Ebene für Enterprise-AI erweitert. Um eine Semantik zu ermöglichen, die sowohl BI als auch AI unterstützt, hat Mercedes-Benz Korea die KPI-Logik neben Power BI auch in Unity Catalog Business Semantics verfügbar gemacht. Auf Basis von Metric Views, Genie und Agent Bricks auf der Databricks Data Intelligence Platform hat Mercedes-Benz Korea eine einheitliche Architektur für Daten, Semantik und agentenbasierte AI pilotiert. Die Erkenntnisse aus dem Pilotprojekt in Korea können als Referenz für andere Mercedes-Benz-Märkte dienen.

Die Vision von Mercedes-Benz Korea für „Talk to Data“: Einheitliche Semantik für BI und AI

Mercedes-Benz ist ein Marktführer im High-End-Luxusautomobilsegment und betreibt ein globales Vertriebsnetz, in dem datengestützte, marktspezifische Entscheidungen eine permanente Priorität darstellen. Die Self-Service-Analytics-Funktion „Talk to Data“ ist eine der Möglichkeiten, die untersucht werden, um diese Priorität weiter zu unterstützen.

Mercedes-Benz Korea verfügt über ein ausgereiftes Datenfundament. Im Laufe der Zeit hat Mercedes-Benz Korea Reporting-Daten im Gold-Layer, einen Master-KPI-Katalog und gemeinsame Definitionen im Lakehouse und in Unity Catalog auf Databricks etabliert. Dieses Fundament dient als Single Source of Truth für BI-Reporting, Automatisierung und andere Datenprodukte und deckt mehr als 500 KPIs in Geschäftsbereichen wie Vertrieb, Produkt, Marketing, Kundenservice und Finanzen ab. Angesichts dieses Fundaments wurde Mercedes-Benz Korea ausgewählt, um den „Talk to Data“-Ansatz im Rahmen eines Pilotprojekts zu testen.

Gleichzeitig war ein erheblicher Teil der Business-Semantik bei Mercedes-Benz Korea in Power BI definiert. Im Zuge der Vorbereitung auf AI-Anwendungsfälle wurden diese Definitionen durch eine offene, AI-fähige semantische Ebene im Lakehouse ergänzt.

Die übergeordnete Vision von Mercedes-Benz Korea für „Talk to Data“ bestand darin, ein einheitliches, AI-fähiges und geregeltes semantisches Fundament für Unternehmensentscheidungen zu schaffen, das Reporting, Self-Service-Analytics und AI-Anwendungen auf Basis konsistenter Geschäftsdefinitionen unterstützt. Im Einklang mit dieser Vision betrachtete Mercedes-Benz Korea „Talk to Data“ nicht als Migration weg von Power BI, sondern verfolgte drei Hauptziele:

• Konsistenter Kontext für AI: Die Business-Logik und die KPIs waren bereits auf zwei Ebenen definiert: in der DAX-Sprache von Power BI für das Reporting und in kuratierten Silver- und Gold-Tabellen im Lakehouse, die für die Nutzung durch AI bereitstanden. Der nächste Schritt besteht darin, den semantischen Kontext von BI-Berichten nach Unity Catalog zu verlagern, um die bestehenden Datenprodukte im Lakehouse zu bereichern. Dadurch können Genie und andere AI-Agenten an einem zentralen Ort auf alle KPI-Definitionen zugreifen, sodass dieselbe Frage – beispielsweise „Wie hoch ist unser gesamter Einzelhandelsumsatz MTD nach Fahrzeugklasse?“ – über alle AI-Anwendungen hinweg konsistente Antworten liefert.
• Architektur, die sich in Richtung agentenbasierter AI entwickelt: Mercedes-Benz Korea verfügt über einen ausgereiften BI-Stack, der Databricks für Data Engineering und Warehousing mit Power BI für semantische Modellierung und Reporting kombiniert. Der nächste Schritt in dieser Entwicklung besteht darin, diesen um eine einheitliche, AI-fähige semantische Ebene auf Basis der Business-Logik aus den BI-Berichten zu erweitern, sodass nachgelagerte BI-Tools und AI-Agenten mit denselben geregelten KPIs arbeiten können.
• Vom Reporting-Nutzer zu persona-basierten Agenten: Die Governance für Endnutzer auf Tabellen- und Berichtsebene war bereits als Teil der bestehenden Dateninfrastruktur vorhanden. Der nächste Schritt besteht darin, diese Governance um eine persona-basierte Zugriffskontrolle in Unity Catalog und Orchestrierungsregeln für Persona-Agenten zu erweitern, sodass Rollen wie der CFO oder der Sales VP eine auf ihre Bereiche zugeschnittene Agenten-Erfahrung erhalten, ohne die zugrunde liegende Business-Semantik zu ändern.

Die Befolgung dieser Prinzipien unterstützt das Ziel, dass zukünftige AI- und BI-Tools dieselbe validierte Business-Logik nutzen können. Dies trägt zur Konsistenz, Erklärbarkeit und Antwortqualität bei, die für den Einsatz im Unternehmen erforderlich sind.

Eine einheitliche Architektur für Daten, Semantik und AI

Um eine AI-fähige Semantik zu ermöglichen, hat Mercedes-Benz Korea „Talk to Data“ mit einer einheitlichen Architektur auf der Databricks Data Intelligence Platform implementiert und ermöglicht so vertrauenswürdige AI im großen Stil.

Die Lösung basiert auf dem Zusammenspiel verschiedener Databricks-Funktionen:

1. Lakeflow und Lakehouse führen Unternehmensdaten aus verschiedenen Quellsystemen zusammen und bereiten sie für BI- und AI-Workloads vor.
2. Unity Catalog Business Semantics dienen als Single Source of Truth für KPIs und übersetzen Power BI DAX-Measures in Metric Views: Quellen, Joins, Measures, Dimensionen, Kommentare und Synonyme befinden sich alle direkt bei den Daten und unterliegen denselben Berechtigungen wie die zugrunde liegenden Tabellen.
3. Genie Spaces ermöglichen es Businessteams, mit ihren Daten zu „sprechen“. Genie Spaces sind nach Geschäftsbereichen organisiert und basieren jeweils auf einer kuratierten Auswahl an Metric Views. Da KPIs in Metric Views direkt auf den Daten des Gold-Layers definiert sind, muss Genie keine Vermutungen anstellen oder komplexe Joins berechnen, um die richtigen Antworten zu finden. Dies erhöht sowohl die Geschwindigkeit als auch die Genauigkeit der Antworten.
4. Agent Bricks erstellt persona-basierte Agenten auf Basis mehrerer Genie Spaces, sodass der CFO, der Sales VP und der Marketingleiter jeweils eine auf ihre Rolle abgestimmte „Talk to Data“-Erfahrung erhalten.
5. Databricks Apps bietet ein benutzerdefiniertes Frontend, Verbindungen zu externen Diensten und andere erweiterte Funktionen für zusammengestellte Agenten, wobei Speicher und Zustand in Lakebase gesichert werden.

Vor diesem Pilotprojekt wurden Reporting-Daten im Hive-Metastore gespeichert, und „Talk to Data“ wurde mit anderen AI-Lösungen untersucht, die auf berichtszentrierter Semantik in Power BI-Berichten basierten. In diesem Setup war der semantische Kontext für BI und AI über mehrere Komponenten verteilt, was es für die AI-Ebene erschwerte, die Semantik über verschiedene Nutzer und Workloads hinweg konsistent zu erfassen. Auch eine persona-basierte Zugriffskontrolle für KPIs war noch nicht verfügbar, und andere AI-Lösungen erforderten eine explizitere Anleitung und mehr Prompt-Tuning als Genie, das direkt auf der geregelten KPI-Ebene in Unity Catalog arbeitet.

Die Einführung dieser Architektur auf Databricks bildet das Fundament für eine optimierte „Talk to Data“-Erfahrung für Geschäftsanwender.

Beschleunigung des Pilotprojekts: Ein automatisierter DAX-to-Metric-View-Transpiler

Die Bereitstellung der Business-Logik aus Power BI DAX auch in Metric Views von Unity Catalog war ein entscheidender Schritt beim Aufbau einer offenen semantischen Ebene. Da bei Mercedes-Benz Korea über 500 KPIs in DAX definiert sind, war ein effizienter und standardisierter Ansatz erforderlich. Um dies zu unterstützen, hat Databricks einen automatisierten DAX-to-Metric-View-Transpiler für das Team von Mercedes-Benz Korea entwickelt.

Der Transpiler läuft als Pipeline, die Power BI DAX-Measures in einsatzbereite Databricks Metric Views umwandelt. Er:

• Analysiert semantische Modelle von Power BI und extrahiert jedes DAX-Measure.
• Erstellt einen Metadatenkatalog (z. B. Faktentabellen, Dimensionstabellen, Join-Beziehungen, Join-Keys usw.) für jedes aus den semantischen Power BI-Modellen extrahierte Measure.
• Ordnet die Quelltabellen jedes Measures ihren Gegenstücken in Unity Catalog zu.
• Generiert Entwürfe für Metric-View-Definitionen (Quelle, Joins, Dimensionen, Measures) und übersetzt dabei die DAX-Semantik in Metric-View-Measures sowie die ausführungsbereiten SQL-Anweisungen, die die Metric Views erstellen.
• Kennzeichnet nicht automatisierbare Measures – in der Regel solche mit komplexen DAX-spezifischen Funktionen wie der Bearbeitung von Zeilenkontexten – für eine manuelle Überprüfung.
• Validiert die Syntax und Aggregationslogik vor dem Kompilieren von Metric Views.

Nach Abschluss der Pipeline wird ein Evaluierungsbericht mit Konvertierungsstatistiken, Lücken und Behebungsstrategien für die nicht automatisierbare Konvertierung von DAX-Measures erstellt.

Das Ergebnis ist ein hervorragender Ausgangspunkt mit direkt einsatzbereiten Metric Views für automatisierbare DAX-Measures, was Hunderte von Stunden manueller Arbeit bei der semantischen Migration einspart. Von dort aus validiert das Team jedes Measure anhand des entsprechenden Power BI-Berichts und arbeitet iterativ mit Genie Code, um die Definitionen der Metric Views auf Basis von natürlicher Sprache zu verfeinern und zu optimieren.

Nach den ersten Erfolgen mit diesem Transpiler hat Databricks diese Funktionen in einen neuen Genie Code-Skill für die Power BI-Migration integriert. Dieser befindet sich derzeit in der Private Preview, ist direkt in Genie Code ohne zusätzliche Tools zugänglich und unterstützt den weiteren Rollout bei Mercedes-Benz.

Vertrauenswürdige, AI-bereite Semantik aufbauen

Die Antwortqualität hat für die geschäftlichen Nutzer von „Talk to Data“ bei Mercedes-Benz Korea oberste Priorität. Das Onboarding von KPIs als Metric Views in Genie Spaces ist ein wichtiger Schritt, garantiert aber allein noch keine zuverlässigen Antworten von einer agentischen AI. Ein Metric View ist erst dann AI-ready, wenn die Antworten von Genie validiert wurden. Das interne Ziel für Mercedes-Benz Korea ist die vollständige Abstimmung der Antworten von Genie mit den entsprechenden Power BI-Berichten – eine 100-prozentige Übereinstimmung für jeden relevanten KPI.

Während des Pilotprojekts haben Mercedes-Benz Korea und Databricks gemeinsam Best Practices für das Kuratieren, Integrieren und Optimieren von Metric Views und Genie Spaces dokumentiert, einschließlich der Verwendung von Agenten-Metadaten und Benchmarks. Diese Praktiken unterstützen eine AI-bereite Business-Semantik und konsistente Antworten für Geschäftsteams, die mit Unternehmensdaten interagieren.

Nach einem iterativen Fünf-Phasen-Prozess, der während des Pilotprojekts dokumentiert wurde, hat Mercedes-Benz Korea eine AI-bereite Business-Semantik auf der Databricks Data Intelligence Platform aufgebaut, auf die sich die geschäftlichen Nutzer verlassen können. Databricks entwickelt außerdem eine App-Lösung zur Automatisierung dieses Prozesses, die Mercedes-Benz für den weiteren Rollout nutzen könnte.

Phase 1: Vorbereiten. Wählen Sie die zu integrierenden KPIs aus und ordnen Sie jeden einzelnen seinen Quelltabellen in Unity Catalog zu. Identifizieren Sie für semantische Power BI-Migrationen die relevanten DAX-Measures und semantischen Modelle. Diese Phase legt den Umfang und die Single Source of Truth fest.

Phase 2: Aufbau der semantischen Schicht. Erstellen Sie Unity Catalog Metric Views mit Datenquellen, Dimensionen, Measures, Kommentaren und Agenten-Metadaten. Validieren Sie jeden KPI einzeln, bevor Sie den nächsten hinzufügen. Erstellen Sie für KPIs, die sich über mehrere Faktentabellen erstrecken, zuerst eine Basisansicht und legen Sie den Metric View darüber. Fügen Sie immer Beschreibungen auf der Ebene von Metric View, Dimension und Measure hinzu; Genie berücksichtigt alle drei.

Phase 3: Nach Domänen organisieren, nicht nach Berichten. Strukturieren Sie Genie Spaces um Geschäftsdomänen (z. B. „Marketing“) und Metric Views um KPI-Gruppen innerhalb von Unterdomänen (z. B. „Online Marketing Conversion Metrics“). Begrenzen Sie jeden Genie Space auf 30 Unity Catalog-Elemente und fügen Sie immer eine Beschreibung des Space hinzu, damit ein Multi-Agenten-System Fragen korrekt weiterleiten kann.

Phase 4: Inkrementell testen. Integrieren Sie Measures schrittweise. Validieren Sie jedes mit Beispielfragen. Speichern Sie verifizierte Abfragen als Beispiel-SQL. Erstellen Sie dann Benchmarks: Formulierungsvarianten jeder Frage gepaart mit der Ground-Truth-SQL, um die Antwortgenauigkeit systematisch zu messen. Aktivieren Sie das Prompt-Matching, damit Genie die Benutzersprache den tatsächlichen Datenwerten zuordnen kann.

Phase 5: Validieren und freigeben. Führen Sie nach jeder Änderung Regressionstests durch. Wenn ein zuvor erfolgreicher Benchmark fehlschlägt, ist die jüngste Änderung die wahrscheinlichste Ursache. Sobald das System stabil ist, stellen Sie es einer kleinen Gruppe von geschäftlichen Nutzern zur Verfügung, um praktisches Feedback zu erhalten. Verwenden Sie den Tab „Monitor“, um das gesamte Benutzerfeedback an einem zentralen Ort zu verfolgen, zu überprüfen und zu bearbeiten. Sowohl Regressionsfehler als auch Benutzerfeedback fließen direkt wieder in Phase 4 ein.

Das Ergebnis ist eine semantische Schicht, in der die AI-Antworten mit dem entsprechenden BI-Bericht für jeden relevanten KPI übereinstimmen, was die von geschäftlichen Nutzern erwartete Zuverlässigkeit unterstützt.

Von einem einzelnen Genie Space zu einem Multi-Agenten-System mit integrierter Governance

Ein einzelner Genie Space kann Fragen zu einer einzelnen Domäne beantworten. Ein echtes „Talk to Data“-Erlebnis für einen Mercedes-Benz-Markt muss Vertrieb, Produkt, Marketing, Kundenservice, Finanzen und mehr umfassen – und gleichzeitig das, was jede Persona sieht, an deren Rolle und Berechtigungen anpassen.

Hier kommt Agent Bricks ins Spiel. Die von Mercedes-Benz Korea bereitgestellte Architektur:

• Ein übergeordneter Supervisor-Agent leitet jede Frage an einen Persona-Agenten mit rollenspezifischen Anweisungen weiter.
• Der Persona-Agent (z. B. „CFO“, „Sales Manager“, „Marketing Analyst“) konsolidiert Erkenntnisse aus den entsprechenden Genie Spaces über relevante Domänen hinweg und wählt den passenden Umfang an Metric Views aus, um die Frage zu beantworten.
• Unity Catalog-Governance-Richtlinien erzwingen den Zugriff auf Zeilen- und Spaltenebene, sodass ein Regionalleiter nur die Daten sieht, die seine Rolle zulässt, selbst wenn er Fragen in natürlicher Sprache stellt.
• Die Agenten werden über Databricks Apps mit einem benutzerdefinierten Frontend und erweiterten Funktionen wie personalisierten Visualisierungen, Agentenspeicher und transaktionalen Datenbanken auf Lakebase bereitgestellt. Die App ermöglicht es auch, die zusammengestellten Agenten in die Tools und Dienste zu integrieren, die geschäftliche Nutzer bereits verwenden, sodass „Talk to Data“ direkt in ihren täglichen Arbeitsablauf integriert ist und kein separates Ziel darstellt.

Da die Metric Views in Unity Catalog liegen, sind sie offen und über alle Genie Spaces, Agenten und Apps hinweg wiederverwendbar. Jede Antwort ist vollständig gesteuert, prüfbar und lässt sich über die Lineage bis zu den Quelldaten zurückverfolgen. Dieses Multi-Agenten-Muster kann als Referenz dienen, um „Talk to Data“ in weitere Mercedes-Benz-Märkte einzuführen.

Skalierung des Pilotprojekts: Ein wiederholbares Playbook für globale Märkte

Korea steht noch am Anfang dieser Reise, und die ersten Ergebnisse sind ermutigend. Das aktuelle Pilotprojekt zeigt: Wenn „Talk to Data“ auf einer gesteuerten Semantik basiert, erhalten geschäftliche Nutzer Antworten, die mit etablierten KPI-Definitionen und der bestehenden Berichtslogik übereinstimmen. Basierend auf diesen Ergebnissen hat Mercedes-Benz Korea ein Playbook dokumentiert, das andere Märkte wiederverwenden können:

1. Marktdaten aus globalen und lokalen Quellsystemen in Unity Catalog integrieren.
2. Lakeflow Spark Declarative Pipelines erstellen, um Berichtsdaten auf Gold-Ebene zu kuratieren.
3. Datenqualität und KPI-Dokumentation auf der Gold-Ebene etablieren.
4. Den DAX-to-Metric-View-Transpiler ausführen, um erste Entwürfe semantischer Modelle zu generieren.
5. Metric Views mit dem Mercedes-Benz Master-KPI-Katalog validieren.
6. Genie Spaces mithilfe des oben beschriebenen Fünf-Phasen-Prozesses erstellen, testen und optimieren.
7. Persona-Agenten mit Agent Bricks auf Genie und Unity Catalog bereitstellen.
8. Benutzerdefinierte Agenten in Databricks Apps oder Drittanbieter-Tools einbetten, also dort, wo die Benutzer bereits arbeiten.

Märkte, die sich für die Übernahme des Playbooks entscheiden, können die Architektur wiederverwenden und sich auf das konzentrieren, was für sie lokal relevant ist: ihre Daten, ihre KPIs und ihre AI-Agenten. Gemeinsam mit Databricks dokumentiert Mercedes-Benz Korea die Erkenntnisse aus dem „Talk to Data“-Pilotprojekt, die als Referenz für andere Mercedes-Benz-Märkte dienen können.

Erste Schritte

• Nehmen Sie an der Session von Mercedes-Benz Korea + Databricks auf dem Data + AI Summit 2026 teil, in der wir die Architektur und das Playbook für AI-bereite Semantiken im Detail vorstellen.
• Entdecken Sie Unity Catalog Business Semantics, Metric Views, Genie und Agent Bricks, um mit dem Aufbau vertrauenswürdiger agentischer AI auf einer einheitlichen Semantik zu beginnen.

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