Was ist KI-Analytik? Warum sie nur auf kontrollierten Daten funktioniert

AI-Analytik ist die Praxis, Künstliche Intelligenz und Machine Learning auf die Datenanalyse anzuwenden. Dadurch können Systeme Muster erkennen, Erkenntnisse gewinnen und Fragen in natürlicher Sprache beantworten, ohne dass Abfragen manuell erstellt werden müssen. Sie verlagert die Analytik von retrospektiven Dashboards hin zu automatisierten, dialogorientierten und prädiktiven Workflows, auf deren Basis ein breiterer Kreis von Geschäftsanwendern direkt handeln kann.

Jeder BI-Anbieter kann heute eine Abfrage in natürlicher Sprache demonstrieren. Eine Frage stellen, ein Diagramm erhalten, Eindruck schinden. Die schwierigere Frage, die eine kategorieprägende Plattform von einer guten Demo unterscheidet, ist: Was passiert, wenn dasselbe System auf ein echtes Unternehmen trifft? Widersprüchliche Metrikdefinitionen, fünf Tabellen, die die Frage plausibel beantworten könnten, und ein Benutzer, der technisch gesehen die Hälfte der zugrunde liegenden Daten gar nicht sehen dürfte.

Richard Tomlinson leitet das Produktmarketing für die Business-Intelligence- und Analytik-Produkte von Databricks. In diesem Gespräch haben wir darüber gesprochen, was sich ändert, wenn BI AI-native wird, warum Governance bei AI an Bedeutung gewinnt statt verliert und was eine Daten-Führungskraft Anbieter fragen sollte, anstatt sich danach zu erkundigen, welches Foundation Model sie verwenden.

Wie unterscheidet sich AI-Analytik von traditioneller BI?

BI konnte schon immer zeigen, was passiert ist. Was ist bei AI-Analytik tatsächlich anders, und warum ist sie mehr als nur BI mit einem aufgesetzten Chatbot?

Richard Tomlinson: Gute BI hat Menschen schon immer geholfen, mehr zu verstehen als nur das, was passiert ist. Die eigentliche Einschränkung besteht darin, dass traditionelle BI in der Regel einen Menschen erfordert, der den analytischen Pfad beschreitet. Jemand muss entscheiden, welches Dashboard geöffnet, welche Filter angewendet, in welche Dimensionen tiefer eingestiegen werden soll, welche Folgeabfrage ausgeführt werden muss und oft auch, wann ein Analyst hinzugezogen werden sollte.

AI-Analytik ändert, wer diese Arbeit erledigt. Anstatt eine vordefinierte Ansicht der Daten zu präsentieren, kann ein AI-gestütztes System die Absicht hinter einer geschäftlichen Frage verstehen, bestimmen, welche Daten und welcher geschäftliche Kontext relevant sind, die erforderlichen Abfragen generieren und ausführen und zunehmend eine mehrstufige Untersuchung im Namen des Benutzers durchführen.

Bei diesem letzten Teil wird agentenbasierte Analytik wichtig. Wenn ich frage: „Warum ist die Marge im Nordosten im letzten Quartal gesunken?“, muss ein agentenbasiertes System dies nicht in eine einzige SQL-Abfrage übersetzen und ein Diagramm ausgeben. Es kann Hypothesen aufstellen, den Produktmix, Rabatte, Kundensegmente oder Kosten untersuchen, aus jedem Ergebnis lernen und die Erkenntnisse zu einer Erklärung zusammenfassen.

Die Entwicklung sieht also in etwa so aus:

• Dashboards: Zeigen mir, was wir bereits zu messen beschlossen haben.
• Conversational Analytics: Lassen mich eine neue Frage stellen.
• Agentenbasierte Analytik: Untersucht die Frage für mich.

Das ist eine weitaus grundlegendere Veränderung, als ein Chat-Fenster auf ein Dashboard zu setzen.

Wenn Dashboards also zeigen, was passiert ist, was bringt diese Untersuchung dann ans Licht? Was kann eine AI-gestützte Analytik einem Entscheidungsträger mitteilen, was ein Dashboard niemals könnte?

Richard Tomlinson: Die größte Veränderung ist der Übergang von der Beobachtung zur Untersuchung. Ein Dashboard zeigt einem Einzelhändler vielleicht, dass die Bruttomarge um drei Punkte gesunken ist. Das ist nützlich, lässt den Entscheidungsträger aber immer noch nach dem Warum fragen.

Ein AI-gestütztes System kann untersuchen, ob sich der Rückgang auf bestimmte Filialen, Produkte oder Kundensegmente konzentriert, prüfen, ob sich die Rabatte geändert haben, feststellen, ob sich der Produktmix verschoben hat, den zeitlichen Ablauf mit Werbeaktionen oder Lieferantenwechseln vergleichen und diese Ergebnisse zu einer Erklärung zusammenfassen. Das wertvolle Ergebnis ist nicht einfach ein weiteres Diagramm. Es ähnelt eher Folgendem: Die Marge ist in erster Linie gesunken, weil sich ein höherer Anteil der Verkäufe auf zwei stark rabattierte Produktkategorien im Nordosten verlagert hat, während das Absatzvolumen und die Neukundengewinnung stabil blieben. Das kommt den Informationen, die für eine Entscheidung tatsächlich benötigt werden, viel näher.

Ich würde die Entwicklung so beschreiben: Was ist passiert, was hat sich geändert, warum hat es sich geändert, was sollte ich als Nächstes untersuchen oder entscheiden. Und ich würde nicht so weit gehen zu behaupten, dass jedes AI-Analytiksystem die Entscheidung selbst autonom treffen oder ausführen kann. Der bedeutende kurzfristige Fortschritt liegt in der drastischen Reduzierung des analytischen Aufwands, der erforderlich ist, um von einem Signal zu einer fundierten Entscheidung zu gelangen.

Was bedeutet es, wenn AI Daten semantisch interpretiert?

Sie haben davon gesprochen, dass AI-Analytik Daten semantisch interpretiert. Was bedeutet das in der Praxis?

Richard Tomlinson: AI-Analytik fragt natürlich immer noch Daten ab. Der Unterschied besteht darin, dass sie verstehen muss, was die Daten bedeuten, bevor sie entscheidet, wie sie abzufragen sind.

Eine Datenbank kann einem AI-System mitteilen, dass es eine Spalte namens net_rev, eine weitere namens bookings und eine Beziehung zwischen zwei Tabellen gibt. Sie kann ihm nicht sagen, was das Unternehmen unter „Umsatz“ versteht, ob die Führungsebene gebuchte oder realisierte Umsätze heranzieht, welcher Geschäftsjahr-Kalender gilt, welche Kundenhierarchie maßgebend ist oder ob stornierte Bestellungen berücksichtigt werden sollten. Das sind semantische Fragen. Sie stellen die geschäftliche Bedeutung dar, die zwischen der Sprache des Benutzers und den physischen Daten steht.

In der Praxis benötigt ein leistungsstarkes AI-Analytiksystem kontrollierte Definitionen von Metriken und KPIs, Dimensionen und Beziehungen zwischen Geschäftseinheiten, die vom Unternehmen verwendete Terminologie und Synonyme, Geschäftsregeln und Berechnungslogik, maßgebliche Quellen, Berechtigungen und Governance sowie oft auch institutionelles Wissen darüber, wie Menschen die Daten in der Vergangenheit genutzt haben. Dieser Kontext ermöglicht es dem System, die Frage „Wie entwickeln sich die Verlängerungen im Enterprise-Segment?“ in die richtige Interpretation von Enterprise, Verlängerung und entwickeln zu übersetzen, noch bevor es überhaupt eine Abfrage erstellt.

Wie macht man AI-generierte Analysen vertrauenswürdig?

Wenn Sie eine Daten-Führungskraft direkt fragen würde: „Wie mache ich AI-generierte Analysen vertrauenswürdig?“, wie lautet Ihre ehrliche Antwort?

Richard Tomlinson: Beginnen Sie nicht mit dem Modell. Beginnen Sie mit dem Fundament, auf dessen Basis das Modell logische Schlüsse ziehen darf. Ich denke, vertrauenswürdige AI-Analytik lässt sich auf vier Aspekte reduzieren.

Erstens, vertrauenswürdige Daten: Die AI benötigt kontrollierten Zugriff auf dieselben Unternehmensdaten, denen Sie auch bei einem Bericht für die Geschäftsführung vertrauen würden, und keine Kopien, die in eine separate AI-Umgebung exportiert wurden. Zweitens, vertrauenswürdiger geschäftlicher Kontext: gemeinsame Definitionen für die Metriken, Einheiten und Terminologien, die für das Unternehmen wichtig sind. Einem LLM ein Datenbankschema zu geben, ist nicht dasselbe, wie ihm beizubringen, wie das Unternehmen funktioniert. Drittens, vertrauenswürdige Ausführung: Governance und Berechtigungen müssen vom Benutzer bis zu den Daten durchgängig angewendet werden. Ein AI-System sollte bestehende Zugriffskontrollen nicht einfach deshalb umgehen, weil jemand eine Frage in natürlicher Sprache gestellt hat. Viertens, Überprüfbarkeit: Benutzer und Datenteams benötigen überprüfbare Belege, die Quelldaten, die Berechnungen oder Abfragen hinter der Antwort, gegebenenfalls Quellenangaben und eine Möglichkeit, Antworten systematisch mit bereits als korrekt bekannten Fragen abzugleichen.

Dieser letzte Punkt ist umso wichtiger, je agentenbasierter die Analytik wird. Eine einzige fehlerhafte Abfrage führt zu einer falschen Antwort. Ein Agent kann während einer Untersuchung mehrere analytische Entscheidungen treffen. Daher benötigen Sie Mechanismen zur Verankerung (Grounding) und Validierung dieses gesamten Prozesses, nicht nur des Endergebnisses.

Der Kerngedanke ist, dass Vertrauen eine Eigenschaft des Systems ist, nicht des Modells. Ein leistungsfähigeres LLM allein macht Unternehmensanalysen noch nicht vertrauenswürdig.

Warum scheitert es, wenn es nicht auf kontrollierten Daten basiert? Was läuft konkret schief?

Richard Tomlinson: Hier würde ich eine Unterscheidung treffen: Governance ist notwendig, aber allein nicht ausreichend. Sie können über perfekt verwaltete Daten verfügen und dennoch eine überzeugend klingende, aber falsche Antwort erhalten, wenn die AI nicht versteht, was diese Daten bedeuten.

Ohne ein kontrolliertes Fundament können mehrere Dinge gleichzeitig schiefgehen. Das System wählt möglicherweise eine veraltete Tabelle anstelle der zertifizierten aus. Zwei Benutzer erhalten eventuell Antworten, die auf unterschiedlichen Versionen desselben KPI basieren. Sensible Informationen könnten für jemanden sichtbar werden, der keinen Zugriff darauf haben sollte. Und wenn eine Antwort falsch erscheint, hat das Datenteam möglicherweise keine verlässliche Methode, um nachzuvollziehen, welche Daten oder Berechnungen dazu geführt haben.

AI verstärkt diese Probleme, da sie den Kreis der Personen, die Daten abfragen können, und die Anzahl der Fragen drastisch erhöht. Früher hätte Unklarheit vielleicht dazu geführt, dass ein Analyst um Klärung gebeten hätte. Ein AI-System kann stattdessen eine plausible Annahme treffen und selbstbewusst fortfahren.

Deshalb benötigt das Fundament Governance und Semantik: Kontrolle darüber, welche Daten verwendet werden dürfen und wer darauf zugreifen kann, sowie ein gemeinsames Verständnis darüber, was diese Daten bedeuten. Das Ziel besteht nicht nur darin, Halluzinationen zu verhindern. Es geht darum, sicherzustellen, dass AI-generierte Analysen nach denselben Definitionen, Berechtigungen und Nachweisstandards funktionieren, die das Unternehmen bereits von von Menschen erstellten Analysen erwartet.

Was passiert, wenn Teams dieselbe Metrik unterschiedlich definieren?

In vielen Unternehmen existieren unterschiedliche geschäftliche Definitionen in verschiedenen BI-Tools. Welches Risiko entsteht, sobald AI ins Spiel kommt, und wie sollte eine Daten-Führungskraft über die Standardisierung dieser Definitionen nachdenken?

Richard Tomlinson: AI macht aus einem altbekannten BI-Problem ein weitaus größeres. Unternehmen hatten schon immer mit konkurrierenden Definitionen von Begriffen wie Umsatz, aktiver Kunde, Churn oder Conversion zu kämpfen. Bei Dashboards sind diese Inkonsistenzen zumindest relativ begrenzt. Die Finanzabteilung hat ihr Dashboard, der Vertrieb ein anderes, und die Mitarbeiter lernen schließlich, welches sie verwenden müssen.

AI hebt diese Grenzen auf. Ein Benutzer fragt einfach: „Wie hoch war der Umsatz im letzten Quartal?“ Nun muss die AI entscheiden, welche Definition, welcher Datensatz und welche Berechnung die beabsichtigte Bedeutung des Unternehmens widerspiegelt. Wenn diese Definitionen über einzelne BI-Tools, semantische Modelle und Dashboards fragmentiert sind, wird die AI praktisch aufgefordert, eine organisatorische Unstimmigkeit im Alleingang zu lösen. Das ist gefährlich, da die Antwort dennoch völlig plausibel erscheinen kann.

Die Lösung ist nicht unbedingt ein einziges, riesiges semantisches Modell, das versucht, das gesamte Unternehmen abzubilden. Es geht vielmehr darum, geschäftskritische Definitionen in gemeinsame, governed semantische Definitionen zu überführen, die nah an den zugrunde liegenden Daten liegen und über Analyse- und AI-Anwendungen hinweg wiederverwendbar sind. Das wird umso wichtiger, je mehr Unternehmen AI-Agents einsetzen. Sie möchten nicht, dass jedes Dashboard, jeder Copilot und jeder Agent unabhängig voneinander lernt, was „Nettoumsatz“ bedeutet. Sie möchten, dass alle auf denselben gemeinsamen geschäftlichen Kontext zugreifen.

Dies ist eine der größten architektonischen Veränderungen, die AI für die Analytik mit sich bringt: Semantik kann nicht mehr ausschließlich in der Präsentationsschicht angesiedelt sein.

Warum müssen Benutzer sehen, wie eine AI zu ihrer Antwort gelangt ist?

Warum ist es abgesehen von der Genauigkeit wichtig, dass ein geschäftlicher Anwender nachvollziehen kann, wie die AI zu einer Antwort gelangt ist, und nicht nur die Antwort selbst sieht?

Richard Tomlinson: Weil es bei der Analytik nicht nur darum geht, eine Antwort zu erhalten, sondern darum, genügend Belege zu haben, um auf Basis dieser Antwort eine Entscheidung zu treffen. Wenn eine AI einem Vertriebsleiter mitteilt, dass die Abwanderungsquote (Churn) im Unternehmen um 14 % gestiegen ist, lauten die nächsten logischen Fragen: Im Vergleich zu welchem Zeitraum? Welche Kunden sind betroffen? Wie ist Churn definiert? Welche Daten stützen diese Schlussfolgerung und kann ich diese genauer analysieren? Ein vertrauenswürdiges System sollte diese Fragen beantwortbar machen.

Ich würde präzisieren, was es bedeutet, „zu zeigen, wie die AI dorthin gelangt ist“. Es bedeutet nicht, die internen Gedankengänge oder die Gedankenkette (Chain of Thought) des Modells offenzulegen. Was Benutzer benötigen, sind Herkunft (Provenance) und Belege: die verwendeten Datenquellen, die ausgeführten Berechnungen oder Abfragen, relevante Zitate, unterstützende Tabellen und Visualisierungen sowie die Annahmen, die das Ergebnis wesentlich beeinflussen.

Das gilt umso mehr für Agentic Analytics. Wenn ein Agent eine Untersuchung in zehn Schritten durchführt, sollte der Benutzer nicht blind dem letzten Absatz vertrauen müssen. Er sollte in der Lage sein, die Belege hinter den wichtigen Schlussfolgerungen zu prüfen. Transparenz verändert auch das Benutzerverhalten. Sie macht AI von einem Orakel zu einem analytischen Partner. Menschen können eine Antwort hinterfragen, weiter nachforschen und selbst entscheiden, ob die Beweislage für eine Handlung ausreicht.

Wie entscheidet ein AI-Analysesystem, welcher Datenquelle es vertrauen soll?

Wenn es mehrere plausible Antworten oder Quellen gibt, woher weiß Ihre AI, worauf sie vertrauen kann?

Richard Tomlinson: Fast jeder Anbieter kann eine beeindruckende Demo mit natürlicher Sprache zeigen. Die Schwierigkeit liegt darin, was passiert, wenn die reale Unternehmensumgebung ungeordnet ist. Was ist, wenn Finanz- und Vertriebsabteilung den Umsatz unterschiedlich berechnen? Was ist, wenn es fünf Tabellen gibt, die die Frage beantworten könnten? Was ist, wenn eine Quelle zertifiziert ist und eine andere erst gestern erstellt wurde? Was ist, wenn die fragende Person nur die Berechtigung hat, einen Teil der zugrunde liegenden Daten zu sehen?

Der Anbieter sollte erklären können, wie sein System Geschäftsdefinitionen versteht, die Autorität von Quellen bestimmt, Benutzerberechtigungen anwendet, mit Unklarheiten umgeht und Belege für die resultierende Antwort liefert. Wenn die Antwort im Wesentlichen lautet „das LLM findet das schon heraus“, wäre ich sehr vorsichtig. Für agentenbasierte Systeme wird dies zu einem noch größeren Problem, da das System nicht nur eine einzige Abrufentscheidung trifft, sondern unter Umständen Dutzende von Entscheidungen darüber, welche Daten untersucht und welche Hypothese verfolgt werden soll.

Diese Frage führt viel näher an die Realität heran, ob eine AI-Analyseplattform dem Praxistest in einem echten Unternehmen standhält, als die Frage, auf welchem Foundation Model sie basiert.

Machen bessere AI-Modelle den geschäftlichen Kontext überflüssig?

Was glauben die meisten Data Leader derzeit über AI-Analysen, das Sie für falsch oder übertrieben halten?

Richard Tomlinson: Das größte Missverständnis ist, dass bessere AI-Modelle die Notwendigkeit überflüssig machen, den geschäftlichen Kontext zu modellieren und zu pflegen. Das Gegenteil ist der Fall. LLMs sind bemerkenswert gut darin, Sprache zu verstehen und logische Schlüsse aus Informationen zu ziehen, aber sie können die internen Geschäftsdefinitionen eines Unternehmens nicht mit Sicherheit ableiten. Sie wissen nicht von Natur aus, welche Ihrer fünf Umsatzberechnungen der CFO als maßgeblich erachtet, was „aktiver Kunde“ in Ihrem Unternehmen bedeutet oder welchem Datensatz für eine Vorstandssitzung vertraut werden sollte. Da AI immer leistungsfähiger und autonomer wird, gewinnt dieser Kontext an Bedeutung, da die AI mehr Entscheidungen im Namen des Benutzers trifft.

Ein zweites Missverständnis ist, dass AI Dashboards überflüssig macht. Das glaube ich nicht. Dashboards bleiben äußerst effektiv, wenn Sie wissen, was Sie überwachen möchten: Umsatz, Pipeline, Auslastung, Churn, Lagerbestand, Service-Levels. AI entfaltet ihre größte Wirkung, wenn die Frage nicht bereits im Dashboard codiert ist – insbesondere, wenn jemand nach dem „Warum“ fragt, eine unerwartete Änderung untersuchen möchte oder eine Analyse über mehrere Dimensionen hinweg benötigt.

Die Zukunft von BI ist nicht Chat statt Dashboards. Es ist ein Kontinuum, in dem Dashboards bekannte Fragen abdecken, Conversational Analytics Ad-hoc-Fragen beantwortet und Agenten zunehmend komplexe Untersuchungen übernehmen. Das ist eine glaubwürdigere Definition der nächsten BI-Generation, als einfach jedes Dashboard durch einen Chatbot zu ersetzen.

AI-Analytik nimmt uns die harte Arbeit von BI nicht ab, sie verlagert sie nur

Der rote Faden, der sich durch all dies zieht, ist, dass AI-Analytik die harte Arbeit von BI nicht beseitigt, sondern verlagert. Die Arbeit, Metriken zu definieren, den Zugriff zu regeln und sich darauf zu einigen, was „Umsatz“ bedeutet, verschwindet nicht, wenn Sie eine Schnittstelle für natürliche Sprache hinzufügen. Sie wird sogar noch wichtiger, da das System nun Ermessensentscheidungen trifft, die früher ein menschlicher Analyst getroffen hat – und das in einem Umfang, den kein Analystenteam jemals erreichen könnte.

Für Data Leader, die AI-First-Plattformen evaluieren, stellt sich nicht die Frage, ob die Demo gut aussieht. Es geht darum, ob das darunter liegende System – die governed Daten, die gemeinsame Semantik, die berechtigungsgesteuerte Ausführung, die überprüfbaren Belege – so konzipiert wurde, dass es dem Praxistest in einem echten, komplexen Unternehmen standhält. Das ist das Fundament, das AI-Analytik von einer beeindruckenden Query-Engine in etwas verwandelt, dem man bei der Entscheidungsfindung vertrauen kann.

Erfahren Sie, wie AI-gestützte Dashboards und Conversational Analytics direkt auf governed Daten arbeiten. Entdecken Sie Databricks AI/BI

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