Ein Sprachmodell bekommt Zugriff auf CRM, Zeiterfassung und Marketingplattformen. Statt ETL-Strecken zu bauen, stellt ein Mitarbeiter seine Frage im Chat – und erhält eine Auswertung. Für einzelne Aufgaben kann das erstaunlich effizient sein. Doch je häufiger, kritischer und komplexer die Daten genutzt werden, desto wichtiger werden verlässliche Definitionen und kontrollierte Prozesse. Die entscheidende Frage lautet deshalb nicht „KI oder Data Warehouse?“, sondern: Welche Art von Datenarbeit sollte überhaupt automatisiert werden – und wie?
AI Analytics: Der Chat ersetzt die Bedienoberfläche, nicht die Verantwortung
Unter AI Analytics verstehen wir den Einsatz künstlicher Intelligenz, um Daten in natürlicher Sprache zu erschließen, aufzubereiten oder auszuwerten. Das kann bei einer einzelnen Excel-Datei beginnen und bis zu Agenten reichen, die Abfragen gegen mehrere Geschäftssysteme ausführen. Der Nutzwert liegt auf der Hand: Wer eine Frage zum Auftragsbestand oder zur Kampagnenleistung hat, muss nicht zwangsläufig erst einen Bericht erstellen lassen.
Aber eine flüssig formulierte Antwort ist noch keine belastbare Kennzahl. Ein Modell kann eine fachlich falsche Berechnung ebenso überzeugend erklären wie eine richtige. Und ein Agent, der auf mehrere Systeme zugreift, muss immer noch wissen, welche Quelle maßgeblich ist, wie Datensätze zusammengehören und welche Definition zur Frage passt.
Das eröffnet einen produktiveren Blick auf AI Analytics: nicht als universellen Ersatz für Business Intelligence, sondern als zusätzliche Arbeitsweise, die je nach Anwendungsfall eine bestehende Analytics-Architektur ergänzt oder einzelne Zwischenschritte überflüssig macht.
Was MCP ermöglicht – und warum damit noch keine Datenintegration gelöst ist
Das Model Context Protocol (MCP) standardisiert, wie KI-Anwendungen externe Werkzeuge, Datenressourcen und vorbereitete Interaktionen entdecken und verwenden können. Ein Agent kann so beispielsweise Informationen aus einer Zeiterfassung abrufen oder einen vorgesehenen API-Aufruf ausführen.
MCP beantwortet damit zunächst eine technische Frage: Wie kann die KI ein System ansprechen? Nicht automatisch beantwortet sind die fachlichen Fragen dahinter: Was bedeutet Umsatz? Welche Währung gilt? Zählen stornierte Aufträge? Ist ein Lead auf zwei Plattformen dieselbe Person?
Eine Verbindung zu Google Ads, einem CRM und dem ERP macht noch kein konsistentes Marketing-Controlling. Unterschiedliche Zuordnungslogiken, Zeitfenster, Identitäten und Datenstände bleiben bestehen. Eine KI kann solche Unterschiede erkennen helfen; sie kann sie aber nicht ohne abgestimmte Regeln verbindlich auflösen.
Wer bereits sauber definierte Kennzahlen in einem semantischen Power-BI-Modell pflegt, hat deshalb einen Vorteil: Die KI kann auf vorhandene Geschäftslogik zurückgreifen, statt sie bei jeder Frage neu zu erraten.
Wann es sich lohnt, „Tokens draufzuwerfen“
Ein praxisnaher Grenzfall sind unregelmäßige Aufträge: Eine PDF mit einem Angebot kommt herein, enthält Kundendaten, Projektbedingungen und ein abweichendes Abrechnungsmodell. Die KI liest das Dokument, schlägt die passende Zuordnung vor, legt nach Freigabe einen Vorgang an und beantwortet später Fragen zu offenen Budgets.
Wenn dieser Vorgang nur wenige Dutzend Mal im Jahr anfällt, dafür aber fast jedes Mal etwas anders aussieht, kann ein flexibel geführter KI-Dialog günstiger sein als eine individuell programmierte Importstrecke. Der Aufwand wandert von der dauerhaften Pflege zahlreicher Ausnahmeregeln hin zur fallbezogenen Prüfung. Das ist kein allgemeiner Produktivitätsbeweis, sondern eine nachvollziehbare Hypothese für einen konkreten Prozess.
Bei tausenden gleich aufgebauten Bestellungen täglich kehrt sich die Entscheidung oft um. Ein deterministischer Import mit definierten Prüfregeln, Wiederanläufen und Fehlermeldungen ist für den Standardfall meist leichter zu kontrollieren und kostenseitig planbarer. KI kann dann die Ausnahmen klassifizieren, statt jeden einzelnen Datensatz neu zu interpretieren.
| Anwendungsfall | Meist sinnvoller Ausgangspunkt | Warum |
|---|---|---|
| Seltene, stark unterschiedliche Dokumente | KI-gestützter Einzelfallprozess | Regeln ändern sich häufig; fachliche Prüfung bleibt möglich |
| Häufige, gleichförmige Datensätze | Skript oder ETL/ELT-Pipeline | Wiederholbarkeit, Testbarkeit und Kostenkontrolle zählen |
| Wiederkehrende Management-Kennzahlen | Kuratiertes Semantikmodell mit Reporting | Alle brauchen dieselben nachvollziehbaren Definitionen |
| Explorative Rückfragen auf vorbereiteten Daten | KI-Dialog auf kontrollierter Datenschicht | Flexibilität ohne ständige Neuentwicklung von Berichten |
Die richtige Architektur ist deshalb häufig hybrid: Standardfälle laufen regelbasiert; KI hilft bei unstrukturierten Eingaben, ungewöhnlichen Sonderfällen und neuen Analysefragen.
Die wirtschaftliche Entscheidung: Nicht nur Tokenpreise vergleichen
Der Tokenpreis allein sagt wenig darüber aus, ob AI Analytics wirtschaftlich ist. Für einen fairen Vergleich müssen Unternehmen die vollständigen Prozesskosten betrachten:
Gesamtkosten = Einrichtung + laufende Ausführung + fachliche Qualitätskontrolle + Pflege bei Änderungen + erwartete Fehlerfolgen.
Für einen KI-Prozess gehören dazu unter anderem Modell- und Werkzeugaufrufe, zusätzliche Abfrageschritte, manuelle Freigaben, Fehlversuche, Protokollierung und gegebenenfalls Datenübertragung. Bei klassischen Pipelines zählen Entwicklung, Hosting, Monitoring, Tests, Korrekturen und Anpassungen an Schnittstellen oder Geschäftsregeln.
Besonders teuer wird ein Ansatz dann, wenn der Ausnahmefall zum Normalfall wird: Eine KI, deren Ergebnisse jedes Mal umfangreich nachkontrolliert werden müssen, spart möglicherweise keine Zeit. Umgekehrt kann eine Pipeline, die nach jeder leicht veränderten Kundenanforderung angepasst wird, mehr Pflegekosten verursachen als sie einspart.
Ein sinnvoller Pilot erfasst deshalb pro Vorgang die tatsächlich benötigte Zeit, die Zahl der manuellen Korrekturen, die Ausführungskosten und die Auswirkungen von Fehlern. Erst dann lässt sich entscheiden, ob ein dialogorientierter Workflow dauerhaft trägt oder in Code überführt werden sollte.
Ohne Semantik hat auch die beste KI mehrere Wahrheiten
Stellen wir uns die Frage „Wie hoch war der Umsatz unserer Kampagne?“ vor. Das Werbesystem zeigt zugeordnete Conversions. Das CRM kennt gewonnene Aufträge. Die Finanzbuchhaltung erfasst gebuchte Erlöse. Alle drei Zahlen können korrekt sein – für unterschiedliche Zwecke.
Das eigentliche Problem ist nicht, dass die Systeme verschiedene Zahlen liefern. Problematisch wird es, wenn eine KI die Zahlen ohne Kennzeichnung ihrer Bedeutung vermischt und als eine einzige Wahrheit präsentiert.
Für verlässliche AI Analytics müssen mindestens vier Dinge festgelegt werden: die fachliche Bedeutung einer Kennzahl, ihr Gültigkeitsbereich, die verantwortliche Stelle und die Datenbasis, aus der sie berechnet wird. Bei Zeitbezug und Aggregation kommen weitere Regeln hinzu: Wird nach Buchungsdatum oder Leistungsdatum ausgewertet? Brutto oder netto? Welche Währung und welcher Umrechnungskurs gelten?
Eine Semantikschicht kann in einem Warehouse, einer Analytics-Plattform oder einem Power-BI-Semantikmodell liegen. Für kleine Anwendungsfälle kann ein klar dokumentierter, versionierter Regelkatalog genügen. Entscheidend ist nicht der Ort, sondern ob die Logik geteilt, prüfbar und wiederverwendbar ist. Wie wichtig die verbindliche Beschreibung von Qualität und Verantwortlichkeiten ist, zeigt auch unser Beitrag zu Data Contracts.
Direkter Zugriff auf Quellsysteme: Bequem im Pilot, riskant im Maßstab
Eine Zeiterfassung für eine Person direkt abzufragen, ist etwas anderes, als hunderten Mitarbeitenden freie Analysen auf einem produktiven ERP zu erlauben. Operative Systeme müssen Transaktionen zuverlässig verarbeiten. Analytische Abfragen können große Datenmengen lesen, historische Vergleiche bilden und erhebliche Last erzeugen. Deshalb trennen viele Architekturen beide Arten von Arbeit oder schaffen eigens dafür vorgesehene Lesezugriffe.
Mit KI sinkt die Hürde, neue Abfragen auszuführen. Das ist gut für den Zugang zu Daten – erhöht aber potenziell auch die Zahl der Zugriffe, die Kosten und das Risiko missverständlicher Abfragen. Ein MCP-Anschluss allein regelt weder Lastschutz noch Berechtigungen, Datenqualität oder Auditierbarkeit.
Für produktive Szenarien empfehlen sich klar abgegrenzte Datenprodukte, minimale Leserechte, Abfragelimits, nachvollziehbare Logs und geeignete technische Schutzmechanismen. Schreibzugriffe sollten getrennt behandelt werden: Ein Agent darf etwa einen Projektvorschlag vorbereiten, aber Vertragswerte oder Abrechnungsdaten nicht ohne Validierung und passende Freigabe dauerhaft verändern. Backups und Wiederherstellung müssen unabhängig vom KI-Dialog funktionieren.
Beim Umgang mit personenbezogenen Daten kommen Zweckbindung, Datenminimierung, Rechtmäßigkeit und sichere Verarbeitung hinzu. Der Komfort einer KI-Schnittstelle ändert nichts an diesen Pflichten.
Single Source of Truth: Ein gemeinsamer Maßstab statt einer Zahl für alles
Die Vorstellung einer einzigen unternehmensweiten Wahrheit klingt attraktiv. In der Praxis benötigen Marketing, Vertrieb und Controlling jedoch häufig unterschiedliche Sichten auf denselben Geschäftsvorfall. Entscheidend ist, dass diese Perspektiven nicht unbemerkt miteinander konkurrieren.
Ein tragfähiger Ansatz ist, wenige zentrale Kennzahlen pro Anwendungsbereich gemeinsam zu definieren und abweichende Perspektiven ausdrücklich zu benennen. Beispielsweise kann „gebuchter Umsatz“ eine verbindliche Finanzkennzahl sein, während „marketingseitig zugeordneter Umsatz“ eine andere, ebenfalls legitime Größe bleibt. Beide benötigen klare Definitionen, Verantwortliche und einen dokumentierten Bezug zueinander.
Damit wird Governance nicht zum mehrjährigen Großprojekt. Sie beginnt dort, wo zwei Teams dieselbe Frage unterschiedlich beantworten. Der fachliche Konflikt wird sichtbar gemacht, gemeinsam geklärt und als wiederverwendbare Regel festgehalten. AI Analytics profitiert davon unmittelbar: Mitarbeitende fragen in natürlicher Sprache, ohne bei jeder Antwort unbemerkt eine neue Kennzahlendefinition zu bekommen.
So startet ein belastbarer AI-Analytics-Pilot
- Eine Geschäftsfrage auswählen. Nicht „Wir verbinden alle Daten“, sondern beispielsweise: „Welche laufenden Projekte überschreiten voraussichtlich ihr Budget?“
- Quellen und Definitionen fixieren. Benötigte Felder, Berechnungen, Ausnahmen, Berechtigungen und die als korrekt geltenden Beispielantworten vor dem Test dokumentieren.
- Mit sicheren Grenzen testen. Zunächst lesend arbeiten; für Schreibvorgänge eine Freigabe vorschalten. Typische Fälle, Sonderfälle, Fehlermeldungen und unterschiedliche Formulierungen prüfen. Kosten, Antwortqualität und manuelle Nacharbeit erfassen.
- Den dauerhaften Betriebsweg entscheiden. Bleiben Volumen und Varianten überschaubar, kann ein kontrollierter KI-Workflow ausreichen. Wächst die Zahl gleichförmiger Vorgänge oder steigt die Kritikalität, werden Funktionen in eine Pipeline, einen Service oder ein kuratiertes Datenprodukt überführt.
Ein guter Pilot beweist nicht, dass eine KI einmal die richtige Antwort gefunden hat. Er zeigt, unter welchen Bedingungen sie wiederholt richtige, nachvollziehbare und wirtschaftliche Ergebnisse liefert. Wer bereits Power BI nutzt, kann über einen kontrollierten Zugriff auf bestehende Modelle starten, statt sämtliche fachlichen Definitionen neu aufzubauen.
Fazit: Tokens sind ein Werkzeug, keine Datenstrategie
AI Analytics macht Analysen zugänglicher und kann dort Arbeit sparen, wo seltene Sonderfälle die klassische Automatisierung unverhältnismäßig aufwendig machen. Für hochvolumige Standardprozesse, geschäftskritische Kennzahlen und breite Nutzung bleiben verlässliche Datenprodukte, Tests und kontrollierte Abläufe zentral.
Die entscheidende Architekturfrage lautet deshalb nicht, ob eine KI ohne Pipeline arbeiten kann. Sie lautet: Wo schafft ein flexibler KI-Schritt mehr Nutzen, als er an Kosten, Prüfaufwand und Risiken verursacht? Wer diese Frage pro Anwendungsfall beantwortet, kann KI pragmatisch nutzen, ohne die Grundlagen guter Datenarbeit abzuschaffen.
Nächste Schritte
Wenn ihr entscheiden wollt, welche Analytics-Aufgaben sich für KI-Dialoge eignen und wo Datenmodell, Governance oder Architektur zuerst verbessert werden sollten, kann ein Data Strategy Check helfen, die Datenlandschaft und konkrete Pilotfälle zu bewerten. Für die Arbeit an vorhandenen Kennzahlen und Power-BI-Modellen ist alternativ unser Power BI Coaching ein sinnvoller Einstieg.
