- Ein Data Agent ist ein KI-gestützter Assistent, der Fragen zu Unternehmensdaten in natürlicher Sprache versteht und daraus datenbasierte Antworten erzeugt.
- Er greift nicht einfach frei auf beliebige Daten zu, sondern arbeitet idealerweise auf einer kontrollierten Grundlage aus Datenmodellierung, Semantic Layer, Ontology, Governance und Berechtigungen.
- Data Agents können Fachbereiche dabei unterstützen, schneller Antworten auf Datenfragen zu erhalten, ohne selbst SQL, DAX, Python oder andere Abfragesprachen schreiben zu müssen.
- Ein Data Agent ersetzt keine Datenplattform, keine Datenmodellierung und kein Reporting. Er macht vorhandene Datenstrukturen leichter zugänglich.
- Der Nutzen entsteht nicht durch die KI allein, sondern durch die Kombination aus guter Datenbasis, klarer Fachlogik, kontrolliertem Zugriff und laufender Qualitätssicherung.
Ein Data Agent ist ein KI-gestützter Assistent, der mit Unternehmensdaten arbeiten kann. Nutzerinnen und Nutzer stellen Fragen in natürlicher Sprache, der Data Agent übersetzt diese Fragen in geeignete Datenabfragen und liefert daraus eine Antwort.
Ein einfaches Beispiel:
Ein Vertriebsleiter fragt: „Wie hat sich der Umsatz unserer Top-10-Kunden im letzten Quartal entwickelt?“
Ein Data Agent muss dafür verstehen, welche Umsatzdefinition gilt, welche Kunden zu den Top 10 gehören, welches Quartal gemeint ist, welche Datenquelle relevant ist und welche Berechtigungen für den Nutzer gelten. Anschließend erzeugt er eine passende Abfrage, ruft die Daten ab und stellt das Ergebnis verständlich dar.
Damit unterscheidet sich ein Data Agent von einer einfachen Suchfunktion oder einem klassischen Chatbot. Er beantwortet nicht nur allgemeine Fragen, sondern arbeitet mit konkreten Daten, Strukturen, Kennzahlen und fachlichem Kontext.
Wichtig ist: Ein Data Agent ist kein Ersatz für saubere Datenarbeit. Er wird nur so gut sein wie die Daten, Definitionen und Regeln, auf die er zugreifen kann. Wenn Kennzahlen unklar, Datenmodelle fehlerhaft oder Berechtigungen schlecht gepflegt sind, wird auch ein Data Agent keine verlässlichen Antworten liefern.
Der eigentliche Mehrwert entsteht dort, wo gute Datenarchitektur und einfache Nutzung zusammenkommen. Fachbereiche können Fragen direkter stellen. Data Teams können definierte Logik wiederverwendbar bereitstellen. Und Unternehmen können Daten breiter nutzbar machen, ohne Kontrolle und Governance aufzugeben.
Daten sind in vielen Unternehmen heute besser verfügbar als früher. Es gibt Data Warehouses, Lakehouses, BI-Plattformen, Dashboards, semantische Modelle und Datenkataloge. Trotzdem bleibt der Zugang für viele Fachbereiche schwierig.
Die Gründe sind bekannt:
Data Agents setzen genau an dieser Stelle an. Sie sollen den Zugang zu Daten vereinfachen, ohne die Datenbasis selbst neu zu erfinden. Statt Nutzerinnen und Nutzer auf Tabellen, Spalten oder technische Abfragesprachen zu verweisen, ermöglichen sie eine natürlichere Form der Interaktion.
Das bedeutet aber nicht, dass klassische BI überflüssig wird. Dashboards, Reports und standardisierte Analysen bleiben wichtig. Sie sind besonders stark, wenn Kennzahlen regelmäßig beobachtet, Prozesse gesteuert oder Managementinformationen konsistent bereitgestellt werden müssen.
Data Agents ergänzen diese Welt. Sie sind besonders nützlich, wenn Nutzer Fragen stellen, die nicht exakt im bestehenden Report abgebildet sind. Sie helfen beim Nachfragen, Eingrenzen, Vergleichen und Erkunden. Aus einem statischen Reporting wird dadurch ein dialogorientierter Zugang zu Daten.
Die Begriffe Chatbot, AI Agent und Data Agent werden oft vermischt. Für eine saubere Einordnung lohnt sich die Unterscheidung.
Ein Chatbot ist zunächst eine Oberfläche für Dialog. Er kann Fragen beantworten, Texte erzeugen oder Nutzer durch Prozesse führen. Er muss aber nicht zwingend mit Unternehmensdaten verbunden sein. Viele Chatbots liefern Antworten aus Dokumentation, allgemeinen Wissensquellen oder vorgegebenen Dialogpfaden.
Ein AI Agent geht weiter. Er kann Aufgaben planen, Werkzeuge nutzen, Zwischenschritte ausführen und Ergebnisse zusammenführen. Ein AI Agent kann zum Beispiel Daten abrufen, eine Analyse durchführen, eine Datei erstellen oder einen Workflow anstoßen. Der Begriff ist breit und wird in vielen Kontexten verwendet.
Ein Data Agent ist spezieller. Er ist auf die Arbeit mit Daten ausgerichtet. Sein Schwerpunkt liegt darauf, Datenquellen, Datenmodelle, Kennzahlen, Metadaten und Berechtigungen so zu nutzen, dass fachliche Fragen beantwortet werden können.
Ein Data Agent ist also nicht einfach „ChatGPT vor der Datenbank“. Genau das wäre sogar riskant. Ein guter Data Agent braucht Grenzen, Kontext und Regeln. Er muss wissen, welche Datenquellen relevant sind, welche Kennzahlen verwendet werden dürfen, welche Beziehungen fachlich korrekt sind und welche Antwort er nicht geben sollte.
Ein Beispiel macht den Unterschied deutlich:
- Ein Chatbot kann erklären, was Umsatz bedeutet.
- Ein AI Agent kann eine Aufgabe planen und mehrere Werkzeuge nutzen.
- Ein Data Agent kann auf Basis definierter Unternehmensdaten beantworten, wie sich der Umsatz in einer Region entwickelt hat.
Ein Data Agent arbeitet in mehreren Schritten. Die genaue Umsetzung hängt von der Plattform ab, das Grundprinzip ist aber ähnlich.
Zuerst nimmt der Agent eine Frage in natürlicher Sprache entgegen. Diese Frage kann einfach sein, zum Beispiel: „Wie hoch war der Umsatz im Juli?“ Sie kann aber auch komplexer sein: „Welche Produktgruppen haben im letzten Quartal bei Bestandskunden Umsatz verloren?“
Danach versucht der Agent, die fachliche Absicht zu erkennen. Er muss verstehen, welche Kennzahl gemeint ist, welche Filter relevant sind, welcher Zeitraum gilt und welche Datenquelle genutzt werden sollte.
Anschließend greift der Agent auf Kontext zu. Dazu gehören zum Beispiel Schemata, Tabellen, Spalten, Metadaten, semantische Modelle, Ontologien, Beispielabfragen, Beschreibungen oder Anweisungen. Je besser dieser Kontext gepflegt ist, desto weniger muss der Agent raten.
Im nächsten Schritt erzeugt der Agent eine Abfrage. Je nach Datenquelle kann das zum Beispiel SQL, DAX, KQL, Python oder eine andere Abfragesprache sein. In modernen Plattformen kann der Agent auch entscheiden, welche Quelle oder welches Werkzeug für die Frage geeignet ist.
Dann wird die Abfrage ausgeführt, idealerweise immer innerhalb der Berechtigungen des jeweiligen Nutzers. Der Agent sollte also nicht mehr sehen, als der Nutzer selbst sehen darf.
Zum Schluss wird das Ergebnis aufbereitet. Eine gute Antwort besteht nicht nur aus einer Zahl. Sie sollte erklären, worauf sie basiert, welche Annahmen verwendet wurden und wo die Grenzen der Antwort liegen. In vielen Fällen ist es auch sinnvoll, die erzeugte Abfrage oder die Zwischenschritte sichtbar zu machen. So können Fachbereiche und Data Teams prüfen, ob die Antwort nachvollziehbar ist.
Gute Data Agents werden außerdem kuratiert. Sie bekommen nicht einfach alle Daten zur Verfügung gestellt. Data Teams wählen geeignete Datenquellen aus, ergänzen Beschreibungen, hinterlegen Beispielabfragen, definieren Regeln und testen typische Fragen. Ohne diese Arbeit bleibt der Agent eine unsichere Schnittstelle. Mit dieser Arbeit kann er zu einem nützlichen Zugangspunkt für Daten werden.
Ein Data Agent ist nur so gut wie die Grundlage, auf der er arbeitet. Deshalb sollte die Diskussion nicht bei der Oberfläche beginnen, sondern bei der Datenarchitektur darunter.
Saubere Datenmodellierung
Datenmodellierung bleibt die Grundlage. Sie beschreibt, wie Daten strukturiert, verbunden, historisiert und gespeichert werden. Wenn Granularitäten unklar sind, Beziehungen nicht stimmen oder Stammdaten schlecht gepflegt sind, kann ein Data Agent daraus keine verlässlichen Antworten erzeugen.
Ein Beispiel: Wenn Auftragsdaten auf Positionsebene vorliegen, Rechnungsdaten aber auf Kopfebene aggregiert sind, muss diese Logik im Datenmodell sauber berücksichtigt werden. Sonst kann der Agent zwar eine Abfrage erzeugen, aber die Antwort kann fachlich falsch sein.
Semantic Layer
Der Semantic Layer ist für Data Agents besonders wichtig. Er definiert Kennzahlen, Dimensionen, Hierarchien und Business-Logik. Ein Data Agent sollte nicht jedes Mal neu interpretieren müssen, was Umsatz, Marge oder aktive Kunden bedeuten.
Ohne Semantic Layer besteht die Gefahr, dass der Agent aus Spaltennamen und Mustern eigene Schlüsse zieht. Das kann plausibel aussehen, ist aber nicht belastbar. Mit einem gepflegten Semantic Layer arbeitet der Agent auf einer fachlich geprüften Grundlage.
Ontology
Eine Ontology beschreibt fachliche Konzepte und Beziehungen. Sie hilft einem Data Agent zu verstehen, wie Objekte wie Kunde, Auftrag, Produkt, Rechnung, Standort oder Organisationseinheit zusammenhängen.
Das ist besonders wichtig, wenn Fragen über mehrere Domänen hinweg gestellt werden. Ein Agent muss nicht nur eine Kennzahl kennen, sondern auch den fachlichen Zusammenhang. Welche Beziehung besteht zwischen Kunde und Rechnung? Welche Produktgruppe ist relevant? Welche Organisationseinheit ist verantwortlich?
Eine Ontology liefert diesen Beziehungskontext.
Ein Data Catalog macht Daten auffindbar und dokumentiert. Für Data Agents sind Metadaten besonders wertvoll: Beschreibungen, Verantwortlichkeiten, Datenherkunft, Aktualität, Qualitätshinweise und Nutzungseinschränkungen.
Je besser diese Informationen gepflegt sind, desto besser kann ein Agent einschätzen, welche Datenquelle für eine Frage geeignet ist.
Governance und Berechtigungen
Data Agents dürfen Governance nicht umgehen. Im Gegenteil: Sie machen Governance noch wichtiger.
Wenn Nutzer Daten in natürlicher Sprache abfragen können, muss klar sein, welche Daten sie sehen dürfen, welche Kennzahlen zertifiziert sind und welche Aktionen erlaubt sind. In vielen Szenarien sollte ein Data Agent zunächst lesend arbeiten. Schreibende oder automatisierte Aktionen brauchen zusätzliche Kontrollen, Freigaben und Protokollierung.
Data Agents können in verschiedenen Bereichen eingesetzt werden. Besonders sinnvoll sind sie dort, wo Fachbereiche regelmäßig Datenfragen haben, aber nicht jede Frage über ein bestehendes Dashboard beantwortet werden kann.
Self-Service Analytics
Fachbereiche können Datenfragen in natürlicher Sprache stellen, ohne selbst SQL, Python oder DAX zu schreiben. Das erleichtert den Einstieg in Self-Service Analytics. Gleichzeitig bleibt die Datenlogik kontrolliert, wenn der Agent auf geprüfte Modelle und definierte Kennzahlen zugreift.
Management Reporting
Ein Data Agent kann bestehende Reports ergänzen. Führungskräfte sehen weiterhin ihre Standard-Dashboards, können aber gezielt nachfragen: „Welche Region erklärt die Abweichung?“, „Welche Kunden treiben den Rückgang?“ oder „Wie sieht der Vergleich zum Vorjahr aus?“
Controlling und Finance
In Finance– und Controlling-Szenarien sind Definitionen besonders wichtig. Ein Data Agent kann helfen, Abweichungen, Kostenstellen, Umsatzentwicklungen oder Plan-Ist-Vergleiche schneller zu untersuchen. Voraussetzung ist eine saubere Kennzahlenlogik.
Vertrieb und Kundenanalyse
Vertriebsteams können Fragen zu Kunden, Produkten, Regionen oder Auftragseingängen stellen. Ein Data Agent kann helfen, Muster sichtbar zu machen, ohne dass für jede Frage ein neuer Bericht erstellt werden muss.
Data Teams und Entwicklung
Data Agents können auch Data Teams unterstützen. Sie können helfen, Datenmodelle zu verstehen, Abfragen vorzubereiten, Fehler einzugrenzen oder vorhandene Definitionen schneller zu finden. In diesem Fall ist der Agent weniger ein Business-Assistent und mehr ein Arbeitswerkzeug für technische Teams.
Datenplattformen und Data Apps
In modernen Datenplattformen können Data Agents als natürliche Schnittstelle zu Datenprodukten, semantischen Modellen oder Data Apps dienen. Nutzer arbeiten dann nicht nur mit vorgefertigten Oberflächen, sondern können Fragen direkt an die Datenlogik stellen.
Data Agents können den Zugang zu Daten deutlich vereinfachen. Sie lösen aber nicht automatisch die grundlegenden Probleme einer Datenlandschaft.
Ein häufiger Fehler ist die Annahme, ein Agent könne fehlende Modellierung, unklare Kennzahlen oder schlechte Datenqualität ausgleichen. Das kann er nicht. Wenn die fachliche Grundlage fehlt, wird der Agent raten. Und das Problem bei KI ist: Sie kann auch dann überzeugend klingen, wenn sie falsch liegt.
Typische Risiken sind:
Deshalb sollten Data Agents nicht unkontrolliert ausgerollt werden. Sie brauchen klare Grenzen. Welche Datenquellen sind freigegeben? Welche Fragen sind erlaubt? Welche Antworten müssen geprüft werden? Wann soll der Agent sagen: „Das kann ich auf dieser Datenbasis nicht zuverlässig beantworten“?
Diese Fähigkeit zur Begrenzung ist wichtig. Ein guter Data Agent muss nicht auf jede Frage eine Antwort geben. Er muss vor allem erkennen, wann eine Antwort belastbar ist und wann nicht.
Die Einführung eines Data Agents sollte nicht mit der Frage beginnen: „Welches Tool nehmen wir?“ Besser ist die Frage: „Welche Datenfragen sollen damit verlässlich beantwortet werden?“
Ein guter Startpunkt ist ein klar abgegrenzter Use Case. Zum Beispiel Vertriebsanalyse, Management Reporting, Finance, Kundenanalyse oder ein internes Data-Team-Szenario.
Danach sollten die wichtigsten Fragen gesammelt werden. Was fragen Nutzer heute regelmäßig? Welche Folgefragen entstehen nach einem Dashboard? Wo landen Fachbereiche immer wieder bei IT oder Data Teams?
Anschließend wird geprüft, welche Datenquellen, Modelle und Kennzahlen dafür benötigt werden. Dabei zeigt sich schnell, ob die vorhandene Grundlage ausreicht oder ob Datenmodellierung, Semantic Layer, Ontology oder Dokumentation nachgeschärft werden müssen.
Dann wird der Agent kuratiert. Das bedeutet: passende Datenquellen auswählen, Tabellen und Spalten verständlich beschreiben, Beispielabfragen hinterlegen, fachliche Anweisungen formulieren, Berechtigungen prüfen und typische Fragen testen.
Wichtig ist ein realistischer Qualitätsprozess. Ein Data Agent sollte nicht nur einmal eingerichtet und dann vergessen werden. Er braucht Tests, Feedback, Monitoring und klare Verantwortlichkeiten. Neue Kennzahlen, veränderte Datenmodelle oder organisatorische Änderungen müssen nachgezogen werden.
Ein sinnvoller Einstieg kann so aussehen:
- Zuerst ein klarer Fachbereich.
- Dann wenige geprüfte Datenquellen.
- Dann definierte Kennzahlen und Beispiel-Fragen.
- Dann Test mit ausgewählten Nutzerinnen und Nutzern.
- Dann schrittweise Erweiterung.
So bleibt der Data Agent kontrollierbar. Er wird nicht als große KI-Abkürzung eingeführt, sondern als neuer Zugang zu einer bereits gut verstandenen Datenbasis.