Geschäftskontext

Niemand hat den Wandel ausgerufen. Es gab kein Memo, kein Migrationsprojekt, keine Anbieterpräsentation, die ihn ausgelöst hätte. Trotzdem zeichnet sich in einem Unternehmen nach dem anderen dasselbe Muster ab: Mitarbeitende stellen ihre Fragen anderswo als im Dashboard. Sie tippen sie in Copilot-Sidebars, in Genie-Chatfenster, in Slack-integrierte Data Agents. Das BI-Tool läuft weiter. Es ist weiterhin lizenziert. Es ist nur nicht mehr die erste Anlaufstelle, wenn jemand eine Antwort braucht. Diese Unterscheidung wiegt schwerer, als die meisten BI-Verantwortlichen wahrhaben wollen.

Das Problem: Die Schnittstelle verändert sich vor Ihren Augen

Folgendes Muster sehe ich immer wieder: Ein Finanzteam hat einen tadellosen Power-BI-Bericht für die monatliche Abweichungsanalyse. Zwölf Tabs, Drill-Throughs, Slicer, das volle Programm. Der Aufbau hat drei Monate gedauert. Aber im letzten Quartal hat die Hälfte des Teams ihre Abweichungsfragen stattdessen einem Microsoft Fabric Data Agent gestellt. Nicht weil das Dashboard falsch lag. Sondern weil es schneller geht, „Warum sind die OPEX im März in der nordischen Region nach oben geschossen?“ zu tippen, als zum richtigen Tab zu navigieren, drei Slicer zu setzen und ein Wasserfalldiagramm zu interpretieren.

Das Dashboard beantwortete die Fragen, für die es entworfen wurde. Die Chat-Oberfläche beantwortet die Frage, die der Anwender tatsächlich hat. Genau in dieser Lücke – zwischen vorgedachten Fragen und tatsächlichen Fragen – entsteht die Umgehung.

Das ist kein BI-Versagen. Es ist eine Prozessverschiebung. Der Workflow, um zu einer Erkenntnis zu kommen, hieß bisher: Tool öffnen, zum Bericht navigieren, Filter setzen, Visualisierung interpretieren, Schluss ziehen. Heute heißt er: Frage stellen, Antwort bekommen. Aus fünf Schritten werden zwei. Und diese Verkürzung passiert, ob BI-Teams sie einplanen oder nicht.

Der unbequeme Teil: Die meisten BI-Teams sehen diese Umgehung gar nicht. Nutzungsmetriken zählen Dashboard-Aufrufe, nicht die Fragen, die dort nicht gestellt wurden. An jeder internen Kennzahl gemessen wirken die Dashboards kerngesund, während sich der eigentliche Entscheidungs-Workflow um sie herum neu organisiert.

Die Lösung: Decision Intelligence über Governance-abgesicherte natürliche Sprache

Erinnern Sie sich, was im Einzelhandel passierte, als die Selbstbedienungskasse kam. Die Prognose war einfach: weniger Kassierer. Die Realität sah anders aus. Selbstbedienungskassen haben Kassenkräfte nicht überflüssig gemacht – sie haben verändert, was diese tun. Die verbliebenen scannten keine Artikel mehr, sondern bearbeiteten Ausnahmen, lösten Streitfälle, managten die Fläche und überwachten sechs Maschinen gleichzeitig. Die Routinetransaktion wanderte an eine neue Schnittstelle. Urteilsvermögen und Governance blieben beim Menschen.

BI durchläuft denselben Übergang. Die Routinefrage – „Wie waren die Zahlen letzten Monat?“ – wandert an eine Chat-Schnittstelle. Die Governance, die Definitionen, die Qualitätssicherung – das bleibt beim BI-Team. Nur sieht der Job des BI-Teams jetzt grundlegend anders aus.

Die neue Architektur hat drei Schichten:

Regulierte Semantik als Fundament. Hier liegt die eigentliche Arbeit. Databricks Metric Views erlauben es, Geschäftskennzahlen – Umsatz, Churn, Auslastung – als governance-abgesicherte Objekte im Unity Catalog zu definieren. Wenn ein Anwender Genie fragt: „Wie hoch ist unsere Q1-Retention-Rate?“, erfindet der Agent keine Berechnung. Er zieht die governance-abgesicherte Definition. Der Metric View ist die Single Source of Truth – unabhängig davon, ob die Frage über ein Dashboard, ein Chatfenster oder eine Agenten-Pipeline kommt.

Natürliche Sprache als Explorationsschnittstelle. Dashboards bleiben die richtige Schnittstelle für Monitoring – die täglichen operativen Sichten, die Executive-Scorecards, die Alerts. Aber Exploration – die Ad-hoc-Fragen „Warum ist das passiert?“ und „Was wäre, wenn wir das ändern?“ – läuft zunehmend über natürliche Sprache. Databricks Genie und Microsoft Fabric Data Agents folgen demselben Muster: Der Anwender fragt in natürlicher Sprache, das System erzeugt eine governance-abgesicherte Abfrage und liefert eine direkte Antwort.

Audit und Aufsicht als menschliche Schicht. Jede Abfrage, die eine Chat-Oberfläche erzeugt, muss auditierbar sein. Welche Metrikdefinition wurde verwendet? Welche Filter wurden gesetzt? Wurde die Frage richtig interpretiert? Hier liefern BI-Profis einen Wert, den keine Chat-Schnittstelle ersetzt.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph TB
    subgraph OLD["Vorher: Dashboard-zentriert"]
        U1["Anwender"] --> D1["BI-Tool öffnen"]
        D1 --> D2["Zum Bericht navigieren"]
        D2 --> D3["Filter setzen"]
        D3 --> D4["Visualisierung interpretieren"]
        D4 --> D5["Schluss ziehen"]
    end

    subgraph NEW["Nachher: Regulierter Chat + Dashboards"]
        U2["Anwenderfrage"] --> ROUTE{"Fragetyp?"}
        ROUTE -->|"Monitoring"| DASH["Dashboard\n(operative Sichten)"]
        ROUTE -->|"Exploration"| CHAT["Chat-Oberfläche\n(Genie / Fabric Agent)"]
        CHAT --> SEM["Regulierte Semantik\n(Metric Views)"]
        DASH --> SEM
        SEM --> AUDIT["Audit-Schicht\n(Aufsicht durch BI-Team)"]
    end

    style OLD fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style NEW fill:#1a2540,stroke:#00ff88,color:#ffffff
    style ROUTE fill:#1a2540,stroke:#ffb347,color:#ffffff
    style SEM fill:#1a2540,stroke:#00d4ff,color:#ffffff
    style AUDIT fill:#1a2540,stroke:#00d4ff,color:#ffffff

Umsetzung: Was BI-Teams konkret tun sollten

Das ist kein Rip-and-Replace. Es ist eine Neudefinition der Rolle. So sieht der Übergang in der Praxis aus.

Schritt 1: Kartieren, wohin Fragen tatsächlich gehen. Bevor Sie irgendetwas ändern, prüfen Sie den realen Fragefluss. Wo stellen Anwender heute Datenfragen? Dashboard-Nutzungslogs sind der einfache Teil. Aber prüfen Sie auch: Fügen Leute Daten in ChatGPT ein? Stellen sie Fragen in Slack-Kanälen? Schicken sie Analysten E-Mails mit Ad-hoc-Anfragen, die nie ein Dashboard berühren? Diese Karte legt das Umgehungsmuster offen, das längst läuft.

Schritt 2: Zuerst das semantische Fundament bauen. Fangen Sie nicht mit der Chat-Schnittstelle an. Fangen Sie mit den governance-abgesicherten Definitionen an. In Databricks heißt das, Metric Views im Unity Catalog anzulegen – versionierte, dokumentierte Metrikdefinitionen, die jede Schnittstelle nutzen kann. Umsatz hat genau eine Definition. Churn hat genau eine Definition. Chat-Oberfläche und Dashboard ziehen beide aus demselben Governance-abgesicherten Semantic Layer.

Schritt 3: Chat für Exploration ausrollen, Dashboards für Monitoring behalten. Das ist Prozess-Redesign, keine Automatisierung. Sie automatisieren nicht das Dashboard – Sie gestalten den Explorations-Workflow neu. Dashboards bleiben für tägliches operatives Monitoring, KPI-Tracking, Alerting. Chat-Oberflächen (Genie Spaces, Fabric Data Agents) übernehmen die Ad-hoc-Fragen, die heute Ad-hoc-Anfragen an Analysten produzieren oder, schlimmer, unbeantwortet bleiben.

Schritt 4: Das BI-Team neu ausrichten. Der BI-Analyst, der 60 % seiner Zeit mit dem Bauen von Berichtsseiten verbracht hat, verbringt jetzt 60 % seiner Zeit mit semantischer Governance: Metriken definieren, vom Agenten generierte Abfragen prüfen, Grenzfälle prüfen, in denen die Sprachinterpretation mehrdeutig war. Das ist höherwertige Arbeit. Sie ist auch anspruchsvoller, und genau deshalb braucht es gezielte Investitionen.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
graph LR
    subgraph BEFORE["BI-Analyst-Rolle: Vorher"]
        B1["Dashboards bauen\n60%"] --- B2["Ad-hoc-Anfragen\n25%"]
        B2 --- B3["Datenqualität\n15%"]
    end

    subgraph AFTER["BI-Analyst-Rolle: Nachher"]
        A1["Semantische Governance\n40%"] --- A2["Abfrageprüfung\n25%"]
        A2 --- A3["Dashboard-Pflege\n20%"]
        A3 --- A4["Agenten-Tuning\n15%"]
    end

    BEFORE -->|"Prozess-Redesign"| AFTER

    style BEFORE fill:#1a2540,stroke:#ff6b6b,color:#ffffff
    style AFTER fill:#1a2540,stroke:#00ff88,color:#ffffff
    style B1 fill:#1a2540,stroke:#ffb347,color:#ffffff
    style A1 fill:#1a2540,stroke:#00d4ff,color:#ffffff

Beispiel: Wie Klarnas Kurswechsel das Muster illustriert

Klarnas Weg mit KI ist hier lehrreich. Das Unternehmen ersetzte 700 Mitarbeitende im Kundenservice durch KI – änderte dann den Kurs und stellte wieder Menschen ein, als sich zeigte, dass Geschwindigkeit allein nicht gleich Qualität ist. Die KI bewältigte Routinefragen schnell. Aber ihr fehlte der governance-abgesicherte Kontext, um mehrdeutige Fragen souverän zu beantworten.

Übertragen Sie dieses Muster auf BI. Stellen Sie sich einen Versicherer vor, dessen Schaden-Analytics-Team umfassende Power-BI-Dashboards betreibt – Schadenquoten je Produktlinie, Trends in der Schadenfrequenz, Sichten auf Reserveangemessenheit. Solide gebaut, solide gepflegt. Dann bekommen Underwriter Zugang zu einem Fabric Data Agent, der an dieselben Schadendaten angeschlossen ist. Innerhalb von Wochen läuft der Großteil der Ad-hoc-Schadenfragen – „Wie hoch ist die durchschnittliche Schadenhöhe in der gewerblichen Sachversicherung in der nordischen Region über die letzten 18 Monate?“ – über den Agenten statt über das Dashboard. Die Dashboard-Nutzung fürs Monitoring bleibt stabil. Aber der Explorations-Traffic verschwindet.

Das Schaden-Analytics-Team hat zwei Optionen: gegen den Wandel kämpfen oder die Rolle neu zuschneiden. Der kluge Zug ist die Neuausrichtung. Analysten wechseln vom Dashboard-Bau zur semantischen Governance – sie definieren und versionieren den Semantic Layer, aus dem sich sowohl die Dashboards als auch der Data Agent bedienen. Eine Person übernimmt die Rolle des Agenten-Auditors und prüft die Abfragen, die die Sprachschnittstelle erzeugt, um Fehlinterpretationen abzufangen, bevor sie Underwriting-Entscheidungen erreichen. Das Team mag schrumpfen, aber das verbleibende Team leistet höherwertige Arbeit, und Endanwender bekommen Antworten in Minuten statt in Tagen. Klarna hat es auf die harte Tour gelernt: Die KI-Schnittstelle ist nur so gut wie die governance-abgesicherte Bedeutung dahinter.

Strategisches Fazit

BI-Tools sterben nicht. Die Schnittstelle diversifiziert sich. Dashboards halten ihren Platz fürs Monitoring, aber Exploration – der unordentliche, situative „Ich habe gerade jetzt eine Frage“-Workflow – wandert an Sprachoberflächen, die durch governance-abgesicherte Semantik gestützt sind. Das BI-Team, das am Dashboard-Bauen als Kernidentität festhält, wird umgangen. Das Team, das auf semantische Governance umschwenkt, wird zum kritischsten Team im Daten-Stack – denn jede Chat-Oberfläche, jeder Agent, jede automatisierte Entscheidung hängt an den Definitionen, die es pflegt.

Aus Kassenkräften, die sich an Selbstbedienungskassen angepasst haben, wurden Flächenverantwortliche. Aus BI-Analysten, die sich auf agentenbasierte Schnittstellen einlassen, werden Semantic-Governance-Verantwortliche. Die Schnittstelle ändert sich. Das Urteilsvermögen bleibt.

Quellen

Daniel Piatkowski — Data & Analytics-Veteran, der AI-native Unternehmen prägt.