Antworten in Minuten, nicht in Tickets.
Ein internationaler Konsumgüter-Konzern wollte Vertrieb und Marketing direkten Zugriff auf die eigenen Geschäftszahlen geben - in natürlicher Sprache, ohne den Umweg über das BI-Team. Entscheidend war: die Antworten mussten so verlässlich sein, dass sie ohne weitere Prüfung in Vorstands-Decks landen können.
Ausgangslage
Das BI-Team des Kunden bediente jedes Quartal mehrere hundert Ad-hoc-Auswertungen für Vertrieb, Trade Marketing und Category Management. Die Wartezeit lag häufig bei mehreren Tagen - oft genug für eine Frage, die in wenigen Minuten beantwortbar gewesen wäre. Parallel hatten sich Excel-Exports als Schatten-Stack etabliert, mit dem bekannten Effekt: jede Abteilung rechnete mit leicht anderen Zahlen.
Was wir bewusst nicht gemacht haben
Wir haben die KI nicht direkt auf die Datenbank zugreifen lassen. Eine Lösung, in der das Sprachmodell die Abfrage selbst formuliert und ausführt, sieht in der Demo eindrucksvoll aus - und versagt im Tagesbetrieb spätestens dann, wenn die Antworten in Vorstands-Decks landen sollen. Unbemerkte Fehlinterpretationen, verwechselte Spalten, stille Auslassungen: in einem Konzern-Umfeld nicht reparierbar. Wir haben die KI an der Stelle eingesetzt, an der sie verlässlich ist - beim Verstehen der Frage - und alles, was deterministisch sein muss, in einer kontrollierten Schicht ausgeführt.
Was wir tatsächlich aufgebaut haben
- Eine natürlich-sprachliche Eingabe für die Fachbereiche - keine SQL-Kenntnisse, keine neue UI-Hürde.
- Ein deterministischer Zwischenschritt zwischen Sprache und Daten: die KI versteht die Frage, eine kontrollierte Schicht übersetzt sie in eine geprüfte Abfrage gegen das offizielle Datenmodell.
- Ergebnisse in der Anmutung, die die Empfänger gewohnt sind: Tabelle im Browser, Diagramm oder Excel-Export.
- Auditierbarer Nachweis: für jede Antwort sind Quelle, Filter und Berechnung dokumentiert und für die Fachbereiche einsehbar.
- Mehrere KI-Anbieter im Hintergrund - die Plattform ist nicht an einen einzelnen Vertragspartner gebunden.
Was nicht funktioniert hat
Die erste Version ließ die KI auch die Darstellung wählen. Das Ergebnis: die gleiche Frage führte mal zu einem Säulendiagramm, mal zu einer Tabelle, mal zu einer Heatmap - und die Fachbereiche verloren das Vertrauen, weil "die Zahlen anders aussahen". Wir haben die Darstellung deterministisch nach Datentyp und Aggregation festgelegt und die KI auf das beschränkt, was sie verlässlich kann: die Frage zu verstehen.
Strategischer Hebel
Der entscheidende Hebel war die saubere Trennung: KI für das Verstehen, kontrollierte Schicht für die Ausführung. Die KI bekommt nur dort Verantwortung, wo sie robust ist - bei Sprache. Alles, was deterministisch sein muss (Definitionen, Filter, Berechnungen), läuft über klar geprüfte Logik. Damit werden Fehlinterpretationen an der Quelle abgeschnitten, nicht nachträglich gefiltert - das ist die Voraussetzung dafür, dass Vertriebs- und Vorstands-Reporting der Antwort vertraut.
Was wir heute anders machen würden
Wir hätten den Umgang mit Synonymen früher robust gemacht. In den ersten Wochen Produktion lieferte das System bei abweichenden Begriffen ("Umsatz" vs. "Netto-Erlös") regelmäßig die falsche Kennzahl - mit entsprechendem Vertrauensverlust. Heute pflegen wir Begriffs-Vereinbarungen Schema-nah; in einem nächsten Projekt würden wir diese Schicht von Beginn an mit den Fachbereichen abstimmen.
Self-Service-Analytics ohne falsche Zahlen?
45 Minuten. Wir zeigen Ihnen, wo die KI Verantwortung bekommen kann - und wo nicht.