Teil 1 von 3 der Serie „KI auf Unternehmensdaten – verlässlich statt plausibel": Teil 1: ChatGPT vs. oneAgent (dieser Artikel) · Teil 2: Korrektes SQL, falsche Kennzahl · Teil 3: Data Warehouse mit KI abfragen
„Wir haben doch schon ChatGPT."
Diesen Satz höre ich in Gesprächen über oneAgent regelmäßig. Die Frage dahinter ist berechtigt:
Warum braucht ein Unternehmen eine spezialisierte Lösung wie oneAgent, wenn es bereits ChatGPT, Claude oder Gemini nutzt?
Die einfache Antwort wäre: Weil diese Tools nicht auf Unternehmensdaten zugreifen können.
Doch das stimmt so nicht mehr.
Allgemeine KI-Assistenten können Dateien analysieren und über Integrationen auf Unternehmenssysteme zugreifen. Die entscheidende Frage lautet deshalb nicht:
Kann die KI auf unsere Daten zugreifen?
Sondern:
Kann sie diese Daten nach unseren fachlichen Regeln verstehen und verlässlich auswerten?
Genau an dieser Stelle beginnt die Lücke, die wir mit oneAgent schließen.
Datenzugriff ist noch kein Datenverständnis
Stellen wir eine vermeintlich einfache Frage:
„Wie hoch war unser Umsatz im letzten Monat?"
Für einen Menschen klingt das eindeutig. Im Datenmodell stecken dahinter jedoch viele Entscheidungen:
- Brutto oder netto?
- vor oder nach Rabatten?
- werden Retouren abgezogen?
- zählen stornierte Bestellungen?
- gilt das Bestell-, Liefer- oder Rechnungsdatum?
- welche Gesellschaften und Währungen gehören dazu?
Eine KI kann Zugriff auf alle benötigten Tabellen haben und trotzdem eine andere Umsatzdefinition verwenden als das Controlling oder Power BI.
Das Ergebnis kann überzeugend formuliert und technisch korrekt berechnet sein – und dennoch fachlich falsch. Wie genau das passiert, zeigen wir in Teil 2: Korrektes SQL, falsche Kennzahl.
Deshalb ist bei KI-Datenanalyse nicht nur wichtig, welches Sprachmodell verwendet wird.
Wichtiger ist:
Welche geprüfte Unternehmenslogik wird für die Antwort angewendet?
Was allgemeine KI-Assistenten sehr gut können
ChatGPT, Claude und Gemini sind leistungsfähige Allround-Assistenten. Sie können:
- Texte schreiben und zusammenfassen,
- Dokumente analysieren,
- Informationen aus verschiedenen Quellen zusammentragen,
- Ideen entwickeln,
- Dateien auswerten,
- und über Integrationen auf Arbeitssysteme zugreifen.
Ihre Stärke liegt in der Breite. Sie sollen möglichst viele Aufgaben für möglichst viele Menschen lösen.
oneAgent wurde dagegen für eine deutlich spezifischere Aufgabe entwickelt:
Geschäftliche Fragen in natürlicher Sprache auf Basis strukturierter Unternehmensdaten zu beantworten.
Ein Sprachmodell kennt Ihre Regeln nicht automatisch
Ein allgemeiner KI-Assistent kennt Sprache und Zusammenhänge.
Er kennt aber nicht automatisch:
- Ihre Umsatzdefinition,
- Ihre erlaubten Tabellenbeziehungen,
- Ihre Standardfilter,
- Ihre Rollen und Berechtigungen,
- oder die Unterschiede zwischen fachlich ähnlichen Kennzahlen.
Natürlich lassen sich solche Regeln auch rund um ein allgemeines Sprachmodell aufbauen.
Dann benötigt das Unternehmen jedoch unter anderem:
- dokumentierte Datenmodelle,
- eigene Integrationen,
- Kennzahlendefinitionen,
- Berechtigungslogik,
- Validierungen,
- und eine Benutzeroberfläche.
Damit nutzt man nicht mehr einfach nur ChatGPT, Claude oder Gemini.
Man entwickelt eine eigene Datenanwendung auf Basis eines Sprachmodells.
Genau hier beginnt die Build-or-Buy-Entscheidung.
Welche Lücke oneAgent schließt
oneAgent soll ChatGPT nicht beim Schreiben von E-Mails, bei Recherche oder Programmierung ersetzen.
oneAgent verbindet drei Ebenen:
- die Frage eines Fachanwenders,
- die bestehende Datenplattform,
- die geprüfte Logik hinter den Unternehmenskennzahlen.
Wie das auf einem vorhandenen Data Warehouse konkret aussieht, zeigt Teil 3: Data Warehouse mit KI abfragen.
Daraus ergeben sich einige zentrale Unterschiede.
Kennzahlen werden nicht bei jeder Frage neu erfunden
Umsatz, Marge oder Retourenquote sollten nicht bei jeder Anfrage neu interpretiert werden.
Die fachliche Logik wird zentral definiert und kontrolliert verwendet.
Das Sprachmodell versteht die Frage. Die Kennzahlenlogik berechnet die Antwort.
Das Datenmodell erhält fachlichen Kontext
Tabellen- und Spaltennamen reichen selten aus.
Eine Spalte namens amount kann Rechnungswert, Bestellwert oder Zahlungseingang bedeuten. oneAgent verbindet technische Metadaten deshalb mit fachlichem Wissen:
- Was bedeutet die Tabelle?
- Welche Spalten sind relevant?
- Wie hängen die Daten zusammen?
- Welche Beziehungen dürfen genutzt werden?
Bei Mehrdeutigkeit wird nachgefragt
Eine schnelle Antwort ist nicht automatisch eine gute Antwort.
Ist eine Frage unklar, sollte das System nicht einfach eine Interpretation auswählen.
Es sollte beispielsweise fragen:
„Meinen Sie den Umsatz nach Bestell- oder Rechnungsdatum?"
Rückfragen sind kein Zeichen von Schwäche. Sie verhindern, dass eine überzeugend formulierte Antwort auf der falschen Interpretation basiert.
Berechtigungen gelten auch im Chat
Ein AI Agent darf einem Nutzer nicht mehr Daten zeigen, als dieser sehen darf.
Berechtigungen müssen deshalb bis in die konkrete Abfrage hinein berücksichtigt werden – etwa für Gesellschaften, Regionen, Standorte oder sensible Daten.
Ergebnisse können weiterverwendet werden
Viele Fragen wiederholen sich:
- Wie entwickelt sich der Umsatz?
- Welche Kostenstellen liegen über Plan?
- Welche Produkte verlieren an Marge?
In oneAgent können relevante Ergebnisse gespeichert und für Dashboards weiterverwendet werden.
Aus einer spontanen Frage wird so eine dauerhaft nutzbare Auswertung.
Ein konkretes Beispiel
Ein Geschäftsführer fragt:
„Warum ist unser Umsatz im Mai gesunken?"
Für eine belastbare Antwort müssen unter anderem folgende Fragen geklärt sein:
- Welche Umsatzdefinition gilt?
- Welche Datumslogik gehört dazu?
- Wie werden Stornierungen und Retouren behandelt?
- Welche Vergleichsperiode ist sinnvoll?
- Welche Daten darf der Nutzer sehen?
- Ist die Frage eindeutig?
Erst danach lässt sich sinnvoll analysieren, welche Produkte, Regionen oder Kundengruppen den Rückgang verursacht haben.
Der Unterschied liegt nicht primär im formulierten Erklärungstext.
Er liegt darin, wie die Zahl davor entstanden ist.
Allgemeiner KI-Assistent und oneAgent im Vergleich
| Frage | Allgemeiner KI-Assistent | oneAgent |
|---|---|---|
| Hauptaufgabe | Universeller Assistent für viele Arbeitsbereiche | Spezialisierte Analyse strukturierter Unternehmensdaten |
| Datenzugriff | Über Uploads, Apps, Integrationen oder MCP | Über angebundene Unternehmensdaten und bestehende Datenplattformen |
| Kennzahlenlogik | Muss individuell bereitgestellt oder zusätzlich entwickelt werden | Zentraler Bestandteil der Analyse |
| Tabellenbeziehungen | Können aus Kontext und Dokumentation abgeleitet werden | Werden fachlich modelliert und kontrolliert verwendet |
| Mehrdeutige Fragen | Abhängig von Modell, Prompt und Konfiguration | Gezielte Rückfragen sind Teil des Analyseprozesses |
| Berechtigungen | Je nach Produkt, Integration und Konfiguration | Müssen bis zur konkreten Datenabfrage berücksichtigt werden |
| Wiederverwendung | Antworten bleiben häufig Teil einzelner Chats | Ergebnisse können gespeichert und in Dashboards genutzt werden |
| Typischer Einsatz | Recherche, Dokumente, Texte und allgemeine Aufgaben | Wiederkehrende und entscheidungsrelevante Fragen an Unternehmensdaten |
Die Tabelle bedeutet nicht, dass allgemeine Plattformen die rechte Seite grundsätzlich nicht abbilden können – sie zeigt, was bei den Produkten standardmäßig im Mittelpunkt steht.
Wann ein allgemeiner KI-Assistent ausreicht
ChatGPT, Claude oder Gemini können eine gute Wahl sein, wenn:
- eine einzelne Excel- oder CSV-Datei untersucht wird,
- es um eine explorative Analyse geht,
- keine verbindliche Unternehmenskennzahl betroffen ist,
- Dokumente zusammengefasst werden sollen,
- oder ein technisches Team bewusst eine eigene Lösung entwickelt.
Wir nutzen allgemeine KI-Assistenten selbst täglich. Worauf Sie dabei mit sensiblen Daten achten sollten, lesen Sie in Firmendaten in ChatGPT eingeben? und Kundendaten in ChatGPT eingeben.
Die Frage lautet deshalb nicht:
„Welches Tool ist grundsätzlich besser?"
Sondern:
Für welche Aufgabe wurde es gebaut?
Wann eine spezialisierte Lösung sinnvoll wird
oneAgent wird relevant, wenn:
- aktuelle Unternehmensdaten regelmäßig abgefragt werden,
- mehrere Tabellen oder Datenquellen zusammenspielen,
- Kennzahlen einheitlich definiert sein müssen,
- Ergebnisse geschäftliche Entscheidungen beeinflussen,
- unterschiedliche Benutzer verschiedene Daten sehen dürfen,
- und Fachanwender ohne SQL- oder DAX-Kenntnisse arbeiten sollen.
Je wichtiger eine Datenfrage ist, desto wichtiger werden Kontrolle und Nachvollziehbarkeit. Einen direkten Funktionsvergleich, auch gegenüber Excel, finden Sie unter oneAgent vs. Excel & ChatGPT.
Warum wir oneAgent bauen
Als wir uns intensiver mit KI-Datenanalyse beschäftigt haben, wurde schnell klar:
Das Sprachmodell allein ist nicht das Produkt.
Die schwierigen Fragen beginnen erst danach:
- Was bedeutet eine Kennzahl?
- Welche Daten gehören dazu?
- Welche Beziehungen sind korrekt?
- Wann muss das System nachfragen?
- Wie verhindern wir plausible, aber falsche Zahlen?
- Wie ermöglichen wir mehr Menschen Datenzugang, ohne Governance aufzugeben?
Deshalb bauen wir oneAgent nicht als weiteren allgemeinen Chatbot.
Wir bauen eine kontrollierte Zugriffsschicht zwischen den Menschen im Unternehmen und der vorhandenen Datenlogik.
Flexibel wie ChatGPT. Kontrolliert wie BI. Sicher für Unternehmensdaten.
Fazit
ChatGPT, Claude und Gemini können auf Unternehmensinformationen zugreifen.
Doch Datenzugriff beantwortet noch nicht:
- was Umsatz bedeutet,
- welche Berechnung freigegeben ist,
- welche Beziehungen korrekt sind,
- und welche Daten ein Nutzer sehen darf.
Die entscheidende Lücke liegt zwischen Sprache und Unternehmenslogik.
Oder einfacher gesagt:
ChatGPT, Claude und Gemini verstehen Ihre Frage. oneAgent versteht zusätzlich, nach welchen Regeln Ihr Unternehmen die Antwort berechnet.
Weiterlesen
Im zweiten Teil der Serie zeigen wir an konkreten Beispielen, wie SQL technisch fehlerfrei laufen und trotzdem die falsche Kennzahl liefern kann. Weiter zu Teil 2: Korrektes SQL, falsche Kennzahl.