heise+ | Proof of Concept: Dialogansatz zur Datenanalyse

Wer kennt sie nicht: die ikonischen Szenen, in denen Tony Stark mit einem Wink mit der Hand und einem lässig hingeworfenen Satz – „JARVIS, zeig mir die Energiebilanz der letzten 48 Stunden“ – sofort eine präzise, visuell aufbereitete Analyse auf dem Bildschirm hat. Kein Dashboard-Klicken, kein Warten auf den nächsten Report, keine Rückfrage beim BI-Team. Nur Dialog und Ergebnis.

Popkultur hat unsere Erwartungen an den Umgang mit Daten und Künstlicher Intelligenz geprägt: Analyse erfolgt im Dialog, Fragen entstehen spontan, Antworten sind verständlich und kontextbezogen – wie im Gespräch zwischen Tony Stark und J.A.R.V.I.S. im MCU (Marvel Cinematic Universe). Mit dem Einsatz von KI in Reporting und Analytics scheint diese Vision greifbar. In der Praxis zeigt sich jedoch schnell: Ohne ein sauberes Datenmodell, klare Semantik und fachlichen Kontext bleibt intelligente Analyse eine Illusion. Im Rahmen eines Proof of Concept prüften wir die Machbarkeit von Datenanalyse im Dialog mit dem Ziel, alte Dashboards abzulösen und die Zielgruppe der Datennutzung signifikant auszuweiten. Dieser Artikel teilt die gesammelten Erfahrungen und strukturelle Dilemmata des Paradigmas und soll Orientierung für Verantwortliche in diesem Umfeld geben.

Diese Bilder aus der Popkultur haben unsere kollektive Erwartung an Künstliche Intelligenz im Unternehmenskontext nachhaltig geprägt. Und tatsächlich: Mit dem Aufkommen großer Sprachmodelle und entsprechender Produkte scheint die technische Basis für genau dieses Szenario erstmals greifbar. Das Wertversprechen „Mit den Daten sprechen“ beziehungsweise „Talk with your data“ findet sich zunehmend als Argument in der Vermarktung solcher Lösungen. Das Potenzial ist real: Verlässliche Sprachinteraktion demokratisiert den Datenzugang über BI-Experten oder bestehende Self-Service-Funktionalitäten hinaus.

Genau diesen Anspruch haben wir bei einem großen internationalen Konzern in einem Proof of Concept (PoC) auf den Prüfstand gestellt. Die Antwort aus dem Projekt ist differenziert. Einfache Abfragen auf vorbereiteten Modellen funktionieren bereits überzeugend. Auch explorative Anwendungsfälle profitieren teilweise. Gleichzeitig gibt es klare Grenzen: bei komplexen kontextabhängigen Fragen, bei prüfungsrelevanten Anforderungen und bei unzureichend vorbereiteten Datenmodellen. Die Gründe sind sowohl im Erwartungsmanagement als auch im technischen Bereich zu suchen.

heise+ | Proof of Concept: Dialogansatz zur Datenanalyse – was sind die Grenzen?

Popkultur prägt KI-Erwartungen wie J.A.R.V.I.S. Ein PoC zeigt: Dialog-Analytics braucht saubere Datenmodelle. Der Artikel teilt Erfahrungen für Entscheider.