Generative Business Intelligence: Mit Ihren Daten sprechen

(Teil 2 der Serie: Die ERP-Intelligenz-Evolution: Von Daten zu Agenten)

In Teil 1haben wir die Taxonomie definiert.
Wir haben festgestellt, dass GenAI der „Assistent“ ist, der Kontext versteht. Bevor dieser Assistent jedoch Aufgaben übernehmen kann ( ähnlich der zukünftigen Agenten-KI), muss er zunächst eine einfachere, aber revolutionäre Fähigkeit beherrschen: Fragen zu Ihren Daten beantworten.

Um die notwendige Grundlage für die autonomen Agenten der Zukunft zu schaffen, müssen wir zunächst eine fehlerhafte Schnittstelle reparieren: die Benutzererfahrung mit Daten.

Die Standardschnittstelle für ERP-Daten ist das Dashboard. Moderne BI-Tools sind zwar leistungsstark, schaffen aber oft eine Kluft zwischen dem Ersteller (der den Bericht erstellt) und dem Nutzer (der ihn liest). Fragt ein CEO : „Warum ist die Marge in Italien gesunken?“, zeigt das Dashboard die Zahl an. Um die Ursache zu finden, muss der Nutzer häufig filtern, detaillierte Analysen durchführen oder – falls die gewünschte Aufschlüsselung nicht vordefiniert ist – einen Analysten bitten, eine neue Ansicht zu erstellen.

Generative Business Intelligence (GenBI) schließt diese Lücke. Sie verschiebt das Paradigma von der Konfiguration von Berichten hin zur Interaktion mit Live-Daten.

Die Grenzen der statischen BI

Traditionelle Business Intelligence basiert auf einem „konstruktiven Antwortmodell“ :

1. Der Analyst rechnet mit geschäftlichen Fragen (z. B. „Umsatz nach Regionen“).
2. Sie erstellen einen Bericht oder eine Pivot-Tabelle.
3. Der Benutzer konsumiert es.

Die Einschränkung: Während fortgeschrittene Benutzer diese Berichte anpassen können, fehlt es Geschäftsanwendern oft an Zeit oder technischem Know-how dafür. Wenn ihre Frage nicht durch die vorhandenen Filter abgedeckt wird – beispielsweise„Umsatz nach Region anzeigen, aber die aus dem dritten Quartal ausgelaufenen Artikel ausschließen“ –,kommt der Workflow zum Erliegen. Sie sind auf die vorgegebene Berichtsstruktur angewiesen.

Die „Text-zu-SQL“-Revolution

GenBI ermöglicht es jedem Benutzer, Daten mithilfe natürlicher Sprache abzufragen und ersetzt so die Notwendigkeit von Drag-and-Drop-Funktionen durch eine Chatleiste. Dies basiert auf einer speziellen KI-Architektur namens Text-to-SQL.

Bei Verwendung einer GenBI-Schnittstelle (wie Wren AI oder den Funktionen für natürliche Sprachabfragen in Infor OS) ändert sich der Arbeitsablauf:

1. Die Eingabeaufforderung: Der Benutzer fragt: „Zeig mir offene Bestellungen des Lieferanten 'SteelCorp', die um mehr als 5 Tage überfällig sind.“
2. Die Übersetzung (LLM): Das Large Language Model analysiert die Anfrage.
3. Die semantische Ebene (der Schlüssel): Die KI greift auf eine „semantische Ebene“ zurück (ein Geschäftsglossar, das Begriffe Datenbanktabellen zuordnet). Sie versteht, dass „Lieferant“ sich auf tccom100 bezieht und „Verzögert“ bedeutet, dass das geplante Empfangsdatum mit dem heutigen Datum verglichen wird.
4. Die Ausführung: Es wird eine präzise SQL-Abfrage generiert, diese im Data Lake ausgeführt und das Live-Ergebnis zurückgegeben.

Warum die semantische Schicht so wichtig ist: Ohne eine semantische Schicht (wie die Data Fabric in Infor OS) kann GenBI nicht zuverlässig funktionieren. Wenn die KI nicht genau weiß, wie das ERP-System „Bruttomarge“ oder „pünktliche Lieferung“ definiert, generiert sie fehlerhafte Abfragen. Die Technologie ist nur so gut wie die zugrunde liegenden Datendefinitionen.

Von „Suche“ zu „Navigation“

Das Ziel von GenBI im ERP-Kontext ist es, die Zeit bis zur Erkenntnisgewinnung zu verkürzen. Betrachten Sie den Unterschied im täglichen Arbeitsablauf:

Der Standardweg: Sie sehen einen roten KPI. Sie navigieren zum Menü. Sie öffnen die Sitzung „Verkaufsauftrag“. Sie filtern nach Datum. Sie filtern nach Status. Sie finden den Auftrag. Schließlich öffnen Sie ihn.

Der GenBI-Weg:

• Frage: „Zeigen Sie mir die 5 kritischen Bestellungen, die aufgrund einer Bonitätsprüfung blockiert wurden.“
• Ansicht: Das System liefert sofort die genaue Liste der Bestellnummern.
• Navigation: Sie kopieren die ID (oder klicken auf den Deep Link) und gelangen direkt zu der entsprechenden Sitzung, um diese zu entsperren.

Der entscheidende Vorteil: Sie haben die Aktion (noch) nicht automatisiert, aber Sie haben die Zeit für die Recherche, die erforderlich ist, um herauszufinden, was Aufmerksamkeit erfordert, vollständig eliminiert.

Video ansehen: So funktionieren Text-zu-SQL-Schnittstellen in der Praxis:

Der Aufstieg der Text-zu-SQL-Tools

Dieser Wandel findet nicht nur in einem einzigen Ökosystem statt. Wir beobachten einen exponentiellen Anstieg von Tools, die sich der Lösung des Problems „Chat mit Datenbank“ widmen.

Hier sind einige wichtige Akteure, die diesen Bereich neu gestalten:

• Wren AI: Eine Open-Source-Semantik-Engine mit Fokus auf Genauigkeit. Ihre Stärke liegt in der Verwendung einer „Modellierungsdefinitionssprache“ (MDL) zur Erstellung der bereits erwähnten entscheidenden semantischen Schicht. Dadurch wird sichergestellt, dass die KI Geschäftslogik und nicht nur Tabellennamen versteht.
• Vanna AI: Eine Python-basierte Open-Source-Bibliothek, mit der Entwickler ein Modell speziell für ihr Datenbankschema trainieren können (mittels RAG). Sie bietet hohe Flexibilität für die Entwicklung kundenspezifischer interner Tools.
• Text2SQL.ai / Dataherald: Spezialisierte Plattformen, die sich häufig auf Data-Warehousing-Kontexte konzentrieren und „API-first“-Ansätze bieten, um natürlichsprachliche Abfragen in bestehende Dashboards einzubetten.

Der Unterschied: Während Tools wie Vanna Bibliotheken für Entwickler zur Erstellung individueller Lösungen darstellen, zielen Plattformen wie Wren AI darauf ab, vollwertige GenBI-Schnittstellen für Geschäftsanwender zu bieten. Bei Infor werden diese Funktionen direkt in die Betriebssystemplattform integriert, die zugrundeliegende Logik bleibt jedoch dieselbe.

Der Realitätscheck

Die Technologie ist zwar vorhanden, aber die Implementierung von GenBI in einem komplexen ERP-System für die Fertigungsindustrie ist schwieriger als in einem einfachen CRM-System.

• Komplexität: Infor LN enthält Tausende von Tabellen. Die KI benötigt einen enormen Kontextspeicher , um diese Beziehungen zu verstehen.
• Vertrauen: Wenn die KI meldet „Der Lagerwert beträgt 5 Mio. $“, der Finanzbericht aber Finance 5,2 Mio. $“ ausweist, schwindet das Vertrauen der Nutzer sofort.

GenBI ist das Trainingsfeld für die Zukunftdie Kontrolle überlassen Agentic AI (siehe Teil 3) interpretiert . Kann es eine Frage nicht richtig beantworten, ist es erst recht nicht vertrauenswürdig genug, um eine Aufgabe autonom auszuführen.

Als Nächsteswerden wir die „Agenten-Wahnvorstellung“– und untersuchen, warum der Hype um vollautonome Agenten oft mit der starren Realität von ERP-Transaktionen kollidiert und eine ernsthafte „Human-in-the-Loop“-Strategie erfordert.

Verfasst von Andrea Guaccio 

22. Dezember 2025