Warum KI allein für die Geschäftsanalytik nicht ausreicht

KI-gestützte Analysen sind eine verlockende Aussicht: Ein paar Tastenanschläge genügen, und schon werden Ihre Fragen beantwortet – ganz ohne Aufwand.

KI (insbesondere große Sprachmodelle wie Claude, ChatGPT und Gemini) ist hervorragend darin, Antworten auf der Grundlage von Informationen aus dem Internet zu generieren. Und Ihr Unternehmen verfügt über weitaus weniger Daten als das Internet. Richten Sie also ein paar MCP-Server ein, verbinden Sie Ihr großes Sprachmodell mit Ihren Daten – und schon könnte es sich so anfühlen, als wären Sie im Geschäft.

Leider ist das nicht der Fall.

Es gibt eine Vielzahl spezifischer Herausforderungen, die zwischen Ihnen und dem Erfolg mit KI-gestützter Geschäftsanalytik stehen. Diese Herausforderungen sind sehr real, aber nicht unüberwindbar. Hier erfahren Sie, um welche Herausforderungen es sich handelt und wie Sie sie bewältigen können.

Business Analytics kann sich nicht auf Allgemeinwissen stützen

Bittet man eine unkontrollierte KI, die „Abwanderungsrate“ zu analysieren, besteht eine gewisse Wahrscheinlichkeit, dass sich ihre Antwort auf die Butterproduktion bezieht statt auf die Kundenbindung.

Und selbst wenn das KI-Modell tatsächlich dieselbe Definition von „Abwanderungsrate“ verwendet, die Sie meinen, gibt es immer noch zahlreiche Bedeutungsebenen, die definiert werden müssen:

• Definitionen der Kennzahlen: Wie berechnet Ihr Unternehmen konkret die „Abwanderungsrate“?
• Geschäftliche Definitionen: Wenn die Abwanderungsrate auf aktiven Kunden basiert, gelten Nutzer einer kostenlosen Testversion dann als Kunden? Gilt ein einzelner Nutzerplatz innerhalb einer Unternehmenslizenz als Kunde oder ist das Unternehmen der Kunde? Wird der Status „aktiv“ anhand des Kontostatus des Kunden oder anhand seiner Produktnutzung bestimmt?
• Datenbeziehungen: In welcher Datenquelle sind die Kundeninformationen gespeichert? Wie sollen diese Kundendatensätze mit den Produktaktivitätsdatensätzen abgeglichen werden? 
• Organisatorische Regeln: Wer ist für die Definition eines Begriffs oder die Pflege eines „ Datensatz “ zuständig? 
• Zugriffsberechtigungen: Sind Sie überhaupt berechtigt, die Abwanderungsrate des Unternehmens zu erfahren?

Jede dieser Fragen kann je nach Organisation eine andere, aber durchaus berechtigte Antwort haben.

Es lässt sich nicht gewährleisten, dass Ihr LLM anhand allgemeiner Informationen aus dem Internet die für Ihr Unternehmen spezifische, richtige Antwort auf jede einzelne dieser Fragen ableiten kann. Und es lässt sich nicht feststellen, welche Schlussfolgerungen Ihr LLM tatsächlich gezogen hat. Die für die Geschäftsanalytik erforderliche Präzision und Transparenz sind einfach nicht gegeben. Training

Der Zugriff auf Daten allein reicht nicht aus

Wenn „allgemeine Informationen aus dem Internet“ dem LLM nicht genügend Kontext liefern, reicht es dann aus, es mit Ihren eigenen Daten zu verknüpfen, um diesen Kontext zu schaffen? Training

Nein. Ihre Rohdaten enthalten nicht genügend Kontext, damit Ihr LLM die richtigen Antworten ableiten kann.

Mehrdeutigkeit

Wenn Sie sich fragen, wo, warum und wie, dann gibt es Unklarheiten in den Daten Ihres Unternehmens.

Das zeigt sich auf die unterschiedlichsten Arten.

Beispielsweise könnten metrische Berechnungen aus folgenden Gründen inkonsistent sein:

• Zu einer Kennzahl gibt es keine Dokumentation darüber, wie sie berechnet werden soll.
• Eine Kennzahl wurde von mehreren Geschäftsbereichen dokumentiert, und die dokumentierten Berechnungen weichen alle voneinander ab.
• Eine Kennzahl ist an einer Stelle dokumentiert, und verschiedene Geschäftsbereiche beziehen die Daten für die Berechnung aus unterschiedlichen Quellen.

Oder vielleicht gibt es in Ihrem Unternehmen widersprüchliche Auslegungen von Geschäftskonzepten. Denken Sie an das zuvor genannte Beispiel „Sind Nutzer einer kostenlosen Testversion aktive Kunden?“ zurück: Es ist klar, dass ein Geschäftsbereich dies bejahen könnte, ein anderer verneinen und sagen könnte, sie seien keine Kunden, und wieder ein anderer verneinen und sagen könnte, sie seien nicht aktiv.

Die Mehrdeutigkeit von Geschäftsbegriffen kann sogar noch grundlegenderer Natur sein: Bezieht sich der Begriff „dieses Jahr“ auf das aktuelle Kalenderjahr oder auf das aktuelle Geschäftsjahr?

Das bloße Verbinden eines LLM mit Ihrer Datenbank wird daran nichts ändern.

Langfristig wird dies die Situation sogar noch verschlimmern: KI ist, bekanntermaßen stets selbstsicher in ihren Antworten. Diese falsche Zuversicht, wenn man sie für bare Münze nimmt, wird zunächst die unsichere und inkonsistente Realität Ihrer Daten und Analysen verschleiern und dann das Vertrauen untergraben, wenn Entscheidungen, die auf falschen Ergebnissen basieren, scheitern.

Gartner schätzt, dass innerhalb der nächsten zwei Jahre 60 % der Projekte im Bereich der agentenbasierten Analytik, die sich ausschließlich auf MCP stützen, aufgrund einer fehlenden einheitlichen Ebene scheitern werden – mit anderen Worten: Sie werden scheitern, weil die Verbindung zwischen KI und Daten keine Orientierung hat. 

Falsche Verknüpfungen

Einer der Gründe, warum Business Analytics so schwierig ist, liegt darin, dass man die benötigten Daten fast immer aus mehreren Tabellen beziehen muss, die sich in der Regel auf verschiedene Systeme verteilen.

Wenn doch nur jede „ Aufzeichnung “ einen perfekten Primärschlüssel hätte und jeder Sekundärschlüssel systemübergreifend vergleichbar wäre. Da wir und unsere Daten jedoch beide in der Realität angesiedelt sind, ist das zuverlässige Verknüpfen von Daten aus verschiedenen Quellen bei weitem nicht so einfach.

Stattdessen muss man jedes Mal, wenn man Daten zusammenführt, Folgendes wissen:

• Was ist der richtige Schlüssel für diese Verknüpfung?
• Welche Kardinalität hat die Verknüpfung?
• Ist die Kardinalität gerichtet?
• Welche Art von Verknüpfung eignet sich für die Analyse, die Sie durchführen möchten?

Einem KI-Agenten Zugriff auf Ihre Spaltennamen zu gewähren, wird diese Fragen nicht beantworten.

Sicherheitsbedenken

Daten gehören zu den wertvollsten Vermögenswerten Ihres Unternehmens, und damit sind auch entsprechende Sicherheitsbedenken verbunden. Wenn Sie einem KI-Agenten Zugriff auf Ihre Datenquellen gewähren, müssen Sie eine Reihe von Faktoren berücksichtigen.

Nutzer Zugriffskontrolle 

Ein Teil der Attraktivität von KI-Analysen liegt in ihrem Potenzial, den Zugang zu Analysen innerhalb Ihres Unternehmens erheblich zu erweitern. Eine Folge der breiteren Verfügbarkeit von Analysen ist jedoch, dass auch Ihre Daten einem breiteren Kreis zugänglich gemacht werden – und es gibt nur wenige Unternehmen, die jedem Mitarbeiter uneingeschränkten Zugriff auf jedes System gewähren.

Es kommt weitaus häufiger vor, dass Mitarbeiter unterschiedliche Zugriffsrechte auf verschiedene Arten und Quellen von Daten haben. Sofern Sie jedoch nicht für jede einzelne Variante des Datenzugriffs ein separates KI- Deployment erstellen – was aus verschiedenen Gründen keine gute Idee ist –, wird Ihr KI-Modell Zugriff auf Daten haben, für deren Einsicht ein bestimmter „ Nutzer “ nicht autorisiert ist.

Durch die Verbindung eines KI-Agenten mit Ihrer Datenquelle erhält dieser keinerlei Kontext darüber, auf welche Daten ein bestimmter „ Nutzer “ zugreifen darf und auf welche nicht.

Compliance und vertragliche Fragen

Wenn Sie der DSGVO unterliegen, müssen Sie sicherstellen, dass Ihre neuen KI-gestützten Analysen Sie nicht in Schwierigkeiten bringen, weil Sie einen nicht genehmigten Unterauftragsverarbeiter einsetzen.

Und es sind nicht nur Vorschriften wie die DSGVO, BCBS 239 oder das EU-KI-Gesetz, um die Sie sich Gedanken machen müssen: Hinzu kommen alle Vereinbarungen über die Speicherung, Nutzung und Aufbewahrung von Daten, die Sie mit Ihren Kunden, Partnern und Lieferanten getroffen haben.

Die Anbindung eines KI-Agenten an eine Datenquelle allein liefert keine Informationen, die Ihnen dabei helfen, Ihre regulatorischen und rechtlichen Verpflichtungen zu erfüllen.

Datensouveränität

Datensouveränität ist mehr als nur die Frage „Wo befinden sich die Server, auf denen meine Daten gespeichert sind?“, auch wenn dies sicherlich ein Teil davon ist. Sie müssen auch die Bewegung Ihrer Daten berücksichtigen. Viele Komponenten Ihres Datenökosystems – darunter Datenpipelines, SaaS-Anwendungen, KI-Tools und BI-Tools – können dazu führen, dass Ihre Daten an anderen Orten als den Quellen, an denen Sie sie speichern, verfügbar sind.

Wenn Sie einem KI-Agenten Zugriff auf Ihre Datenquellen gewähren, birgt dies ein enormes Potenzial für Probleme im Zusammenhang mit der Datenhoheit, sofern Sie keine zusätzlichen Maßnahmen ergreifen.

Wie man KI für die Analytik nutzbar macht

Man kann sich nicht auf das allgemeine, internetbasierte Wissen eines LLM verlassen Training, und die Anbindung an die eigenen Daten löst das Problem auch nicht. Was muss man also noch tun, um die KI-gestützten Analysen zu erhalten, von denen man träumt?

Die Antwort lautet der Kontext.

Hintergrundinformationen zur Bedeutung von Geschäftsbegriffen. Wie Kennzahlen berechnet werden sollten. Wer Zugriff auf Ihre Daten haben sollte – wo und wann.

Dieser Kontext lässt sich anhand von fünf zentralen Anforderungen beschreiben:

• Gemeinsame Geschäftsdefinitionen
• Vorgeschriebene Kennzahlen
• Definierte Modelle und Beziehungen
• Zugangskontrollen
• Rückverfolgbarkeit

Indem Sie diesen Kontext aufbauen und ihn anschließend als Grundlage für Ihr KI-Modell nutzen, können Sie eine KI-Analyselösung entwickeln, die tatsächlich funktioniert.

Gemeinsam festgelegte Geschäftsdefinitionen und geregelte Kennzahlen

Wenn Ihre KI nicht in der Lage ist, die richtige Berechnung, Definition oder Beziehung aus dem gesamten Internet abzuleiten, besteht die Lösung darin, ihr den Zugriff auf das gesamte Internet zu verweigern.

Die Grundlagen eines Definition eines Geschäftsbegriffs ist eine leicht verständliche Erklärung im Stil eines Wörterbuchs, doch das ist erst der Anfang. Um einen echten Kontext zu schaffen, müssen Sie außerdem Aufzeichnung:

• Eine Liste von Synonymen
• Hierarchische Beziehungen (falls vorhanden) zu anderen Geschäftsbegriffen
• Der Inhaber des Begriffs
• Ob der Begriff von bestimmten Gruppen oder im Rahmen bestimmter Verfahren genehmigt wurde und, falls ja, wann
• Der Geltungsbereich des Begriffs
• Die Bedeutung des Begriffs
• Orte, an denen der Begriff verwendet wird

Ebenso gilt für ein geregelte Metrik ist mehr als nur ein mathematischer Ausdruck. Sie muss außerdem Folgendes beinhalten:

• Angegebene Dezimalstellen für die Antwort
• Maßeinheiten
• Das Modell, auf dem die Kennzahl basiert
• Erforderliche Verknüpfungen, falls vorhanden
• Zulässige „group-by“-Definitionen
• Filter, sowohl Standard- als auch optionale
• Die Zeitdimension, die den Berechnungsbereich der Kennzahl festlegt, sowie die für diesen Bereich zulässigen Zeitintervalle

An dieser Stelle fragen Sie sich vielleicht: Beschreibt das hier lediglich eine „ Datenkatalog “ und ein Glossar? Die Antwort lautet: Ja. Dieser Teil Ihres Kontexts dient nicht nur der „ Nutzen “ Ihrer KI-Analysen, sondern kann auch alle Ihre Dateninitiativen und Ihre Kommunikation verbessern, indem er Ihrem gesamten Unternehmen einen einzigen gemeinsamen Bezugspunkt bietet. 

Definierte Modelle und Beziehungen

Sobald Sie Ihre Geschäftsbegriffe und Kennzahlen definiert haben, müssen Sie Ihrer KI mitteilen, in welchem Zusammenhang diese Konzepte mit den tatsächlichen Daten in Ihren Systemen stehen – andernfalls sind Sie kaum besser dran als zuvor.

Umfassende Datenmodelle strukturieren Daten anhand derselben Geschäftskonzepte, die Ihr Unternehmen zur Leistungsmessung verwendet.

Es ist von entscheidender Bedeutung, dass Ihre Modelle explizit definierte Beziehungenenthalten. Es ist nicht ungewöhnlich, dass eine einzelne Entität Daten in mehreren Quellsystemen enthält, und um alle Gefahren zu vermeiden, die wir unter „Falsche Verknüpfungen“ besprochen haben, müssen Sie Ihrer KI mitteilen, welche richtigen Verbindungen sind.

Zugangskontrollen

Es ist nicht machbar, für jede mögliche Kombination der Zugriffsrechte unter Nutzer einen völlig eigenständigen KI- Deployment en zu erstellen, aber glücklicherweise ist das auch nicht notwendig.

Anstatt den Benutzern uneingeschränkten Zugriff auf Ihr KI-Modell insgesamt zu gewähren, sollten Sie den Zugriff der Benutzer auf KI-Analysen über definierte, in ihrem Umfang begrenzte Agenten filtern.

Eine gute Möglichkeit, um herauszufinden, welche Agenten Sie benötigen, besteht darin, die primären Geschäftsrollen und/oder analytischen Funktionen abzubilden, die Ihre Benutzer voraussichtlich ausüben werden. Legen Sie deren Umfang fest, indem Sie jedem Agenten nur Zugriff auf die Datenquellen und Spalten gewähren, die für diese Rolle oder Funktion zulässig sind.

Um nun die Berechtigungen für bestimmte Personen anzupassen, müssen Sie lediglich angeben, mit welchen Agenten diese arbeiten dürfen – den Rest der Sicherheitsmaßnahmen übernimmt dann die Agentenkonfiguration, die Sie bereits vorgenommen haben.

Rückverfolgbarkeit

Für alles, was jeder Ihrer KI-Agenten tut.

Zusammenfassung

Wie wir in diesem Blog gesehen haben, gibt es für alle Probleme im Zusammenhang mit KI-gestützten Analysen Lösungen. Es handelt sich dabei jedoch nicht um Lösungen, die man mit einem generischen LLM-Abonnement oder gar mit ein paar Anpassungen finden kann.

Stattdessen benötigen Sie eine KI-Analyselösung, die Folgendes bietet:

• Gemeinsamer geschäftlicher Kontext. Die Kodifizierung des menschlichen Fachwissens über Ihr Unternehmen, dessen Abläufe und Daten stellt sicher, dass die Antworten der KI auf der Realität Ihres Unternehmens basieren. Davon profitiert auch Ihre Arbeit mit Daten außerhalb der KI: Beim Aufbau dieser semantischen Ebene müssen Sie interne Konflikte hinsichtlich semantischer Definitionen und der Berechnung von Kennzahlen lösen.
• Regulierte Daten. Ein Katalog, der auflistet, über welche Daten Sie verfügen, wie zuverlässig diese sind und was sie bedeuten (über die bloße Angabe „das sind Daten“ hinaus), ist entscheidend dafür, dass Analysen vertrauenswürdig sind – unabhängig davon, wer oder was sie berechnet. Ohne Zugriff auf Ihre Governance-Informationen kann ein KI-Agent keine Analyseergebnisse liefern, auf die Sie sich verlassen können.
• KI-Schlussfolgerungen. Durch die Festlegung bevorzugter Methoden, zu priorisierender Datenquellen und als Standard verwendeter Referenzmaterialien wird Ihre KI-Lösung dazu angeleitet, das Wissen Ihres Unternehmens so auf Ihre verwalteten Daten anzuwenden, wie Sie es beabsichtigen.

Indem Sie menschliches Fachwissen und Know-how so kodifizieren, dass es für KI zugänglich ist, und das KI-Modell darauf beschränken, ausschließlich diesen Bezugspunkt zu verwenden, können Sie Nutzen von der Rechengeschwindigkeit und der breiten Verfügbarkeit profitieren, die eine KI-Analyselösung bietet, und gleichzeitig sicherstellen, dass die Ergebnisse für Sie nutzbar und vertrauenswürdig sind.

AI Analyst verfügt von Grund auf über all diese Vorteile:

• Eine semantische Ebene mit geregelten Modellen, Metriken, Glossarbegriffen und Beziehungen.
• Einheitliche Antworten, die auf gemeinsamen geschäftlichen Definitionen basieren.
• Transparente Generierung von „ abfragen “ und nachvollziehbare Analyseabläufe.
• Feinkörnige Zugriffskontrollen und geregelter Datenzugriff.
• Konversationsanalysen, Berichte und geplante Auswertungen, die auf demselben geschäftlichen Kontext basieren.

Erfahren Sie mehr über AI Analyst

Buchen Sie einen „ Demo “ oder nehmen Sie an der Produkttour teil, um zu erfahren, wie Actian AI Analyst mithilfe von Konversationsanalysen und geregeltem Geschäftskontext konsistente Antworten liefert.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher verwalten zu steuern. Unternehmen vertrauen auf Datenmanagement Data-Intelligence-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in On-Premises, Cloud und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.