Ein Wortschatz, zwei Zielgruppen: Warum Ihre KI und Ihre Dashboards eine semantische Ebene teilen müssen

Das number hat drei verschiedene Bedeutungen

Wenn Sie drei Teams im selben Unternehmen nach „aktiven Mitgliedern in diesem Quartal“ fragen, erhalten Sie oft drei Zahlen. Marketing zählt jeden, der eine E-Mail geöffnet hat. Das Treueteam zählt Mitglieder mit einem Einkauf. Finance zählt Mitglieder, die Wert eingelöst haben. Keiner von ihnen lügt. Sie arbeiten mit unterschiedlichen Definitionen, sind in unterschiedlichem SQL kodiert und leben in unterschiedlichen Tools. Das Wort wird geteilt; die Bedeutung ist nicht.

Das war ein tolerierbares Problem, solange nur Menschen diese Zahlen nutzten. Ein erfahrener Analyst weiß, welche Definition gemeint ist, und eine Fußnote auf einer Folie kaschiert den Rest. Sobald man jedoch einen KI-Agenten auf dieselben Daten ansetzt, verschwindet die Fußnote, und die Mehrdeutigkeit wird zum Problem. Ein Agent weiß nicht, dass „aktiv“ umstritten ist. Er wählt eine Definition – oder schlimmer noch, erfindet eine – und präsentiert das Ergebnis mit derselben Selbstsicherheit wie alles andere.

Werkzeuge sind Verben; Die semantische Ebene ist das Vokabular

Wenn Sie einem Agenten Tools zur Verfügung stellen, geben Sie ihm Handlungsanweisungen: abfragen, zusammenfassen, vergleichen, prognostizieren. Das Model Context Protocol von Anthropic formalisiert dies – ein Tool ist eine typisierte, benannte Funktion, die das Modell aufrufen kann. Diese Definition ist korrekt und nützlich. Ein Verb ohne gemeinsames Vokabular hingegen lädt zur Improvisation ein. „Sag mir den Umsatz“ ist nur dann sicher, wenn „Umsatz“ auf eine einzige, zertifizierte Definition verweist – dieselbe, die ein Mensch auf einem Dashboard sieht und die stets auf dieselbe Weise berechnet wird.

Dies ist das Kernargument: Die zertifizierte Metrik-Semantikschicht ist das gemeinsame Vokabular, das die korrekte Verwendung der Verben des Agenten gewährleistet. Tools ermöglichen dem Agenten das Handeln. Die Semantikschicht definiert die zulässige Bedeutung dieser Aktionen. Trennt man beides, erhält man einen Agenten, der zwar Abfragen ausführen kann, dessen Interpretation jedoch nicht vertrauenswürdig ist. Vereinheitlichen Sie diese, und der Agent übernimmt automatisch alle Definitionen, auf die sich Ihre Analysten bereits geeinigt haben.

Die daraus resultierende Vorgehensweise ist einfach zu beschreiben und schwer zu fälschen: eine einheitliche Sprache, zwei Zielgruppen. Nutzer greifen über Dashboards und Ad-hoc-Fragen darauf zu. Agenten nutzen MCP-Tools und Copiloten. Beide greifen auf dieselbe zertifizierte Ebene zu, sodass number unabhängig davon, ob ein Mensch oder ein Agent danach fragt, dieselbe Bedeutung hat.

Der Fehlerfall ohne gemeinsame Ebene

Wenn Sie die semantische Ebene überspringen, treten drei Fehler gleichzeitig auf. Erstens halluziniert die KI Zahlen – nicht weil das Modell kaputt ist, sondern weil Sie sie gebeten haben, anhand von Rohtabellen ohne kanonische Definition von irgendetwas zu argumentieren, sodass sie die Lücke mit einer plausiblen Vermutung füllt. Zweitens verschieben sich die KPI-Definitionen: Jedes Team, jedes Tool und jedes Notebook implementiert „Churn“ oder „AOV“ etwas anders neu, und die Divergenz verstärkt sich stillschweigend. Drittens führt die „Selbstbedienungsanalyse“ zu widersprüchlichen Zahlen, und das Unternehmen hört stillschweigend auf, ihnen allen zu vertrauen.

Die Deloitte-Studie „State of AI in the Enterprise“ hat wiederholt gezeigt, dass Vertrauen und Governance – und nicht die reine Leistungsfähigkeit des Modells – die entscheidenden Faktoren für die Skalierung von KI-Projekten vom Pilotbetrieb bis zum Produktivbetrieb sind. Dies trifft direkt auf das Problem der Datenanalyse zu. Der Knackpunkt ist selten, ob das Modell SQL-Code schreiben kann. Vielmehr geht es darum, ob man dem Ergebnis so weit vertrauen kann, dass man entsprechend handelt, und ob man später erklären kann, woher der Wert number stammt.

Zertifizierte Definitionen und deren Versionsverlauf

Eine zertifizierte Metrik ist eine Definition, die von einem Verantwortlichen geprüft und als alleinige Quelle der Wahrheit freigegeben wurde. „Aktives Mitglied“ ist nicht einfach das Ergebnis der aktuellen Abfrage – es ist ein benanntes, verwaltetes object mit expliziter Logik, einem Verantwortlichen und einem Status. Wenn Marketing, Kundenbindung und Finanzen unterschiedlicher Meinung sind, diskutieren sie nicht mehr in SQL. Sie diskutieren einmalig und transparent über die Definition. Anschließend wird es zertifiziert, und alle – sowohl Menschen als auch Agenten – erhalten dieselbe Antwort.

Die Versionierung macht die Daten dauerhaft. Definitionen entwickeln sich weiter: Ein Geschäftsjahr ändert sich, ein Segment wird verfeinert, eine Datenquelle korrigiert. Ohne Versionierung überschreibt eine Neudefinition stillschweigend die Historie, und die Kennzahl number des letzten Quartals ist nicht mehr gültig. Mit Versionierung behält jede Kennzahl ihre Herkunft, sodass Sie die Frage beantworten können, die Wirtschaftsprüfer und Finanzvorstände tatsächlich stellen – nicht nur „Was ist number?“, sondern „Was war number, nach welcher Definition und zum Stichtag der Berichterstattung?“

Ein einziger Abfrageeinstiegspunkt, wobei die Mandantenbereichsbegrenzung außerhalb dieses Punktes erzwungen wird.

Definitionen sind nur so vertrauenswürdig wie der Weg, auf dem sie ausgeführt werden. In unserer Architektur wird jede Metrik – ob vom Dashboard oder einem Agenten-Tool angefordert – über einen einzigen Abfragepunkt ermittelt. Es gibt keinen zweiten, weniger zuverlässigen Weg für die KI. Der Copilot und das Diagramm auf dem Bildschirm verwenden dieselbe zertifizierte Logik. Daher können ihre Zahlen nicht voneinander abweichen.

Die Mandantenisolierung wird außerhalb der Abfrage, nicht innerhalb, durchgesetzt. Der Aufrufer gibt niemals an und kann nicht beeinflussen, welche Mandantendaten er sieht. Die Bereichsbegrenzung wird von der Ausführungsschicht aus dem authentifizierten Kontext angewendet. Dies ist besonders wichtig für Agenten, die Eingaben auf nicht skriptgesteuerte Weise zusammensetzen. Befände sich die Isolation innerhalb einer Abfrage string, die das Modell mitgestaltet hat, könnte eine geschickte Eingabeaufforderung diese stören. Da die Bereichsbegrenzung außerhalb der Abfrage liegt, kann keine Eingabeaufforderung – weder beabsichtigt noch unbeabsichtigt – eine Mandantengrenze überschreiten. Das Ergebnis sind Antworten, die von Haus aus reproduzierbar, mandantenisoliert und auditierbar sind.

Berechtigungsbasierte, schreibgeschützte Sichten: Sicherheit, die das Modell nicht umgehen kann

Das gefährlichste Muster im Bereich der KI für Unternehmen ist derzeit die direkte Integration eines Chatbots in unstrukturierte Tabellen. Die Demoversion mag zwar gut aussehen, aber genau dort versagen, wo Sie sich keine Fehler leisten können. Mit Tabellenzugriff kann ein Agent Daten verknüpfen, die nie verknüpft werden sollten, Spalten anzeigen, die das Quellsystem niemals verlassen haben sollten, und eine Metrik auf drei scheinbar plausible, aber widersprüchliche Arten berechnen. Sie vertrauen darauf, dass ein probabilistisches System Grenzen respektiert, die nur auf Konventionen beruhen.

Alternativ kann die Grenze in der Datenbank, unterhalb des Modells, definiert werden. Die zertifizierte Ebene wird über berechtigungsbasierte, schreibgeschützte Sichten zugänglich gemacht. Die KI-Berechtigungen können nur diese freigegebenen, sicheren Sichten lesen – keine Rohdaten, keine Schreibpfade, keine Spalten außerhalb der zertifizierten Oberfläche. Das Modell sieht keine Grenze, die es überschreiten könnte, da die Grenze eine Datenbankberechtigung und nicht ein Absatz mit Systemanweisungen ist. Genau diese Art von expliziter, technischer Kontrolle wird von Frameworks wie dem NIST AI RMF 1.0 angestrebt: die tatsächlichen Zugriffs- und Datenflüsse Ihres KI-Systems zu steuern und abzubilden, anstatt dem Modell zu vertrauen.

Die Anbindung von Agenten an diese Oberfläche ist ein Verkabelungsproblem, keine Neuentwicklung. Dieselbe zertifizierte Ebene, die auch die Dashboards für Benutzer unterstützt, wird Agenten über MCP-Tools und SoCode zur Verfügung gestellt. Dadurch analysiert der Agent zertifizierte Metriken und niemals Rohdaten. Die KI kann keine Zahlen generieren, da sie keine Zahlen erzeugt – sie fragt die Ebene ab, und diese liefert die zertifizierten Daten number.

Warum eine gemeinsame Schicht die No-Code-Entwicklung sicherer macht

Selbstbedienung klingt nach einem Governance-Risiko: Geben Sie Geschäftsbenutzern einen Metrik-Builder, und sie werden mit Sicherheit dieselben widersprüchlichen Definitionen auf andere Weise erstellen. Das Gegenteil ist der Fall, vorausgesetzt, der Bauunternehmer sitzt auf der zertifizierten Schicht. Mit der No-Code- und strukturierten Metrikerstellung können Benutzer neue Metriken über die auf der Whitelist befindlichen sicheren Ansichten erstellen – indem sie zertifizierte Dimensionen, Filter und Aggregationen auswählen –, ohne Roh-SQL zu schreiben und ohne jemals eine Basistabelle zu berühren.

Da jede erstellte Metrik aus bereits festgelegten Bausteinen zusammengesetzt ist, werden die Sicherheitseigenschaften übernommen, anstatt erneut verhandelt zu werden. Eine neue Metrik ist mandantenspezifisch, reproduzierbar und auditierbar – aus demselben Grund wie die zertifizierten Metriken: Sie nutzt denselben Zugangspunkt, dieselben Ansichten und dieselben Berechtigungen. Governance wird nicht länger zu einem Hindernis, sondern zu einem Fundament, das es mehr Menschen ermöglicht, sicher zu entwickeln. Nur so lässt sich Self-Service skalieren, ohne die Definitionen erneut zu fragmentieren.

Was ein CDO tatsächlich leisten sollte

Wenn Sie als CDO eine KI-Analyseschicht aufbauen, widerstehen Sie der Versuchung, mit dem Chatbot zu beginnen. Der Chatbot ist zwar einfach, aber auch riskant. Konzentrieren Sie sich stattdessen auf das Vokabular. Definieren Sie Ihre wichtigsten Metriken – weisen Sie ihnen Verantwortliche zu und versionieren Sie sie. Platzieren Sie sie hinter einem zentralen Abfragepunkt, der die Mandantenbeschränkung extern erzwingt. Stellen Sie sie über schreibgeschützte, berechtigungsbasierte Ansichten bereit. Erst dann verbinden Sie die Agenten mithilfe von Tools im Stil von MCP mit dieser kontrollierten Oberfläche. In dieser Reihenfolge umgesetzt, ist die KI vom ersten Tag an vertrauenswürdig, da sie keine Fehlinterpretationen vornehmen kann.

Dies ist keine theoretische Übung. Die Marken, die den Kundenbindungskreislauf mit KI schließen, sind diejenigen, deren Agenten und Dashboards bereits dieselbe Sprache sprechen – McDonald's China hat in Zusammenarbeit mit SocialHub.AI den GMV-Anteil der Mitglieder von 5 % auf 85 % gesteigert. Ergebnisse dieser Größenordnung sind nur dann glaubwürdig, wenn die darunter liegenden Zahlen zertifiziert und reproduzierbar sind und für den Menschen, der das Dashboard überprüft, und den darauf handelnden Agenten gleich sind.

Die These lässt sich in einem Satz zusammenfassen: Tools sind die Verben, die semantische Ebene das Vokabular. Sie benötigen ein einheitliches Vokabular für zwei Zielgruppen, damit number dieselbe Bedeutung hat, egal ob eine Person oder ein Agent fragt. Wenn Sie eine KI-Analyseebene aufbauen und sehen möchten, wie zertifizierte, mandantenspezifische und auditierbare Metriken aussehen, die sowohl ein Dashboard als auch einen Agenten mit derselben Datenquelle versorgen, buchen Sie eine Demo. Wir führen Ihr Team anhand Ihrer eigenen Definitionen durch die Funktionen.