Agentic AI in Data & Analytics

Agentic Analytics — Mit den Daten sprechen

Die erste Fähigkeit verändert die Analyse. Statt einen Bericht vorzubereiten, stellt man eine Frage in natürlicher Sprache, etwa „Zeig mir die Top-5-Produkte nach Umsatz je Monat", und der Agent findet die passende Datenquelle, aggregiert und antwortet direkt, auch wenn dafür noch kein Bericht existiert. Und es bleibt nicht bei einzelnen Fragen: Zunehmend lassen sich ganze Auswertungen und Dashboards per Prompt erzeugen. Bei der reinen Abfrage ist der Reifegrad durchweg hoch, sie ist bei SAP Analytics Cloud mit Just Ask, bei Microsoft Power BI mit Copilot und bei Databricks mit Genie allgemein verfügbar. Bei der Generierung kompletter Dashboards ist Microsoft aktuell am weitesten. Databricks zieht mit Genie nach, und SAP erweitert die SAP Analytics Cloud über die Integration von Joule, unter anderem um die Erzeugung ganzer Stories. Die eigentliche Grenze verläuft überall gleich: nicht bei der Technik, sondern bei der Qualität des semantischen Modells, auf dem die KI aufsetzt.

Agentic Data Engineering — Datenplattformen entwickeln und betreiben

Die dritte Fähigkeit setzt tiefer an, dort wo bisher die IT entwickelt. Ein Agent analysiert bestehende Datenmodelle, erklärt gewachsene Logik in Klartext, legt neue Objekte und Datenflüsse an und beschleunigt Migrationen, alles im echten System und über dieselben Schnittstellen, die auch die nativen Entwicklungswerkzeuge nutzen. Damit ein KI-Assistent das kann, braucht er Bausteine, die ihn mit der jeweiligen Plattform verbinden. Einen davon haben wir selbst als Open-Source-Projekt entwickelt, den BW Modeling MCP Server für SAP BW/4HANA. Und es bleibt nicht beim Bauen. Zunehmend rückt der agentische Betrieb in den Blick: Plattformen, die sich selbst optimieren, Pipelines, die Fehler erkennen und beheben, Ladeprozesse, die überwacht und nachgesteuert werden. Auf der Infrastruktur-Ebene ist das bereits Realität, die automatische Optimierung von Tabellen und Rechenlast gehört bei modernen Plattformen zum Standard. Die vollständig selbstverwaltende Datenplattform bleibt vorerst eine Richtung und kein Zustand.

Wie weit ein Agent hier tatsächlich kommt, hängt allerdings stark von der Plattform ab und davon, wie offen ihr Hersteller sie für Agenten überhaupt macht. Genau daran scheiden sich die Strategien.

 SAP hat mit der Business AI Platform (BAIP) und dem Assistenten Joule eine umfassende Strategie vorgelegt und treibt das Zielbild eines „Autonomous Enterprise" voran, in dessen Zentrum ein Zusammenspiel aus Knowledge Graphs die Geschäftssemantik über die gesamte Suite spannt. Einzelne Bausteine sind allgemein verfügbar, etwa der Agent Builder in Joule Studio, während die durchgängige Autonomie noch Roadmap ist. Bei der Analyse ist „Just Ask" in der SAP Analytics Cloud zwar verfügbar, gehört aber noch nicht zu den stärksten Lösungen am Markt. Ihre eigentliche Stärke wird SAP bei der agentischen Planung ausspielen, wo sie Vordenker sind, auch wenn das Thema erst am Anfang seiner Entwicklung steht. Bemerkenswert für die Offenheitsfrage: Im gesamten Data-&-Analytics-Bereich stellt SAP keinen einzigen MCP-Server bereit. Die offiziellen SAP-MCP-Server adressieren vor allem die Anwendungsentwicklung mit Fiori und CAP; für BW, Datasphere, HANA oder SAC schließt eine aktive Open-Source-Community die Lücke, indem sie die vorhandenen, teils undokumentierten Schnittstellen nutzen. Genau hier leistet auch NextLytics einen Beitrag, unter anderem mit dem quelloffenen BW Modeling MCP Server. 

 Microsoft geht den umgekehrten Weg und baut die offene Agenten-Anbindung direkt ins Produkt. Für Fabric und Power BI gibt es offizielle, quelloffene MCP-Server von Microsoft selbst, etwa für die Power-BI-Modellierung und für die Fabric-APIs, aktuell im Preview. Mit Fabric IQ hat Microsoft zudem eine semantische Schicht allgemein verfügbar gemacht: eine Ontologie samt Graph über den Daten in OneLake, auf der Agenten mit geteiltem, verlässlichem Kontext aufsetzen. Auf der Analyse-Seite ist Copilot in Power BI breit ausgerollt. Die offene, dokumentierte Anbindung ist bei Microsoft damit Teil des Produkts, nicht der Community überlassen.  

 Databricks verfolgt dieselbe Linie im Lakehouse. Für die Analyse beantwortet der allgemein verfügbare Coworker AI/BI Genie Fragen in natürlicher Sprache und baut im Agentenmodus ganze Dashboards. Mit Agent Bricks lassen sich eigene Agenten bauen, mit freier Modellwahl und Anbindung externer Quellen über MCP. Den Kern der Offenheit bilden die Managed MCP Server: über den Unity Catalog governt, mit lesendem und schreibendem Zugriff und ausdrücklich für externe Clients wie Claude, Cursor oder ChatGPT dokumentiert. Analyse und autonome Optimierung der Tabellen sind produktiv, die offene MCP-Anbindung selbst steht noch im Preview, ist aber von Anfang an dokumentiert und standardbasiert, ganz ohne Reverse Engineering.