Zum Inhalt springen

Blog

Datenanalyse

Erst die Semantic Layer: Ihr BI fit für KI-Agenten machen

KI-Agenten beantworten Geschäftsfragen nur dann korrekt, wenn Metriken, Joins und Begriffe einmal in einer Semantic Layer definiert sind. Was das ist und wie Sie sie aufbauen.

7 Min. Lesezeit
Gerasterte Illustration einer Marmorhand, die mit einem Finger auf einem einzelnen roten Eintrag in einem großen steinernen Lexikon ruht, über einem riesigen Archiv von Kontenbüchern.
Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

KI-Agenten brauchen eine Semantic Layer, weil sie sonst raten. Gefragt nach „Umsatz im letzten Quartal“, muss ein Agent, der auf Rohtabellen arbeitet, Tabelle, Joins, Filter und Formel selbst wählen, und er kann jedes Mal anders wählen. Eine Semantic Layer definiert jede Metrik, Dimension und Beziehung einmal, sodass jeder Agent und jedes Dashboard dieselbe Antwort berechnet.

Stellen Sie sich einen Finanzleiter vor, der den neuen KI-Assistenten des Unternehmens nach dem Nettoumsatz nach Region im letzten Quartal fragt. Der Assistent schreibt SQL, liefert eine saubere Tabelle, und die Summe liegt einige Prozent neben dem Board-Pack. Zunächst kann niemand sagen, warum. Später findet jemand es heraus: Der Assistent hat den Brutto-Auftragswert summiert, Rückerstattungen ignoriert und Kunden über die Rechnungsadresse statt über das Vertriebsgebiet den Regionen zugeordnet. Jede Entscheidung war vernünftig. Keine war die Definition des Unternehmens, denn diese Definition existierte nur in einem einzigen Power-BI-Bericht.

Was ist eine Semantic Layer?

Eine Semantic Layer ist ein Satz gemeinsamer Geschäftsdefinitionen (Metriken, Dimensionen, Beziehungen und Beschreibungen in einfacher Sprache), der zwischen Ihren Rohtabellen und jedem Tool sitzt, das Fragen daran stellt. Sie macht aus „Nettoumsatz“ eine Formel, an die sich jemand erinnert, ein Objekt mit einer Definition, die jeder Bericht und jeder Agent nutzt.

Ein paar Begriffe, jeweils in einem Satz:

  • Eine Metrik ist eine Berechnung, auf die sich das Unternehmen geeinigt hat, etwa Nettoumsatz oder aktive Kunden.

  • Eine Dimension ist eine Möglichkeit, diese Metrik zu gruppieren oder zu filtern, etwa Region, Produktlinie oder Monat.

  • Eine Beziehung ist der freigegebene Join zwischen zwei Tabellen, etwa Aufträge zu Kunden über die Kunden-ID.

  • Die Granularität (Grain) ist das, was eine Zeile in einer Tabelle darstellt, etwa ein Auftrag oder eine Auftragsposition.

Die meisten Unternehmen haben bereits eine Semantic Layer, nur nicht an einem Ort. Sie ist verteilt auf Power-BI- oder Tableau-Modelle, Tabellenformeln, dbt-Modelle und die Köpfe zweier Analysten.

Warum beantworten KI-Agenten Geschäftsfragen ohne sie falsch?

Ohne Semantic Layer muss ein Agent die geschäftliche Bedeutung aus Spaltennamen ableiten, und Spaltennamen tragen selten die Regeln. Eine Tabelle namens orders sagt nicht, ob stornierte Aufträge zählen, welche Währung zu verwenden ist oder welches Datum einen Verkauf markiert.

Die üblichen Schwachstellen:

  • Mehrdeutige Namen. Zwei Spalten namens amount in zwei Tabellen bedeuten Unterschiedliches.

  • Falsche Joins. Ein Join mit falscher Granularität dupliziert Zeilen und bläht Summen auf.

  • Fehlende Filter. Testkonten, Rückerstattungen oder interne Aufträge bleiben drin.

  • Falsch berechnete Verhältnisse. Den Durchschnitt eines Verhältnisses pro Region zu bilden, ergibt eine andere Antwort, als die Summen zu teilen.

  • Drift. Die Antwort ändert sich, wenn der Agent beim nächsten Mal einen anderen Weg wählt.

Microsoft sagt über den eigenen Copilot in Power BI Ähnliches. Seine Anleitung zur Vorbereitung von Daten für KI hält fest, dass „KI-Systeme Schwierigkeiten haben können, Daten korrekt zu interpretieren, wenn diese unstrukturiert oder mehrdeutig sind“, und dass Ausgaben „allgemein, ungenau oder sogar irreführend sein können“. Sie merkt außerdem an, dass die Vorbereitung „nicht jedes Mal eine bestimmte Ausgabe sicherstellen kann“, weil KI-Verhalten nichtdeterministisch ist. Eine Semantic Layer verengt den Spielraum für Fehler. Sie beseitigt nicht die Notwendigkeit zu testen.

Was liefern Snowflake, Databricks und dbt dafür?

Die großen Datenplattformen behandeln semantische Definitionen heute als Datenbankobjekte, die sowohl BI-Tools als auch KI-Agenten lesen können. Das ist die wichtigste Veränderung des letzten Jahres: Definitionen wandern aus einzelnen Dashboards in die Plattform.

Eine marmorne Hand legt einen Messstab an eine in eine Marmorwand eingelassene Normmaßleiste, mit Kopien ihres Schattens auf vielen Bodenfliesen
  • Snowflake Semantic Views: Definitionen liegen als Objekte auf Schemaebene in Snowflake; Cortex Analyst und Cortex Agents lesen sie.

  • Databricks Unity Catalog Metric Views: YAML-Definitionen, die im Unity Catalog registriert sind; Genie, Dashboards und externe BI-Tools lesen sie.

  • dbt Semantic Layer (MetricFlow): Definitionen liegen in Ihrem dbt-Projekt; KI-Tools wie Claude und ChatGPT erreichen sie über den dbt-MCP-Server.

  • Power-BI-Semantikmodell mit Prep data for AI (Preview): Definitionen liegen im Power-BI-Semantikmodell; Copilot in Power BI liest sie.

Snowflake Semantic Views

Snowflake Semantic Views sind Objekte auf Schemaebene, die logische Tabellen, Beziehungen, Fakten, Dimensionen und Metriken in der Datenbank speichern. Ihre Definition wurde auf dem Snowflake Summit im Juni 2025 allgemein verfügbar, und Cortex Analyst liest die Definition, um SQL gegen die physischen Tabellen zu erzeugen.

Databricks Metric Views

Unity Catalog Metric Views trennen Kennzahldefinitionen von den Dimensionen, nach denen gruppiert wird. Databricks’ eigenes Beispiel ist ein Verhältnis, „Summe des Umsatzes geteilt durch die Zahl eindeutiger Kunden“, einmal definiert und nach jedem Feld gruppierbar, während die Engine es korrekt berechnet. Sie lassen sich aus Genie, Dashboards und externen Tools wie Power BI und Tableau abfragen; ein BI-Kompatibilitätsmodus für Power BI wurde im März 2026 als Beta veröffentlicht.

dbt Semantic Layer und die Fivetran-Fusion

Die dbt Semantic Layer, angetrieben von MetricFlow, definiert Metriken im dbt-Projekt, sodass eine Änderung „überall aktualisiert wird, wo sie aufgerufen wird“. dbts Dokumentation sagt, KI-Tools wie Claude und ChatGPT könnten sich über den dbt-MCP-Server anbinden, „damit ihre Antworten Ihre gesteuerten Metriken nutzen, statt auf Rohtabellen zu raten“. Fivetran und dbt Labs schlossen ihre Fusion am 1. Juni 2026 ab, und ein in der Ankündigung zitierter Data-Architecture-Lead von DocuSign bringt es auf den Punkt: „KI und Agenten sind nur so stark wie die Daten dahinter.“

Wo sollte die Semantic Layer liegen: im BI-Tool oder im Warehouse?

Legen Sie Kernmetriken dorthin, wo die meisten ihrer Nutzer sie erreichen. Wenn Agenten, Notebooks und mehr als ein BI-Tool dieselben Zahlen brauchen, definieren Sie sie im Warehouse oder in dbt. Läuft alles über ein BI-Tool, kann dessen Semantikmodell vorerst genügen.

Anzeichen, dass das BI-Modell genügt

  • Ein BI-Tool, ein Team und ein zentrales Agentenerlebnis, etwa Copilot in Power BI.

  • Metriken ändern sich selten, und die Verantwortlichen sind die Berichtsautoren.

Anzeichen, dass sie eine Ebene tiefer wandern sollte

  • Dieselbe Metrik wird in zwei oder mehr Tools neu gebaut, und die Zahlen weichen ab.

  • Agenten fragen das Warehouse direkt ab, außerhalb des BI-Tools.

  • Finanzen, Vertrieb und Betrieb führen jeweils ihre eigene Version einer gemeinsamen Metrik.

Die Layer eine Ebene tiefer zu legen heißt nicht, BI-Modelle zu löschen. Das BI-Tool behält Formatierung, Berichtslogik und Visualisierungen; das Warehouse oder dbt hält die Definitionen.

Wie bauen Sie eine Semantic Layer, die Agenten nutzen können?

Beginnen Sie mit den zehn bis zwanzig Metriken, nach denen tatsächlich gefragt wird, definieren Sie jede in einfacher Sprache und in Code und testen Sie den Agenten gegen Fragen mit bekannten Antworten, bevor sich jemand darauf verlässt.

Schritte

  1. Die echten Fragen sammeln. Ziehen Sie sie aus Management-Packs, wiederkehrenden Anfragen ans Datenteam und den Fragen, die Menschen ohnehin in Chat-Tools tippen.

  2. Die Metriken dahinter wählen. Wählen Sie eine kurze Liste und benennen Sie für jede einen Verantwortlichen.

  3. Zuerst die Definition in Worten schreiben. Zum Beispiel: „Nettoumsatz ist der Brutto-Auftragswert abzüglich Rückerstattungen und Rabatten, in Euro, nach Auftragsdatum, ohne Testkonten.“

  4. Granularität und Joins festlegen. Dokumentieren Sie, was eine Zeile in jeder Tabelle bedeutet und welche Joins freigegeben sind.

  5. An einer Stelle codieren. Nutzen Sie Semantic Views, Metric Views, dbt-Metriken oder das BI-Semantikmodell, nicht alle vier.

  6. Synonyme und Beschreibungen ergänzen. Agenten lesen sie. „Sales“, „Revenue“ und „Umsatz“ sollten auf die richtige Metrik zeigen oder auf eine klare Rückfrage.

  7. Den Agenten an die Layer anbinden, nicht an Rohtabellen. Geben Sie ihm nur Lesezugriff auf die gesteuerten Objekte.

Zwei marmorne Hände stützen eine steinerne Balkenwaage, auf einer Schale eine Kugel aus Schriftzeichen, auf der anderen gravierte Tafeln, der Zeiger waagerecht und rot

Testen, bevor Sie vertrauen

Bauen Sie ein Evaluierungsset: etwa dreißig Fragen mit von Ihren Analysten geprüften Antworten. Lassen Sie es nach jeder Änderung an einer Definition oder am Agenten laufen. Power BIs Verified Answers tun Ähnliches innerhalb eines Modells und binden Auslösephrasen an eine Visualisierung, deren Ergebnis jemand freigegeben hat. Verfolgen Sie, welche Fragen scheitern und warum; die meisten Fehler deuten auf eine fehlende Definition oder ein fehlendes Synonym hin, nicht auf ein Modellproblem.

Wie wir bei Vizio AI vorgehen

Wir gehen von den Fragen aus, nicht von den Tools. Mit den Analysten des Kunden sammeln wir die Fragen, die Führung und Betrieb am häufigsten stellen, verfolgen jede Antwort bis zu den Tabellen und Formeln dahinter und halten fest, wo die aktuellen Berichte voneinander abweichen.

Aus dieser Liste vereinbaren wir die Kernmetriken, ihre Verantwortlichen und ihre Definitionen in einfacher Sprache und wählen erst dann, wo wir sie codieren, meist in der Plattform, die der Kunde ohnehin betreibt. Wir binden den Agenten mit reinem Lesezugriff an diese gesteuerten Objekte an, bauen das Evaluierungsset gemeinsam mit den Analysten und halten es nach der Übergabe am Laufen, sodass eine geänderte Definition als fehlgeschlagener Test auffällt, nicht als falsche Zahl im Board-Pack.

Das ist Teil unserer Arbeit im DX Studio. Wenn der Agent das Warehouse über MCP erreicht, behandelt KI-Agent mit Ihrem CRM verbinden? Sichern Sie zuerst den MCP-Server die Zugriffskontrolle. Zum Modell hinter dem Agenten siehe Claude, GPT oder Gemini? Modellwahl für Business-Workflows, und dazu, wie wir die Reporting-Seite aufsetzen, Power-BI-Einführung in 30 Tagen.

Quellen

FAQs.

01

02

03

04

05

Mehr lesen.

Dithered illustration of two marble hands pulling a mason's line taut between stakes across bare ground at dawn, the first course of stones laid along it and a pink knot at the nearest stake.
Your First 30 Days With a Product Studio: What Happens Week by Week
7 Min.

The first 30 days with a product studio: week one sets access and goals, week two tests the riskiest assumption, weeks three and four ship a first slice.

Dithered illustration of a marble hand opening the case of a bracket clock to show a dense hidden mechanism, one small gear deep inside glowing red.
What Does an AI Agent Cost to Run? Tokens, Tools and the Hidden Line Items
6 Min.

An AI agent's running cost is model tokens across every step, plus retries, tool and search fees, hosting, monitoring and human review. Budget per task, not per token.

Dithered illustration of a fragmented marble face looking down at a jeweller's tray where gems are sorted by size, the largest stone glowing amber under a brass lamp.
AI Lead Scoring in Your CRM: Start With the Rules You Already Trust
7 Min.

Add AI lead scoring by writing down the rules sales already trusts, cleaning CRM data, then testing the AI score against those rules before reps use it.

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen