Semantic Layer fĂŒr AI-Agenten Praxistest

Autor:in: Nhung Le
Lesezeit: 8 Minuten
Eine junge Frau mit Brille und schwarzem Haar lÀchelt freundlich, trÀgt einen grauen Blazer und steht vor einem unscharfen Hintergrund.

Warum prÀzise GeschÀftslogik entscheidend ist

Der Einsatz von Semantic Layer AI Agenten verĂ€ndert die moderne Datenanalyse grundlegend, wirft aber auch zentrale Fragen zur DatenqualitĂ€t auf. Wie stellt man sicher, dass ein AI-Agent tatsĂ€chlich verlĂ€ssliche und exakte Antworten liefert – also die Art von verifizierten Daten, die man in offiziellen GeschĂ€ftsberichten benötigt?

Warum ein Semantic Layer fĂŒr AI-Agenten die Basis bildet

In letzter Zeit haben wir durch die rasante Entwicklung der AI eine massive Verschiebung in der Welt der Datenanalyse erlebt. Konzepte wie „AI-Agenten“ und „Conversational Analytics“ dominieren jedes BranchengesprĂ€ch und jede Konferenz. Dieser Wandel bringt jedoch auch große Kopfschmerzen mit sich: Wie stellt man sicher, dass der AI-Agent tatsĂ€chlich genaue Antworten liefert – also die Art von verifizierten, vertrauenswĂŒrdigen Daten, die man in offiziellen GeschĂ€ftsberichten sieht? Aus diesem Grund hat die Branche einen Schritt zurĂŒck gemacht, um sich auf eine entscheidende Voraussetzung zu konzentrieren: den Semantic Layer.

Ein Unternehmen aus dem Business-Analytics-Umfeld hatte das Potenzial dieses Wandels erkannt und entwickelte eine eigene AI-Agenten-Lösung fĂŒr interne Analytics-AnwendungsfĂ€lle. Ad-hoc-Analysen spielen dort im tĂ€glichen GeschĂ€ft eine entscheidende Rolle: Neben traditionellen Dashboards benötigen die Fachbereiche schnelle und verlĂ€ssliche Einblicke, ohne stĂ€ndig auf EngpĂ€sse zu stoßen.

Die Vision war es, einen AI-Agenten zu bauen, der sich direkt mit den Datenquellen im Data Warehouse verbindet. Um diesen Agenten jedoch wirklich verlÀsslich zu machen, brauchten sie ein einheitliches Fundament: eine zentrale Schicht, in der GeschÀftsdefinitionen, Berechnungen und Logiken einmalig definiert und universell angewendet werden.

Nach einer Analyse der aktuellen Semantic Layer Landschaft wurde ein eigenstĂ€ndiger Semantic Layer als vielversprechender Ansatz ausgewĂ€hlt. Um diesen Ansatz auf die Probe zu stellen, hat The Information Lab gemeinsam mit dem Kundenteam einen praktischen Hackathon durchgefĂŒhrt. Ziel war es, einen Proof of Concept zu entwickeln und zu prĂŒfen, ob eine zentrale semantische Schicht die verlĂ€ssliche Grundlage liefern kann, die fĂŒr Ad-hoc-Analysen mit AI-Agenten erforderlich ist. Cube Core diente dabei als technische Engine fĂŒr die Umsetzung.

Um die Ergebnisse des Hackathons einordnen zu können, hilft zunĂ€chst ein Blick darauf, welche Rolle ein Semantic Layer fĂŒr AI-Agenten ĂŒberhaupt spielt.

Was ist ein Semantic Layer?

Stellt Euch einen Semantic Layer als einen universellen Übersetzer zwischen Euren Datenbanken und den Menschen (oder AI-Agenten) vor, die diese Daten verstehen mĂŒssen.

In einem typischen Unternehmen werden Daten in Tabellen mit kryptischen Spaltennamen wie rev_mth_usd gespeichert. Ein Data Team kann einordnen, welche Spalten und Berechnungen fĂŒr den „monatlichen Umsatz“ relevant sind. Aber ein AI-Agent oder ein BI-Tool (wie Tableau oder Power BI) könnte falsch raten, was zu halluzinierten Zahlen oder falschen Metriken fĂŒhrt.

Ein Semantic Layer liegt ĂŒber Eurer Datenbank. Er definiert Eure gesamte GeschĂ€ftslogik, Definitionen und Beziehungen an einem zentralen Ort. Er sagt Euren Tools: â€žWann immer jemand nach dem ‚Umsatz‘ fragt, berechne ihn genau so.“

Warum ist das fĂŒr AI wichtig? Anstatt einen AI-Agenten zu zwingen, Euer gesamtes Datenbankschema spontan zu entschlĂŒsseln, richtet Ihr die AI auf den Semantic Layer. Die AI liest die sauberen, menschenlesbaren Definitionen und generiert jedes Mal deutlich verlĂ€sslichere Abfragen.

In Plattformen wie Tableau Next, Snowflake oder Databricks, in denen native AI-Agenten direkt in das Ökosystem integriert sind, können Nutzer:innen eingebettete semantische Modelle oder Ansichten einrichten. Diese ermöglichen es Teams, Aggregationen, Joins und spezifische geschĂ€ftliche PrĂ€ferenzen vorab zu definieren. Wenn ein Unternehmen diese spezifischen monolithischen Plattformen jedoch nicht nutzt oder wenn seine Vision darin besteht, komplett eigene, maßgeschneiderte AI-Agenten von Grund auf zu entwickeln und zu hosten, muss es sich nach einem â€žHeadless“- oder eigenstĂ€ndigen (Standalone) Semantic Layer umsehen. Diese unabhĂ€ngige Schicht fungiert als einzige Quelle der Wahrheit („Single Source of Truth“) ĂŒber jede Datenbank oder nachgelagerte AI-Anwendung hinweg. FĂŒr den Hackathon war genau dieser Punkt entscheidend. Getestet werden sollte, ob ein eigenstĂ€ndiger Semantic Layer als zentrale Übersetzungsschicht zwischen Data Warehouse, GeschĂ€ftslogik und AI-Agent funktionieren kann. Cube Core wurde dafĂŒr als Engine ausgewĂ€hlt.

Die Rolle von Cube Core im Test

Um dieses Konzept in der Praxis zu testen, wurde Cube Core als quelloffenes Semantic-Layer-Framework ausgewĂ€hlt. Es diente im Hackathon als rein technische Schnittstelle zwischen den Datenquellen und dem AI-Agenten.

Das Hackathon-Setup

Beim Übergang vom traditionellen BI-Reporting zu Agentic Analytics ist es ein kluger Ansatz, klein anzufangen, ein stabiles Fundament zu bauen und spĂ€ter zu skalieren. Unter BerĂŒcksichtigung dieser Philosophie wurde der Hackathon so konzipiert, dass er sich auf zwei stark genutzte, bereits existierende GeschĂ€ftsberichte konzentrierte, aufgeteilt auf zwei Teams. Durch die Verwendung etablierter Berichte stellten wir sicher, dass die Antworten der AI sofort verifiziert und die zugrunde liegende Logik leicht nachvollzogen werden konnte – was es uns ermöglichte, klar zu prĂŒfen, was abstrakte Konzepte wie „Performance“ tatsĂ€chlich bedeuteten und wo spezifische Filter angewendet wurden.

Jedem Team wurde ein spezifisches Berichtsthema zugewiesen. Ihre Mission folgte einer klaren, dreistufigen Pipeline:

Datenbankverbindung herstellen

Eine direkte und sichere Verbindung zur zugrunde liegenden Datenbank aufbauen.

Semantische Modelle aufbauen

Robuste, strukturierte semantische Modelle inklusive Geschäftsregeln und Joins definieren.

AI-Agent anbinden & testen

Diese semantischen Schichten dem LLM zugänglich machen, um zu testen, wie genau der AI-Agent reale Geschäftsfragen beantworten kann.

Was ist also tatsÀchlich dabei herausgekommen?

Das Ergebnis war ein voller Erfolg: Durch die Nutzung einer zentralen semantischen Schicht war der AI-Agent am Ende des Tages in der Lage, prĂ€zisere und besser nachvollziehbare Antworten zu liefern.

Dies geschah jedoch nicht durch Zauberei gleich beim ersten Versuch. Es war das Ergebnis eines hochgradig kollaborativen, iterativen Engineering-Prozesses. Der eigentliche Durchbruch fand im kontinuierlichen Zyklus statt: den Agenten testen, ĂŒberprĂŒfen, wo er stolpert, und die semantischen Modelle durch Aktualisierung der YAML-Konfigurationsdateien von Cube gezielt hĂ€rten. Jedes Mal, wenn eine Definition geklĂ€rt oder ein Join-Pfad im YAML-Code explizit zugeordnet wurde, wurde der AI-Agent verlĂ€sslicher und prĂ€ziser.

Wenn man die AnsĂ€tze der beiden Teams kombiniert, sieht der Prozess, der zu einem guten Ergebnis fĂŒhren soll, so aus:

Semantic Layer + Verbindung

Zuerst richteten wir eine sichere Verbindung zwischen dem Semantic Layer und den zugrunde liegenden Data Warehouses ein.

Datenmodell generieren (YAML)

Wir generierten unsere Basis-Datenmodelle, indem wir die primären Tabellen und Schemata innerhalb der strukturierten Konfigurationsdateien definierten.

YAML-Dateien überprüfen / entwickeln

Hier fand die eigentliche Engineering-Arbeit statt. Wir verfeinerten die Datenmodelle, erstellten manuell komplexe Metriken, definierten strenge Tabellen-Joins vor und legten explizite Geschäftsregeln direkt im Code fest.

Mit Agenten verbinden & Fragen stellen

Wir machten unseren verfeinerten Semantic Layer für den LLM-gestützten AI-Agenten zugänglich und stellten ihm reale, mehrdeutige Geschäftsfragen, um seine Leistung zu testen.

Antworten validieren & Abfragen prüfen

Wir haben die Arbeit des Agenten auditiert. Indem wir die zugrunde liegenden SQL-Abfragen überprüften, die vom Semantic Layer generiert wurden, und die Ergebnisse mit unseren bestehenden, verifizierten Berichten abglichen, wussten wir sofort, ob die AI ins Schwarze traf oder eine Anpassung brauchte. Wenn sie stolperte, kehrten wir direkt zu Schritt 3 zurück, um die YAML-Dateien weiter zu härten.

Fazit und Zielbild

Der Tag war weit mehr als nur ein erfolgreiches Hackathon-Projekt. Er lieferte einen klaren Proof of Concept dafĂŒr, dass ein eigenstĂ€ndiger Semantic Layer eine tragfĂ€hige Grundlage fĂŒr AI-Agenten in Business Analytics schaffen kann.

Der eigentliche Mehrwert dieses Zielbilds geht weit ĂŒber ein einzelnes Chat-Interface hinaus. Indem der Semantic Layer ins Zentrum der Architektur gerĂŒckt wird, können AI-Agenten, Entwickler-Schnittstellen und traditionelle BI-Tools wie Tableau oder Power BI auf dieselben zentral gesteuerten semantischen Modelle zugreifen.

Die Erkenntnisse aus dem Hackathon bilden damit eine starke Grundlage, um AI-Agenten-Lösungen in zukĂŒnftigen Projekten weiterzuentwickeln, prĂ€ziser zu machen und kontrolliert zu skalieren.

Wichtige Erkenntnisse aus dem Hackathon

RĂŒckblickend auf unseren Tag sind hier die wichtigsten Lektionen fĂŒr den Aufbau prĂ€ziser, produktionsreifer AI-Analysen:

‱ Sofortiger Mehrwert

Eine semantische Schicht zwischen Datenbank und AI reduziert das Risiko, dass der Agent Daten frei interpretiert oder halluziniert.

‱ Kontext ist entscheidend

Die Bereitstellung expliziter Textdefinitionen fĂŒr Begriffe wie „Performance“ gibt der AI genau die Leitplanken, die sie braucht, um die richtigen Daten zu finden.

‱ Sauberes YAML = PrĂ€zise AI

Behandelt Eure semantischen Konfigurationen wie Produktionscode. Wenn Ihr sie sauber und strukturiert hĂ€lt, fĂŒhrt dies direkt zu prĂ€zisen AI-Antworten.

‱ Kontinuierlicher „Human-in-the-Loop“-Ansatz

Behebt Fehler nicht erst, nachdem sie aufgetreten sind. Bindet Datenexpert:innen bereits wĂ€hrend der Entwicklung ein, um die Abfragen der AI zu ĂŒberprĂŒfen und die Modelle proaktiv zu hĂ€rten.

AI-Agenten brauchen eine verlÀssliche Datengrundlage

Ihr möchtet prĂŒfen, wie sich ein Semantic Layer fĂŒr Eure Analytics- oder AI-Agenten-Use-Cases einsetzen lĂ€sst? Wir unterstĂŒtzen Euch bei der Einordnung, Konzeption und Umsetzung geeigneter Datenarchitekturen, von der semantischen Modellierung bis zur Integration in BI- und AI-Anwendungen.

Jetzt beraten lassen

Ähnliche BeitrĂ€ge