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 Branchengespräch und jede Konferenz. Dieser Wandel bringt jedoch auch große Kopfschmerzen mit sich: Wie stellt man sicher, dass der AI-Agent tatsächlich genaue Antworten liefert – also die Art von verifizierten, vertrauenswürdigen Daten, die man in offiziellen Geschäftsberichten sieht? Aus diesem Grund hat die Branche einen Schritt zurück gemacht, um sich auf eine entscheidende Voraussetzung zu konzentrieren: den Semantic Layer.

Da unser Kunde Calibrium das immense Potenzial dieses Wandels erkannt hat, entwickelte das Unternehmen ebenfalls eine AI-Agenten-Lösung für seine Business Analytics. Ad-hoc-Analysen spielen im täglichen Geschäft eine entscheidende Rolle: Neben traditionellen Dashboards benötigen die Fachbereiche schnelle und verlässliche Einblicke, ohne ständig auf Engpässe 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 verlässlich zu machen, brauchten sie ein einheitliches Fundament: eine zentrale Schicht, in der Geschäftsdefinitionen, Berechnungen und Logiken einmalig definiert und universell angewendet werden.

Nach einer Analyse der aktuellen Semantic-Layer-Landschaft stach Cube Core als bester Kandidat hervor. Um den Ansatz auf die Probe zu stellen, hat sich The Information Lab mit Calibrium für einen praktischen Hackathon zusammengetan, um einen Proof of Concept zu entwickeln und zu prüfen, ob Cube Core die verlässlichen Daten liefern kann, die für ihre Ad-hoc-Workflows erforderlich sind.

Bevor es um Setup und Ergebnisse des Hackathons geht, lohnt sich ein kurzer Blick auf die beiden zentralen Begriffe Semantic Layer und Cube Core.

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 müssen.

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 für 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 führt.

Ein Semantic Layer liegt über Eurer Datenbank. Er definiert Eure gesamte Geschäftslogik, Definitionen und Beziehungen an einem zentralen Ort. Er sagt Euren Tools: „Wann immer jemand nach dem ‚Umsatz‘ fragt, berechne ihn genau so.“

Warum ist das für AI wichtig? Anstatt einen AI-Agenten zu zwingen, Euer gesamtes Datenbankschema spontan zu entschlüsseln, richtet Ihr die AI auf den Semantic Layer. Die AI liest die sauberen, menschenlesbaren Definitionen und generiert jedes Mal deutlich verlässlichere 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 geschäftliche Präferenzen 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 „Headless“- oder eigenständigen (Standalone) Semantic Layer umsehen. Diese unabhängige Schicht fungiert als einzige Quelle der Wahrheit („Single Source of Truth“) über jede Datenbank oder nachgelagerte AI-Anwendung hinweg. Für unseren Hackathon war genau das der Punkt, den unser Kunde testen wollte, wobei Cube als eigenständige Engine für diesen Test ausgewählt wurde.

Was ist Cube Core?

Cube ist ein Open-Source Semantic-Layer, der explizit für moderne Datenanwendungen und AI entwickelt wurde. Die Lösung fungiert als Infrastruktur-Engine, die Eure Datenquellen (wie Snowflake, BigQuery oder Postgres) mit Euren konsumierenden Anwendungen (wie LLMs, Frontend-Anwendungen und BI-Tools) verbindet.

Cube ist ein Open-Source Semantic-Layer, der explizit für moderne Datenanwendungen und AI entwickelt wurde. Die Lösung fungiert als Infrastruktur-Engine, die Eure Datenquellen (wie Snowflake, BigQuery oder Postgres) mit Euren konsumierenden Anwendungen (wie LLMs, Frontend-Anwendungen und BI-Tools) verbindet.

Während Cube Core das vollständig quelloffene Framework der Plattform ist, bietet das Unternehmen auch Cube Cloud an. Dies erweitert die Core-Engine um eine verwaltete, unternehmenstaugliche Umgebung, die für skalierbare Agentic Analytics optimiert ist.

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 später zu skalieren. Unter Berücksichtigung dieser Philosophie haben wir den Hackathon so konzipiert, dass er sich auf zwei stark genutzte, bereits existierende Geschäftsberichte konzentriert, 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 prüfen, was abstrakte Konzepte wie „Performance“ tatsächlich bedeuteten und wo spezifische Filter angewendet wurden.

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

1. Eine direkte Verbindung zur Datenbank herstellen.
2. Robuste semantische Modelle mit Cube Core aufbauen.
3. Diese semantischen Schichten dem LLM zugänglich machen, um zu testen, wie genau der AI-Agent reale Geschäftsfragen beantworten kann.

Was ist also tatsächlich dabei herausgekommen?

Das Ergebnis war ein voller Erfolg: Durch die Nutzung des Semantic Layers in Cube Core war der AI-Agent am Ende des Tages in der Lage, präzise 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, überprüfen, wo er stolpert, und sofort unsere semantischen Modelle durch Aktualisierung der YAML-Konfigurationsdateien von Cube härten. Jedes Mal, wenn wir eine Definition klärten oder einen Join-Pfad im YAML-Code explizit zuordneten, wurde der AI-Agent sofort verlässlicher und präziser.

Wenn man die Ansätze der beiden Teams kombiniert, sieht der Prozess, der zu einem guten Ergebnis führen soll, so aus:

• Cube Core + Verbindung: Zuerst richteten wir eine sichere Pipeline ein, die Cube Core direkt mit unseren zugrunde liegenden Data Warehouses verband.

• Datenmodell in Cube generieren (YAML): Wir generierten unsere Basis-Datenmodelle, indem wir die primären Tabellen und Schemata innerhalb der strukturierten Konfigurationsdateien von Cube 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 den klaren Proof of Concept für die langfristige Datenstrategie von Calibrium. Wir konnten erfolgreich verifizieren, dass diese Architektur genau der richtige Weg ist, und Calibrium möchte diesen Ansatz zügig in die Produktion überführen.

Der eigentliche Mehrwert dieses Zielbilds geht weit über das Betreiben eines einzelnen Chat-Interfaces hinaus. Indem Cube Core ins Zentrum gerückt wird, können AI-Agenten, Entwickler-Schnittstellen und traditionelle BI-Tools (wie Tableau oder Power BI) auf dieselben, zentral gesteuerten semantischen Modelle zugreifen.

Die wertvollen Erkenntnisse aus dem Hackathon bilden somit eine starke Grundlage für Calibrium, um ihre AI-Agenten-Lösungen in kommenden Projekten weiterzuentwickeln und erfolgreich zu skalieren.