KI-Agent für Datenanalyse: Echte Zahlen statt Vermutungen

Was ein KI-Agent für Datenanalyse wirklich leistet – und warum er besser ist als „ChatGPT nach Ihren Daten zu fragen"

Ein KI-Agent für Datenanalyse ist eine Software, die Rohdaten entgegennimmt – eine CSV-Datei, eine Excel-Arbeitsmappe, eine Datenbankverbindung –, Analysecode schreibt, diesen Code in einer isolierten Umgebung ausführt und fertige Diagramme, verifizierte Zahlen sowie eine schriftliche Zusammenfassung zurückliefert. Er beschreibt nicht, was Sie mit Ihren Daten tun könnten – er tut es. Diese Unterscheidung trennt einen Datenanalyse-Agenten von jedem KI-Chatbot und den meisten traditionellen Business-Intelligence-Tools, und sie ist der Grund, warum diese Kategorie schnell wächst.

Diese Seite erklärt, was ein Datenanalyse-Agent ist, wie er sich von den zwei Tools unterscheidet, die Sie wahrscheinlich bereits verwenden (ein Chatbot und ein BI-Dashboard), welchen schrittweisen Workflow er befolgt, ein durchgerechnetes Beispiel, das Sie heute nachvollziehen können, die Vorbehalte, die Sie hinsichtlich Genauigkeit und Verifizierung kennen sollten, worauf Sie bei der Auswahl achten sollten, und wie Sie starten können.

KI-Agent vs. Chatbot vs. BI-Dashboard: Die zentralen Unterschiede

Um zu verstehen, wo ein Datenanalyse-Agent in dieser Landschaft steht, muss man ihn ehrlich mit zwei Alternativen vergleichen, die viele Menschen bereits nutzen.

„ChatGPT nach Ihren Daten fragen" – was tatsächlich passiert

Wenn Sie eine Datenprobe in einen allgemeinen Chatbot einfügen und fragen „Was sind die Trends hier?", liest das Modell den eingefügten Text und generiert plausibel klingenden Fließtext. Es kann Zahlen zitieren. Diese Zahlen werden nicht aus Ihren Daten berechnet; sie werden als wahrscheinliche Fortsetzung Ihres Prompts vorhergesagt. Wenn Ihre CSV-Datei 50.000 Zeilen hat, haben Sie vielleicht 20 davon eingefügt – das Modell kann den Rest nicht sehen. Es wird kein Code ausgeführt. Es wird kein Diagramm gezeichnet. Das Modell gleicht Muster mit Trainingsdaten darüber ab, wie eine Analyse dieser Art typischerweise aussieht.

Das ist nützlich zur Orientierung. Es ist nicht nützlich für Entscheidungen, die von Korrektheit abhängen.

Traditionelle BI-Dashboards – was sie können und was nicht

Tools wie Tableau, Looker und Power BI können Live-Daten abfragen und echte Diagramme aus echten Berechnungen erzeugen. Sie eignen sich hervorragend zur Überwachung wiederkehrender Kennzahlen bei stabilen Schemata. Ihre Einschränkung ist die Starrheit: Sie brauchen einen Data Engineer oder BI-Entwickler, um jede Ansicht zu erstellen. Eine Ad-hoc-Frage wie „Welche Produktkategorien haben den Anstieg der Retouren im letzten Q3 verursacht, aufgeschlüsselt nach Region und Wochentag, unter Ausschluss der drei größten Kunden?" erfordert ein Ticket, kein Gespräch. BI-Dashboards beantworten vordefinierte Fragen hervorragend; neue Fragen beantworten sie langsam.

Der KI-Datenanalyse-Agent

Ein KI-Datenanalyse-Agent schließt beide Lücken. Er akzeptiert beliebige Daten, versteht natürlichsprachliche Fragen und liefert verifizierte Ausgaben, indem er echten Code in einer Sandbox-Umgebung schreibt und ausführt. Die Zahlen in der Ausgabe sind berechnet, nicht halluziniert. Das Diagramm ist eine echte Bilddatei, keine Beschreibung davon. Da er iterieren kann – Fehler im eigenen Code beheben, die Frage neu formulieren, zusätzliche Bibliotheken einbinden – bewältigt er die unübersichtliche, einmalige Analyseanfrage, die weder ein Chatbot noch ein vorgefertigtes Dashboard bedienen kann.

Ein Chatbot beschreibt, wie eine Analyse aussehen würde. Ein KI-Datenanalyse-Agent führt den Code aus und liefert das fertige Artefakt.

Die fünfstufige Pipeline

Jeder leistungsfähige Datenanalyse-Agent folgt einer erkennbaren Pipeline. Sie zu verstehen hilft Ihnen, Tools zu bewerten und die richtigen Erwartungen zu setzen.

Die vollständige Pipeline vom Hochladen der Rohdaten bis zum fertigen Erzählbericht, einschließlich des Sandbox-Codeausführungsschritts, der die Ausgabe verifizierbar macht.

Stufe 1: Laden

Der Agent nimmt Ihre Datenquelle auf. Das kann eine CSV-Datei sein, die Sie hineinziehen, eine Excel-Datei mit mehreren Arbeitsblättern, ein Connection String zu einer PostgreSQL- oder MySQL-Datenbank, eine öffentliche URL oder ein API-Endpunkt. Ein guter Agent bewältigt Kodierungsprobleme (UTF-8 vs. Latin-1), gemischte Datentypen in Spalten, Header-Erkennung und mehrblättrige Arbeitsmappen, ohne dass Sie zuvor etwas bereinigen müssen. Bibliotheken wie pandas und DuckDB sind hier die Arbeitspferde – sie verarbeiten Gigabytes an Daten effizient innerhalb eines Sandbox-Prozesses.

Stufe 2: Bereinigen

Bevor eine Analyse läuft, profiliert der Agent die Daten: Wie viele Zeilen, welche Spalten, welche Typen, wie viele Nullwerte, gibt es offensichtliche Duplikate, werden Datumsspalten korrekt geparst? Anschließend schreibt und führt er Bereinigungscode aus. Nullwerte werden je nach Rolle der Spalte imputiert oder verworfen. Doppelte Zeilen werden markiert. String-Spalten, die numerisch sein sollten, werden umgewandelt. Diese Stufe deckt oft die wichtigsten Probleme eines Datensatzes auf – eine Datumsspalte, die als Text gespeichert wurde, eine Währungsspalte mit Kommas, eine Produkt-ID-Spalte mit nachgestellten Leerzeichen – und ein guter Agent meldet, was er geändert hat, bevor er fortfährt.

Stufe 3: Analysieren (die entscheidende Stufe)

Hier verdient sich der Agent seine Kategoriebezeichnung. Er sagt Ihnen nicht, wie man die Korrelation zwischen zwei Variablen berechnet; er schreibt den Code und führt ihn aus. Die Ergebnisse stammen aus tatsächlicher Berechnung auf Ihren tatsächlichen Daten. Wenn der Code einen Fehler auslöst – eine Division durch null, ein fehlender Spaltenname – liest der Agent den Traceback und versucht es erneut. Diese agentische Schleife, in der das Modell die Ausgabe seines eigenen Codes beobachtet und anpasst, macht die Analyse sowohl robust als auch nachprüfbar. Sie können sich den Code anzeigen lassen; alles ist nachvollziehbar.

Stufe 4: Visualisieren

Diagramme werden erstellt, indem Visualisierungscode – typischerweise matplotlib oder seaborn – innerhalb desselben Sandbox-Prozesses ausgeführt wird. Die Ausgabe ist eine echte PNG-Datei (oder HTML für interaktive Diagramme), die an die Sitzung angehängt wird. Da das Diagramm aus demselben Code erzeugt wird, der auch die Zahlen erzeugt hat, sind beide immer konsistent. Es gibt kein manuelles Nachbearbeiten der Diagrammbeschriftungen, um sie an gerundete Zahlen anzupassen; das Diagramm ist die Daten.

Stufe 5: Erklären

Schließlich schreibt der Agent eine Zusammenfassung. Er interpretiert die Befunde in einfacher Sprache: welcher Trend am größten ist, wo die Anomalie liegt, was der Korrelationskoeffizient geschäftlich bedeutet, welche Vorbehalte gelten. In dieser Stufe glänzt das Sprachmodell wirklich – es übersetzt berechnete Ausgaben in Fließtext, den ein nicht-technischer Stakeholder umsetzen kann. Die Erklärung sollte konkrete Zahlen aus der Berechnung zitieren, nicht neue Schätzungen einführen.

Durchgerechnetes Beispiel: Analyse einer Verkaufs-CSV

Hier ist ein konkreter Durchgang anhand eines realistischen Datensatzes. Angenommen, Sie haben eine sales_2024.csv mit den Spalten: date, region, product_category, revenue, units_sold, returns.

Schritt 1 — Datei hochladen. In Happycapy ziehen Sie die CSV-Datei in den Chat. Der Agent liest sie: 14.832 Zeilen, 6 Spalten, Datumsbereich Januar–Dezember 2024, keine Nullwerte in revenue, aber 3,2 % fehlende Werte in returns.

Schritt 2 — Eine Frage in einfacher Sprache stellen. „Welche drei Produktkategorien hatten im Q4 die höchsten Retourenquoten, und wie verhält sich das im Vergleich zu Q1?"

Schritt 3 — Der Agent schreibt den Code. Der Agent erzeugt ein pandas-Skript, das die Spalte date parst, nach Q1 und Q4 filtert, return_rate = returns / units_sold pro Kategorie berechnet und die Ergebnisse rangiert.

Schritt 4 — Der Code wird ausgeführt. Innerhalb der Sandbox läuft das Skript. Es liefert einen DataFrame zurück:

Category         Q1 Return Rate   Q4 Return Rate
Electronics      4.1%             9.8%
Accessories      2.3%             3.1%
Apparel          3.7%             5.2%

Schritt 5 — Visualisierung. Der Agent erzeugt ein gruppiertes Balkendiagramm, das die Retourenquoten Q1 vs. Q4 nach Kategorie vergleicht, exportiert es als return_rates_q1_vs_q4.png und hängt die Datei an.

Schritt 6 — Erzählung. Der Agent schreibt: „Die Retourenquote von Electronics stieg von 4,1 % in Q1 auf 9,8 % in Q4 – mehr als eine Verdopplung. Da Q4 die Weihnachtssaison umfasst, könnte dies Geschenkkäufe widerspiegeln, die nicht den Erwartungen der Beschenkten entsprachen. Apparel stieg ebenfalls, wenn auch moderater. Accessories blieb relativ stabil. Empfehlung: Die Retourendaten von Electronics auf die konkreten SKUs überprüfen, die den Anstieg verursachen."

Der gesamte Austausch dauert weniger als zwei Minuten. Keine Python-Kenntnisse erforderlich. Die Zahlen in der Erzählung sind die Zahlen in der Tabelle; sie stammen aus derselben Codeausführung.

Warum Codeausführung reiner Textanalyse überlegen ist

Das Argument für Codeausführung ist nicht nur philosophischer Natur. Es hat praktische Konsequenzen.

Korrektheit ist nachprüfbar. Wenn ein Agent eine Zahl liefert, können Sie fragen: „Zeig mir den Code, der das erzeugt hat." Die Antwort ist ein deterministisches Skript, das Sie erneut ausführen können. Wenn ein Chatbot eine Zahl liefert, lautet die Antwort: „Mein Sprachmodell hat dieses Token als wahrscheinlich in Anbetracht Ihres Prompts vorhergesagt." Das ist nicht dasselbe.

Skalierung ist real. Das Kontextfenster eines Sprachmodells wird in Token gemessen, grob gesagt zehntausende Wörter. Eine CSV-Datei mit 500.000 Zeilen lässt sich nicht in einen Prompt einfügen. Code wird auf dem vollständigen Datensatz ausgeführt, unabhängig von der Größe. Ein gut implementierter Agent nutzt das Sprachmodell, um den Code zu schreiben, und die Recheninfrastruktur, um ihn auszuführen – er kombiniert die Stärken beider.

Iteration erfolgt automatisch. Eine Analyse gelingt selten beim ersten Versuch. Ein groupby, das fehlschlägt, weil eine Spalte unerwartete Nullwerte hat, ein Datumsparser, der an gemischten Formaten scheitert, ein Merge, der ein kartesisches Produkt erzeugt, weil die Schlüsselspalten nachgestellte Leerzeichen hatten – das sind Routinefälle. Ein codeausführender Agent erkennt den Fehler, liest den Traceback und behebt den Code. Ein reiner Textagent teilt Ihnen mit, dass der Fehler existiert, und bittet Sie, ihn zu beheben.

Reproduzierbarkeit ist eingebaut. Da die Analyse als Code erfasst wird, ist jeder Schritt reproduzierbar. Sie können dieselbe Analyse nächsten Monat mit frischen Daten erneut ausführen. Sie können das Skript teilen. Sie können eine Annahme ändern und sehen, was sich verändert. Das macht die Ausgabe des Agenten weit dauerhafter als eine Textantwort.

Für einen tieferen Einblick, wie die Automatisierungsebene funktioniert, siehe How to Automate Data Analysis for Analysts – ein Begleitleitfaden, der sich speziell auf Analysten-Workflows konzentriert.

Worauf bei einem KI-Datenanalyse-Agenten zu achten ist

Nicht alle als „KI-Datenanalyse" vermarkteten Tools führen tatsächlich Code aus. So bewerten Sie sie.

Codeausführung in einer isolierten Sandbox

Das wichtigste Kriterium. Führt das Tool Python (oder R oder SQL) gegen Ihre tatsächlichen Daten in einem isolierten Prozess aus? Fragen Sie nach dem Code; wenn das Tool Ihnen keinen ausführbaren Code zeigen kann, der seine Ausgabe erzeugt hat, ist es ein reines Text-Tool. Die cloud sandbox architecture ist hier von Bedeutung – die Ausführung muss isoliert sein, damit die Daten eines Nutzers nicht zu einem anderen durchsickern können und damit bösartiger oder fehlerhafter Code der zugrunde liegenden Infrastruktur nicht schaden kann.

Iterative Fehlerbehebung

Führen Sie einen Test mit einer leicht fehlerhaften Datei durch – eine CSV mit gemischten Datumsformaten, ein Spaltenname mit Leerzeichen, eine numerische Spalte, die einen Textwert enthält. Erkennt und behebt der Agent das Problem eigenständig, oder scheitert er und bittet Sie, die Daten vorab zu bereinigen? Robustheit gegenüber unübersichtlichen Realweltdaten unterscheidet produktionsreife Agenten von Demos.

Transparenz der Argumentation

Sie sollten sehen können, was der Agent bei jedem Schritt getan hat: welchen Code er geschrieben hat, was die Ausgabe dieses Codes war, welche Entscheidungen er bei der Bereinigung getroffen hat. Ein Agent, der nur einen polierten Bericht ohne jegliche Einsicht in die zugrunde liegenden Schritte liefert, ist bei folgenreichen Entscheidungen schwer zu vertrauen.

Modellflexibilität

Analyseaufgaben haben unterschiedliche Anforderungen. Explorative Analysen an einer kleinen Datei benötigen ein schnelles, günstiges Modell. Statistische Modellierung an einem großen Datensatz profitiert von einem sehr leistungsfähigen Modell. Eine Plattform, die Zugriff auf mehrere Modelle bietet – und Ihnen erlaubt, auszuwählen oder automatisch zu routen – lässt Sie sowohl Kosten als auch Qualität optimieren. Happycapys Zugriff auf über 150 Modelle unterstützt dies nativ.

Vollständigkeit der Ausgabe

Der Agent sollte alle Artefakte zurückgeben: bereinigte Daten auf Wunsch, Codedateien, Diagrammbilder und einen schriftlichen Bericht. Manche Tools liefern nur eines davon. Sie wollen das gesamte Paket, damit nachgelagerte Stakeholder die Arbeit verifizieren, präsentieren und reproduzieren können.

Für einen detaillierten Blick darauf, wie das zugrunde liegende Harness-Engineering die mehrstufige Agentenausführung zuverlässig macht, siehe Harness Engineering for AI Agents.

Einschränkungen und Genauigkeitsvorbehalte

Verantwortungsvolle Nutzung erfordert zu verstehen, was ein Datenanalyse-Agent nicht gut kann.

Er kann Ihren Geschäftskontext nicht kennen. Der Agent weiß nicht, dass „returns" in Ihren Daten Garantieansprüche bedeutet und nicht Einzelhandelsretouren, es sei denn, Sie sagen es ihm. Die fachliche Einordnung ist Ihre Aufgabe. Je mehr Kontext Sie liefern – was die Spalten darstellen, wie eine „gute" Zahl in Ihrer Branche aussieht, welche Anomalien Sie bereits untersucht haben –, desto besser wird die Analyse.

Statistische Korrektheit erfordert bei folgenreichen Entscheidungen eine Überprüfung. Der Agent wählt sinnvolle Standardeinstellungen – Mittelwerte statt Mediane, Pearson statt Spearman –, aber „sinnvolle Standardeinstellungen" sind nicht immer die richtige Wahl für Ihre Datenverteilung. Wenn Sie Ergebnisse einem Vorstand präsentieren oder damit ein erhebliches Budget zuweisen, lassen Sie die Methodik von einem Statistiker prüfen, auch wenn Sie der Ausführung vertrauen.

Er ist nur so gut wie Ihre Daten. „Garbage in, garbage out" gilt uneingeschränkt. Ein Agent wird aus falschen Ausgangsdaten getreulich die falsche Antwort berechnen. Datenqualität ist eine Voraussetzung, keine Sache, die der Agent für Sie übernimmt (auch wenn er helfen kann, Datenqualitätsprobleme während der Bereinigungsstufe aufzudecken).

Lang laufende Berechnungen haben praktische Grenzen. Das Trainieren eines Machine-Learning-Modells an einem großen Datensatz unterscheidet sich vom Analysieren desselben. Die meisten Datenanalyse-Agenten sind für Exploration und Berichterstattung optimiert, nicht für stundenlange Trainingsläufe. Kennen Sie den Unterschied.

Für Anwendungsfälle, die Analyse mit automatisierter Berichtserstellung verbinden, siehe AI Report Generator – dieser Artikel behandelt, wie Agenten Analyseergebnisse nehmen und automatisch formatierte Deliverables erstellen können. Wenn Sie komplexere Pipelines aufbauen, behandelt AI Research Agent Agenten, die Datenanalyse mit Web-Recherche kombinieren.

So starten Sie Ihre erste KI-Datenanalyse-Agenten-Sitzung

Der Einstieg ist mit einem Tool wie Happycapy unkompliziert.

1. Bereiten Sie Ihre Daten vor. Exportieren Sie alles, was analysiert werden soll, als CSV oder Excel. Fünfzehn Minuten, in denen Sie dafür sorgen, dass die Spalten klare Namen haben, ersparen Ihnen mehrere Hin-und-her-Runden mit dem Agenten.

2. Öffnen Sie Happycapy und starten Sie eine Sitzung. Keine lokale Python-Installation erforderlich. Die Ausführungsumgebung befindet sich vollständig in der Cloud.

3. Laden Sie die Datei hoch und beschreiben Sie Ihr Ziel. Seien Sie konkret: „Ich möchte verstehen, welche Regionen im Q2-Umsatz im Vergleich zu ihrer Q1-Basis unterdurchschnittlich abschneiden, und ich möchte ein Balkendiagramm, das sie vergleicht." Je konkreter die Frage, desto fokussierter die Analyse.

4. Überprüfen Sie den vom Agenten geschriebenen Code. Selbst wenn Sie kein Entwickler sind, gibt ein Blick auf den Code Ihnen eine Plausibilitätsprüfung, ob der Agent Ihre Frage verstanden hat.

5. Stellen Sie Anschlussfragen. Analyse ist iterativ. „Schlüssel das jetzt nach Produktkategorie auf" oder „filtere zunächst Konten mit weniger als 10.000 $ Umsatz heraus" sind natürliche Folgefragen, die der Agent bewältigt, ohne von vorne zu beginnen.

6. Laden Sie die Ergebnisse herunter. Diagramme, bereinigte Daten und die schriftliche Zusammenfassung sind alle als Dateien verfügbar. Der Code ist ebenfalls verfügbar, sodass die gesamte Analyse reproduzierbar ist.

Kostenlos starten unter happycapy.ai

Häufig gestellte Fragen

Welche Arten von Datendateien kann ein KI-Datenanalyse-Agent verarbeiten?

Die meisten Agenten verarbeiten nativ CSV, Excel (XLS/XLSX), JSON und Parquet. Bessere Plattformen unterstützen auch direkte Datenbankverbindungen (PostgreSQL, MySQL, SQLite) und API-Endpunkte. Happycapy akzeptiert all dies sowie URLs, die auf öffentliche Datensätze verweisen.

Sind meine Daten sicher, wenn ich sie zu einem Cloud-Agenten hochlade?

Das hängt vollständig von der Plattform ab. Achten Sie auf Sandbox-Ausführung (jede Sitzung läuft in einer isolierten Umgebung), Verschlüsselung der Daten während der Übertragung und eine klare Datenaufbewahrungsrichtlinie. Happycapy führt jede Sitzung in einer isolierten Cloud-Sandbox aus – Ihre Daten sind für andere Sitzungen nicht zugänglich und werden nicht für das Modelltraining verwendet. Siehe What Is a Cloud Sandbox für eine ausführlichere Erklärung des Isolationsmodells.

Muss ich Python oder Statistik kennen, um einen solchen Agenten zu nutzen?

Nein. Sie interagieren in einfacher Sprache. Der Agent schreibt und führt den Code aus. Dennoch hilft etwas statistische Bildung dabei, bessere Fragen zu stellen und Ergebnisse zu erkennen, die keinen Sinn ergeben. „Was ist der Median, nicht der Mittelwert, des Umsatzes pro Kunde?" ist eine bessere Frage als „Was ist der Durchschnitt?", und zu wissen, dass man sie stellen sollte, ist wichtiger, als sie codieren zu können.

Wie unterscheidet sich das davon, eine KI zu bitten, mir ein Python-Skript zu schreiben?

Wenn eine KI Ihnen ein Skript schreibt, erhalten Sie Code. Sie müssen ihn dann selbst ausführen, debuggen, Abhängigkeitsprobleme beheben und die Ausgabe interpretieren. Ein Datenanalyse-Agent schließt diese Schleife: Er schreibt den Code, führt ihn in einer verwalteten Umgebung aus, behandelt Fehler eigenständig und präsentiert die fertige Ausgabe. Der Unterschied ist ungefähr vergleichbar mit dem Unterschied zwischen einem Rezept anfordern und ein fertig zubereitetes Essen bekommen.

Kann der Agent große Datensätze verarbeiten – Millionen von Zeilen?

Das hängt von den Sandbox-Rechenressourcen der Plattform ab. Spaltenorientierte Dateiformate wie Parquet und Tools wie DuckDB können hunderte Millionen Zeilen auf moderater Hardware verarbeiten, ohne alles in den Speicher zu laden. Happycapys Sandboxes sind für echte analytische Workloads ausgelegt, nicht nur für Spielzeugdatensätze. Bei extrem großen Datenmengen sind partitionierte Abfragen oder Datenbankverbindungen praktischer als Datei-Uploads.

Was, wenn der Agent bei seiner Analyse einen Fehler macht?

Da die Analyse als Code ausgedrückt wird, sind Fehler nachprüfbar und korrigierbar. Bitten Sie den Agenten, Ihnen den Code zu zeigen. Überprüfen Sie die Logik. Wenn Sie einen Fehler entdecken – falscher Datumsfilter, groupby auf dem falschen Schlüssel – beschreiben Sie die Korrektur in einfacher Sprache, und der Agent wird den Code neu schreiben und erneut ausführen. Diese Rückkopplungsschleife ist schneller, als selbst ein Skript zu debuggen, und weit zuverlässiger, als einen Chatbot zu bitten, seinen Text zu überdenken.

Ist ein KI-Datenanalyse-Agent ein Ersatz für einen Datenanalysten?

Nein. Er ist ein Kraftvervielfacher. Erfahrene Analysten nutzen ihn, um die mechanischen Teile der Arbeit zu eliminieren – die Datenaufbereitung, die routinemäßige Diagrammerstellung, die erste Erkundung –, sodass sie Zeit für die Teile aufwenden können, die echte Fachkompetenz erfordern: die richtige Frage zu formulieren, den Befund zu kontextualisieren und eine Erkenntnis in eine Entscheidung zu übersetzen. Für Teams ohne dedizierten Analysten bietet er eine analytische Fähigkeit, die sonst gar nicht existieren würde. Der Begleitleitfaden für Analysten behandelt speziell, wie man ihn in den Workflow eines Analysten integriert.

Wie unterscheidet sich das von einem BI-Dashboard wie Tableau oder Looker?

Ein BI-Dashboard ist für bekannte, wiederkehrende Fragen bei einem stabilen Schema vorgefertigt. Es beantwortet diese Fragen hervorragend, im großen Maßstab, in Echtzeit, für ein großes Team. Ein KI-Datenanalyse-Agent ist für neue, ad-hoc Fragen bei beliebigen Daten gebaut. Sie bedienen unterschiedliche Momente: das Dashboard für „Gib mir die Verkaufszahlen dieser Woche in derselben Ansicht, die ich letzte Woche genutzt habe", der Agent für „Ich habe gerade diesen Datensatz von einem neuen Anbieter erhalten und muss ihn bis Ende des Tages verstehen." Die meisten reifen Datenteams werden beides nutzen.