KI-gestützte Datenanalyse: Warum falsche Zahlen oft bessere Zahlen sind

Stellen Sie sich vor, Sie fragen nach der Anzahl Ihrer Kunden und erhalten sechs verschiedene Antworten – alle richtig, aber auf unterschiedliche Definitionen zurückzuführen. Genau diese Situation erlebte ein Sales-Team, als Sales eine Zahl nannte, die Finanzabteilung eine andere und der Gründer ein Dashboard präsentierte, das keiner der beiden entsprach. Doch niemand hatte Unrecht: Jeder blickte auf ein anderes System mit leicht abweichenden Berechnungsgrundlagen. Diese verwirrende Realität treibt Unternehmen seit Jahren um – und wird durch den Einsatz von KI noch komplexer.

Wenn KI die Zahlen schneller falsch liefert

Ein aktueller Fall aus der r/analytics-Community zeigt das Problem in seiner jüngsten Ausprägung: Ein CEO ersetzte ein Business-Intelligence-Tool durch eine KI-Anfrage an Claude. Das Ergebnis? Der Vertriebsleiter holte sich Zahlen, die nicht mit denen der Finanzabteilung übereinstimmten. Die KI hatte „Retentionsquoten“ erfunden, weil die zugrundeliegenden Daten seit 2022 nicht bereinigt worden waren. Der Top-Kommentar fasste die Lehre zusammen: „KI liefert nur dann zuverlässige Zahlen, wenn die Daten sauber sind und die Metriken klar definiert wurden. Fehlt dieser Rahmen, produziert sie selbstbewusst Unsinn – und das in Rekordzeit.“

Die Kernproblematik bleibt dabei stets dieselbe: Definitionen verschieben sich, und KI beschleunigt diese Verschiebung, statt sie zu lösen. Doch wie lässt sich dieser Teufelskreis durchbrechen?

Ein Agent, der Definitionen nicht ignoriert

Um diese Frage zu beantworten, entwickelte ich einen Agenten, der sich nicht von unklaren Metriken verwirren lässt. Zunächst simulierte ich eine typische Unternehmenssituation: zwei Tabellen mit Kundendaten. Die eine (stripe_customers) enthielt Billing-Informationen, die andere (hubspot_companies) CRM-Daten. Beide bezogen sich auf dasselbe Unternehmen, doch ihre Definitionen des Begriffs „Enterprise-Kunde“ wichen voneinander ab.

Als ich dem Agenten die einfache Frage stellte – „Wie viele Enterprise-Kunden haben wir?“ – erhielt ich nicht eine, sondern sechs Antworten. Jede Zahl war korrekt, doch jede basierte auf einer anderen Logik:

• 9 Kunden nach Stripe-Enterprise-Plan
• 8 Kunden nach aktiven und zahlenden Enterprise-Plänen in Stripe
• 9 Kunden nach HubSpot-Lifecycle-Status „Kunde“ und Enterprise-Tier
• 8 Kunden nach Matching beider Systeme
• 1 Stripe-Kunde (ein $0-Enterprise-Test, den HubSpot noch nicht als Kunden markiert hatte)
• 1 HubSpot-Kunde (ein kürzlich abgeschlossener Deal, dessen Abrechnung bei Stripe noch aussteht)

Der Agent erklärte jede Diskrepanz in klarem Englisch – etwa „Sync-Fehler oder abweichende Namensdomänen“ – und zeigte damit, dass der Konflikt nicht in den Zahlen, sondern in den Definitionen lag. Beide Systeme zählten „neun“, doch sie zählten unterschiedliche „Neuner“. Das Ergebnis war kein Kompromiss, sondern Transparenz.

Was hinter der Chatbox passiert

Die meisten Tools, die KI für Datenabfragen nutzen, funktionieren nach einem von zwei Prinzipien – und beide bergen Risiken:

• Prompt-basierte Lösungen: Hier werden alle Unternehmensdaten in den KI-Prompt eingefügt. Bei 10.000 Kundenzeilen bedeutet das hohe Kosten, da die KI jede Zeile verarbeiten muss. Zudem ist sie ein Vorhersagemodell, kein Rechner: Summenberechnungen können erfunden werden.

• SQL-Übersetzer mit Blackbox-Logik: Die KI fragt einen Übersetzer, der SQL-Code generiert, führt die Abfrage aber nie selbst aus. Nutzer erhalten eine Zahl – doch wenn sie falsch ist, bleibt unklar, warum. Eine nachträgliche Überprüfung ist unmöglich.

Der entwickelte Agent vermeidet beide Fallstricke. Er führt echte SQL-Abfragen direkt auf der Datenbank aus, schreibt die Abfragen selbst und protokolliert jeden Schritt. Ein Blick in den Audit-Log zeigt das genaue SQL, das der Agent generiert hat – inklusive der ersten, fehlgeschlagenen Version, die er selbst korrigierte.

Die Abfrage bestand aus fünf Teilabfragen, die beide Tabellen nach Firmennamen und E-Mail-Domains verknüpften. Kosten entstehen nur für die Abfrage selbst, nicht für das Laden ganzer Tabellen. Und sollte es in Zukunft zu Meinungsverschiedenheiten zwischen Sales und Finanz kommen, lässt sich der Konflikt in unter zwei Minuten klären: „Zeigen Sie mir das SQL.“

So setzen Sie den Agenten selbst ein

In ContextGate finden Sie den Agenten als kleinen Roboter-Symbol unten rechts. Geben Sie ihm folgende Anweisung:

Erstelle mir einen Agenten, der die Frage „Wie viele Enterprise-Kunden haben wir?“ beantwortet. 
Er soll direkt auf die Workspace-Datenbank zugreifen, damit die Zahlen real sind. 
Wenn die Tabellen stripe_customers und hubspot_companies widersprüchliche Ergebnisse liefern (was der Fall ist), 
soll er alle Zahlen anzeigen und die Unterschiede in verständlichem Englisch erklären. 
Der Agent soll nur lesend auf die Daten zugreifen.

Klicken Sie auf „Erlauben“, wenn der Agent nach Berechtigungen für die Datenbank-Tools fragt – und schon ist er einsatzbereit. Der Agent zeigt nicht nur die Zahlen, sondern auch den Weg dorthin – und das ist der Schlüssel zu verlässlichen Entscheidungen.

Die Zukunft der Datenanalyse liegt nicht darin, KI blind zu vertrauen, sondern sie mit klaren Definitionen und transparenten Prozessen zu kombinieren. Nur so lässt sich verhindern, dass aus „schnellen Antworten“ teure Fehlentscheidungen werden.