Semantic-Layer Business Intelligence: Wer definiert, was eine Zahl bedeutet?
Aktualisiert: 26. Aug.
Warum die Zukunft der Business Intelligence nicht nur an Datenqualität, sondern an ihrer Semantik entschieden wird
Eine Zahl ist noch keine Information. Und eine Information ist noch keine Wahrheit.
Laut gedacht
Das klingt zunächst philosophisch, in der Business Intelligence ist es jedoch eine höchst praktische Frage. Nehmen wir daher eine Zahl, die in nahezu jedem Unternehmen vorkommt: Umsatz. Wir wollen wissen, was genau darunter verstanden wird.
Fakturierte Umsätze oder Auftragseingang? Brutto oder Netto? Mit oder ohne Stornierungen? Nach Rechnungsdatum oder Leistungsdatum? Welcher Wechselkurs? Welche Gesellschaften? Welcher Zeitraum? Wir sehen, diese Aufzählung ließe sich problemlos fortführen. Von weitergehendem Interesse ist jedoch vor allem:
Wer hat diese Definition festgelegt?
Solange Menschen Reports lesen und interpretieren, lassen sich unterschiedliche Definitionen noch relativ leicht erklären. Die Finance-Abteilungen kennen ihre Logiken,
der Vertrieb seine, und das Controlling wiederum ihre eigenen. Man weiß, dass dieselbe Zahl an unterschiedlichen Stellen etwas Unterschiedliches bedeuten kann.
Doch genau dieses Prinzip gerät ins Wanken, denn wir beginnen Maschinen nicht mehr nur Daten anzeigen, sondern Daten interpretieren zu lassen.
Generative AI, Natural-Language-Analytics und vor allem agentische Systeme sollen
künftig Fragen beantworten, Zusammenhänge erkennen, Analysen durchführen und Entscheidungen vorbereiten. Damit entsteht eine neue und bisher unterschätzte Herausforderung:
Eine KI muss nicht nur wissen, wo eine Zahl steht, sie muss verstehen, was diese Zahl bedeutet. Und genau hier beginnt die nächste Generation von Business Intelligence.
Von der Datenqualität zur Datenbedeutung
Der aktuelle BARC Trend Monitor Daten, BI & Analysen 2026 setzt Datenqualität erneut an die Spitze der wichtigsten Themen. Gleichzeitig gewinnen Data & AI Governance, Data Culture, Data Literacy und weitere Themen rund um den kontrollierten Umgang mit Daten an Bedeutung.
Das ist konsequent, denn je mehr Unternehmen ihre Daten für KI-basierte Anwendungen öffnen, desto weniger reicht es aus, dass Daten lediglich vorhanden sind. Sie müssen verständlich, konsistent und kontextualisiert sein.
Genau deshalb wird eine Ebene immer wichtiger, die lange eher wie ein Spezialthema der Datenarchitektur wirkte:
Der Semantic-Layer Business-Intelligence – die semantische Ebene.
Sie übersetzt technische Datenstrukturen in Geschäftsbegriffe, definiert Kennzahlen, Beziehungen und Regeln und schafft damit eine gemeinsame Sprache zwischen Daten, Menschen und Anwendungen. Aktuelle Fachdebatten sehen gerade in dieser Übersetzungsebene einen entscheidenden Baustein für vertrauenswürdige AI Analytics. (Datus) Das klingt technisch, ist es aber eigentlich nicht, denn im Kern geht es um eine Verständnisfrage:
Was meinen wir eigentlich, wenn wir von einer bestimmten Zahl sprechen?
Das eigentliche Problem liegt nicht in der Zahl
Stellen wir uns beispielsweise einen Geschäftsführer vor, der seine BI-Lösung fragt:
„Wie hat sich unser Umsatz im letzten Quartal entwickelt?“
Die KI antwortet: „Der Umsatz ist um 8,4 Prozent gestiegen.“ Klingt gut, schnell und präzise, vielleicht sogar richtig. Aber was wäre, wenn das Finanzcontrolling bei derselben Frage auf 6,9 Prozent kommt, und der Vertrieb auf 9,7 Prozent? Dann haben wir kein KI-Problem, sondern ein nicht offensichtlich gewordenes Definitionsproblem.
Die Maschine hat möglicherweise perfekt gerechnet, nur eben ausgehend von der falschen Definition und genau das macht den entscheidenden Unterschied:
Denn bekanntlich sind die gefährlichsten Fehler in der datengetriebenen Unternehmenssteuerung nicht unbedingt offensichtliche Fehler, sondern plausibel erscheinende Abweichungen. Plausibel meint in diesem Zusammenhang, dass die Abweichung, nachvollziehbar und logisch erklärbar ist.
Eine plausibel falsche Zahl ist ein falscher Wert, der täuschend echt wirkt und logisch erscheint, während eine offensichtlich falsche Zahl sofort als absurd auffällt und eine nicht offensichtlich falsche Zahl schlicht unbemerkt bleibt.
Eine plausibel falsche Zahl, die überzeugend aussieht, weil sie Sinn machen könnte, wird dagegen schnell zur Grundlage einer Entscheidung. Und genau hier verändert KI die Dimension des Problems.
Semantic-Layer Business Intelligence:
Wenn Maschinen anfangen unsere Zahlen zu interpretieren
Klassische Business Intelligence hat eine relativ klare Logik:
Daten → Modell → Bericht → Mensch → Entscheidung
Die Interpretation liegt am Ende beim Menschen.
Mit generativer und agentischer KI verändert sich diese Kette:
Daten → Modell → KI → Erkenntnis → Entscheidung
Und perspektivisch sogar:
Daten → KI-Agent → Analyse → Handlung
Diese Veränderung zeigt je autonomer Systeme werden, desto weniger können wir uns erlauben, dass Begriffe und Kennzahlen unterschiedlich interpretiert werden. Eine KI kennt nicht automatisch die Unternehmenslogik hinter einer Kennzahl. Ein Large Language Model weiß beispielsweise nicht aus sich heraus, ob „aktive Kunden“ bei einem Unternehmen Kunden mit mindestens einem Kauf innerhalb von zwölf Monaten oder nur Kunden mit einem laufenden Vertrag bezeichnet.
Es kennt die Sprache, aber nicht automatisch die Geschäftsbedeutung. Genau diese Lücke soll eine semantische Ebene schließen. Sie verbindet technische Strukturen mit dem fachlichen Verständnis eines Unternehmens: Kennzahlen, Dimensionen, Entitäten, Beziehungen, Geschäftsregeln und – je nach Architektur – auch Berechtigungen und Governance. (Sema)
Der Semantic-Layer ist deshalb mehr als ein Wörterbuch
Man könnte einen Semantic-Layer oberflächlich als eine Art Übersetzungsbuch verstehen, doch das wäre eindeutig zu kurz gegriffen, denn ein Glossar kann beispielsweise folgendes sagen: „Umsatz ist Erlöse aus Verkäufen.“ Eine funktionierende semantische Ebene muss deutlich mehr wissen: Welche Datenquellen sind relevant? Welche Tabellen gehören zusammen? Welche Beziehungen sind zulässig? Welche Filter gelten? Auf welcher Granularität wird gerechnet? Welche Kennzahl ist offiziell? Welche Dimensionen dürfen miteinander kombiniert werden? Wer darf welche Daten sehen?
Genau diese Funktionalität macht den Semantic-Layer für moderne BI und AI so interessant. Diese Ebene liegt zwischen der technischen Welt der Datenbanken und der fachlichen Welt des Unternehmens, oder einfacher gesagt, sie bringt der Maschine bei, wie das Unternehmen über seine Daten denkt.
Aktuelle Entwicklungen im Semantic-Layer-Umfeld gehen deshalb zunehmend über reine Dokumentation hinaus: Die semantische Ebene soll nicht nur Begriffe beschreiben, sondern deren Logik für BI, Self-Service Analytics und AI-Anwendungen tatsächlich nutzbar und konsistent machen. (Sema)
Der unterschätzte Unterschied zwischen Daten
und Wissen
Vielleicht liegt genau hier einer der größten Denkfehler der vergangenen Jahre, Unternehmen haben enorme Mengen an Daten aufgebaut (Data Warehouses,
Data Lakes, Lakehouses, CRM-Daten, ERP-Daten, Produktdaten, Maschinendaten, Kundendaten, Webdaten) doch bedeuten mehr Daten nicht automatisch ein Mehr
an Wissen.
Ein Unternehmen kann beispielsweise Terabytes an Daten besitzen und trotzdem kann diese simple Frage „Wie viele unserer Kunden sind eigentlich profitabel?“ nicht eindeutig beantworten werden. Warum ist das so? Die Frage ist semantisch, nicht rein mathematisch. Was bedeutet in diesem Kontext „Kunde“ und was „profitabel“? Welche Kosten werden berücksichtigt in welchem Zeitraum und in welcher Zuordnung? Das eigentliche Problem liegt also nicht unbedingt darin, dass Daten fehlen, sondern es fehlt „Kontext“.
Und genau deshalb wird der Semantic-Layer
zur Infrastruktur für AI
Das Thema ist nicht theoretischer Natur, vielmehr zeigt die aktuelle Entwicklung im Markt bereits, dass semantische Modelle zunehmend als Verbindung zwischen Datenplattformen, BI-Anwendungen und AI-Systemen angedacht sind. Auch Projekte aus dem wissenschaftlichen Umfeld beschäftigen sich 2026 explizit mit einer „Universal Semantic Layer for Agentic Analytics“, um BI-Tools, Anwendungen und AI-Agenten auf ein konsistentes Datenmodell zu bringen. (MDsi TUM)
Der Grund ist simpel: Ein AI-Agent, der direkt auf ein komplexes Datenbankschema losgelassen wird, muss sich Zusammenhänge selbst erschließen. Beispielsweise muß er herausfinden auf, welche Tabelle, welche Spalte, welchen Join, welche Definition, sowie welchen Filter und welche Aggregation zurückgegriffen wird.
Und genau dort kann aus einer beeindruckenden AI-Demo schnell eine riskante Unternehmensanwendung werden. Denn ein Sprachmodell kann eine plausible Antwort erzeugen, obwohl die zugrunde liegende Abfrage fachlich falsch war.
Eine semantische Ebene kann diese Interpretationsarbeit stärker strukturieren und kontrollieren. Damit wird sie zu einer Art Vertrauensschicht zwischen Unternehmensdaten und künstlicher Intelligenz.
Aber jetzt wird es interessant: Muss dafür alles komplexer werden?
Hier beginnt für mich die eigentlich spannende Diskussion, denn die Antwort des Marktes auf dieses Problem lautet häufig:
Mehr Architektur, neue Datenplattform, neue Governance, neue Modellierung, neue Tools, neue Spezialisten, neue Prozesse – das alles ist für große Enterprise-Architekturen schier unerlässlich wie sinnvoll.
Ein internationaler Konzern mit hunderten Datenquellen, komplexen Berechtigungsmodellen und tausenden BI-Nutzern benötigt eine andere Infrastruktur als ein mittelständisches Unternehmen.
Aber genau hier sollten wir uns eine Frage erlauben: Muss moderne Business Intelligence wirklich immer komplexer werden, um intelligenter zu werden? Ich glaube: Nein. Im Gegenteil, die nächste Generation von BI sollte die Komplexität dort lösen, wo sie hingehört, nämlich im System und nicht beim Anwender.
Self-Service BI darf nicht bedeuten: „Mach es selbst“
Self-Service BI war eine der wichtigsten Entwicklungen der vergangenen Jahre und sie war richtig. Fachabteilungen wollten nicht mehr für jede Auswertung ein Ticket bei der IT eröffnen, sie wollten vielmehr selbst Fragen stellen, dann wann es für sie von Interesse war.
Daten analysieren, Dashboards erstellen, Erkenntnisse gewinnen, wann immer es zeitnah und unkompliziert erforderlich war. Doch bald zeigte sich, dass „Self-Service“ eine Kehrseite hatte:
Wenn jeder seine eigene Logik baute, entstünden schnell unterschiedliche Wahrheiten. Uns so war es dann auch. Das Marketing definiert einen Kunden anders als der Vertrieb. Das Controlling berechnet Marge anders als das Management. Ein Dashboard verwendet eine eigene Umsatzlogik. Ein anderes Dashboard eine zweite. Und irgendwann kommt die KI ins Spiel, dann wird aus dem alten, ja bekannten BI-Problem ein nicht unerhebliches AI-Problem:
Nicht nur Menschen interpretieren dieselben Daten unterschiedlich. Jetzt können es auch Maschinen tun.
Die Lösung kann deshalb nicht darin bestehen, „Self-Service“ wieder abzuschaffen, sondern darin, Self-Service intelligenter zu machen.
Genau hier liegt für mich die nächste Entwicklungsstufe von BI
Self-Service BI 1.0 bedeutete: Ich kann meine Daten selbst analysieren. Self-Service BI 2.0 muss bedeuten: Ich kann meine Daten selbst analysieren, ohne dabei jedes Mal die zugrunde liegende Datenlogik neu erfinden zu müssen. Und genau deshalb wird automatisierte Datenmodellierung so interessant, denn wenn das System Zusammenhänge zwischen Datenquellen erkennt, ein belastbares Modell erzeugt und die fachliche Nutzung dieses Modells ermöglicht, wird aus Self-Service tatsächlich intelligenter Self-Service.
Nicht jeder Mitarbeiter muss zum Data Analyst werden, das System muss vielmehr einen Teil der Komplexität übernehmen.
KI.DA VISION: Komplexität dort lösen,
wo sie hingehört
Das ist auch der Punkt, an dem sich die Philosophie von KI.DA VISION einordnet.
KI.DA VISION verfolgt nicht den Ansatz, den Anwender mit noch mehr technischen Möglichkeiten auszustatten, sondern der einen anderen: Die Technologie soll möglichst viel Komplexität übernehmen, damit der Mensch möglichst wenig davon spürt.
Ein zentraler Baustein ist dabei die automatisierte Datenmodellierung. Statt dass jeder Anwender selbst verstehen muss, welche Tabellen zusammengehören, welche Beziehungen relevant sind und wie Daten für eine konkrete Analyse strukturiert werden müssen, wird ein intelligentes Datenmodell zum Fundament der Analyse.
Damit verändert sich auch die Rolle der KI, sie muss nicht mehr versuchen, die Unternehmenslogik jedes Mal neu aus den Rohdaten herauszulesen, sie arbeitet auf einem strukturierten Fundament. Das ist ein entscheidender Unterschied. Denn die eigentliche Intelligenz eines BI-Systems liegt nicht darin, möglichst komplizierte Fragen beantworten zu können, sondern einfache Fragen zuverlässig zu beantworten.
„Wie viel Umsatz haben wir?“ ist keine einfache Frage
Das klingt zunächst absurd, natürlich ist das eine simple Frage aus technischer Sicht, fachlich hingegen nicht unbedingt. Denn hinter dieser so einfach klingenden Frage stehen unzählige Entscheidungen über Datenmodell, Definitionen und Geschäftslogik.
Genau deshalb halte ich eine andere Perspektive für wichtig: Die Qualität einer KI-Antwort beginnt lange bevor die KI antwortet. Sie beginnt beim Datenmodell, bei der Datenqualität und den Beziehungen zwischen Daten, bei deren Definitionen und nicht zuletzt beim Kontext, sowie der Frage, ob Mensch und Maschine dasselbe unter einem Begriff verstehen.
Das ist die eigentliche Herausforderung für Agentic BI
Agentic AI wird die Business Intelligence verändern, davon bin ich überzeugt. Aber wir sollten dabei nicht den Fehler machen, den nächsten Schritt der Technologie mit dem nächsten Schritt der Unternehmenssteuerung zu verwechseln.
Ein KI-Agent kann vielleicht heute schon eine SQL-Abfrage formulieren. Das ist zweifelsfrei beeindruckend, aber nicht die wichtigste Frage: War es die richtige SQL-Abfrage? Und noch wichtiger: Hat das System verstanden, was das Unternehmen eigentlich wissen wollte?
Genau hier wird sich meiner Meinung nach entscheiden, welche AI-gestützten BI-Systeme sich langfristig durchsetzen werden. Nicht die Systeme mit den spektakulärsten Demos sondern diejenigen, deren Antworten nachvollziehbar, konsistent und geschäftlich belastbar sind.
Die neue „Single Source of Truth“ ist keine Datenbank
Lange Zeit wurde die Diskussion um die „Single Source of Truth“ vor allem technisch geführt: Wo liegen die Daten? Welches System ist führend? Welche Datenbank ist maßgeblich? Aber das reicht heute nicht mehr, denn eine echte Single Source of Truth muss nicht nur sagen: Wo ist die Zahl? Sondern vielmehr: Was bedeutet die Zahl?
Ein fundamentaler Unterschied, denn die Wahrheit eines Unternehmens liegt nicht allein in seinen Tabellen, sondern sie liegt in der Verbindung von Daten, Kontext und Geschäftslogik. Und genau dieses Zusammenspiel der Verbindung wird für KI entscheidend sein.
Mein Standpunkt.
Ich glaube, dass wir gerade einen grundlegenden Wandel in der Business Intelligence erleben. Die erste Ära der BI bestand darin, Daten sichtbar zu machen, die zweite darin, Daten für möglichst viele Menschen zugänglich zu machen.
Die nächste wird darin bestehen, Daten für Mensch und Maschine gleichermaßen verständlich zu machen. Damit verändert sich auch die Bedeutung eines guten BI-Systems. Es reicht nicht mehr, möglichst viele Datenquellen anzubinden, und möglichst schöne Dashboards zu bauen, und es reicht erst recht nicht, einfach eine generative KI auf eine Datenbank zu setzen. Denn entscheidend ist, ob das System die Sprache des Unternehmens versteht?
Wenn der CFO „Umsatz“ sagt, muss die Maschine dasselbe meinen wie der CFO. Wenn der Vertrieb von „aktiven Kunden“ spricht, muss die Definition eindeutig sein.
Wenn ein KI-Agent daraus eine Handlungsempfehlung ableitet, muss nachvollziehbar sein, auf welcher Geschäftslogik diese Empfehlung basiert.
Das ist für mich die eigentliche nächste Stufe der Business Intelligence.
Vielleicht brauchen wir deshalb künftig weniger
BI-Spezialisten – und bessere BI-Systeme
Das ist ein bewusst provokanter Gedanke, dennoch glaube ich nicht, dass Data Analysts oder BI-Spezialisten künftig überflüssig werden vielmehr wird ihre Rolle anspruchsvoller ausgelegt. Sie werden sich weniger mit der manuellen Erstellung einzelner Reports beschäftigen sondern stärker mit Datenarchitektur, Governance, Modellen und strategischen Fragestellungen.
Aber nicht jedes Unternehmen kann und muss ein großes Data-Team aufbauen. Gerade der Mittelstand braucht Lösungen, die komplexe Datenarbeit intelligent abstrahieren, statt sie einfach an den Kunden weiterzugeben. Darin liegt für mich die eigentliche Idee hinter Self-Service BI, nicht den Menschen zum Datenexperten zu machen, sondern Technologie so intelligent zu bauen, dass der Mensch seine geschäftliche Frage stellen kann – und das System die Komplexität dahinter übernimmt.
Die Zukunft der BI beginnt deshalb nicht mit der nächsten KI.
Sie beginnt mit einer homogenisierten Sprache.
Daher wird in den nächsten Jahren entscheidend sein: „Versteht unsere KI eigentlich, was wir unter unseren eigenen Zahlen verstehen?“ und nicht etwa: „Welche KI können wir einsetzen, um noch effizienter zu werden?“
Eine Maschine, die schneller rechnet, ist noch keine bessere Business Intelligence, hingegen eine Maschine, die den Kontext versteht, wird es sein. Und vielleicht ist genau das die unspektakuläre, aber entscheidende Revolution hinter der nächsten
Generation von BI:
Nicht mehr Daten, Dashboards oder mehr KI, sondern mehr Bedeutung, mehr Kontext.
Quellen & weiterführende Einordnung
BARC: Trend Monitor Daten, BI & Analysen 2026 – insbesondere zur Bedeutung von Datenqualität, Data & AI Governance, Data Culture und weiteren aktuellen BI-Trends.
Aktuelle Fachdebatte zur Rolle einer Semantic Layer als Übersetzung zwischen physischen Datenstrukturen und Business-Begriffen sowie ihrer zunehmenden Bedeutung für AI Analytics. (Datus)
TUM Data Innovation Lab: Forschungsprojekt Universal Semantic Layer for Agentic Analytics zur konsistenten Nutzung von Metriken, Business Logic und Zugriffskontrolle durch BI-Tools und AI-Agenten. (MDsi TUM)
Aktuelle Architekturansätze für Semantic Layers und Agentic AI, unter anderem bei AWS. (Amazon Web Services, Inc.)
Kommentare