Natural-Language-BI und die neue Rolle des Analysten: warum die „Demokratisierungs“-Erzählung nur halb stimmt

In der Art, wie Organisationen über Business IntelligenceBusiness IntelligenceTechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen → sprechen, hat sich etwas verschoben. Seit Mitte der 2020er stellt jeder große BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen →-Anbieter, von Microsoft mit Copilot in Power BI über Salesforce mit Einstein Analytics bis zu Tableaus Ask Data und dem Kernversprechen von ThoughtSpot, eine Idee in den Mittelpunkt: Jeder soll Daten abfragen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, indem ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → eine Frage in einfachem Englisch eintippt. Kein SQLSQLSales Qualified Lead: a prospect the sales team has validated as ready for direct outreach and a proposal, having passed clear qualification criteria.Vollständige Definition ansehen →, kein Warten auf einen Analysten, keine Ticket-Warteschlange. Das Versprechen ist verführerisch, und die Investitionen der Anbieter dahinter sind real. Aber die Schlüsse, die die meisten Organisationen aus diesem Trend ziehen, verdienen mehr Prüfung, als sie derzeit bekommen.

Die Konsensmeinung, fair wiedergegeben

Die vorherrschende Position in CDO-Kreisen lautet etwa so. Natural-Language-Interfaces (NLI) senken die Hürde für den Datenzugang so dramatisch, dass klassische Analystenrollen an den Rändern überflüssig werden. Business-User bedienen sich selbst. Analysten, befreit von repetitiven Report-Anfragen, verlagern sich auf höherwertige Arbeit: Modellierung, Entwicklung von Datenprodukten, strategische Beratung. Die Frage nach dem Analysten-Headcount wird zu einer Frage der Talentqualität statt der Menge. Laut Gartner-Prognosen aus den Vorjahren wurde erwartet, dass bis Mitte der 2020er ein erheblicher Anteil der Analytics-Abfragen über NLI erzeugt wird, eine Zahl, die Anbieter in ihren Vertriebsunterlagen häufig zitieren. Die Logikkette ist saubergestellt: weniger Friktion, mehr Zugang, bessere Entscheidungen, schlankere Analystenteams.

Daran ist etwas Substanzielles. Die Designphilosophie von ThoughtSpot hat gezeigt, dass nicht-technische Nutzer aus großen Datensätzen ohne SQL-Kenntnisse brauchbare Insights ziehen können, sofern Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → und gut modellierte Semantic Layer vorhanden sind. Microsofts Integration von Copilot in den Power-BI-Workflow verkürzt bei einfachen Fragen tatsächlich die Zeit bis zum Chart. Das sind keine trivialen Fortschritte.

Wo der Konsens auseinanderfällt

Das Problem ist, dass der Konsens Zugang mit Verständnis verwechselt und den Wert des Analysten in der Ausführung der Abfrage statt im Urteil verortet.

Beginnen wir mit dem Problem Zugang versus Verständnis. Wenn ein Regional Sales Director ein NLI-Tool fragt „warum ist der Umsatz in Q2 gesunken?“, kann das Tool ein Chart und vielleicht einen Einflussfaktor liefern. Was es nicht zuverlässig kann, ist zwischen einem saisonalen Muster, einer echten Nachfrageverschiebung, einem einmaligen Churn-Ereignis bei einem Kunden und einem Datenqualitäts-Artefakt durch einen verzögerten Batch-Load zu unterscheiden. Ein Business-User ohne statistische Grundlage liest den Output und schließt daraus etwas. Dieser Schluss kann falsch sein. Die Rolle des Analysten war nie primär, die SQL-Abfrage zu schreiben; sie war, zu wissen, wann die Antwort der Abfrage in die Irre führt.

Das ist nicht hypothetisch. Die Fachliteratur zur Data Literacy ist in diesem Punkt eindeutig. Forschung der MIT Sloan Management Review hat wiederholt dokumentiert, dass Organisationen mit hoher Tool-Adoption, aber geringen Investitionen in Data Literacy mehr selbstbewusst falsche Entscheidungen produzieren, nicht weniger. Das Tool senkt die Friktion, eine Antwort zu bekommen; es senkt in keiner Weise die Wahrscheinlichkeit, dass die Antwort fehlinterpretiert wird.

Zweitens wird das Problem des Semantic Layer regelmäßig unterschätzt. NLI-Tools funktionieren gut, wenn das zugrunde liegende Datenmodell sauber, konsistent definiert und auf das Vokabular abgestimmt ist, das Business-User tatsächlich verwenden. Die durchschnittliche Datenlandschaft im Unternehmen ist nichts davon. Metriken wie „aktiver Kunde“, „realisierter Umsatz“ und „Conversion“ bedeuten in verschiedenen Systemen Unterschiedliches, manchmal innerhalb desselben Unternehmens. Den Semantic Layer aufzubauen, der NLI-Tools erst wirklich nützlich macht, ist ein erheblicher analytischer und organisatorischer Aufwand. Er erfordert erfahrene Analysten. Organisationen, die analytische Kapazität in Erwartung der NLI-Selbstständigkeit abgebaut haben, stellen oft fest, dass sie genau das Fundament nicht bauen können, das diese Tools brauchen.

Drittens gibt es ein Anreizproblem auf Anbieterseite, das man direkt benennen sollte. Salesforce, Microsoft, ThoughtSpot und ihre Wettbewerber haben ein unmittelbares kommerzielles Interesse an der Erzählung „Engpass beseitigen“. Wenn ThoughtSpot (ein Anbieter, der NLI-BI-Software verkauft) Studien veröffentlicht, die zeigen, dass Self-Service-Analytics Geschäftsergebnisse treibt, sollten diese Daten entsprechend gewichtet und mit unabhängigen Quellen abgeglichen werden. Dasselbe gilt für Adoption-Zahlen zu Microsoft Copilot aus Microsofts eigenen Case Studies. Das macht die Daten nicht falsch, aber es macht sie parteiisch.

Schließlich trägt die Annahme „Analysten verlagern sich auf höherwertige Arbeit“ im Konsensnarrativ eine große Last. In der Praxis ist dieser Übergang weder automatisch noch garantiert. Einen Analysten von der Report-Produktion zur strategischen Modellierung zu bringen, erfordert Umschulung, veränderte Teamstrukturen und Manager, die diese Art Arbeit beauftragen und bewerten können. Vielen Organisationen fehlt alles drei. Der Analyst, der fünf Jahre Power-BI-Dashboards gebaut hat, ist nicht automatisch in der Lage, Szenarioanalysen für den CFO zu rechnen. Anzunehmen, dass dieser Aufstieg von allein passiert, ist Wunschdenken.

Was ein guter CDO tatsächlich tun sollte

Der CDO, der den Konsens unkritisch übernommen hat, macht meist einen von zwei Fehlern: entweder den Analysten-Headcount vorschnell kürzen, weil die Tools „das jetzt übernehmen“, oder NLI-Tools ausrollen, ohne in Semantic Layer und Governance zu investieren, die sie funktionsfähig machen, und dann überrascht sein, wenn die Adoption stagniert und die Beschwerden über Datenqualität zunehmen.

Eine belastbarere Position beginnt mit einer nüchternen Bestandsaufnahme, wohin die Zeit der Analysten wirklich geht. In den meisten Organisationen fällt der Großteil des Analystenaufwands in drei Töpfe: ad-hoc-Datenanfragen bearbeiten, bestehende Reports pflegen und aktualisieren, Datenqualitätsprobleme beheben. NLI-Tools können den ersten Topf spürbar adressieren und wohl einen Teil des zweiten. Für den dritten leisten sie nichts und vergrößern ihn möglicherweise, weil sie bisher unsichtbare Inkonsistenzen sichtbar machen.

Daraus folgt die Investitionslogik: Analystenkapazität, die durch NLI-Tools frei wird, in den Aufbau des Semantic Layer und in die Behebung von Datenqualitätsproblemen umlenken, nicht in Personalabbau. Ein kleines Team aufbauen, das manche Organisationen inzwischen „Analytical Translators“ nennen: Leute, die Geschäftskontext und Datenmodell-Design gut genug verstehen, um NLI-Tools für nicht-technische Nutzer zu konfigurieren und die Outputs zu validieren, die diese Nutzer erzeugen.

An der Erwartung festhalten, dass Business-User, die NLI-Outputs konsumieren, eine Grundausbildung in Data Literacy erhalten. Kein SQL, keine Statistik, aber genug kritische Lesefähigkeit, um zu fragen, ob die Achse eines Charts abgeschnitten ist, ob der gezeigte Zeitraum zur Geschäftsfrage passt, und wann man den Analysten anruft, statt auf Basis des Dashboards zu handeln.

Die NLI-Verschiebung ist real und es lohnt sich, darauf zu reagieren. Aber der Wert, den sie schafft, fällt den Organisationen zu, die in die Infrastruktur und die Urteilsschicht darunter investieren, nicht denen, die sie als Ersatz für analytische Fähigkeit behandeln. CDOs, die diesen Unterschied verstehen, bauen etwas Haltbares; die anderen werden 2027 damit verbringen zu erklären, warum ihr Self-Service-Analytics-Programm leise gescheitert ist.