Das Wichtigste in Kürze
- Demos, die KI auf deine Daten loslassen, sehen beeindruckend aus, aber die Mathematik stimmt, während die Bedeutung erfunden ist.Das LLM muss raten, was „Umsatz“, „Conversion“ oder „bester Kunde“ in deinem konkreten Business bedeutet, und die Vermutung fällt auf die Branchenkonvention zurück.
- Ein KI-Agent an Tag eins ist wie ein kluger neuer Mitarbeiter an Tag eins.Dasselbe Kontextproblem, aber keiner der Mechanismen, um Kontext aufzunehmen. Er kann nicht in Meetings sitzen, nicht die richtige Person in der Küche fragen und nicht Slack lesen. Entweder er hat den Kontext, oder er nimmt an, in sauberem Output, ohne Hinweis.
- Der Fehlermodus ist schlimmer als „das Modell kann das nicht“.Das Modell kann es sehr wohl. Es liefert selbstsicheren, plausiblen Output ohne sichtbaren Hinweis darauf, dass eine semantische Annahme getroffen wurde. Man sieht es dem Ergebnis nicht an, dass die Formel falsch ist.
- Die Lösung ist ein Semantic Layer.Jede Metrik und Dimension trägt zwei Dinge: die Formel, die eine Data-Engine ausführen kann, und die Beschreibung in Klartext, was die Metrik in diesem Business bedeutet. Der Agent hört auf zu raten und fängt an zu antworten.
- Pro Business, nicht pro Branche.Zwei Modemarken können „Conversion“, „aktiver Kunde“ oder „Contribution Margin“ völlig unterschiedlich definieren. Der Semantic Layer kodiert die Definitionen jedes Business in der Sprache dieses Business.
- Die Reihenfolge zählt: erst die Bedeutung definieren, dann die KI anstöpseln.Die Marken, die aus KI in der Analytik echten Wert ziehen, sind nicht die mit dem besten LLM. Es sind die, deren Daten schon Bedeutung hatten, bevor die Agenten sie je berührten.
E-Commerce-Marken wetteifern darum, KI an ihre Daten zu klemmen. LinkedIn ist voll von Clips, in denen jemand Claude auf ein BigQuery-Warehouse ansetzt, GPT an GA4 anschließt oder einen Dashboard-Screenshot hochlädt und ein LLM bittet, „das hier zu analysieren“. Die Clips sehen beeindruckend aus. Die Workflows liefern keine echten Insights.
Das Teil, das fehlt, ist nicht das LLM. Es ist die Bedeutung.
Das Muster, das alle feiern
Die Setups ähneln sich alle:
- Natives BigQuery-MCP, bei dem der Agent Lesezugriff auf rohe Tabellen bekommt und du ihm Fragen in normaler Sprache stellst.
- GA4-MCP, bei dem der Agent Traffic- und Conversion-Daten direkt aus der Quelle zieht.
- Der Screenshot-Weg, bei dem jemand einem Modell ein Dashboard-Bild gibt und fragt „was ist hier los“.
- Der „Ich habe mein Warehouse verbunden“-Slack-Post, bei dem der Proof of Concept die Verbindung selbst ist.
All das liefert Output. Polierten Output. Selbstsicheren Output. Output, der als 30-Sekunden-Beweis gepostet wird, dass KI für die Marketing-Analytik alles verändert.
Fast nichts davon ist auf die Weise richtig, auf die es ankommt.
Ein KI-Agent an Tag eins
Stell dir einen klugen neuen Mitarbeiter vor, der am Montag bei dir anfängt. Du gibst ihm Admin-Zugriff auf BigQuery und eine Looker-Lizenz und sagst: Finde heraus, wo wir Geld verlieren.
Bis Freitag liefert er einen Report. Er sieht poliert aus. Er zitiert echte Zahlen. Er liegt aber auch an Stellen, auf die es wirklich ankommt, selbstsicher falsch, weil er nicht weiß:
- ob „Umsatz“ in deinen Tabellen brutto, netto nach Retouren oder netto nach Rabatten meint
- was in deinem Business als „Conversion“ zählt. Ist ein Abo-Start dasselbe wie ein Einmalkauf? Was ist mit kostenlosen Testphasen? Reaktivierungen?
- wie die Contribution Margin für deinen Kategorien-Mix berechnet wird. Sind Versandzuschüsse enthalten? Plattformgebühren? Marketing Attribution?
- welche Kanäle bewusst am Break-even laufen (Top of Funnel) und welche profitabel sein sollen
- wie die Saisonalität aussieht, damit er den November-Ausschlag nicht als Anomalie markiert
Ein guter Analyst braucht Wochen, um diesen Kontext aufzunehmen. Er stellt Fragen. Er liest interne Dokus. Er sitzt in Meetings und schnappt Dinge auf.
Ein KI-Agent hat an Tag eins dasselbe Problem. Er hat zudem keinen der Mechanismen, mit denen ein Mensch Kontext aufnimmt. Er kann nicht in einem Meeting sitzen. Er kann nicht die richtige Person fragen, die gerade in der Küche steht. Entweder er hat den Kontext, oder nicht, und wenn nicht, nimmt er an. Selbstsicher. In sauber aussehendem Output. Ohne Hinweis, dass die Annahme getroffen wurde.
Warum ein kluges LLM sich das nicht erschließt
Der ehrliche Einwand: „Aber Claude ist klug. Kann es nicht einfach aus dem Kontext herausfinden, was diese Felder bedeuten?“
Teilweise. Ein LLM kann raten, und die Vermutung wird plausibel sein. Das Problem ist, dass die Vermutung auf die Branchenkonvention zurückfällt, die zu deinem Business passen kann oder auch nicht.
Drei kurze Beispiele, wie das in der Praxis aussieht:
- Du bittest den Agenten, den „Profit“ zu berechnen. Er nimmt standardmäßig Umsatz minus Wareneinsatz. Dein Business definiert Profit als Contribution Margin abzüglich des attribuierten Marketing-Spends. Die Zahl, die der Agent liefert, liegt um einen relevanten Prozentsatz daneben, und nichts im Output sagt es dir.
- Du bittest den Agenten, „deine besten Kunden“ zu identifizieren. Er nutzt den Lifetime-Umsatz. Dein Team definiert beste Kunden über die Wiederkaufrate innerhalb eines 90-Tage-Fensters. Die Liste, die er zurückgibt, ist plausibel, vertretbar und nicht die, die du erstellt hättest.
- Du fragst den Agenten nach der „Conversionrate“. Er wählt einen Nenner (Sessions? Unique Visitors? Add-to-Carts?) und rechnet damit. Die Zahl ist plausibel. Es ist nicht die Zahl, die dein Team intern nutzt.
In allen drei Fällen scheitert der Agent nicht an der Mathematik. Er rät semantischen Kontext. Das Ergebnis ist eine Fehlerklasse, die schlimmer ist als „das Modell kann das nicht“. Das Modell kann das sehr wohl. Es tut es selbstsicher, mit sauberem Output, und man sieht dem Ergebnis nicht an, dass eine Annahme getroffen wurde.
Das ist der Fehlermodus jeder KI-auf-deinen-Daten-Demo, die gerade viral geht. Das Modell funktioniert. Die Mathematik funktioniert. Die Bedeutung ist erfunden.
Was ein Semantic Layer wirklich ist
Das Teil, das die Lücke schließt, ist ein Semantic Layer. Das Konzept gibt es heute in Business-Intelligence-Tools, aber diese Layer wurden für Menschen gebaut, die sich durch Dashboards klicken. LLMs brauchen dasselbe, wohl sogar mehr, weil sie nicht Slack fragen können, was etwas bedeutet, wenn sie unsicher sind.
Ein Semantic Layer hängt an jede Metrik und jede Dimension in deinen Daten zwei Dinge:
- Die Formel. Die exakte Berechnung, so ausgedrückt, dass eine Data-Engine sie ausführen kann. Keine Beschreibung. Keine Richtlinie. Die wörtliche Logik, die definiert, was diese Metrik ist.
- Die semantische Beschreibung. Eine Erklärung in Klartext, was die Metrik in diesem Business darstellt, welche Randfälle enthalten oder ausgeschlossen sind, wie sie mit anderen Metriken zusammenhängt und wie sie zu interpretieren ist.
Wenn ein KI-Agent Daten über einen Semantic Layer abfragt, sieht er nicht rohe Tabellen und muss raten. Er sieht definierte Bausteine. An jedem Baustein hängt seine Formel, und an jedem Baustein hängt seine Bedeutung.
Ein durchgerechnetes Beispiel. Für eine E-Commerce-Marke könnte die Contribution Margin so definiert sein:
Metric: Contribution Margin
Formula:
net_revenue
- cogs
- shipping_cost
- return_cost
- attributed_marketing_spend
Description:
Contribution margin per order, after all direct variable
costs are subtracted from net revenue. Marketing spend is
attributed to the order using a 7-day click + 1-day view
window on a data-driven model. Returns within 30 days are
netted against the original order. Excludes fixed overhead
and platform fees.Wenn der Agent gefragt wird „welche Produktlinie hat die stärkste Contribution Margin“, erfindet er keine Formel. Er nutzt diese. Die Antwort deckt sich mit dem, was dein Team von Hand rechnen würde. Der Agent und die Tabelle sind sich einig.
Das ist der Layer, der den LinkedIn-Demos fehlt.
Pro Business, nicht nur pro Branche
Standardisierung ist die halbe Miete. Anpassung ist die andere Hälfte, und das ist der Teil, der wirklich etwas bewegt.
Zwei E-Commerce-Marken, die Mode verkaufen, können völlig unterschiedliche Arbeitsdefinitionen haben für:
- was als Conversion zählt (nur der Erstkauf? Geschenkkarten? Abo-Starts? Reaktivierungen?)
- wie die Contribution Margin berechnet wird (mit oder ohne Marketplace-Gebühren? mit oder ohne bezahlte Akquise?)
- was „aktiver Kunde“ bedeutet (in den letzten 90 Tagen gekauft? 180? Abo-Status?)
- welche Kanäle „Performance“ und welche „Brand“ sind und wo die Trennlinie verläuft
Ein echter Semantic Layer kodiert all das pro Business. Standardmetriken kommen als Defaults, aber alles, was für ein Unternehmen einzigartig ist, wird in der Sprache dieses Unternehmens definiert. Derselbe Agent, der die Daten zweier verschiedener Marken abfragt, bekommt zwei verschiedene Sätze an Definitionen und liefert zwei verschiedene Antworten. Beide sind richtig, weil beide das tatsächliche Business abbilden.
Ohne den Layer bekommst du die homogenisierte Branchenstandard-Antwort, egal wie dein Business tatsächlich funktioniert. Oft nah genug, um richtig auszusehen. Fast nie nah genug, um nützlich zu sein.
Was sich ändert, wenn der Layer da ist
Der Agent ist nicht länger ein neuer Mitarbeiter an Tag eins. Er wird eher zu einem Analysten, der seit zwei Jahren im Unternehmen ist. Er kennt die Definitionen. Er kennt die Randfälle. Er weiß, was für dieses Business normal ist. Wenn du eine Frage stellst, antwortet er in der Sprache deines Business, nicht in den Standard-Trainingsdaten des LLM.
Die praktischen Änderungen sind sofort spürbar:
- Du kannst tiefe, verschachtelte Fragen stellen und bekommst genaue Antworten. „Zeig mir die Contribution Margin nach Akquisekanal nach Kohorte, ohne Abo-Kunden, die mit einer kostenlosen Testphase gestartet sind.“ Ohne Semantic Layer ist das eine halbe Stunde manuelle SQL-Session und eine Nachfrage per Slack, um die Formel zu bestätigen. Mit einem ist es ein Satz.
- Die Halluzination bricht zusammen. Nicht weil das Modell klüger wurde, sondern weil es nichts mehr gibt, worüber es halluzinieren könnte. Die Metrik ist definiert. Die Definition ist geladen. Die Antwort ist geerdet.
- Der Agent antwortet konsistent über Sessions, über Teammitglieder, über Abfragen hinweg. Gleiche Definition, gleiche Antwort. Kein „Claude sagte gestern X, GPT sagt heute Y, das Dashboard sagt Z“ mehr.
- Ein Junior im Team bekommt an Tag eins analytischen Hebel auf Senior-Niveau. Sein Agent hat den Kontext, den er selbst noch nicht hat.
So sieht echter Hebel durch KI in der Marketing-Analytik tatsächlich aus. Keine Screenshot-Demo. Kein viraler Clip. Der Agent liefert Analysen in Gedankengeschwindigkeit, mit der Genauigkeit, die dein erfahrenster Analyst von Hand erreichen würde.
Was wir bei adtribute gebaut haben
Das ist der Layer, auf dem adtribute läuft. An jeder Metrik und jeder Dimension der Plattform hängt eine Formel und eine semantische Beschreibung. Der MCP-Server, den wir kürzlich veröffentlicht haben, macht diese Definitionen für KI-Agenten zugänglich. Wenn Claude oder ein anderes LLM Daten über adtribute abfragt, starrt es nicht auf rohe Warehouse-Spalten und versucht zu raten, was sie bedeuten. Es sieht definierte Bausteine, jeder mit seiner Berechnungslogik und seiner Bedeutung.
Standardmetriken kommen vordefiniert. Business-spezifische Metriken und Dimensionen werden pro Kunde beschrieben, in der Sprache, die das Business tatsächlich nutzt. Eine Marke, die „aktiver Kunde“ anders definiert als der Branchenstandard, bekommt diese Definition einmal kodiert, und von da an respektiert sie jede Agentenabfrage.
Der Agent hört auf zu raten. Er fängt an zu antworten.
Die Reihenfolge zählt
Das Standardmuster 2026 lautet: erst die KI anstöpseln, später herausfinden, warum sich die Antworten falsch anfühlen. Das Muster, das echten Hebel erzeugt, ist das Gegenteil: erst die Bedeutung definieren, dann die KI anstöpseln.
Es ist keine glanzvolle Erkenntnis. Es gibt keine 30-Sekunden-Demo für „wir haben drei Wochen damit verbracht, unsere Metriken zu definieren, bevor wir einen Agenten verbunden haben“. Aber es ist der Unterschied zwischen KI als Theater und KI als Hebel.
Die Unternehmen, die aus KI in ihrer Analytik echten Wert ziehen, sind nicht die mit dem besten LLM. Es sind die, deren Daten Bedeutung haben, bevor die Agenten sie je berühren.
Bau zuerst den Semantic Layer. Der Agent ist der leichte Teil.
