KW28: Agentische Analytics-Plattformen

Einleitung: Der Agentic Turn in Business Intelligence

Die erste Jahreshälfte 2026 war geprägt vom Wettbewerb um das beste Self-Service-BI-Tool. In der zweiten Jahreshälfte zeichnet sich ein anderer Trend ab: Business-Intelligence-Plattformen werden zu Agenten-Orchestratoren. Nicht mehr Dashboards und statische Reports sind der Kern, sondern autonome KI-Workflows, die Fragen stellen, Daten integrieren, Analysen durchführen und Handlungsempfehlungen automatisiert umsetzen können.

Diese Woche brachte fünf bedeutende Produktlaunches aus dem Bereich Agentische Analytics. Sie zeigen ein konsistentes Muster: Moderne BI-Plattformen brauchen agentische Fähigkeiten, um im Zeitalter von Large Language Models relevant zu bleiben. Die Anforderungen an Governance, Semantic Layer und Data Governance werden dadurch nicht kleiner, sondern größer. Für CDOs und BI-Verantwortliche ist dies sowohl eine Chance als auch eine Herausforderung.

Produktübersicht der Woche

Golden Analytics – Die Tableau-Vision 2.0

Golden Analytics ist eine KI-native Business-Intelligence-Plattform, gegründet von Francois Ajenstat, dem ehemaligen Chief Product Officer von Tableau. Das Unternehmen trat im April 2026 aus der Stealth-Phase heraus und sammelte 7 Millionen US-Dollar in einer Seed-Finanzierungsrunde, angeführt von NEA und Madrona Ventures.

Was es bringt: Golden Analytics verspricht, Nutzern zu ermöglichen, in nur zwei Klicks von rohen Datensätzen zu vollständig erstellten, teilbaren Dashboards zu gelangen. Das Kernfeature ist der „Slider of Autonomy“ — ein interaktiver Schieberegler, der kontrolliert, wie viel Arbeit die KI übernimmt versus wie viel der Nutzer selbst tut. Das ist eine ideale Lösung für Organisationen, die zwischen Automatisierung und Kontrolle balancieren müssen. Die Plattform verbindet die analytische Tiefe von Tableau mit der Design-Intuition von Canva und dem KI-Workflow-Ansatz von Cursor.

Für wen es spannend ist: Business Analysts in mittleren und großen Unternehmen, die schneller dashboards bauen wollen, ohne auf BI-Teams angewiesen zu sein. Auch für Datenanalysten, die ihre Produktivität verdoppeln wollen, ohne die Kontrolle zu verlieren.

Was es vom Wettbewerb unterscheidet: Anders als Looker oder Power BI stellt Golden Analytics nicht die Konfigurierbarkeit in den Mittelpunkt, sondern den Agenten selbst. Die „Slider of Autonomy“ ist ein UX-Innovation, die es in dieser Form noch nicht gab — sie löst ein echtes Problem für Datenanalysten, die wissen wollen, was die KI macht.

Wann ein genauerer Blick lohnt: Wenn Ihre BI-Strategie darauf abzielt, mehr Self-Service-Analytics zu ermöglichen und gleichzeitig die Qualität der Dashboards hochzuhalten.

Databricks Genie One – Agenten für Multi-Source Analytics

Databricks Genie One wurde am 16. Juni 2026 auf dem Data + AI Summit präsentiert und stellt die Evolution der ersten Generation von Databricks Genie dar. Während Genie v1 nur konversationelle Analysen innerhalb der Databricks-Plattform ermöglichte, verbindet Genie One Geschäftsanwender mit allen ihren Daten — sowohl strukturiert als auch unstrukturiert, analytisch oder operational — überall, wo sie sich befinden.

Was es bringt: Genie One ist ein autonomer Mitarbeiter, der für Geschäftsteams Arbeit automatisiert und orchestriert. Es produziert nicht nur Analysen, sondern auch Dokumente, Reports und Artefakte direkt aus natürlichsprachigen Anfragen. Die zugrundeliegende Genie Ontology ist eine selbstverbessernde Kontextschicht, die lernt und sich über die Zeit adaptiert. In Benchmarks beantwortete Genie One 84,5 Prozent der Fragen korrekt und war dabei 2x schneller als der beste vergleichbare Coding-Agent.

Für wen es spannend ist: Data Engineers, Data Scientists und BI-Teams in großen Unternehmen, die ein zentrales Orchestrations-Tool für ihre komplexe Data-Landschaft brauchen. Auch für Geschäftsanwender, die direkt auf ihren Data Lake zugreifen, ohne technische Fähigkeiten zu benötigen.

Was es vom Wettbewerb unterscheidet: Databricks hat mit seinen Lakehouse-Architektur und dem Data + AI Strategy einen Vorteil gegenüber reinen BI-Tools. Genie One lädt Agenten direkt mit Wissen über die gesamte Datenarchitektur auf — nicht nur über vordefinierte Metriken.

Wann ein genauerer Blick lohnt: Wenn Sie bereits in Databricks investiert haben oder planen, Ihre Data Architecture auf ein Lakehouse-Modell umzustellen.

Omni Analytics AI Hub – Governed AI Analytics at Scale

Omni Analytics ist eine der am stärksten kapitalisierten BI-Startups. Im April 2026 sammelte das Unternehmen 120 Millionen US-Dollar in einer Series-C-Runde bei einer Bewertung von 1,5 Milliarden US-Dollar ein, angeführt von ICONIQ Capital. Im Juni 2026 launcht Omni den AI Hub, eine neue Kommandozentrale innerhalb der Omni-Plattform.

Was es bringt: Der AI Hub bietet vollständige Observability darüber, wie KI im gesamten Unternehmen eingesetzt wird. Das System liefert umsetzbare Verbesserungsvorschläge zum Semantic Model, die auf echtem Nutzerverhalten basieren. Vor allem: Omni ermöglicht es Teams, Evaluation Sets vor dem Produktions-Rollout zu bauen und zu testen. Das ist entscheidend, um zu vermeiden, dass autonome Agenten auf ungenauen oder veralteten Daten-Modellen operieren.

Für wen es spannend ist: Chief Data Officers, BI-Leiter und Governance-Teams, die KI-gestützte Analytics kontrolliert skalieren wollen. Auch für Product Teams und Analytics Engineers, die mit semantischen Modellen arbeiten.

Was es vom Wettbewerb unterscheidet: Während andere Anbieter Agenten auf bestehende Semantic Layer aufpfropfen, hat Omni Governance und Observability ins Zentrum gestellt. Der AI Hub ist nicht einfach ein Feature, sondern eine fundamentale Architekturentscheidung.

Wann ein genauerer Blick lohnt: Wenn Sie für Ihren CDO oder Ihre Governance-Strategie ein Tool suchen, das KI-Autonomie mit Kontrolle verbindet.

Fivetran + dbt Labs – The Open Data Infrastructure Merger

Fivetran und dbt Labs schlossen ihre All-Stock-Fusion am 1. Juni 2026 ab und schufen damit die erste wirklich integrierte Open Data Infrastructure Plattform für KI-Agenten. Fivetran bringt seine ELT-Datenaufnahme (Extract, Load, Transform) mit, dbt Labs seine industrie-führende Transformation und das dbt Semantic Layer.

Was es bringt: Die kombinierte Plattform unterstützt nun über 100.000 Datenteams weltweit. Kernkundschaften sind OpenAI, Zendesk und HubSpot. Aus dieser Fusion entstanden drei bahnbrechende Innovationen: dbt Core v2.0 (Alpha) mit der open-source dbt Fusion Engine (Apache 2.0) und „Agents Schema“ — ein offener Standard für agentischen Kontext, der mit jedem Data Warehouse, jedem Data Lake und jedem SQL-fähigen Agenten kompatibel ist.

Für wen es spannend ist: Data Engineers und Analytics Engineers, die ihre End-to-End-Datenpipeline modernisieren wollen. Auch für Unternehmen, die auf offene Standards setzen und ihre Vendor-Lock-in reduzieren möchten.

Was es vom Wettbewerb unterscheidet: Kein anderer Anbieter kombiniert ELT-Kompetenz mit Transformation und Semantic Layer unter einem Dach. Agents Schema verspricht, dass KI-Agenten auf jeder Plattform gleich gut funktionieren — das könnte industrie-verändernd sein.

Wann ein genauerer Blick lohnt: Wenn Sie planen, Ihre BI-Stack-Architektur zu modernisieren oder wenn Sie ein CDP oder Data Warehouse mit Agentic AI verbinden wollen.

FactSet Portfolio Analytics MCP – KI für Investment Intelligence

FactSet Portfolio Analytics MCP wurde am 26. Juni 2026 gestartet und erweitert FactSets etablierte revisionssichere Portfolio-Analytik um konversationelle und agentische KI-Workflows. MCP steht für „Model Context Protocol“ — ein neuer Standard, um LLMs und Agenten mit strukturierten APIs zu verbinden.

Was es bringt: Buy-Side-Investment-Teams können Performance-, Attributions- und Risikodaten per natürlicher Sprache abfragen, ohne bestehende Datenpipelines zu stören. FactSet Portfolio Analytics MCP verbindet sein bewährtes Book of Record mit privaten LLMs und entwickler-gebauten Agenten. Eine semantische Governance-Schicht stellt sicher, dass jede KI-Anfrage durch vorab genehmigte APIs und prüfungskonforme Inputs läuft — entscheidend für Compliance im Financial Services.

Für wen es spannend ist: Portfolio Manager, Risiko-Teams und Compliance Officer im Finanzsektor. Auch für Entwickler, die Investment-Intelligence-Workflows auf Basis großer Sprachmodelle bauen.

Was es vom Wettbewerb unterscheidet: FactSet bringt 30 Jahre Expertise in revisionssicheren Finanzdaten mit. Die Integration von MCP ist nicht ein Experiment, sondern eine produktionsreife Lösung für eine hoch regulierte Branche.

Wann ein genauerer Blick lohnt: Wenn Sie im Asset Management oder Investment Banking tätig sind und KI-gestützte Analysen unter Compliance-Kontrolle nutzen wollen.

Tabelle: BI Software Launches KW28

Was bedeuten diese Entwicklungen für Ihre Datenstrategie?

Die fünf Launches dieser Woche haben eine gemeinsame Botschaft: Business Intelligence ist nicht mehr ein Tool-Problem, sondern ein Architektur-Problem. Wenn Agenten direkt auf Ihre Daten zugreifen sollen, müssen folgende Fragen beantwortet sein:

1. Semantic Layer und Datenqualität: Alle fünf Lösungen setzen auf einen robusten Semantic Layer. Das ist kein Zufall — Agenten können nur dann zuverlässig arbeiten, wenn sie auf qualitätsgesicherte, eindeutig definierte Metriken zugreifen. Wenn Ihr Unternehmen noch keinen Semantic Layer hat, sollte das jetzt zur Priorität werden. Die Alternative ist, dass Agenten auf ungenauen Daten trainieren und systematisch falsche Analysen produzieren.

2. Governance bei Automation: Mit mehr Automation steigt auch das Risiko. Omni Analytics AI Hub und FactSet Portfolio Analytics MCP zeigen, dass Governance nicht das Gegenteil von Automation ist — sondern das Fundament. Sie müssen Evaluation Sets testen, Audit Logs führen und verstehen, welche KI-generierten Outputs in welche Geschäftsdecisions fließen.

3. Data Architecture als Competitive Advantage: Fivetran + dbt Labs mit ihrem Agents Schema signalisiert einen längerfristigen Trend: Wer seine Data Pipeline offen und modular hält, wird flexibler auf neue Agenten-Standards reagieren können. Vendor Lock-in wird zum strategischen Nachteil.

4. Integration statt Best-of-Breed: Golden Analytics zeigt, dass Single-Vendor-Lösungen immer häufiger alle Schritte vom Raw Data bis zum finalen Dashboard abdecken. Das reduziert Komplexität, aber erhöht die Abhängigkeit. Abwägung: schneller produktiv vs. langfristig flexibel.

CDO Insights: Was Chief Data Officers jetzt entscheiden müssen

Für Chief Data Officers und Heads of Data ist diese Woche ein Wendepunkt. Nicht weil einzelne Produkte revolutionär sind — sondern weil alle fünf in die gleiche Richtung zeigen: BI wird zu einer Agentic-Augmentation Layer auf top der Data Foundation.

Budget und Make-or-Buy: Golden Analytics und Omni Analytics sind beide gut finanziert und haben beide ein anderes Spielfeld (Self-Service vs. Governance). Wenn Ihr Unternehmen schnell Self-Service-Analytics ausbauen muss, könnte Golden Analytics die schneller ROI bringen. Wenn Governance und Compliance zentral sind, sollten Sie Omni oder eine Governance-Lösung auf top von Databricks oder bestehenden BI-Tools evaluieren.

Data Governance und Compliance: FactSet Portfolio Analytics MCP zeigt, dass KI in regulierten Industrien nicht bedeutet, dass man auf Governance verzichtet — sie wird nur expliziter. Planen Sie jetzt, wie Sie Agenten-Output auditable und compliant halten.

Semantic Layer und Metriken-Verwaltung: Alle großen Anbieter (Databricks, Omni, Fivetran/dbt) bauen Semantic Layer aus. Das ist nicht mehr optional. Wenn Sie noch nicht in Semantic Layer Tooling investiert haben, sollten Sie das jetzt tun. Das wird zur kritischen Infrastruktur für KI-Agenten-Betrieb.

Change Management: Agenten ändern, wie Datenanalyse aussieht. Nicht mehr Analyst schreibt SQL-Query und sucht nach Insights. Sondern: Business-User stellt Frage, Agent beantwortet sie, Analyst verifiziert das Ergebnis. Das ist ein anderer Workflow — mit anderen Tools, anderen Skills und anderen Entscheidungsrollen. Planen Sie Schulungen und Rollen-Redesign mit ein.

FAQ: Die wichtigsten Fragen zu dieser Woche’s BI-Launches

F: Golden Analytics verspricht Dashboards in zwei Klicks. Ist das wirklich realistisch?
A: Das hängt von der Komplexität Ihrer Datensätze ab. Für häufig genutzte, saubere Datenquellen ist das durchaus realistisch. Für komplexe Geschäftslogik oder mehrstufige Transformationen wird es schwieriger. Der „Slider of Autonomy“ adressiert dieses Problem — Sie können zwischen Full Auto und Manual Control wählen.

F: Warum sollte ich Databricks Genie One evaluieren, wenn ich bereits Looker oder Power BI habe?
A: Genie One ist kein BI-Tool im klassischen Sinne — es ist ein Agenten-Orchestrator für deine gesamte Datenstrategie. Wenn Ihr Unternehmen auf Databricks läuft oder auf ein Lakehouse-Modell hinarbeitet, ist Genie One ein natürlicher Fit. Looker und Power BI werden eher als Frontend-Präsentations-Tools relevant.

F: Omni AI Hub — ist das nur für große Unternehmen relevant?
A: Omni positioniert sich für mittlere bis große Unternehmen. Für kleinere Organisationen, die gerade mit Self-Service-BI starten, ist Omni vermutlich überdesigned. Ideal für Unternehmen, die bereits 50+ Dashboards im Produktion haben und nun Governance-Probleme sehen.

F: Fivetran und dbt Labs haben fusioniert — verlieren wir an Wahlfreiheit?
A: Nein, im Gegenteil. Die Agents Schema ist explizit offen und vendor-agnostic. Das Ziel ist, dass du deine Transform-Pipelines mit dbt schreibst, aber Agenten von jedem Anbieter nutzen kannst. Das ist eine Pro-Konkurrenz-Strategie, nicht eine Lock-in-Strategie.

F: FactSet Portfolio Analytics MCP — ist das nur etwas für Investment-Profis?
A: Ja, FactSet zielt hier auf finanzielle Profis und regulierte Industrien. Wenn Sie nicht im Financial Services arbeiten, ist das Produkt nicht für Sie relevant. Aber das MCP-Pattern (Model Context Protocol) ist anwendbar auf viele andere Branchen — das werden andere Anbieter bald kopieren.

Fazit: Das Fundament für die nächste Phase der BI

Die Woche vom 30. Juni bis 6. Juli 2026 markiert den Punkt, an dem KI-Agenten von einer Nischen-Innovation zu einer Mainstream-Strategie für Business Intelligence werden. Nicht alle Unternehmen brauchen alle diese Tools — aber alle sollten verstehen, wohin der Markt sich bewegt.

Der rote Faden ist klar: Semantic Layer, Governance und Data Quality sind jetzt nicht mehr bloß „nice to have“, sondern die kritische Infrastruktur für agentic Analytics. Golden Analytics adressiert die Breite (schnellere Dashboards für mehr Nutzer), Databricks die Tiefe (Multi-Source Orchestration), Omni die Governance (Kontrolle bei Scale), Fivetran/dbt die Infrastruktur (offene Standards) und FactSet die Regulierung (Compliance-first).

Für Ihre BI-Strategie heißt das konkret: Überprüfen Sie jetzt Ihren Semantic Layer, evaluieren Sie Governance-Anforderungen, und planen Sie ein Pilot-Projekt mit agentic BI. Der Wettbewerb um Daten-Kompetenz wird sich in den nächsten 12 Monaten dramatisch intensivieren.

→ Weitere Informationen zu modernen BI-Software-Lösungen auf find-your-bi.de