KW35: Souveräne Datenplattformen für agentische KI

Der Souveränitätsdruck erreicht die Analytics-Schicht

Die Auswahl einer BI-Software war lange eine Frage der Visualisierung und der Lizenzkosten. In der Woche vom 18. bis 22. August 2026 lässt sich an acht Produktmeldungen ablesen, dass sich die Entscheidungskriterien verschoben haben. Business Intelligence wird zunehmend danach beurteilt, ob eine Plattform KI-Agenten zuverlässig, nachvollziehbar und innerhalb der eigenen Infrastrukturgrenzen betreiben kann. Die Kombination aus dem seit dem 2. August 2026 wirksamen Regelwerk des EU AI Act und einer neuen Generation von Datenplattformen, die On-Premises, Cloud und Hybrid gleichwertig bedienen, verändert die Marktüberblick-Logik für IT-Sourcing-Verantwortliche im deutschsprachigen Raum spürbar.

Die Launches dieser Woche verteilen sich auf drei Ebenen: die Plattformebene mit Teradata, EnterpriseDB und TDengine, die Governance-Ebene mit lakeFS und die Anwendungsebene mit Golden Analytics, BitBoard, GoodData.AI und FouAnalytics. Auffällig ist, dass keine einzige Meldung ohne Bezug zu KI-Agenten auskommt, und ebenso auffällig, dass fast jede Meldung ein Kontroll- oder Nachweisversprechen mitliefert.

Die Produkte der Woche im Detail

Teradata Autonomous Knowledge Platform von Teradata Corporation

Teradata Autonomous Knowledge Platform ist eine Enterprise-Daten- und Analytics-Lösung von Teradata Corporation, die Produktions-KI, Analytik und Datenmanagement in einer einzigen Umgebung über Cloud, On-Premises und Hybrid hinweg zusammenführt.

Was es bringt: Die Plattform überführt strukturierte und unstrukturierte Daten, Betriebsmodelle und institutionelles Erfahrungswissen in eine governte, semantisch angereicherte Wissensbasis, auf der Agenten wiederholbar operieren können. Seit dem 15. Juli 2026 ist sie allgemein verfügbar. Zum Lieferumfang gehören Teradata Cloud mit Elastic Compute, zunächst startend auf AWS, sowie Teradata Factory für souveräne On-Premises-Szenarien auf Dell- und NVIDIA-Infrastruktur. Ein neues Preismodell aus fixem Sockel und flexibler Spitzenlast soll die Budgetplanung für Agenten-Workloads berechenbar machen, deren Verbrauchsprofil sich stark von klassischen Dashboard-Abfragen unterscheidet.

Für wen es spannend ist: Großunternehmen und Konzerne aus Financial Services, Telekommunikation, Handel, Gesundheitswesen und Fertigung mit bestehender Teradata-Basis und regulatorischen Anforderungen an Datenhaltung. Adressiert werden CDOs, Data Engineers, Enterprise-Architekten und BI-Teams.

Was es vom Wettbewerb unterscheidet: Während Snowflake und Databricks Agenten primär in der Cloud denken, verkauft Teradata die identische Architektur ausdrücklich auch für das eigene Rechenzentrum. Das ist ein Vorteil für Organisationen mit Sovereignty-Auflagen, geht aber mit der bekannten Teradata-Kostenstruktur und einer historisch anspruchsvollen Modernisierungspfad-Diskussion einher.

Wann ein genauerer Blick lohnt: Wenn eine bestehende Teradata-Landschaft ohnehin zur Disposition steht und der Wechsel in eine reine Public-Cloud-Architektur aus regulatorischen Gründen ausscheidet.

EDB Postgres AI for WarehousePG von EnterpriseDB

EDB Postgres AI for WarehousePG ist ein petabyte-skalierendes Data Warehouse auf Basis von Open-Source-PostgreSQL mit Massively-Parallel-Processing-Architektur.

Was es bringt: Am 20. August 2026 gab EnterpriseDB die allgemeine Verfügbarkeit von Disaster Recovery für WarehousePG bekannt. Laut Anbieterangaben erholt sich ein Cluster auf einen Zustand innerhalb der letzten 15 Minuten, was einer rund 180-fachen Verbesserung bei RPO und RTO entspricht, ohne Änderungen an der Anwendungsarchitektur. Ergänzt wird das um Warm DR für Umgebungen mit regulierten Wiederherstellungszeiten und Point-in-Time-Recovery für Datenbestände, die für tägliche Vollsicherungen zu groß sind. Die Plattform bringt natives Vektor-Processing, In-Database Machine Learning und Streaming-Ingest bereits mit.

Für wen es spannend ist: Mittelständische bis große Unternehmen aus Finanzdienstleistung, Gesundheitswesen, Handel und Fertigung, die ein analytisches Data Warehouse mit Datensouveränität und niedrigeren Gesamtbetriebskosten gegenüber proprietären Cloud-Warehouses betreiben wollen.

Was es vom Wettbewerb unterscheidet: Der PostgreSQL-Unterbau reduziert das Lock-in-Risiko und das Skill-Problem, weil PostgreSQL-Kompetenz im DACH-Markt breit verfügbar ist. Gegenüber Snowflake oder BigQuery fehlt allerdings die Bequemlichkeit eines vollständig gemanagten Dienstes, der Betriebsaufwand bleibt beim Kunden.

Wann ein genauerer Blick lohnt: Wenn Cloud-Warehouse-Kosten aus dem Ruder laufen und gleichzeitig eine belastbare Ausfallsicherheit im Petabyte-Bereich nachgewiesen werden muss.

lakeFS Enterprise Summer 2026 von Treeverse

lakeFS Enterprise ist eine Datenversionierungsplattform, die Git-ähnliche Branching- und Kollaborations-Workflows auf Object-Storage-Data-Lakes überträgt.

Was es bringt: Das am 29. Juli 2026 veröffentlichte Summer-2026-Release stellt AI Governance by Design in den Mittelpunkt. Eine neue Control Plane für KI-fähige Daten legt sich als leichte Infrastrukturschicht zwischen Datenbestand und konsumierende KI-Technologie und erzeugt automatisch prüffähige Nachweise zu Lineage und Provenienz. Neu ist außerdem ein Datensatz-Konzept als semantische Ebene: Logische Datensätze lassen sich definieren, versionieren, auffinden und kontrolliert teilen, jeder Datensatz bleibt dabei unveränderlich, governt und wiederverwendbar.

Für wen es spannend ist: Data-Engineering- und AI-Teams in Technologie, Finanzdienstleistung, Gesundheitswesen und Medien, die KI-Pipelines EU-AI-Act-konform dokumentieren müssen.

Was es vom Wettbewerb unterscheidet: Klassische Data Catalogs beschreiben Daten, lakeFS versioniert sie tatsächlich und kann damit den exakten Datenstand rekonstruieren, auf dem ein Modell trainiert wurde. Der Preis dafür ist eine zusätzliche Schicht im Stack, die betrieben und verstanden werden will.

Wann ein genauerer Blick lohnt: Wenn Audit-Anfragen zur Trainingsdatenherkunft heute nur manuell und mit hohem Aufwand beantwortet werden können.

TDengine All-in-One von TDengine Inc.

TDengine ist eine KI-native industrielle Datenplattform, die Zeitreihendatenbank, Stream-Processing, Echtzeit-Analytik, Ontologie-Modellierung, Visualisierung und Industrie-KI-Agenten in einem System bündelt.

Was es bringt: Seit dem 28. Juli 2026 ist das vollständige TDengine-All-in-One-Paket, bestehend aus TDengine IDMP, TSDB, TDgpt und TDmodel, kostenfrei für Produktionsdeployments bis 5.000 Tags verfügbar, ohne Funktionsbeschränkung, ohne Zeitlimit und ausdrücklich auch in Hochverfügbarkeitskonfiguration. TDgpt bringt Foundation Models für Zeitreihen sowie LLM-gestützte Prognose, Anomalieerkennung und Imputation direkt an die Betriebsdaten. Zero-Query-Intelligence erzeugt Dashboards und Berichte automatisiert.

Für wen es spannend ist: Fertigung, Energie, Versorger, Transport und Betreiber intelligenter Infrastruktur. Angesprochen sind OT-Teams, Industrie-IT und operative Analysten, für die klassische Data Historians zu starr geworden sind.

Was es vom Wettbewerb unterscheidet: Die 5.000-Tag-Grenze ist großzügig genug für ernsthafte Pilotanlagen und macht TDengine zur realistischen Alternative zu OSIsoft PI oder InfluxDB Enterprise. Wer darüber hinaus skaliert, landet allerdings in einem klassischen kommerziellen Lizenzmodell, was bei der Architekturentscheidung mitgedacht werden sollte.

Wann ein genauerer Blick lohnt: Wenn ein Historian-Ersatz ansteht oder OT-Daten erstmals in die unternehmensweite Analytics-Landschaft integriert werden sollen.

GoodData.AI BI Migration Service für DACH von GoodData

GoodData.AI BI Migration Service ist ein KI-gestützter Migrationsdienst, der Unternehmen aus Deutschland, Österreich und der Schweiz von bestehenden BI-Plattformen auf GoodData überführt.

Was es bringt: Der am 12. August 2026 gestartete Service verspricht den Wechsel von Tableau, Power BI, Qlik, Looker und MicroStrategy in Tagen bis Wochen statt der üblichen 12 bis 18 Monate. Rund 80 Prozent der Migrationsarbeit übernehmen KI-Migrationsagenten, GoodData-Ingenieure prüfen jede Änderung vor der Kundenfreigabe. Enthalten sind deutschsprachiger Support und ein regionales Team, technisch unterstützt werden kundeneigene Infrastruktur, Bring-your-own-LLM sowie MCP- und A2A-Integration. Referenzpunkt im Markt ist die Zusammenarbeit mit DATEV.

Für wen es spannend ist: Große Unternehmen und Konzerne im DACH-Raum mit gewachsenen, teuren BI-Landschaften. Adressiert werden CDO, CIO, BI-Teams und IT-Management.

Was es vom Wettbewerb unterscheidet: Migrationsprojekte sind der eigentliche Grund, warum Unternehmen bei ihrem BI-Anbieter bleiben. GoodData greift genau diesen Wechselkosten-Graben an, statt über Feature-Vergleiche zu argumentieren. Kritisch zu prüfen bleibt, wie gut die Automatisierung mit komplexen, historisch gewachsenen Berechnungslogiken und Berechtigungsmodellen umgeht.

Wann ein genauerer Blick lohnt: Wenn die jährliche BI-Lizenzverhandlung ansteht und eine glaubwürdige Alternative die Verhandlungsposition verbessern soll.

Golden Analytics von Golden Analytics, Inc.

Golden Analytics ist eine KI-native Business-Intelligence-Plattform, die analytische Tiefe klassischer Enterprise-Werkzeuge mit generativer KI und moderner Gestaltung verbindet.

Was es bringt: Die Plattform interpretiert Datensätze automatisch, liefert Kernaussagen innerhalb von Sekunden und erzeugt präsentationsreife Dashboards aus Rohdaten. Der sogenannte Slider of Autonomy steuert, wie viel Arbeit die KI übernimmt und wie viel der Nutzer selbst kontrolliert. Nach dem Austritt aus der Stealth-Phase im April 2026 mit 7 Millionen US-Dollar Seed-Kapital wuchs die Finanzierung bis Juni 2026 auf 21 Millionen US-Dollar unter Beteiligung von Insight Partners. Die öffentliche Beta läuft im August 2026 aktiv.

Für wen es spannend ist: Mittelgroße bis sehr große Unternehmen aus Technologie, Finanzwesen, Handel, Gesundheitswesen und professionellen Dienstleistungen, in denen Fachbereiche schneller zu belastbaren Auswertungen kommen sollen.

Was es vom Wettbewerb unterscheidet: Gegründet von Francois Ajenstat, dem früheren Chief Product Officer von Tableau, adressiert Golden Analytics das Vertrauensproblem generativer Analytik über eine explizite Kontrollmetapher statt über einen weiteren Chatbot. Als Produkt in der Beta-Phase fehlen belastbare Referenzen für regulierte Umgebungen bislang.

Wann ein genauerer Blick lohnt: Wenn die Self-Service-Adoption stagniert, weil Fachbereiche an der Werkzeugkomplexität scheitern.

BitBoard von BitBoard, Inc.

BitBoard ist ein agentenzentrierter Analytics-Workspace, in dem Teams gemeinsam mit ihren KI-Agenten Dashboards, Berichte und Visualisierungen erstellen.

Was es bringt: Coding-Agenten und KI-Chat-Werkzeuge lassen sich anbinden und erzeugen verknüpfte Charts, SQL, Code und Kommentare in einer notebookartigen, teamweit teilbaren Oberfläche. BitBoard arbeitet mit beliebigen MCP-Clients, darunter Claude, Claude Code, ChatGPT und Cursor. Der öffentliche Launch erfolgte im Juni 2026 aus dem Y-Combinator-Batch P25 heraus.

Für wen es spannend ist: Datengetriebene Teams in Technologie, SaaS, Finanzwesen, E-Commerce und Gesundheitswesen, vom Startup bis zum großen Mittelständler. Angesprochen sind Data Engineers, Analysten und Entwicklungsteams.

Was es vom Wettbewerb unterscheidet: BitBoard schließt die Lücke zwischen flüchtiger KI-Datenanalyse und starren Legacy-Werkzeugen, indem Agenten-Output dauerhaft und teilbar wird. Für Enterprise-Governance mit feingranularen Berechtigungen und Audit-Anforderungen ist das Produkt in dieser Reifephase noch nicht gebaut.

Wann ein genauerer Blick lohnt: Wenn Analysen bereits heute überwiegend in KI-Chats entstehen und anschließend niemand sie wiederfindet.

FouAnalytics for Publishers von FouAnalytics LLC

FouAnalytics for Publishers ist eine Analyse- und Entscheidungssuite, mit der digitale Publisher die Qualität ihres menschlichen Publikums gegenüber Werbekunden belegen.

Was es bringt: Seit dem 17. August 2026 global verfügbar, filtert der Decisioning Container General Invalid Traffic inklusive identifizierbarer Bots und KI-Crawler bereits vor dem Ad Call heraus. Der Publisher fügt den Container-Code in einen Ad Slot ein und platziert den gewohnten Ad Call darin, der Aufruf erfolgt nur bei verifiziert menschlichen Besuchern. Ergänzend liefert die Suite Reporting zu Viewability und Brand Safety sowie Argumente gegen unbegründete Rückforderungen von Werbeeinkäufern.

Für wen es spannend ist: Verlage, Medienhäuser und digitale Publisher jeder Größe sowie deren Ad-Operations-Teams.

Was es vom Wettbewerb unterscheidet: Anders als etablierte Verifizierungsanbieter, die primär auf der Käuferseite messen, stellt FouAnalytics das Instrument dem Publisher an die Hand. Das ist im Ad-Tech-Ökosystem eine ungewöhnliche Positionierung, deren Akzeptanz auf Einkäuferseite noch offen ist.

Wann ein genauerer Blick lohnt: Wenn Werbeerlöse durch Traffic-Qualitätsdiskussionen unter Druck geraten.

Marktüberblick KW35 in Zahlen

Governance bleibt der Engpass, nicht die Modellqualität

Der zeitliche Zusammenfall der Meldungen ist kein Zufall. Wesentliche Bestimmungen des EU AI Act sind zum 2. August 2026 wirksam geworden, und die Anbieter positionieren ihre Releases entsprechend. Wie groß die Lücke zwischen Anspruch und Realität ist, zeigt eine im Umfeld des lakeFS-Releases zitierte Erhebung:

„Laut Deloittes 2026 State of AI in the Enterprise verfügen nur 21 Prozent der Organisationen über ein ausgereiftes Governance-Modell für agentische KI.“

Quelle: Database Trends and Applications

Gartner kommt zu einer ähnlichen Einschätzung und erwartet, dass rund die Hälfte aller Fehlschläge bei der Einführung von KI-Agenten auf unzureichende Governance und Interoperabilitätsprobleme zurückgehen wird. Gleichzeitig prognostiziert das Haus, dass bis Ende 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten eingebettet haben werden, gegenüber weniger als 5 Prozent im Jahr 2025.

Was bedeuten diese Entwicklungen für Ihre Datenstrategie?

Drei konkrete Konsequenzen ergeben sich aus der Woche. Erstens verändert sich die Verhandlungslage bei der BI-Softwareauswahl. Wenn ein Anbieter wie GoodData 80 Prozent der Migrationsarbeit automatisiert und den Wechsel auf Wochen verkürzt, verliert das Argument der Wechselkosten an Gewicht. Prüfen Sie vor der nächsten Lizenzverlängerung, was ein Proof of Concept auf einer Alternativplattform tatsächlich kosten würde. Die Zahl dürfte niedriger ausfallen als in Ihrer letzten Kalkulation.

Zweitens verschiebt sich der Investitionsschwerpunkt von der Visualisierungsschicht in den Semantic Layer. Agenten funktionieren nur so gut wie die Metrikdefinitionen, auf die sie zugreifen. Wo Umsatz in vier Systemen unterschiedlich definiert ist, wird ein Agent vier unterschiedliche Antworten geben, jede davon plausibel formuliert. Eine konsolidierte, versionierte Definitionsschicht ist damit keine Aufräumarbeit mehr, sondern Voraussetzung für den Produktivbetrieb.

Drittens wird Nachweisfähigkeit operationalisierbar. Werkzeuge wie lakeFS erzeugen automatisch das, was viele Organisationen heute in Tabellen und Confluence-Seiten manuell pflegen. Prüfen Sie in einem kurzen internen Test, wie lange Ihr Team braucht, um für ein produktives Modell den exakten Trainingsdatenstand zu rekonstruieren. Liegt die Antwort im Bereich von Tagen, haben Sie einen konkreten Business Case für eine Versionierungsschicht.

CDO Insights

Für die Budgetplanung 2027 ergibt sich aus diesen Meldungen eine klare Priorisierung. Agenten-Workloads folgen einem anderen Verbrauchsmuster als Dashboard-Abfragen, sie laufen häufiger, unregelmäßiger und in Spitzen. Teradatas Umstellung auf ein Modell aus fixem Sockel und flexibler Spitze ist eine direkte Reaktion darauf. Verhandeln Sie entsprechende Klauseln aktiv, sonst finanzieren Sie Kapazität, die im Jahresmittel brachliegt.

Bei der Make-or-Buy-Frage lohnt eine Differenzierung nach Schichten. Semantic Layer und Metrikdefinitionen sind fachliches Kernwissen und gehören intern verantwortet, unabhängig vom eingesetzten Werkzeug. Governance-Automatisierung und Lineage-Erfassung dagegen sind Infrastrukturprobleme mit reifen Produktangeboten, hier ist Eigenbau selten wirtschaftlich. Migration wiederum ist ein klassischer Zukauf-Fall, der Aufwand fällt einmalig an und die Automatisierungsangebote sind inzwischen belastbar.

Der übergreifende Trend lautet Souveränität als Kaufkriterium. Sowohl Teradata als auch EnterpriseDB verkaufen inzwischen primär die Kontrolle über den Ort der Datenverarbeitung, nicht mehr nur Performance. Für DACH-Organisationen mit regulatorischen Auflagen erweitert das den realistischen Anbieterkreis spürbar. Weitere Orientierung zur Anbieterlandschaft finden Sie im Marktüberblick auf find-your-bi.de.

Häufige Fragen zu den BI-Launches der KW35

Welches der vorgestellten Tools eignet sich für den Mittelstand?
TDengine ist bis 5.000 Tags kostenfrei nutzbar und damit für produzierende Mittelständler unmittelbar testbar. BitBoard adressiert kleinere datengetriebene Teams. Teradata und GoodData richten sich klar an große Organisationen.

Lohnt sich ein BI-Plattformwechsel angesichts der neuen Migrationsangebote?
Der Wechsel lohnt sich, wenn Lizenzkosten und fehlende Agenten-Fähigkeiten zusammenfallen. Prüfen Sie in jedem Fall, wie gut die automatisierte Migration mit Ihren komplexesten Berechnungslogiken und Ihrem Berechtigungsmodell umgeht, denn dort entstehen die Restaufwände.

Was verlangt der EU AI Act konkret von BI-Verantwortlichen?
Relevant sind vor allem Nachweise zu Datenherkunft, Datenqualität und Dokumentation der eingesetzten Systeme. Details und Fristen veröffentlicht die Europäische Kommission im Regulatory Framework for AI.

Wie unterscheiden sich Golden Analytics und BitBoard?
Golden Analytics richtet sich an Fachbereiche und steuert den Automatisierungsgrad über eine Kontrollmetapher. BitBoard richtet sich an technische Teams und macht den Output vorhandener Coding-Agenten dauerhaft und teilbar.

Ist Disaster Recovery bei einem Data Warehouse wirklich ein Kaufkriterium?
Ja, sobald das Warehouse operative Prozesse speist statt nur Berichte. EnterpriseDB adressiert mit Wiederherstellung im Minutenbereich genau die Fälle, in denen ein Wiederaufbau aus Backups tagelang dauern würde.

Fazit

Die KW35 liefert kein einzelnes Leuchtturmprodukt, sondern ein konsistentes Muster. Acht Meldungen aus fünf Marktsegmenten kombinieren agentische Fähigkeiten mit Kontroll-, Nachweis- und Ausfallsicherheitsversprechen. Der Wettbewerb verlagert sich damit von der Frage, welches Werkzeug die schönsten Dashboards erzeugt, hin zur Frage, welche Plattform KI-Agenten unter regulatorischen Bedingungen produktiv betreiben kann. Für BI-Softwareauswahl und IT-Sourcing im DACH-Raum bedeutet das konkret: Semantic Layer, Lineage und Betriebsmodell gehören ab sofort in jedes Lastenheft, und die gesunkenen Wechselkosten machen eine ernsthafte Alternativenprüfung erstmals seit Jahren wieder wirtschaftlich.