Blog/Analytics/Agentic Analytics erklärt: Ein Leitfaden für analytische Workflows mit KI-Agenten
13. Nov. 2026/Lesezeit: 15 MinutenAnalytics

Agentic Analytics erklärt: Ein Leitfaden für analytische Workflows mit KI-Agenten

AGENTIC ANALYTICS DEFINED: Agentic analytics is a form of AI-driven analysis in which software agents pursue an analytical objective across multiple data sources and operations, adapting the path as new evidence emerges rather than following a fixed sequence of queries.

 

Wenn Sie erfahrenen Analyst:innen eine Frage zur Bruttomarge stellen, bringen diese weit mehr als nur SQL-Kenntnisse in die Aufgabe ein. Sie wissen, welche Definition der Bruttomarge verwendet werden sollte, welche Datenquellen vertrauenswürdig und aktuell sind, wo sich die Granularität ändert und welche Joins das Ergebnis wahrscheinlich verfälschen. Ein Großteil dieses Wissens existiert nur im Kopf der Analyst:innen.

Ein KI-Agent, der mit dieser Analyse betraut wird, verfügt nicht automatisch über dasselbe Wissen, weshalb der Kontext explizit bereitgestellt werden muss. In einem Agentic-Analytics-Workflow greift der Agent im Verlauf der Untersuchung wiederholt auf diesen Kontext zurück: um die Frage zu zerlegen, zwischen Quellen und Tools zu wählen, Zwischenergebnisse zu interpretieren und zu entscheiden, was als Nächstes untersucht werden soll. Dies wirft praktische Fragen auf: Was benötigt der Agent von der Datenschicht? Wessen Berechtigungen gelten, wenn er ein Tool aufruft? Wie stellen Teams fest, ob die resultierende Analyse fundiert ist?

Was ist Agentic Analytics?

Agentic Analytics nutzt KI-Agenten, um mehrstufige Analytics-Workflows zu planen und auszuführen, wobei sie zwischen verfügbaren Daten und Tools wählen, während Zwischenergebnisse die Untersuchung formen. Eine typische analytische Schleife umfasst mehrere Phasen:

Kontext auflösen → planen → ein Tool aufrufen → das Ergebnis prüfen → den Plan überarbeiten → validieren → stoppen

Natural-Language-to-SQL kann einen Abfrageschritt übernehmen, während Suche, semantischer Abruf, Prozeduren und APIs dem Agenten andere Möglichkeiten bieten, Beweise zu sammeln oder auf das Gefundene zu reagieren. Die Orchestrierung steuert, welche Tools verfügbar sind, welcher Kontext in jeden Aufruf übergeben wird und wie Zwischenergebnisse nachfolgende Schritte beeinflussen.

Diese Kontrolle über die nächsten Schritte unterscheidet Agentic Analytics von anderen Formen der KI-gestützten Analytics. Augmented Analytics nutzt KI, um bei Teilen eines von Menschen gesteuerten Workflows zu helfen, wie etwa bei der Datenaufbereitung, dem Aufdecken von Mustern oder der Generierung von Erklärungen. In einem Agentic-Workflow übernimmt der Agent einen größeren Teil der Koordination selbst.

Das Agentic-Modell verlagert mehr analytische Entscheidungen in die Laufzeit. Der Agent muss möglicherweise Terminologie auflösen, zwischen Quellen wählen, einen geeigneten Abfragepfad bestimmen und entscheiden, ob ein Zwischenergebnis einen weiteren Schritt rechtfertigt – was bedeutet, dass die Zuverlässigkeit der Ausgabe von dem Kontext und den Einschränkungen rund um diese Entscheidungen abhängt.

Sehen Sie, wie Cortex Agents SQL-Analysen, Suchen und KI-Schlussfolgerungen über strukturierte und unstrukturierte Unternehmensdaten hinweg orchestriert:

Wie die analytische Schleife funktioniert

Der Agentic-Analytics-Workflow ist iterativ. Der Agent muss die Frage im geschäftlichen Kontext auflösen, auswählen, welche Tools und Daten verwendet werden sollen, das Zurückgegebene auswerten und entscheiden, ob er fortfährt, verzweigt, stoppt oder handelt.

Die Frage im geschäftlichen Kontext auflösen

Betrachten Sie noch einmal die Frage zur Bruttomarge. Bevor der Agent SQL ausgibt, muss er feststellen, worauf sich die Frage bezieht. Für die Bruttomarge gibt es möglicherweise eine genehmigte Berechnung mit definierten Umsatz- und Kostenkennzahlen, Aggregationsregeln und gültigen dimensionalen Beziehungen. EMEA könnte eher einer Organisationshierarchie als einem wörtlichen Regionsfeld zugeordnet sein. Das letzte Quartal erfordert möglicherweise eine Fiskalkalender-Logik.

Sobald diese Elemente aufgelöst sind, verknüpft der Agent sie mit physischen Daten. Dies umfasst die Auswahl der geeigneten Tabellen oder Semantic Views, die Bestimmung der erforderlichen Granularität und die Verfolgung gültiger Beziehungen zwischen Fakten und Dimensionen.

Die richtigen Tools planen und aufrufen

Die Auswahl der Tools prägt die Untersuchung selbst. Eine semantische Abfrage könnte feststellen, wo sich die Marge geändert hat, während eine Suche in Verträgen oder Verkaufsnotizen den Kontext für das Warum liefern könnte. Wenn mehrere Tools dieselbe Teilfrage beantworten könnten, benötigt der Planer ausreichend Metadaten, um basierend auf Umfang, Quellenautorität und erwarteter Ausgabe zwischen ihnen zu wählen. Tool-Definitionen und Orchestrierungsanweisungen müssen spezifisch genug sein, um die Auswahl zu leiten, ohne jeden analytischen Pfad fest zu codieren.

Zwischenergebnisse prüfen

Bevor ein Zwischenergebnis in den nächsten Schritt einfließt, benötigt der Workflow eine Möglichkeit zu testen, ob es nutzbar ist. Die Prüfung hängt von der Art des Ergebnisses ab: Eine generierte Abfrage könnte auf gültige Granularität und Beziehungen ausgewertet werden, während eine zurückgegebene Metrik mit einer bekannten Referenz oder einem erwarteten Bereich abgeglichen werden könnte.

Der Agent kann das Ergebnis auch mit der Frage vergleichen, die es beantworten sollte. Wenn beispielsweise eine Abfrage, die einen Margenrückgang erklären soll, nur den Gesamtumsatz zurückgibt, ist das Ergebnis zwar gültiges SQL, aber kein ausreichender Beweis für den nächsten analytischen Schritt. Der Planer sollte die Abfrage überarbeiten, anstatt eine erfolgreiche Ausführung als erfolgreiche Analyse zu behandeln.

Diese Prüfungen sind besonders wichtig, da sich Zwischenfehler fortpflanzen. Ein nicht unterstützter Join, eine veraltete Quelle oder eine falsche Entitätsauflösung früh im Durchlauf können jede darauf folgende Abfrage prägen und eine kohärente Untersuchung hervorbringen, die auf der falschen Prämisse aufbaut.

Entscheiden, ob fortgefahren, gestoppt oder gehandelt werden soll

Der Agent muss dann entscheiden, ob die Beweise ausreichen. Er benötigt möglicherweise eine weitere Abfrage, ein anderes Tool, eine Klärung durch die Nutzer:innen oder eine genehmigte nachgelagerte Aktion.

Diese Entscheidungen wirken sich auch auf das Workload-Verhalten aus. Eine Anfrage kann mehrere SQL-Anweisungen, Suchen und Tool-Aufrufe mit Wiederholungsversuchen oder parallelen Verzweigungen im Verlauf der Untersuchung erzeugen, sodass Abfragebudgets, Nebenläufigkeit, Timeouts und Stoppbedingungen ebenfalls in das Betriebsmodell gehören.

Kundenbericht: Fireblocks

Fireblocks nutzt Cortex Agents mit Semantic Views, um Analytics durch natürliche Sprache zugänglich zu machen. Sein interner Agent ermöglicht es Teams, Produkt- und Kundenmetriken direkt zu untersuchen, während sein kundenorientierter Fire Genie personalisierte Analytics liefert – und so den kontrollierten Datenzugriff sowohl auf Mitarbeitende als auch auf Kund:innen ausweitet.

Lesen Sie die vollständige Customer Story hier.

Was die Datenschicht auflösen muss, bevor der Agent abfragt

Die analytische Genauigkeit hängt von mehr als nur der Modellfähigkeit ab. In Unternehmensumgebungen entstehen viele Fehler dadurch, dass das Modell gezwungen wird, Geschäftslogik abzuleiten, die explizit hätte bereitgestellt werden können.

Der analytische Kontext sollte mindestens Folgendes umfassen:

  • Metrik- und Geschäftsdefinitionen: genehmigte Berechnungen, Filter, Zeitlogik und Aggregationsverhalten
  • Entitätsbeziehungen: wie Kund:innen, Konten, Produkte, Bestellungen und andere Geschäftsobjekte miteinander in Beziehung stehen
  • Deklarierte Granularität: was eine Zeile in jedem relevanten Objekt darstellt
  • Unterstützte Join-Pfade: Beziehungen, die das System beim Kombinieren von Daten verwenden sollte
  • Synonyme und Entitätszuordnungen: alternative Terminologie und domänenspezifische Bedeutungen
  • Quelleneignung: Aktualität, Eigentümerschaft, Veraltungsstatus, Vollständigkeit und andere Signale, die für die Quellenauswahl relevant sind
  • Richtlinien und Herkunft: wer die Daten verwenden darf und woher sie stammen

Geben Sie dem Agenten explizite Geschäftslogik

Ein Schema teilt einem Agenten mit, wo sich Daten befinden, aber in der Regel nicht, wie das Unternehmen erwartet, dass diese Daten interpretiert werden. Beispielsweise könnte der „Kundenstatus” von mehreren Feldern abhängen, oder die „Bruttomarge” ist möglicherweise nur über bestimmte Dimensionen oder Aggregationsebenen hinweg gültig.

Ein semantisches Modell macht diese Logik explizit. Metriken, Dimensionen, Berechnungsregeln, Beziehungen und Synonyme geben dem Agenten eine kontrollierte Darstellung der Geschäftskonzepte in der Frage, wodurch reduziert wird, wie viel er beim Erstellen einer Abfrage ableiten muss. Diese Definitionen müssen auch über eine einzelne analytische Schnittstelle hinaus wiederverwendbar sein. Wenn die Geschäftslogik separat in einem Dashboard, einem Agenten und einer Anwendung neu erstellt wird, muss das Unternehmen immer noch mehrere Versionen verwalten. Ein gemeinsames semantisches Modell bietet diesen Erfahrungen einen gemeinsamen Satz von Definitionen und Beziehungen.

Eine interne Snowflake-Evaluierung aus dem Jahr 2024 hat gezeigt, wie sehr das umgebende analytische System die Genauigkeit beeinflusst. Bei einem Benchmark mit 150 Fragen, der auf realen BI-Aufgaben basierte, erreichte GPT-4o mit einem einzigen Prompt eine Genauigkeit von 51 %, während Cortex Analyst, das ein semantisches Modell verwendet, um Geschäftsdefinitionen und Kontext bereitzustellen, mehr als 90 % erreichte.

Semantische Definitionen decken jedoch nur einen Teil des analytischen Pfads ab. Ein Agent kann die richtige Kennzahl auflösen und dennoch das falsche Ergebnis liefern, wenn er einen ungültigen Join wählt oder Daten mit inkompatiblen Granularitäten kombiniert.

QUICK TIP: Start with the business concepts that generate the most analyst clarification today. Metrics with disputed definitions, overloaded terms or special aggregation rules are good candidates for explicit semantic modeling.

Granularität und Join-Pfade gehören in den analytischen Vertrag

Angenommen, das System löst den Umsatz korrekt auf und verknüpft dann einen Fakt auf Bestellebene mit einer Bestellpositionstabelle, ohne die Änderung der Granularität zu berücksichtigen. Der Umsatz wird vor der Aggregation dupliziert, obwohl das SQL erfolgreich ausgeführt wird und die Metrikformel selbst unverändert bleibt.

Chasm-Joins verursachen ein ähnliches Problem, wenn mehrere Faktentabellen über gemeinsame Dimensionen verknüpft werden und Kombinationen Datensätze unerwartet vervielfachen. Viele-zu-viele-Beziehungen, Bridge-Tabellen und semi-additive Kennzahlen führen zu weiteren Fällen, in denen ein scheinbar vernünftiger Join das falsche analytische Ergebnis liefert.

Für Agentic-Systeme benötigen Granularität, Kardinalität und gültige Join-Pfade eine explizite Darstellung. Wenn diese Beziehungen implizit bleiben, werden strukturelle Entscheidungen zurück in die Laufzeit-Inferenz gedrängt, wo das Modell möglicherweise die richtigen Entscheidungen trifft oder auch nicht.

Mehrdeutige Entitäten vor der Abfrage auflösen

Die Unternehmenssprache lässt sich oft nur unvollständig auf Datenobjekte abbilden. Eine Anfrage nach „Unternehmenskunden” könnte sich beispielsweise auf ein Kontensegment im CRM, eine Produktstufe oder eine Finanzklassifizierung beziehen.

Der Agent benötigt ausreichend Entitätsmetadaten und Domänenkontext, um das beabsichtigte Geschäftsobjekt auszuwählen, bevor er die Abfrage erstellt. Wenn mehrere Interpretationen plausibel sind, sollte der Workflow die Mehrdeutigkeit beibehalten und die Nutzer:innen um Klärung bitten, anstatt einfach eine auszuwählen.

Die Quellenauswahl erfordert mehr als nur Auffindbarkeit

Ein Katalog kann mehrere Objekte anzeigen, die technisch gesehen die angeforderten Informationen enthalten, aber das bedeutet nicht, dass sie für die Analyse gleichermaßen geeignet sind.

Erfahrene Analyst:innen berücksichtigen routinemäßig den Kontext, z. B. ob eine Quelle aktuell ist, ob sich eine Upstream-Transformation kürzlich geändert hat, ob eine Tabelle veraltet ist oder ob die Abdeckung je nach GEOGRAPHY variiert. Sofern diese Eigenschaften nicht maschinenlesbar sind, sieht ein Agent eine Reihe verfügbarer Objekte ohne das institutionelle Wissen, das der:dem Analyst:in bei der Auswahl hilft.

Aktualität, Lineage, Eigentümerschaft, Qualitätsindikatoren, Zertifizierungsstatus, Nutzungsmuster und Veraltungs-Metadaten tragen alle zur Eignung der Quelle bei.

COMMON PITFALL: A common mistake is treating discoverability as equivalent to suitability. An agent might find a table that contains the right fields but is stale, deprecated or inappropriate for the requested analysis. Source metadata should help it distinguish what's available from what's authoritative.

Wessen Berechtigungen gelten, wenn der Agent die Abfrage ausführt?

Ein Agent wirft eine Autorisierungsfrage auf: Wessen Berechtigungen gelten, wenn der Agent ein Tool aufruft oder eine Abfrage ausführt? Bei interaktiven Sitzungen sorgt die delegierte Endnutzeridentität dafür, dass die Abfrageausführung mit den Berechtigungen der Person übereinstimmt, die die Frage stellt. Bestehende Role-Based Access Control (RBAC), Row Access Policies (Zeilenzugriffsrichtlinien) und Spaltenmaskierung regeln dann weiterhin die zugrunde liegenden Daten.

Geplante oder unbeaufsichtigte Workflows erfordern ein anderes Identitätsmodell. Ohne eine:n interaktive:n Nutzer:in, von der:dem delegiert werden kann, benötigt der Agent eine dedizierte Ausführungsidentität, die auf die für seine Aufgabe erforderlichen Daten und Tools beschränkt ist. Ein umfassend privilegiertes Shared-Service-Konto erhöht das Risiko jedes Tool-Aufrufs und zwingt zusätzliche Autorisierungslogik in die Applikation.

Der relevante Autorisierungskontext geht über die anfängliche Agentenanfrage hinaus. Jeder Tool-Aufruf und jede zugrunde liegende Ressource im Workflow muss unter der vorgesehenen Identität und den vorgesehenen Berechtigungen evaluiert werden.

Für jeden Tool-Aufruf muss das Autorisierungsmodell folgende Fragen beantworten:

  • Welche Identität wird ausgeführt?
  • Welche Rolle oder Berechtigungen gelten?
  • Auf welche zugrunde liegenden Objekte greift das Tool zu?
  • Gelten Richtlinien auf Zeilen- und Spaltenebene weiterhin?
  • Wird das Tool mit den Rechten des Aufrufers oder mit erweiterten Eigentümerrechten ausgeführt?
  • Was passiert, wenn eine erforderliche Ressource nicht verfügbar ist?

Fail-Closed-Verhalten ist für analytische Workflows besonders wichtig. Wenn der Agent nicht auf ein erforderliches Tool oder Dataset zugreifen kann, sollte er sichtbar fehlschlagen, anstatt eine Antwort nur aus den Informationen zu generieren, die er erreichen konnte.

Einschränkungen auf Prompt-Ebene können identitätsbasierte Zugriffskontrollen, Row Access Policies (Zeilenzugriffsrichtlinien), Spaltenmaskierung oder andere von der Datenplattform durchgesetzte Berechtigungen nicht ersetzen. Eine Anweisung, die einem Agenten mitteilt, nicht auf Vergütungsdaten zuzugreifen, unterliegt der Interpretation durch das Modell und kann durch Prompt-Injection umgangen werden. Eine starke Autorisierung begrenzt das, was eine erfolgreiche Manipulation des Modells abrufen kann.

Wie Mayank Upadhyay, Chief Security and Trust Officer bei Snowflake, es ausdrückt: „Der größte Fehler, den Unternehmen machen können, ist zu denken, dass es bei KI-Sicherheit nur um die Sicherung des Modells geht. Die wahre Herausforderung besteht darin, alles zu kontrollieren, womit das Modell in Berührung kommt.“ Für analytische Agenten weitet das die Sicherheit auf Identität, Berechtigungen, Tool-Zugriff und die Aktionen aus, zu denen ein Agent autorisiert ist.

Und wenn der Agent Maßnahmen ergreifen kann, sind zusätzliche Sicherheitsvorkehrungen erforderlich. Folgenreiche Änderungen sollten genehmigungspflichtig sein, und der Audit-Trail sollte identifizieren, was ausgeführt wurde, unter wessen Autorität und gegen welche Ressourcen.

Reproduzierbarkeit bedeutet, den analytischen Pfad zu bewahren

Agentic-Workflows verkomplizieren die übliche Vorstellung von Reproduzierbarkeit. Dieselbe Frage generiert nicht zwangsläufig identisches SQL oder folgt bei jedem Durchlauf derselben Abfolge von Schritten. Ein Plan könnte beispielsweise zuerst nach GEOGRAPHY segmentieren, während ein anderer mit dem Produkt beginnt. Unterschiedliche SQL-Anweisungen können auch analytisch äquivalente Ergebnisse liefern.

Der bessere Test ist, dass der Durchlauf rekonstruierbar ist und dass äquivalente Ausführungen zur selben kontrollierten Bedeutung und zu einem materiell konsistenten Ergebnis führen.

Dies erfordert einen Ausführungs-Trace mit genügend Informationen, um Folgendes zu bestimmen:

  • Welche semantischen Objekte und Definitionen aufgelöst wurden
  • Welche Quellen und Join-Pfade ausgewählt wurden
  • Welche Tools in welcher Reihenfolge aufgerufen wurden
  • Welche SQL-Anweisungen oder anderen Operationen ausgeführt wurden
  • Welche Identität und Berechtigungen für jeden Schritt galten
  • Welche Zwischenergebnisse spätere Entscheidungen beeinflussten
  • Warum der Planer fortfuhr, verzweigte oder anhielt
  • Welche Validierungsprüfungen liefen, bevor das Ergebnis zurückgegeben wurde

Josh Klahr und Rajhans Samdani von Snowflake beschreiben das Ziel als die Bewahrung „des Traces hinter einer Antwort, einschließlich der verwendeten Quellen, der angewendeten Transformationen, der Lineage von Datenquellen und warum konkurrierende Quellen akzeptiert oder abgelehnt wurden“. Dieser Trace gibt Datenteams einen Ansatzpunkt, wenn eine Antwort fragwürdig ist.

Evaluieren Sie den analytischen Fehler, nicht nur die endgültige Antwort

Die Agenten-Evaluierung muss zwischen verschiedenen Fehlerklassen unterscheiden. Ein Ergebnis könnte falsch sein, weil der Agent die falsche Metrik aufgelöst, die falsche Entitätsinterpretation ausgewählt, einen nicht unterstützten Join-Pfad verwendet, auf der falschen Granularitätsebene aggregiert, veraltete oder unvollständige Daten ausgewählt, den Zugriff auf eines seiner erforderlichen Tools verloren, angehalten hat, bevor eine alternative Erklärung getestet wurde, SQL generiert hat, das syntaktisch oder semantisch inkorrekt war, oder ein korrektes Abfrageergebnis falsch interpretiert hat.

All diese Ergebnisse unter „Halluzination“ zusammenzufassen, erschwert die Diagnose. Jeder Fehler hat seinen Ursprung in einem anderen Teil des analytischen Systems und weist auf eine andere Behebung hin.

Die Evaluierung sollte auf mehreren Ebenen erfolgen:

  • Semantische Auflösung: Wurde die Frage den erwarteten Kennzahlen, Dimensionen, Entitäten und der Zeitlogik zugeordnet?
  • Abfragekorrektheit: Hat das generierte SQL die Granularität beibehalten, unterstützte Beziehungen befolgt und das erwartete Ergebnis geliefert?
  • Quellenauswahl: Waren die ausgewählten Objekte maßgeblich und ausreichend aktuell für die Frage?
  • Autorisierung: Wurde jeder Tool-Aufruf unter der vorgesehenen Identität und den vorgesehenen Richtlinien ausgeführt?
  • Planqualität: Hat der Workflow relevante Folgeschritte verfolgt, unnötigen Fan-out vermieden und mit ausreichenden Beweisen angehalten?
  • Ergebnisqualität: Stimmte die Antwort mit einem als gut bekannten Ergebnis überein oder lag sie innerhalb einer akzeptierten Toleranz?

Die Forschung zur Agentenevaluierung unterstützt den Blick über die endgültige Antwort hinaus. In der Agent GPA-Benchmark-Studie von Snowflake AI Research erkannten Evaluator:innen, die das Ziel, den Plan und die Aktionen eines Agenten bewerteten, 95 % der von Menschen annotierten Fehler, verglichen mit 55 % bei einem Baseline-LLM-Richter. Sie lokalisierten auch 86 % der Fehler in dem spezifischen Teil des Ausführungs-Traces, in dem der Fehler auftrat.

Erstellen Sie das Evaluierungsset aus bekannter analytischer Arbeit

Bestehende Berichte, von Analyst:innen überprüfte SQL-Anweisungen und zertifizierte Berechnungen bieten nützliche Ausgangspunkte für das Evaluierungsset. Verifizierte oder Golden Queries kombinieren repräsentative Geschäftsfragen mit als gut bekanntem SQL oder erwarteten Ergebnissen. Sie geben Teams Referenzfälle zum Testen von Änderungen am Modell, an der semantischen Schicht, am Schema oder an der Orchestrierungslogik.

Das Testset sollte auch die Fehler enthalten, die eine oberflächliche Überprüfung am ehesten überstehen: Join-Fan-out, mehrdeutige Entitätswerte, alternative Formulierungen, eingeschränkte Daten, Quelländerungen und Fragen, die mehrere semantische Ansichten erfordern.

Die Ausführung dieser Evaluierungen deckt Regressionen auf. Eine Abfrage, die vor einer Überarbeitung des semantischen Modells erfolgreich war und danach fehlschlägt, liefert beispielsweise ein viel handlungsorientierteres Signal als ein allgemeiner Rückgang der Nutzerzufriedenheit. Regressionstests führen als gut bekannte Fälle nach Updates erneut aus, zeigen, ob sich das Verhalten geändert hat, und geben Teams einen Ausgangspunkt für die Ursachenforschung.

Agentic Analytics auf Snowflake

Die Agentic Analytics-Architektur von Snowflake bildet diese Anforderungen über die Semantik-, Ausführungs-, Governance- und Evaluierungsschichten hinweg ab.

Semantic Views repräsentieren Metriken, Dimensionen, Beziehungen und andere Geschäftslogik als kontrollierte Snowflake-Objekte, die über SQL-, BI- und KI-Workflows hinweg wiederverwendet werden können. Snowflake Horizon Context innerhalb von Snowflake Horizon Catalog fügt einen breiteren geschäftlichen und technischen Kontext hinzu, einschließlich Metadaten zu Definitionen, Beziehungen, Herkunft und Governance.

Cortex Analyst verarbeitet Natural-Language-to-SQL über Semantic Views, während Cortex Agents Tools über strukturierte und unstrukturierte Daten hinweg plant und orchestriert. Die Ausführung unterliegt weiterhin dem Berechtigungsmodell von Snowflake. Benutzerdefinierte Prozeduren behalten ihre Aufruferrechte- oder Eigentümerrechte-Semantik bei.

Verifizierte Abfragen und Cortex Analyst-Evaluierungen bieten Referenzfälle zum Testen der Genauigkeit und zum Erkennen von Regressionen, wenn sich Modelle, Schemata oder semantische Definitionen ändern. Für Geschäftsanwender:innen bietet Snowflake CoWork eine dialogorientierte Benutzerschnittstelle zur Analyse kontrollierter Unternehmensdaten, zur Weiterverfolgung von Erkenntnissen und zur Erstellung wiederverwendbarer analytischer Ausgaben.

Diese Funktionen ermöglichen es Teams, die wichtigsten Kontrollpunkte in der Nähe der kontrollierten Daten zu halten: semantische Auflösung, Autorisierung, Abfrageausführung, Herkunft und Evaluierung. Der Agent ist flexibel darin, wie er eine Frage untersucht, während Definitionen und Richtlinien Teil des Systems bleiben, in dem er operiert.

Mit zunehmender Autonomie muss die Architektur mehr Vertrauen tragen

Da analytische Agenten umfassendere Untersuchungen und mehr nachgelagerte Aktionen übernehmen, wird die Anzahl der Entscheidungen, die der Agent unabhängig trifft, weiter wachsen. Mehr Tool-Aufrufe, mehr Quellenauswahl und mehr Verzweigungen schaffen mehr Möglichkeiten für einen Fehler im Kontext, bei den Berechtigungen oder bei der Ausführung, der sich durch den Workflow zieht.

Für Datenverantwortliche besteht die beste Reaktion darin, so viel Gewissheit wie möglich in das umgebende System zu verlagern: explizite Geschäftslogik, kontrollierte Beziehungen, durchsetzbare Zugriffskontrollen und Evaluierung, die an echte analytische Arbeit gebunden ist. Mit diesen Einschränkungen können Teams Agenten mehr Spielraum zum Untersuchen und Handeln geben, ohne die Transparenz darüber aufzugeben, wie die Arbeit erledigt wurde.

KEY TAKEAWAY: An agent's analysis is only as reliable as the system around it. Explicit business definitions, governed data relationships, enforceable access controls and continuous evaluation give agents the context and constraints they need to investigate complex questions accurately.

FAQs zu Agentic Analytics

Ersetzt Agentic Analytics Dashboards?

Dashboards bleiben nützlich für standardisiertes Monitoring, wiederkehrende Metriken und Workflows, bei denen der analytische Pfad absichtlich vordefiniert ist. Agentic Analytics befasst sich mit Fragen, deren Zerlegung oder Folgeschritte während der Ausführung bestimmt werden. Beide funktionieren konsistenter, wenn sie gegen dieselben kontrollierten Metriken und analytischen Beziehungen aufgelöst werden.

Wer ist verantwortlich, wenn die Analyse eines Agenten falsch ist?

Die Verantwortung bleibt bei dem Unternehmen, das das System betreibt, und den Personen, die für die Entscheidungen verantwortlich sind, die durch seine Ausgabe informiert werden. Für folgenreiche Anwendungsfälle sollten Teams Eigentümerschafts- und Überprüfungsanforderungen definieren und gleichzeitig genügend Ausführungshistorie aufbewahren, um die semantische Auflösung, Datenquellen, Abfragen und den Autorisierungskontext hinter dem Ergebnis zu rekonstruieren.

Weitere Ressourcen

Diesen Beitrag teilen

Subscribe to our blog newsletter

Get the best, coolest and latest delivered to your inbox each week

Where Data Does More