Dashboards verschwinden nicht. Sie bleiben wichtig, weil Unternehmen weiterhin Überblick, Vergleichbarkeit und gemeinsame Sichtweisen auf Kennzahlen brauchen. Was sich verändert, ist die Art, wie Menschen mit diesen Kennzahlen arbeiten. Analytics endet nicht mehr zwangsläufig bei einer Reporting-Oberfläche, auf der Nutzer selbst interpretieren müssen, was als Nächstes zu tun ist.
Mit Tableau Next und dem Begriff Agentic Analytics verschiebt sich die Diskussion: Analytics soll nicht nur zeigen, was passiert ist, sondern stärker dabei helfen, Daten einzuordnen, Muster zu erkennen und nächste Schritte vorzubereiten. Das bedeutet nicht, dass jedes Dashboard durch einen KI-Agenten ersetzt wird. Es bedeutet eher, dass Analytics näher an operative Entscheidungen rückt.
Für Unternehmen ist das eine wichtige Veränderung. Denn je näher Analytics an Entscheidungen heranrückt, desto weniger reicht es, nur Visualisierungen zu bauen. Dann werden semantische Modelle, klare Kennzahlenlogik, Datenqualität, Verantwortlichkeiten und Governance zur eigentlichen Grundlage.
Dashboards bleiben wichtig, aber ihre Rolle verändert sich
Klassische Business Intelligence war lange stark dashboardzentriert. Teams haben Datenquellen angebunden, Kennzahlen modelliert, Reports gebaut und Dashboards veröffentlicht. Nutzer konnten Entwicklungen verfolgen, Abweichungen erkennen und Informationen für Meetings oder operative Steuerung nutzen.
Das bleibt relevant. Ein gutes Dashboard schafft Orientierung. Es zeigt Trends, macht Kennzahlen vergleichbar und gibt Teams eine gemeinsame Grundlage. Gerade in Sales, Service, Finance oder Operations sind solche Übersichten weiterhin unverzichtbar.
Die Grenze entsteht dort, wo ein Dashboard zwar Zahlen zeigt, aber die Interpretation vollständig den Nutzer überlässt. Warum ist eine Kennzahl gefallen? Welche Segmente sind betroffen? Welche Ursache ist wahrscheinlich? Welche Maßnahmen wären sinnvoll? Genau an dieser Stelle beginnt sich Analytics zu verändern.
Der Unterschied lässt sich grob so einordnen:
| Klassische BI | Agentic Analytics |
|---|---|
| Zeigt Kennzahlen | Erklärt Zusammenhänge |
| Arbeitet mit vorbereiteten Ansichten | Erlaubt kontextbezogene Fragen |
| Unterstützt Reporting | Unterstützt Entscheidungsvorbereitung |
| Braucht Datenmodelle | Braucht zusätzlich Semantik und Governance |
Wenn KI-Systeme Daten abfragen, Kennzahlen erklären oder nächste Schritte vorschlagen, wird Analytics interaktiver. Nutzer klicken sich nicht nur durch vorbereitete Ansichten, sondern stellen Fragen, prüfen Hypothesen und erwarten kontextbezogene Antworten. Das Dashboard wird dadurch nicht unwichtig. Es wird Teil eines größeren Entscheidungsprozesses.
Von Reporting zu Entscheidungsvorbereitung
Der eigentliche Wandel liegt nicht in der Oberfläche. Er liegt darin, dass Analytics näher an konkrete Entscheidungen rückt. Ein Vertriebsleiter will nicht nur sehen, dass die Pipeline in einer Region schwächer ist. Er will verstehen, welche Opportunities betroffen sind, ob es ein Aktivitätsproblem gibt und welche nächsten Schritte sinnvoll wären.
Ein Service-Team will nicht nur wissen, dass die Bearbeitungszeit steigt. Es will erkennen, welche Falltypen dafür verantwortlich sind, ob bestimmte Produkte oder Kundengruppen häufiger betroffen sind und wo Eskalationen früher abgefangen werden könnten. Ein Finance-Team will nicht nur Abweichungen sehen, sondern verstehen, ob sie aus Volumen, Preis, Timing oder Zuordnung entstehen.
Agentic Analytics beschreibt genau diese Bewegung: weg von reiner Darstellung, hin zu Analyse, Einordnung und Handlungsvorbereitung. Das bedeutet nicht, dass die Entscheidung automatisiert werden muss. Gerade in Enterprise-Umgebungen bleibt menschliche Bewertung wichtig. Aber Analytics kann stärker dabei helfen, die richtigen Fragen zu stellen und Daten schneller in einen nutzbaren Kontext zu bringen.
Der Wert entsteht also nicht daraus, dass ein System „intelligent" klingt. Er entsteht, wenn Fachbereiche schneller von einer Kennzahl zu einer belastbaren Einschätzung kommen.
Warum Semantik zur Grundlage wird
Sobald Nutzer Analytics-Systeme natürlichsprachlich befragen oder KI-gestützte Vorschläge erhalten, wird Semantik entscheidend. Das System muss nicht nur wissen, welche Spalten und Tabellen existieren. Es muss verstehen, was eine Kennzahl fachlich bedeutet:
- Was zählt als „aktive Opportunity"?
- Wird Umsatz nach Buchungsdatum, Rechnungsdatum oder Leistungsdatum betrachtet?
- Ist Churn auf Kunden-, Vertrags- oder Umsatzebene definiert?
- Welche Filter gelten für Pipeline-Coverage?
- Welche Regionen gehören zu welcher Vertriebsstruktur?
In klassischen Dashboards sind viele dieser Annahmen fest verbaut. Die Logik steckt in berechneten Feldern, Filtern, Datenmodellen oder sogar in der Erfahrung einzelner Analysten. Bei Agentic Analytics reicht das nicht mehr. Wenn ein System Fragen beantworten oder Vorschläge machen soll, muss diese Business-Logik expliziter werden.
Ein semantisches Modell schafft genau diese Brücke. Es verbindet technische Datenstrukturen mit fachlicher Bedeutung. Für Unternehmen wird damit nicht nur die Datenquelle wichtig, sondern die Definitionsebene darüber: Metriken, Dimensionen, Beziehungen, Regeln und Kontext.
Ohne diese Schicht steigt das Risiko, dass ein KI-System zwar eine plausible Antwort gibt, aber die falsche Definition verwendet.
Kennzahlenlogik muss stabiler werden
Viele Unternehmen haben nicht zu wenige Kennzahlen, sondern zu viele Varianten derselben Kennzahl. Umsatz wird im Sales anders verstanden als im Finance. Aktive Kunden werden im Marketing anders gezählt als im Customer Success. Pipeline kann brutto, netto, gewichtet oder nach Forecast-Kategorie betrachtet werden.
Solange Menschen Dashboards bewusst lesen, lassen sich solche Unterschiede oft erklären. In Meetings wird nachgefragt, welche Definition gemeint ist. Teams kennen ihre eigenen Reports und deren Eigenheiten. Bei KI-gestützter Analytics wird diese Unschärfe schwieriger. Ein System kann nur dann verlässlich antworten, wenn die Kennzahlenlogik klar gepflegt ist.
Das bedeutet: Unternehmen müssen definieren, welche Metriken offiziell sind, welche Varianten existieren dürfen und wer für diese Definitionen verantwortlich ist. Es reicht nicht, einen neuen Analytics-Layer einzuführen, wenn darunter dieselben Widersprüche bestehen bleiben.
Agentic Analytics macht schlechte Kennzahlenlogik sichtbarer. Wenn zwei Teams dieselbe Frage stellen und unterschiedliche Antworten erwarten, liegt das Problem selten im Modell. Häufig liegt es in der fehlenden fachlichen Einigung darüber, was die Kennzahl eigentlich bedeutet.
Governance wird praktischer
Governance klingt im Analytics-Kontext oft nach Freigabeprozessen, Rollenmodellen und Dokumentation. Das bleibt wichtig, aber im KI-Zeitalter wird Governance praktischer. Sie entscheidet darüber, welche Daten ein System verwenden darf, welche Metriken als vertrauenswürdig gelten und welche Antworten Nutzer als belastbar ansehen können.
Wenn ein Analytics-System nächste Schritte vorbereitet, muss klar sein, auf welcher Datenbasis es arbeitet. Welche Quellen sind freigegeben? Welche Daten sind aktuell genug? Welche Kennzahlen sind zertifiziert? Welche Nutzer dürfen welche Details sehen? Und wo muss das System Unsicherheit offenlegen, statt eine Antwort zu erzwingen?
Gerade Tableau- und Salesforce-Umgebungen sind oft nah an operativen Prozessen. Analytics ist dort nicht nur ein Bericht für das Management, sondern Teil von Sales Reviews, Service-Steuerung, Pipeline-Gesprächen oder Forecast-Prozessen. Je näher Analytics an Entscheidungen rückt, desto wichtiger wird Governance als Schutz vor falscher Sicherheit.
Dabei geht es nicht darum, jede Analyse langsam zu machen. Gute Governance soll nicht verhindern, dass Teams Fragen stellen. Sie soll sicherstellen, dass Antworten auf einer gemeinsamen, nachvollziehbaren Grundlage entstehen.
Der Analyst wird nicht ersetzt, sondern anders gebraucht
Agentic Analytics verändert auch die Rolle von Analysten. Wenn Fachbereiche mehr Fragen selbst stellen können, verschwindet analytische Arbeit nicht. Sie verschiebt sich.
Statt das zehnte Dashboard für denselben Fachbereich zu bauen, rückt die Frage in den Vordergrund, ob die Kennzahlen und Datenmodelle darüber stabil genug sind. Können die zentralen Metriken wiederverwendet werden? Sind die Definitionen vereinheitlicht, oder pflegt jedes Team seine eigene Wahrheit? Wo reicht Self-Service, und wo braucht es stärkere Kontrolle?
Analysten werden dadurch weniger Report-Erfüller und mehr Kuratoren einer verlässlichen Analytics-Grundlage. Sie prüfen Datenqualität, bewerten Ausreißer, pflegen Semantik und helfen Fachbereichen, bessere Fragen zu stellen – statt nur Antworten auf Fragen zu liefern, die vielleicht die falschen waren.
Für Unternehmen ist das eine organisatorische Veränderung. Agentic Analytics funktioniert nicht allein durch Technologie. Es braucht Menschen, die Daten, Fachlogik und Governance zusammenführen.
Ein Beispiel aus dem Sales-Alltag
Ein Sales-Team nutzt ein Dashboard für Pipeline-Entwicklung, Forecast und Opportunity-Status. Im klassischen Setup sieht die Leitung, dass die Pipeline in einer Region unter Plan liegt. Danach beginnt die manuelle Analyse: Filter setzen, Opportunities prüfen, Aktivitäten vergleichen, Account Owner kontaktieren, mögliche Ursachen sammeln.
In einem agentic-analytics-nahen Setup könnte der Einstieg anders aussehen. Die Leitung fragt: „Warum ist die Pipeline in Region Süd im Vergleich zum Vorquartal schwächer?" Das System analysiert die relevanten Kennzahlen, berücksichtigt definierte Pipeline-Logik, prüft Segmente, Opportunity-Stages, Aktivitätsdaten und historische Muster. Danach liefert es keine finale Entscheidung, sondern eine strukturierte Einordnung: Welche Segmente betroffen sind, welche Opportunities besonders relevant sind und welche Hypothesen geprüft werden sollten.
Der Unterschied liegt nicht darin, dass das Dashboard verschwindet. Es bleibt die visuelle Grundlage. Der Unterschied liegt darin, dass Analytics den Weg von der Auffälligkeit zur Untersuchung verkürzt. Aus „hier ist eine Zahl" wird schneller „hier sind die wahrscheinlich relevanten Treiber".
Damit das funktioniert, müssen aber die Definitionen stimmen. Wenn Pipeline, Stage, Region oder Forecast-Kategorie uneinheitlich gepflegt sind, wird auch die KI-gestützte Analyse unsauber.
Was Unternehmen vorbereiten sollten
Der Einstieg in Agentic Analytics beginnt nicht mit der Frage, welche Oberfläche am modernsten wirkt. Sinnvoller ist ein Blick auf die eigene Analytics-Grundlage. Unternehmen sollten prüfen, welche Kennzahlen wirklich entscheidungsrelevant sind, welche davon sauber definiert sind und wo heute noch mehrere Versionen derselben Wahrheit existieren.
Ein guter Startpunkt sind wenige zentrale Metriken. Zum Beispiel Pipeline-Coverage, Churn, Service-Backlog, Erstlösungsquote, Umsatzentwicklung oder Forecast Accuracy. Für diese Kennzahlen sollte klar sein, wie sie berechnet werden, welche Datenquellen einfließen, wer die Definition verantwortet und in welchen Entscheidungen sie verwendet werden.
Danach geht es um die semantische Schicht. Fachliche Bedeutung darf nicht nur in einzelnen Dashboards, Excel-Dateien oder Köpfen einzelner Personen stecken. Sie muss so modelliert werden, dass Analytics-Systeme und Fachbereiche dieselbe Sprache sprechen.
Der dritte Punkt ist Governance. Nicht jede Datenquelle eignet sich für KI-gestützte Analyse. Nicht jede Kennzahl sollte als offizielle Entscheidungsgrundlage gelten. Und nicht jede Antwort sollte ohne Kontext präsentiert werden. Unternehmen brauchen Regeln dafür, welche Analysen vertrauenswürdig sind und wann Unsicherheit sichtbar gemacht werden muss.
Was Agentic Analytics nicht lösen kann
Agentic Analytics ist keine Abkürzung um schlechte Daten, widersprüchliche Definitionen oder fehlende Verantwortlichkeiten herum.
KI-gestützte Antworten werden nicht besser, nur weil sie natürlicher formuliert sind. Sie werden besser, wenn die Grundlage stimmt.
Auch gute Visualisierung bleibt wichtig. Manche Zusammenhänge erkennt man schneller in einer Grafik als in einer textlichen Erklärung. Dashboards sind weiterhin wertvoll, wenn sie Orientierung schaffen, Trends sichtbar machen und Teams eine gemeinsame Sicht geben.
Die eigentliche Veränderung liegt deshalb nicht darin, Reporting durch Chat zu ersetzen. Sie liegt darin, Analytics als Entscheidungsinfrastruktur zu verstehen. Dashboards, semantische Modelle, Governance und KI-gestützte Analyse müssen zusammenspielen. Nur dann entsteht aus Daten nicht nur Darstellung, sondern bessere Entscheidungsvorbereitung.
Die eigentliche Lehre für Analytics
Agentic Analytics zeigt, wohin sich Business Intelligence entwickelt. Dashboards bleiben relevant, aber sie sind nicht mehr der Endpunkt. Unternehmen erwarten zunehmend, dass Analytics Fragen beantwortet, Zusammenhänge erklärt und nächste Schritte vorbereitet.
Damit steigen die Anforderungen an das Fundament. Wer KI-gestützte Analytics nutzen will, braucht mehr als neue Funktionen in der Oberfläche. Entscheidend sind saubere Kennzahlenlogik, semantische Modelle, klare Verantwortlichkeiten und Governance, die Vertrauen schafft.
Für uns liegt genau dort der operative Kern moderner Analytics: Unternehmen müssen ihre Daten nicht nur visualisieren, sondern entscheidungsfähig machen. Tableau, Salesforce und moderne Analytics-Plattformen können dafür wichtige Bausteine sein. Der eigentliche Unterschied entsteht aber in der Architektur dahinter: Sind Daten, Definitionen und Verantwortlichkeiten klar genug, damit Analytics näher an Entscheidungen rücken kann?