KI versus Business Intelligence – Self-Service Business Intelligence war das Buzzword
Aktualisiert: 2. Nov.
Was wir bei The Information Lab Deutschland zwischen 2014 und 2022 über User Enablement, Datenqualität und Governance gelernt haben – und warum diese Herausforderungen bis heute nicht gelöst sind.
KI versus Business Intelligence: Zwischen 2014 und 2022 gab es in der Business-Intelligence-Branche kaum ein Thema, das so viel Aufmerksamkeit bekam wie Self-Service BI. Die Idee klang überzeugend: Fachabteilungen sollten ihre Daten selbst analysieren können, ohne für jede neue Auswertung auf die IT angewiesen zu sein. Statt wochenlang auf einen Bericht zu warten, sollten Mitarbeiter ihre Fragen unmittelbar beantworten, Zusammenhänge erkennen und bessere Entscheidungen treffen können.

Die Technologie dafür wurde immer besser. Tableau machte es möglich, Daten aus unterschiedlichen Quellen zu visualisieren und interaktiv zu untersuchen, ohne dafür selbst programmieren zu müssen. Die klassische Vorstellung, dass nur spezialisierte IT-Mitarbeiter mit Unternehmensdaten arbeiten könnten, schien überholt. Self-Service BI versprach mehr Geschwindigkeit, mehr Flexibilität und eine stärkere Verankerung datenbasierter Entscheidungen im Unternehmen.
Heute erleben wir mit künstlicher Intelligenz eine ganz ähnliche Entwicklung. Wieder verspricht eine Technologie, komplexe Aufgaben einfacher zu machen und mehr Menschen in die Lage zu versetzen, selbstständig Antworten zu finden. Wer heute mit KI arbeitet, kann Daten auswerten, Texte erstellen und Informationen zusammenführen, für die früher spezialisierte Kenntnisse erforderlich waren. Die Technologie entwickelt sich rasant, und die Möglichkeiten sind beeindruckend.
Aber schon bei Self-Service BI zeigte sich, dass eine gute Technologie allein nicht ausreicht. Damit das Versprechen tatsächlich eingelöst werden konnte, mussten Unternehmen drei grundlegende Voraussetzungen schaffen: Ihre Mitarbeiter mussten lernen, mit den neuen Möglichkeiten umzugehen. Die Datenbasis musste verlässlich sein. Und es brauchte Regeln dafür, wer auf welche Daten zugreifen und wie mit ihnen gearbeitet werden durfte.
Diese drei Herausforderungen waren damals allgegenwärtig. Und wenn ich mir anschaue, wie Unternehmen heute KI einführen, erkenne ich viele der gleichen Probleme wieder.
1. User Enablement: Nicht jeder wird durch eine einfache Software zum Analysten
Ein wesentlicher Bestandteil des Self-Service-Gedankens war, dass Anwender ihre Daten selbstständig untersuchen sollten. Die Software machte es tatsächlich deutlich einfacher, Visualisierungen zu erstellen, Filter anzuwenden und unterschiedliche Perspektiven auf Daten einzunehmen. Doch aus der Möglichkeit, eine Analyse durchzuführen, entstand nicht automatisch die Fähigkeit, die richtigen Fragen zu stellen und die Ergebnisse sinnvoll zu interpretieren.
Dafür braucht es mehr als ein gutes Werkzeug. Anwender müssen verstehen, welche Kennzahlen für ihre Fragestellung relevant sind, wie Daten miteinander zusammenhängen und welche Schlussfolgerungen sich aus einer Visualisierung tatsächlich ziehen lassen. Sie müssen erkennen können, wann eine Korrelation noch lange keinen ursächlichen Zusammenhang beweist und wann eine vermeintlich eindeutige Auswertung in die Irre führt. Diese Fähigkeiten entstehen nicht dadurch, dass man eine Software installiert oder einmal an einer Schulung teilnimmt.
Wir haben bei The Information Lab deshalb viel Wert auf Trainings, Wissensvermittlung und den Austausch innerhalb der Tableau-Community gelegt. Menschen mussten die Gelegenheit bekommen, die Software praktisch einzusetzen, Erfahrungen zu sammeln und voneinander zu lernen. Ein gutes Training konnte dabei der Einstieg sein. Wirkliche Kompetenz entstand aber erst durch regelmäßige Anwendung und die Bereitschaft, sich mit den eigenen Daten und Fragestellungen auseinanderzusetzen.
Wie unterschiedlich die Voraussetzungen waren, zeigte sich auch in unserem Supportdesk. Nicht jeder Anwender, der Tableau zur Verfügung hatte, brachte dasselbe Verständnis für Datenanalyse mit. Manche konnten bereits selbstständig Daten untersuchen, sinnvolle Visualisierungen entwickeln und ihre Ergebnisse kritisch hinterfragen. Andere standen noch ganz am Anfang. Das war zunächst nicht ungewöhnlich, schließlich kamen die Menschen mit unterschiedlichen beruflichen Hintergründen, Erfahrungen und Kenntnissen zu uns.
Problematisch wurde es allerdings, wenn der Supportdesk zunehmend Aufgaben übernehmen sollte, die eigentlich dem Gedanken von Self-Service BI widersprachen. Wir hatten durchaus Anfragen von Anwendern, die unseren Support weniger als technische Unterstützung für konkrete Probleme verstanden, sondern eher als Gelegenheit, sich eine individuelle Schulung geben zu lassen oder gleich das gewünschte Dashboard erstellen zu lassen. Statt selbst zu lernen, wie sie ihre Daten analysieren konnten, gaben sie die Aufgabe an unsere Consultants weiter.
Das war aus mehreren Gründen problematisch. Erstens entstand dadurch genau die Abhängigkeit, die Self-Service BI eigentlich reduzieren sollte. Der Anwender war weiterhin darauf angewiesen, dass jemand anderes seine Analyse erstellte. Zweitens wurde der Supportdesk mit Aufgaben beschäftigt, die sich nicht beliebig skalieren ließen. Wenn unsere Consultants Dashboards für Kunden bauten oder Grundlagen vermittelten, die in einer Schulung hätten behandelt werden müssen, fehlte diese Zeit für andere Supportanfragen. Und drittens bestand die Gefahr, dass Unternehmen zwar in eine Self-Service-Lösung investierten, ihre Mitarbeiter aber nie wirklich in die Lage versetzten, sie selbstständig zu nutzen.
Besonders kritisch wurde es, wenn Anwender nicht nur Fragen stellten, sondern Daten mit unserem Supportdesk bei The Information Lab teilten, die das eigene Unternehmen eigentlich nicht hätten verlassen dürfen. Wenn jemand bei einer Analyse nicht weiterkam und uns einen Datensatz schickte, um das Problem zu erklären oder ein Dashboard erstellen zu lassen, konnte damit eine Grenze überschritten werden, die im Unternehmen aus guten Gründen existierte. Nicht jeder Anwender war sich offenbar bewusst, welche Daten er weitergeben durfte und welche nicht. Und nicht immer wurde ausreichend geprüft, ob die Weitergabe überhaupt zulässig war.
Damit wurde aus einem Enablement-Problem auch ein Thema der Datensicherheit. Self-Service BI sollte Mitarbeitern mehr Möglichkeiten geben, mit Daten zu arbeiten. Es bedeutete aber nicht, dass Unternehmensdaten beliebig geteilt werden durften – auch nicht mit einem Supportdienstleister, der bei der technischen Lösung helfen sollte. Fehlendes Verständnis für Datenanalyse konnte also nicht nur dazu führen, dass Mitarbeiter ihre Aufgaben nicht selbstständig erledigten, sondern auch dazu, dass sensible Informationen unnötig nach außen gelangten.
Natürlich ist es sinnvoll, bei konkreten Problemen Unterstützung anzubieten. Auch erfahrene Anwender stoßen auf technische Schwierigkeiten oder benötigen gelegentlich Hilfe bei komplexen Fragestellungen. Die Grenze verläuft dort, wo Unterstützung zur dauerhaften Übernahme der eigentlichen Arbeit wird oder dazu führt, dass Sicherheitsregeln aus Unwissenheit umgangen werden. Ein guter Support sollte Anwender befähigen, Probleme künftig selbst zu lösen, und nicht unbemerkt zum Ersatz für fehlendes Enablement werden.
Für mich war das eine der praktischen Herausforderungen von Self-Service BI: Die Software allein machte niemanden zum Analysten. Und wenn Unternehmen nicht ausreichend in das Verständnis ihrer Mitarbeiter investierten, verschwand die Arbeit nicht – sie verlagerte sich lediglich auf andere Schultern. Im ungünstigsten Fall entstanden dabei sogar neue Risiken.
Interessant soweit? Gerne lerne ich Sie und Ihr Unternehmen näher kennen. Erstgespräch vereinbaren.
2. Die Datenbasis: Auch die beste Analyse ist nur so gut wie ihre Grundlage
Die zweite große Herausforderung lag häufig nicht bei den Anwendern und auch nicht bei der Software, sondern bei den Daten selbst.
Self-Service BI klang so, als müssten Mitarbeiter nur noch die passenden Daten auswählen und könnten anschließend eigenständig Erkenntnisse gewinnen. In der Praxis war es aber häufig gar nicht so einfach, an eine verlässliche und verständliche Datenbasis zu gelangen. Unternehmensdaten lagen in unterschiedlichen Systemen, wurden nach unterschiedlichen Regeln erfasst und waren nicht immer miteinander kompatibel. Was in einer Abteilung als Umsatz galt, konnte in einer anderen Abteilung anders definiert sein. Manche Daten waren unvollständig, andere veraltet. Und nicht immer war klar, wer für die Qualität und Pflege einer Datenquelle verantwortlich war.
Das ließ sich auch mit einer guten Visualisierungssoftware nicht einfach lösen. Tableau konnte Daten aus verschiedenen Quellen zusammenführen und anschaulich darstellen. Ob diese Daten tatsächlich zusammengehörten, ob die Kennzahlen korrekt definiert waren und ob die Ergebnisse fachlich sinnvoll interpretiert wurden, war damit aber noch nicht geklärt.
Wenn zwei Abteilungen dieselbe Kennzahl unterschiedlich berechneten, führte eine gemeinsame Visualisierung nicht automatisch zu einem gemeinsamen Verständnis. Im Gegenteil: Sie konnte die Unterschiede sogar sichtbarer machen und damit neue Diskussionen auslösen. Das war nicht unbedingt schlecht. Es zeigte aber, dass die eigentliche Aufgabe häufig tiefer lag als bei der technischen Umsetzung eines Dashboards.
Unternehmen mussten sich darüber verständigen, welche Kennzahlen sie verwendeten, wie sie berechnet wurden und welche Datenquellen als maßgeblich galten. Sie mussten Verantwortlichkeiten festlegen und sicherstellen, dass die Daten regelmäßig geprüft und aktualisiert wurden. Das erforderte Zusammenarbeit zwischen Fachabteilungen und IT – also genau die Zusammenarbeit, die durch Self-Service BI eigentlich einfacher werden sollte.
Heute begegnet uns eine sehr ähnliche Herausforderung bei KI. Ein Sprachmodell kann Informationen zusammenfassen, Daten analysieren oder Antworten auf konkrete Fragen liefern. Es kann aber nicht zuverlässig fehlende Informationen ergänzen oder widersprüchliche Datenbestände in eine belastbare Wahrheit verwandeln. Wenn die zugrunde liegenden Daten unvollständig, veraltet oder falsch interpretiert sind, kann auch das Ergebnis problematisch sein. Und weil KI Ergebnisse oft ausgesprochen überzeugend formuliert, ist es nicht immer einfach, Fehler auf den ersten Blick zu erkennen.
Die eigentliche Arbeit an der Datenbasis ist deshalb nicht überflüssig geworden. Sie ist durch neue Technologien eher noch wichtiger geworden. Unternehmen, die ihre Datenquellen, Definitionen und Verantwortlichkeiten nicht im Griff haben, können zwar mit KI experimentieren. Eine verlässliche Grundlage für bessere Entscheidungen entsteht dadurch aber nicht automatisch.
3. Governance: Wie viel Freiheit verträgt Self-Service?
Die dritte Herausforderung war die Governance. Wenn immer mehr Mitarbeiter eigenständig mit Unternehmensdaten arbeiten sollten, musste geklärt werden, welche Daten sie sehen durften, welche Regeln für deren Nutzung galten und wie sichergestellt werden konnte, dass die Ergebnisse trotz individueller Analysen vergleichbar blieben.
Zu viel Kontrolle konnte den Gedanken von Self-Service BI ausbremsen. Wenn jede neue Auswertung erst durch mehrere Instanzen freigegeben werden musste, ging ein wesentlicher Vorteil der Technologie verloren. Zu wenig Kontrolle war allerdings ebenfalls problematisch. Ohne klare Regeln drohten unterschiedliche Kennzahlendefinitionen, unkontrollierte Datenkopien und unklare Verantwortlichkeiten. Hinzu kamen Anforderungen an Datenschutz, Vertraulichkeit und Informationssicherheit.
Die Herausforderung bestand also darin, einen vernünftigen Rahmen zu schaffen, in dem Mitarbeiter möglichst selbstständig arbeiten konnten, ohne dass das Unternehmen die Kontrolle über seine Daten verlor. Dafür brauchte es nicht nur technische Berechtigungen, sondern auch klare Verantwortlichkeiten und verständliche Regeln. Mitarbeiter mussten wissen, welche Daten für welche Zwecke verwendet werden durften, wie sie mit sensiblen Informationen umzugehen hatten und an wen sie sich bei Unsicherheiten wenden konnten.
Die Erfahrungen mit dem Supportdesk von The Information Lab zeigten, wie wichtig diese Regeln auch im Alltag waren. Selbst wenn ein Dienstleister vertraglich zur Vertraulichkeit verpflichtet ist, bedeutet das nicht automatisch, dass jede Weitergabe von Unternehmensdaten zulässig ist. Unternehmen müssen festlegen, welche Informationen extern geteilt werden dürfen, welche Daten vor einer Weitergabe anonymisiert oder anderweitig geschützt werden müssen und welche internen Freigaben gegebenenfalls erforderlich sind. Ebenso wichtig ist, dass die Mitarbeiter diese Regeln kennen und in der Praxis anwenden können.
Das ist keine Frage, die sich allein durch technische Maßnahmen beantworten lässt. Zugriffsrechte können verhindern, dass jemand bestimmte Daten überhaupt sieht. Sie verhindern aber nicht zwangsläufig, dass ein berechtigter Anwender Daten anschließend unbedacht exportiert, per E-Mail verschickt oder in einen externen Dienst hochlädt. Dafür braucht es neben technischen Schutzmaßnahmen auch ein Bewusstsein für den verantwortungsvollen Umgang mit Informationen.
Bei KI stellt sich diese Frage inzwischen noch einmal in anderer Form. Mitarbeiter können externe KI-Dienste nutzen, um Texte zu verbessern, Informationen zusammenzufassen oder Daten auszuwerten. Dabei ist nicht immer offensichtlich, welche Informationen an einen Anbieter übermittelt werden und unter welchen Bedingungen sie verarbeitet werden. Wenn Mitarbeiter interne Dokumente, Kundendaten oder vertrauliche Geschäftsinformationen in ein KI-System eingeben, ohne die geltenden Regeln zu kennen, kann ein ernstes Sicherheits- und Datenschutzproblem entstehen.
Die Versuchung ist groß, die Nutzung solcher Werkzeuge einfach zu verbieten. Das mag in bestimmten Situationen notwendig sein, ist als allgemeine Antwort aber häufig zu kurz gedacht. Sinnvoller ist es, klare Regeln zu definieren, geeignete Werkzeuge bereitzustellen und die Mitarbeiter so zu befähigen, dass sie Chancen und Risiken einschätzen können. Governance sollte nicht jede sinnvolle Nutzung verhindern, sondern einen Rahmen schaffen, in dem sie verantwortungsvoll möglich ist.
Wenn ich auf die Jahre zurückblicke, in denen Self-Service BI eines der großen Technologiethemen war und wir The Information Lab Deutschland weiterentwickelten, sehe ich deshalb keine gescheiterte Idee. Die Technologie hat sich bewährt und die Möglichkeiten der Datenanalyse in vielen Unternehmen erheblich erweitert. Mitarbeiter können heute Auswertungen erstellen und Zusammenhänge untersuchen, für die früher spezialisierte Teams benötigt wurden. Das ist ein echter Fortschritt.
Nicht überall eingelöst wurde allerdings das Versprechen, dass eine neue Technologie allein Unternehmen zu besseren und selbstständigeren Entscheidungen führt. Dafür braucht es Menschen, die wissen, was sie tun. Eine verlässliche Datenbasis. Und Regeln, die eigenständiges Arbeiten ermöglichen, ohne Datensicherheit und Qualität zu gefährden.
Genau diese drei Voraussetzungen werden auch darüber entscheiden, wie erfolgreich Unternehmen KI einsetzen. Die Technologie wird immer zugänglicher, und viele Aufgaben lassen sich damit schneller erledigen als früher. Aber die entscheidenden Fragen verschwinden dadurch nicht: Verstehen die Mitarbeiter, was sie tun? Sind die Informationen, auf denen ihre Ergebnisse beruhen, verlässlich? Und wissen sie, welche Daten sie verwenden und weitergeben dürfen?
Die Erfahrungen mit Self-Service BI sollten uns deshalb zu einer gewissen Nüchternheit ermutigen.
Es reicht nicht, eine Technologie einzuführen und anschließend auf ihre Wirkung zu hoffen. Unternehmen müssen auch in die Fähigkeiten ihrer Mitarbeiter, in ihre Datenbasis und in eine angemessene Governance investieren. Andernfalls entstehen neue Abhängigkeiten, alte Probleme werden lediglich anders verpackt, und im ungünstigsten Fall kommen zusätzliche Risiken hinzu.
Self-Service BI war ein technologischer Fortschritt. Aber es war nie allein ein Softwareprojekt. KI ist es ebenfalls nicht.
Wenn Sie hier angekommen sind, sollten wir wirklich sprechen.
Gerne lerne ich Sie und Ihr Unternehmen näher kennen. Erstgespräch vereinbaren.


