Von der Frage zur Abfrage: Wie KI-Agenten es ermöglichen, mit Ihren Daten zu sprechen

Von der Nutzerabsicht zu SQL-basierten Erkenntnissen – so integrieren Sie KI in Ihren Business-Intelligence-Workflow.

Lernen Sie Ihren neuen Sidekick kennen: Den KI-Agenten

Stellen Sie sich vor, Sie könnten Ihrer Unternehmensdatenbank eine Frage auf ganz normalem Deutsch stellen – und in Sekunden eine fundierte Antwort erhalten. Kein SQL, keine Dashboards, keine ewigen E-Mail-Schleifen. Nur Einsichten.

Das ist das Versprechen von KI-Agenten – und es ist längst Realität. In diesem Artikel zeige ich Ihnen, wie man einen solchen Agenten mit Azure, strukturierten Daten und etwas Prompt-Engineering aufbaut.

Wir verwenden ein fiktives Retail-Datenset, um zu zeigen, wie ein KI-Agent:

• natürliche Sprache versteht,
• sie in SQL umwandelt
• und blitzschnell Erkenntnisse liefert.

Was genau ist ein KI-Agent?

KI-Agenten sind intelligente Systeme, die Benutzereingaben interpretieren, Aufgaben autonom oder halbautonom ausführen und hilfreiche Ausgaben liefern. In unserem Fall besteht die Aufgabe darin, natürliche Sprache in strukturierte Datenbankabfragen zu verwandeln.

Sie sind ihnen schon begegnet:

• Chatbots auf Websites
• Sprachassistenten wie Siri oder Alexa
• E-Mail-Spamfilter
• Microsoft Copilot oder Power BI Q&A

☕ Warum sie für Datenarbeit wichtig sind

Sie bauen Barrieren ab zwischen nicht-technischen Anwendern und den Daten, die sie benötigen – sparen Zeit, reduzieren die Abhängigkeit von Analysten und heben verborgene Potenziale.

Anwendungsbeispiele

Stellen wir uns ein Handelsunternehmen vor – welche Fragen könnten sie über ihre Kunden, Produkte oder Mitarbeitenden haben?

Beispiele für natürliche Nutzeranfragen, die ein KI-Agent verstehen kann:

• „Welche Kunden werden nächsten Monat voraussichtlich kündigen?“
• „Top 10 der meistverkauften Produkte im zweiten Quartal?“
• „Welche Mitarbeitenden sind mit der Pflichtschulung im Rückstand?“
• „Bevorzugen Millennials umweltfreundliche Produkte?“

Letzteres analysieren wir gleich anhand eines Beispiel-Datensatzes.

Unser Beispieldatensatz: Retail-Kundendaten

Zur Veranschaulichung des gesamten Ablaufs nutzen wir ein realistisches, aber fiktives Kundentreue-Datenset:

Metadaten:

Use Case: „Finde die treuesten Kunden im Alter von 25–44, die in den letzten 90 Tagen nichts gekauft haben“

Schritt 1: Verständnis der Nutzerabsicht

Nutzeranfrage:
„Finde unsere treuesten Kunden im Alter von 25–44, die in den letzten 90 Tagen nichts gekauft haben.“

Was muss der KI-Agent verstehen?

• Zielgruppe filtern: Altersgruppe ’25–34′ oder ’35–44′
• „Treueste“ Kunden definieren: z. B. Treuestatus = ‚Gold‘
• Letzter Kauf vor mehr als 90 Tagen: also vor GETDATE() – 90 Tage

Schritt 2: Übergabe an das LLM mit Kontext

Ein Prompt wird formuliert, der dem Large Language Model (LLM) Schema & Kontext liefert:

Du bist ein assistent, der SQL-Abfrage auf Basis von Benutzereingabem generiert. Erstelle eine SQL-Abfrage zu Folgendem:

„Finde unsere treuesten Kunden im Alter von 25–44, die in den letzten 90 Tagen nichts gekauft haben.“

Die Einbindung des Schemas stellt sicher, dass das LLM weiß, mit welchen Daten es arbeiten kann – sozusagen als Bauplan der Datenbank.

Schritt 3: Generierter SQL-Code

SELECT CustomerID,

       AgeGroup,

       LoyaltyStatus

FROM retail_customers

WHERE AgeGroup IN (’25-34′, ’35-44′)

  AND LoyaltyStatus = ‚Gold‘

  AND LastPurchaseDate < DATEADD(day, -90, GETDATE());

Diese Abfrage filtert:

• Kunden zwischen 25 und 44 Jahren
• mit dem Treuestatus „Gold“
• deren letzter Kauf mehr als 90 Tage zurückliegt

Schritt 4: Ausführung der Abfrage

Die SQL-Abfrage wird über Azure Functions an Azure SQL übermittelt. Das System gibt die passenden Daten zurück.

Schritt 5: Ergebnisanzeige

Die Ergebnisse werden nutzerfreundlich dargestellt, zum Beispiel:

• als Dashboard
• in einer Chat-Antwort
• als CSV/Excel-Download
• oder direkt in Power BI oder Teams

Architekturüberblick (ohne Kopfschmerzen)

Die richtige Datenbank wählen

Azure bietet viele Möglichkeiten – hier die besten Optionen im Vergleich:

Unsere Wahl: Azure SQL – stabil, analytisch, leicht integrierbar.

Was passiert, wenn das Ergebnis falsch ist?

Das kann vorkommen – und sollte eingeplant werden:

• Zeigen Sie den generierten SQL-Code
• Fragen Sie: „War das die Antwort, die Sie gesucht haben?“
• Lassen Sie Nutzer Rückmeldung geben oder Abfragen umformulieren
• Nutzen Sie Feedback zur Verbesserung des Prompts

Transparenz stärkt Vertrauen – und verbessert das System kontinuierlich.

Bereit für den Einsatz? Ihre Checkliste:

1. Daten vorbereiten & dokumentieren 🧹
2. Azure-Datenbank einrichten 💾
3. Azure OpenAI bereitstellen 🔍
4. Azure Function als Schnittstelle bauen 🔧
5. Beispielanfragen testen 🧪
6. Benutzeroberfläche prüfen 🧼
7. Feedbackschleifen & Monitoring einführen 📊

Fazit

Ein KI-Agent ersetzt nicht den Analysten – aber er entlastet ihn.
Er macht Daten zugänglich, verständlich und nutzbar für alle im Unternehmen.

🚀 Neugierig, wie das in Ihrem Unternehmen aussehen kann?
Dann kontaktieren Sie uns – wir helfen Ihnen gern, Ihre eigene KI-gestützte Lösung umzusetzen.