LLM-Analytics ohne SQL: Was KMU davon haben

Datenauswertung galt lange als Domäne von Personen mit SQL-Kenntnissen. Anthropic vertritt inzwischen die Position, dass verlässliche Self-Service-Analytics mit Sprachmodellen in erster Linie kein SQL-Problem mehr ist, sondern eine Frage von Kontext, Governance und Überprüfbarkeit. Für kleine und mittlere Unternehmen ohne eigene Datenabteilung eröffnet das neue Möglichkeiten – vorausgesetzt, die Rahmenbedingungen stimmen.

Worum es bei LLM-Analytics geht

Statt Abfragen in einer Datenbanksprache zu formulieren, stellt eine Person ihre Frage in normaler Sprache – etwa „Welche drei Produkte hatten im letzten Quartal die höchste Retourenquote?“. Ein Sprachmodell übersetzt diese Frage in die passende Abfrage, wertet die Daten aus und liefert eine verständliche Antwort. Technisches Vorwissen ist dafür nicht mehr notwendig.

Warum das kein reines SQL-Thema ist

Die eigentliche Herausforderung liegt laut Anthropic nicht in der Übersetzung von Sprache in Datenbankabfragen, sondern in drei anderen Punkten:

1. Das Modell braucht ausreichend Kontext über die vorhandenen Datenstrukturen,

2. es braucht klare Governance-Regeln für den Zugriff auf sensible Daten, und

3. die Ergebnisse müssen überprüfbar bleiben, statt unkontrolliert übernommen zu werden.

Wird das sauber gelöst, skaliert automatisierte Datenanalyse auch ohne Datenbank-Spezialistinnen und -Spezialisten im Team.

Anthropic hat diese These anhand des eigenen internen Einsatzes konkretisiert: Ohne zusätzlich hinterlegten Kontext beantwortete Claude nach unternehmenseigenen Angaben lediglich rund 21 Prozent der internen Analytics-Fragen korrekt. Nachdem wiederkehrende Auswertungsabläufe und Geschäftskontext gezielt als abrufbare „Skills“ hinterlegt wurden, stieg die Trefferquote auf über 95 Prozent insgesamt und in einzelnen Fachbereichen auf nahezu 99 Prozent. Der entscheidende Unterschied lag also nicht im Sprachmodell selbst, sondern darin, wie viel verlässlicher, strukturierter Kontext ihm zur Verfügung stand.

Die Rolle von Governance und sauberen Datenstrukturen

Wird ein Sprachmodell einfach auf ein bestehendes Data Warehouse angesetzt, entsteht schnell eine trügerische Genauigkeit: Die Antworten klingen plausibel, ohne dass die Fachabteilung, die eigentliche Infrastruktur oder die Datendokumentation tatsächlich eingebunden sind. Tragfähige LLM-Analytics hängt deshalb weniger vom Modell selbst ab als von einem kleinen Satz gut gepflegter, einheitlich definierter Datensätze, klaren Auswertungsstandards, zentral gepflegten Datenartefakten und vollständigen Metadaten.

In der Praxis bedeutet das: Das eigene Warehouse-Schema, zentrale Kennzahlen und interne Dokumentation müssen in eine Form gebracht werden, auf die das Sprachmodell zuverlässig zugreifen kann, statt einfach freien Zugriff auf sämtliche Rohdaten zu erhalten.

Potenzial für den Mittelstand

Für kleinere Unternehmen ist das relevant, weil eine eigene Datenanalyse-Abteilung meist nicht vorhanden ist. Fragen zu Umsatz, Lagerbeständen oder Kundenverhalten bleiben oft unbeantwortet, weil niemand im Team die passende Abfrage schreiben kann oder externe Unterstützung zu aufwendig wäre. LLM-Analytics kann diese Lücke schließen, sofern Datenschutz und Zugriffsrechte von Anfang an sauber geregelt sind und die zugrunde liegenden Daten in einer für das Modell verständlichen Form vorliegen.

Worauf es bei der Einführung ankommt

Bevor ein Unternehmen auf Self-Service-Analytics per Sprachmodell setzt, sollte geklärt sein, wer auf welche Daten zugreifen darf und wie sich fehlerhafte Antworten erkennen lassen. Ein KI-System, das plausibel klingende, aber falsche Zahlen ausgibt, kann mehr Schaden anrichten als gar keine Analyse. Sinnvoll ist außerdem, zentrale, wiederkehrende Fragestellungen – etwa zu Umsatzentwicklung, Lagerbeständen oder Kundenabwanderung – von Anfang an als feste, geprüfte Bausteine zu hinterlegen, statt jede Anfrage komplett neu vom Modell interpretieren zu lassen. Ein begrenzter Testlauf mit unkritischen Daten ist der sinnvollere Einstieg als eine sofortige Einführung im gesamten Unternehmen.

Grenzen, die dabei nicht übersehen werden sollten

So überzeugend die Zahlen aus dem internen Einsatz von Anthropic sind, sie lassen sich nicht unverändert auf jedes Unternehmen übertragen. Der Sprung von 21 auf über 95 Prozent Trefferquote setzt voraus, dass jemand die relevanten Auswertungsabläufe und Geschäftsregeln überhaupt erst identifiziert und sauber dokumentiert – ein Aufwand, der bei einem kleinen Unternehmen zwar geringer ausfällt als bei einem Konzern, aber dennoch Zeit und Sorgfalt erfordert. Wird dieser Schritt übersprungen, bleibt die Trefferquote in der Praxis deutlich niedriger, und Fehler werden schwerer erkennbar, da falsche Antworten oft genauso überzeugend klingen wie richtige. Wer klein anfängt, sollte deshalb gezielt einzelne, gut verstandene Kennzahlen als Erstes abbilden, statt gleich das gesamte Berichtswesen umzustellen.

Fazit

LLM-Analytics verschiebt den Zugang zu Datenauswertung von einer technischen Fähigkeit hin zu einer Frage der richtigen Rahmenbedingungen. Anthropics eigene Zahlen, von 21 auf über 95 Prozent korrekte Antworten allein durch besseren Kontext, zeigen, wie groß der Unterschied ist, den saubere Governance macht. Für kleine und mittlere Unternehmen bedeutet das einen realistischen Weg, eigene Daten besser zu nutzen, ohne dafür spezialisiertes Personal einzustellen – vorausgesetzt, Kontext, Governance und Überprüfbarkeit werden von Beginn an mitgedacht.

Folge uns auf: