Zukunftstechnologie: Testumgebung für Quanten-KI
SAS startet im vierten Quartal 2026 das SAS Quantum Lab für Viya-Kunden. Die Testumgebung richtet sich an Anwender ohne Quantenphysik-Hintergrund, die Machine-Learning-Algorithmen auf Quantenhardware ausprobieren wollen, ohne eigene Architekturen aufbauen zu müssen. Das Lab kombiniert klassische und quantenbasierte Ansätze und soll Unternehmen helfen, praktische Anwendungsfälle zu identifizieren und Sackgassen bei der Entwicklung zu vermeiden. Ein virtueller Tutor beantwortet Fragen, liefert Beispielcode und schlägt nächste Schritte vor. Nutzer vergleichen klassische, quantenbasierte und hybride Ergebnisse für ihre spezifischen Probleme.
Hintergrund ist eine globale Umfrage unter 500 Führungskräften, die SAS durchgeführt hat. Das Ergebnis: Starkes Interesse an Quantentechnologie trifft auf große Unsicherheit über praktische Anwendungsfälle. Als Haupthindernisse nannten die Befragten fehlende Klarheit über sinnvolle Einsatzszenarien, hohe Implementierungskosten, Mangel an geschultem Personal und begrenzte Verfügbarkeit fertiger Lösungen. Die Befragten sehen Potenzial vor allem in sechs Bereichen: Betrugserkennung im Finanzsektor durch Analyse komplexer Transaktionsmuster, Echtzeit-Optimierung von 5G-Netzwerken, Beschleunigung molekularer Simulationen in der Pharmaforschung, Optimierung von Lieferketten, prädiktive Modellierung des Kundenverhaltens und effizienteres Training großer Sprachmodelle.
SAS verspricht in aktuellen Tests eine mehr als hundertfache Beschleunigung und 99 Prozent niedrigere operative Kosten gegenüber klassischen Ansätzen. Unabhängige Validierungen dieser Zahlen liegen noch nicht vor. Experten rechnen damit, dass Quanten-Hardware bis Anfang der 2030er-Jahre im großen Stil einsatzbereit sein wird. Das Quantum Lab adressiert ein klassisches Innovationsdilemma: Unternehmen wollen keine Quantenphysiker einstellen und eigene Infrastruktur aufbauen, sondern fertige Lösungen mit klarem Business-Nutzen. SAS positioniert sich als Brückenbauer zwischen Quantenforschung und Praxis – nicht für Grundlagenforschung, sondern für Praktiker, die konkrete Geschäftsprobleme lösen wollen. Mehr Informationen: https://www.sas.com/de_de/news/press-releases/2026/ april/sas-umfrage-quanten-ki.html
Finanzplanung: KI-Agenten automatisieren FP&A-Prozesse
Board hat die „Office of Finance AI Agents“ als Teil seiner Agentic Continuous Planning Platform gestartet – eine neue Schicht für Finanzplanung und -steuerung, die Financial Planning & Analysis (FP&A), Closing, Konsolidierung und Reporting zusammenführt. Im Gegensatz zu generischen Chatbots setzt Board auf spezialisierte Agenten, die wiederkehrende Analysen, Forecasts und Kontrollen teilweise automatisieren.
FP&A-Teams dürften am stärksten profitieren: Sie bauen Szenarien schneller, aktualisieren Forecasts häufiger und erklären Abweichungen mit weniger manueller Datenarbeit. Das schafft Raum für strategische Fragen statt Routineaufgaben. Auch Accounting und Controlling gewinnen Zeit. Der Controller Agent verschlankt Abstimmungen, hebt echte Abweichungen hervor und unterstützt beim Close-Prozess. Teams stoßen früher auf Probleme – besonders wertvoll bei komplexen Konzernstrukturen und vielen Intercompany-Vorgängen.
Die wichtigste Veränderung: Finance greift häufiger in laufende Geschäftsprozesse ein, statt nur Monats- oder Quartalszahlen zu kommentieren. Schnellere Forecasts und Abweichungsanalysen machen das möglich – in volatilen Märkten ein klarer Vorteil. Board verspricht erklärbare, rollenspezifische KI. Finance-Teams sollen Szenarien schneller durchspielen und Risiken transparenter machen. Das stärkt das Vertrauen in Entscheidungen und standardisiert Analyse- und Kontrollprozesse.
Der Nutzen hängt von Datenqualität und Prozessreife ab. KI-Agenten funktionieren nur mit sauberer Kontenlogik, gepflegten Stammdaten und definierten Freigabeschritten. Board integriert die Agenten deshalb direkt in bestehende Finanz-Workflows. Am meisten profitieren Unternehmen mit hoher Reporting-Frequenz, komplexen Konzernstrukturen, schwankender Nachfrage oder margensensitiven Geschäftsmodellen. Voraussetzung: Finance arbeitet bereits mit Board und richtet Prozesse auf Continuous Planning aus. Mehr dazu: https://www.board.com/news/office-of-finance-ai-agentscontinuous-planning-platform
Aktive Dashboards: Power BI schreibt Daten zurück
Microsoft hat Translytical Task Flows in Power BI veröffentlicht. Nutzer führen damit transaktionale Aktionen direkt aus einem Bericht heraus durch – etwa Datensätze aktualisieren, Notizen hinzufügen oder Workflows anstoßen. Durch die Verbindung von Visuals mit Fabric User Data Functions wählt ein Vertriebs- oder Operations-Nutzer gefilterte Datensätze aus, gibt einen Wert ein und klickt auf einen Button, um Änderungen zurück in Quellsysteme zu schreiben oder nachgelagerte Automatisierung auszulösen. Der Loop zwischen Analytics und Aktion schließt sich, ohne den Kontext zu wechseln.
Dashboards werden damit zu Aktionsflächen, von denen aus Nutzer direkt in Systeme zurückschreiben und Workflows triggern, statt nur Daten anzuzeigen. Das löst ein Problem, das viele BI-Projekte plagt: die Trennung von Erkenntnis und Handlung.
Datenschutz: Privacy-Proxy sichert externe LLM-Nutzung ab
Dataiku hat mit Kiji Privacy Proxy eine Open-Source-Datenschutzschicht vorgestellt. Der Proxy wird zwischen Unternehmensanwendungen und externen KI-Diensten wie OpenAI oder Anthropic platziert. Er erkennt automatisch personenbezogene Daten und ersetzt sie durch realistische Ersatzwerte, bevor Anfragen das Unternehmen verlassen. Auf dem Rückweg stellt er die Originalwerte wieder her. Teams nutzen so externe LLMs, ohne vertrauliche Daten preiszugeben oder einzelne Anwendungen aufwendig umschreiben zu müssen.
Der Proxy eignet sich besonders für Contact-Center (Chatbots, E-Mail-Klassifizierung, Sentiment-Analyse), HR-Systeme (Lebenslauf-Screening, Interview-Transkripte, Mitarbeiter-Feedback), Marketing-Automation (Kampagnenanalyse, Kundensegmentierung, Content-Personalisierung) und Compliance-Abteilungen in regulierten Branchen.
Ob der Proxy im Einzelfall ausreicht, hängt vom Risikoprofil und der Art der Anwendung ab. Für viele Standardfälle ist er eine pragmatische Lösung. Für High-Stakes-Entscheidungen in Medizin, Recht, Finanzen oder Sicherheit bleibt er eine Notlösung, die echte Governance nicht ersetzt. Blogbeitrag zum Projekt: https://www.
dataiku.com/stories/blog/kiji-privacyproxy Repository der Software auf GitHub: https://github.com/dataiku/kiji-proxy
Enterprise-KI: Agent verbindet Gemini mit Analytics-Workflows
Alteryx hat den „AI Insights Agent“ für Google Cloud Marketplace vorgestellt und schließt damit die Lücke zwischen KI-Geschwindigkeit und Unternehmensvertrauen. Die Lösung verbindet Gemini Enterprise mit vordefinierten Alteryx-One-Workflows und liefert Antworten auf Basis gesteuerter Analysen statt LLM-Schätzungen. Fachanwender stellen Fragen in Gemini, im Hintergrund führt der Agent Analytics auf Plattformen wie BigQuery aus und liefert wiederholbare, nachvollziehbare Ergebnisse.
Der Ansatz zielt auf ein fundamentales Problem: Generative KI verändert die Arbeitswelt rasant, scheitert aber in Unternehmensumgebungen oft an Genauigkeit, Governance und Kontrolle. KI-generierte Antworten stimmen häufig nicht mit Geschäftsmetriken überein, lassen sich schwer validieren und passen nicht zur tatsächlichen Arbeitsweise von Organisationen. Fast die Hälfte der Führungskräfte nennt hochwertige, zugängliche und gut gesteuerte Daten als wichtigsten Faktor dafür, dass agentische KI ihr Potenzial entfaltet. „Im Kern von Unternehmens-KI steht Vertrauen“, sagt Ben Canning, Chief Product Officer bei Alteryx. „Bei Entscheidungen zu Preisgestaltung, Betrieb oder Compliance ist Genauigkeit nicht optional. KI braucht nicht nur Daten – sie muss verstehen, wie das Geschäft tatsächlich funktioniert. Das bedeutet: definierte Logik, Regeln und Kontext anwenden, die die Menschen verstehen, die am nächsten an der Arbeit sind und sie kontinuierlich weiterentwickeln. Mit dem AI Insights Agent bringen wir diese Logik direkt in Gemini Enterprise, sodass jede Antwort konsistent, erklärbar und handlungsbereit ist.“
Der Agent funktioniert anders als übliche KI-Assistenten. Statt Antworten aus Rohdaten oder unstrukturierten Quellen zu generieren, nutzt er In-Place-Analytics und führt vordefinierte Workflows direkt auf Datenplattformen wie Big-Query aus. Die Ausgaben stimmen mit Geschäftsmetriken überein, ohne dass Daten bewegt werden müssen oder manuelle Eingriffe nötig sind. Informationsarbeiter definieren gesteuerte Datensätze und Geschäftslogik in Alteryx One, die dann als Reaktion auf Nutzeranfragen in Gemini Enterprise ausgeführt werden. Die Lösung verspricht vier zentrale Vorteile: vertrauenswürdige Insights im großen Maßstab durch konsistente Antworten auf Basis von Unternehmensdaten, nahtlose Nutzererfahrung durch direkten Zugriff auf Erkenntnisse in Gemini Enterprise, analysten-gesteuerte Kontrolle durch Geschäftslogik und Definitionen in jeder Interaktion sowie Unternehmens-Governance mit Prüfbarkeit und Kontrolle über KI-gestützte Entscheidungsfindung.
Self-Service-BI: Excel greift direkt auf Lakehouse-Daten zu
Databricks hat ein Excel-Add-in als Public Preview gestartet. Business-Anwender verbinden sich damit direkt mit Unity-Catalog-Tabellen und Metrik-Views aus Excel heraus – ohne Treiberkonfiguration oder SQL-Kenntnisse. Die Installation reduziert sich von Dutzenden manueller Schritte auf wenige Klicks.
Das Add-in zielt auf ein verbreitetes Problem: Die vertrauenswürdigsten Geschäftsdaten liegen zunehmend im Lakehouse, doch der Zugriff aus Excel ist komplex und für Business-Anwender unzugänglich. Manuelle ODBC-Konfiguration, mehrstufige Setup-Anleitungen und laufender IT-Support bremsen die Adoption. Die Folge: veraltete Extrakte, duplizierte Datensätze und Business-Anwender, die an der Datenplattform vorbei arbeiten. Das Add-in basiert auf Databricks SQL und Unity Catalog und bringt Live-Daten aus dem gesteuerten Lakehouse in die vertraute Excel-Umgebung. Teams durchsuchen gesteuerte Datensätze, erstellen native Pivot-Tabellen und aktualisieren Daten mit wenigen Klicks. Optional schreiben sie SQL-Queries zum Wiederverwenden. Der zentrale Unterschied liegt in Unity Catalog Metric Views. Datenteams definieren Business-Semantik – KPIs, Geschäftsdefinitionen, Metriken – einmal direkt auf Databricks-Daten. Diese Definitionen stehen dann konsistent über Excel und andere Analytics-Workflows zur Verfügung. Berechtigungen laufen zentral über Unity Catalog. Business-Anwender greifen auf diese Metriken in Excel zu, ohne Logik neu zu schreiben oder Extrakte zu exportieren.
Für Business-Anwender bedeutet das schnelleren Zugriff auf vertrauenswürdige Daten im gewohnten Tool. Für Datenverantwortliche entfällt Metrik-Drift durch duplizierte Logik, Unity-Catalog-Governance bleibt erhalten und Datenpraktiker werden von Ad-hoc-Analysen entlastet. Zur Ankündigung: https://www. databricks.com/blog/introducingdatabricks-excel-add-business-users
Context-Engine: Start-up vereinheitlicht Sichten von KI-Agenten
Das Start-up Lovelace hat sein Produkt Elemental vorgestellt, einen Enterprise-Context-Engine-Builder für geschäftskritische KI-Nutzung. Elemental vereint Datenaufnahme, Entity Resolution und Graph-Konstruktion in einer Pipeline. Der Ansatz adressiert ein fundamentales Problem heutiger KI-Workflows: Jeder Agent rekonstruiert seine eigene partielle Sicht auf die Realität. Ein Compliance-Agent baut ein Bild, ein Portfolio-Agent ein anderes, ein Research-Tool ein drittes. Diese Sichten stimmen selten überein, bleiben nicht persistent und scheitern an fragmentierten Identitäten. Dieselbe Entität erscheint unter verschiedenen Namen in jedem Unternehmenssystem, sodass Agenten aus widersprüchlichen und unvollständigen Sichten derselben Realität Schlussfolgerungen ziehen.
Elemental schafft stattdessen einen gemeinsamen Kontext, von dem aus Menschen und KI-Agenten operieren: wer beteiligt ist, was verbunden ist, was sich geändert hat und warum es relevant ist. Angereichert mit Echtzeit-Intelligence aus dem proprietären YottaGraph, generiert die Plattform zitatgestützte Knowledge Graphs mit über 99,5 Prozent Entity-Genauigkeit.
Mehr über das Start-up: https://lovelace.ai
Data-Governance: Studie zeigt gefährliche Stabilisierungslücke
Der „State of Analytics Engineering Report 2026“ von dbt Labs zeigt: 72 Prozent der Teams setzen mittlerweile auf KI-gestütztes Coding, während nur 24 Prozent KI-gestützte Pipeline-Verwaltung, Testing und Observability nutzen. Das Vertrauen in Daten ist als organisatorische Priorität von 66 Prozent (2025) auf 83 Prozent (2026) gestiegen.
Der Report warnt: KI skaliert Output schneller als die Stabilisierungsmechanismen, die ihn absichern sollen. Während 72 Prozent KI-gestütztes Coding vorantreiben, investieren nur 24 Prozent in KI-gestützte Validierung, Testing und Observability. Beschleunigung ohne Stabilisierung verstärkt Risiken. Die Kluft zwischen technischer Möglichkeit und verantwortungsvoller Umsetzung wächst dramatisch. Zum Download des Reports: https:// www.getdbt.com/resources/state-ofanalytics-engineering-2026
