KI für Unternehmensdaten
KI, die Ihre Firmen
Die Daten, aus denen ein Unternehmen Antworten ziehen könnte, liegen längst in der eigenen Software. Was fehlt, ist nicht ein weiteres System, sondern eine Schicht, die einer KI erklärt, was diese Daten fachlich bedeuten.
Ausgangslage
Ein Sprachmodell kennt die Welt, aber nicht Ihr Datenmodell.
Ein allgemeines KI-Modell kann erklären, was eine offene Forderung ist. Was es nicht kann: sagen, welche Ihrer Forderungen heute offen sind. Dafür müsste es wissen, in welcher Tabelle Ihre Rechnungen liegen, welche Spalte den Zahlungseingang führt, wie Teilzahlungen behandelt werden und ab wann eine Rechnung in Ihrem Haus als offen gilt.
Genau dieses Wissen existiert bereits – nur nicht in einer Form, die eine KI lesen kann. Es steckt im Datenmodell, im Sourcecode Ihrer Anwendungen und in den Köpfen der Menschen, die beides gebaut haben.
Das Problem ist nicht der Datenmangel. Es ist die fehlende Bedeutung.
Die üblichen Wege
Vier Ansätze, die zuerst versucht werden – und wo sie enden.
Alle vier haben ihre Berechtigung. Für operative Fragen an gewachsene Unternehmenssoftware reicht keiner davon allein.
Reports, BI und Data Warehouse
Beantworten die Fragen, die jemand vorher vorgesehen hat. Eine neue Frage bedeutet einen neuen Report – und damit ein Ticket, eine Priorisierung und Wartezeit. Der Engpass ist nicht die Technik, sondern dass jede Frage vorab modelliert sein muss.
Dokumenten-RAG
Sucht in Texten und funktioniert gut für Handbücher, Verträge und Wikis. Operative Fragen sind aber Rechenfragen über Datensätze: zählen, summieren, zwei Zeiträume vergleichen. Aus Textschnipseln lässt sich das nicht ableiten.
Sprachmodell mit direktem SQL-Zugriff
Technisch schnell aufgesetzt, aber das Modell muss die Bedeutung Ihrer Tabellen erraten. Es kennt Ihre Regel für „Neukunde“ nicht, sieht Historisierung und Storno-Kennzeichen nicht als solche – und braucht dafür einen Datenbankzugang, den es aus Sicherheitssicht nicht haben sollte.
KI-Funktionen des Softwareherstellers
Sehen nur, was der Hersteller angebunden hat. Bei Standardsoftware ist das oft brauchbar. Genau die Fragen, die Ihr Unternehmen von anderen unterscheiden, hängen aber meist an Ihren eigenen Anpassungen oder Zusatzsystemen – und die kennt der Hersteller nicht.
Die gemeinsame Lücke: Es fehlt eine maschinenlesbare Beschreibung dessen, was Ihre Daten fachlich bedeuten. Genau dort setzt eine semantische Schicht an.
Der Ansatz
Erst die Bedeutung beschreiben, dann fragen lassen.
Datenbank und Sourcecode Ihres Systems werden analysiert. Aus Tabellen, Beziehungen, Berechnungen und Geschäftsregeln entsteht ein fachliches Modell: welcher Begriff auf welche Struktur zeigt, welche Regel hinter einer Kennzahl steht, wie Informationen zusammenhängen.
Dieses Modell ist die Schnittstelle für KI-Systeme. Die KI arbeitet nicht mehr auf Tabellennamen, sondern auf Begriffen, die in Ihrem Haus ohnehin verwendet werden – und ausschließlich auf denen, die im Modell beschrieben sind.
Ihre bestehenden Systeme bleiben unverändert. Es wird nichts migriert, nichts exportiert und nichts umgebaut.
Der Zugriff auf die Datenbank ist ausschließlich lesend. Das Sprachmodell selbst erhält dabei keine Zugangsdaten und keine Netzwerkverbindung zur Datenbank – zwischen Modell und Daten liegt immer eine Vermittlungsschicht in Ihrer Infrastruktur.
Was das konkret heißt
Fragen, für die heute jemand einen Report bauen müsste.
Schematische Darstellung an einem kaufmännischen Standardfall. Begriffe und Werte sind Beispiele; in Ihrem System stehen dort Ihre eigenen Fachbegriffe.
| Kunde | Vorjahr | Aktuell |
|---|---|---|
| Kunde A | 84.200 € | 51.700 € |
| Kunde B | 23.900 € | 18.400 € |
Beispiel mit erfundenen Zahlen · keine Kundendaten
| Kunde | Offen seit | Betrag |
|---|---|---|
| Kunde D | 62 Tage | 18.400 € |
| Kunde E | 41 Tage | 7.150 € |
Beispiel mit erfundenen Zahlen · keine Kundendaten
Wie das mit der KI aussieht – Frage, Antwort und Herleitung: Beispiele ansehen →
Voraussetzungen
Wann dieser Weg für Ihr Unternehmen überhaupt passt.
Diese Punkte entscheiden mehr über den Erfolg als die Wahl des Sprachmodells.
Eine eigene relationale Datenbank
Es muss ein lesender Datenbankzugang eingerichtet werden können. Umgesetzt sind derzeit PostgreSQL und MySQL; in der Alpha erprobt ist MySQL.
Eigene oder stark angepasste Software
Ihre Fachlogik steckt in eigener Software oder in deutlich angepassten Standardsystemen. Bei einer unveränderten SaaS-Standardinstallation ohne Datenbank- und Codezugriff greift der Ansatz nicht.
Lesender Zugriff auf den Sourcecode
Üblicherweise per Git. Daraus kommt die Struktur der Anwendung: Entitäten, Felder, Beziehungen und Statuswerte (heute für Java). Berechnungsregeln, die nur in Methoden stehen, beschreibt Ihr Fachbereich mit; ihre automatische Auswertung ist in Arbeit.
Fragen, die es heute schon gibt
Fragen, die heute jemand manuell auswertet oder als Report beauftragt. Ohne konkrete Fragen fehlt der Maßstab, an dem sich die Qualität des Modells überhaupt prüfen lässt.
Abgrenzung
Was hier ausdrücklich nicht passiert.
Gerling Solutions trainiert kein Modell – weder mit Ihren Daten noch mit Ihrem Sourcecode. Was wächst, ist die Beschreibung Ihres Fachmodells: eine lesbare, überprüfbare Definition, kein Modellgewicht. Was der Anbieter des angebundenen Sprachmodells mit übermittelten Inhalten tun darf, regelt dessen Vertrag – das wird vor der Einführung geprüft und festgelegt.
Es wird kein Datenbestand kopiert: keine Replikation, keine Synchronisation, kein Import. Einzelne Abfrageergebnisse werden dagegen verarbeitet und – abhängig von der vereinbarten Protokollierung – auch gespeichert. Das ist ein Unterschied, der bei einer Prüfung zählt.
Und es ersetzt kein Berichtswesen. Ein aufgebauter Report bleibt der bessere Weg für eine Zahl, die jede Woche gleich gebraucht wird. Der Gewinn liegt bei den Fragen dazwischen – denen, für die sich ein eigener Report nie gelohnt hat.
Stand
Was heute läuft – und was als Nächstes kommt.
Das Produkt ist in der Pilot- und Validierungsphase. Deshalb steht hier der Stand statt einer Roadmap-Zusage – und was als Nächstes entsteht, entscheiden die ersten Projekte mit.
- Umgesetzt
- PostgreSQL- und MySQL-Anbindung, Sourcecode-Analyse (Struktur, Java), semantisches Modell, Rollen und Rechte, eigene Oberfläche, MCP-Server, komplexe Aggregationen, Protokollierung.
- In der Alpha erprobt
- MySQL, semantisches Modell, Sourcecode-Analyse (Java), MCP-Server mit einem KI-Assistenten.
- In Arbeit
- Auswertung von Geschäftslogik im Sourcecode, weitere Programmiersprachen, Anbindung von Dokumenten, weitere Datenquellen, automatisierte Validierung sowie ein vollständig lokal betriebenes Sprachmodell.
- Unser Maßstab
- Wir kennzeichnen hier ausdrücklich, was umgesetzt ist, was in der Alpha erprobt ist und was in Arbeit ist – damit Sie Zusage und Ziel auf den ersten Blick auseinanderhalten können. Wenn Ihnen eine Angabe nicht belegt erscheint, sagen Sie es uns: Wir prüfen sie vor dem Gespräch.
Häufige Fragen
Fehlt Ihnen eine Frage? Ausführliche Antworten zu Betrieb und Datenzugriff stehen auf der Sicherheitsseite.
- Wie versteht eine KI unsere Unternehmensdaten überhaupt?
Sie versteht sie nicht von sich aus, und das ist der Kern der Sache. Ein Sprachmodell sieht Tabellen- und Spaltennamen und kann daraus raten; was in Ihrem Haus als „offen“, „aktiv“ oder „Neukunde“ gilt, steht in keiner Spalte, sondern in der Geschäftslogik Ihrer Anwendung.
Verständnis entsteht deshalb nicht durch ein größeres Modell, sondern durch eine Beschreibung: Begriffe, Beziehungen und Rechenregeln werden aus Datenmodell und Sourcecode erschlossen, von Ihrem Fachbereich bestätigt und maschinenlesbar hinterlegt. Erst gegen diese Beschreibung wird eine Frage geprüft.
Der praktische Unterschied liegt im Fehlerfall: Fehlt ein Begriff, wird die Lücke benannt statt überdeckt. Ein Modell, das die Bedeutung errät, antwortet auch dann – nur falsch, und plausibel.
- Was ist der Unterschied zu ChatGPT mit hochgeladenen Dateien?
Ein Upload ist ein Ausschnitt zu einem Zeitpunkt: Sie exportieren, was Sie für relevant halten, und die KI kann nur darin rechnen. Für eine Frage, die Sie vorher nicht bedacht haben, brauchen Sie einen neuen Export.
Hier bleibt der Datenbestand im Haus und wird zum Zeitpunkt der Frage lesend abgefragt. Es gibt keinen Export, der aktuell gehalten werden muss – und die Auswertung ist nicht auf den vorab gewählten Ausschnitt begrenzt.
- Wie lange dauert es, bis erste Fragen beantwortet werden können?
Das semantische Modell wird nicht von Hand geschrieben, sondern KI-gestützt aus Sourcecode und Datenmodell erschlossen. Die erste automatische Analyse liefert je nach Umfang von Datenmodell und Sourcecode innerhalb von Stunden bis wenigen Tagen einen breiten fachlichen Vorschlag. Belastbar wird er erst durch die Bestätigung Ihres Fachbereichs.
Diese Basis ist ein Vorschlag, keine Wahrheit. Der eigentliche Aufwand liegt danach in der Validierung: Ihre Fachanwender stellen echte Fragen, die Antworten werden gemeinsam geprüft und das Modell nachgeschärft.
- Brauchen wir dafür eine eigene KI-Abteilung?
Nein. Für die Einführung wird ein technischer Ansprechpartner benötigt, der Auskunft über Systeme und Datenbank geben kann, und Fachanwender, die die Antworten fachlich beurteilen können.
Das fachliche Urteil ist der Teil, der nicht delegierbar ist: Ob „offene Rechnung“ im Modell richtig definiert ist, kann nur Ihr Haus entscheiden.
- Funktioniert das auch über mehrere Systeme hinweg?
Das Ziel ist, Begriffe aus verschiedenen Systemen im Modell aufeinander zu beziehen – das ist einer der Gründe für den Ansatz.
Heute wird in der Pilotphase ein System pro Projekt angebunden; Fragen über mehrere Systeme in einer Abfrage sind in Arbeit. Umgesetzt ist die Anbindung relationaler Datenbanken, weitere Datenquellen und Dokumente sind in Arbeit. Ob Ihr konkreter Systemverbund passt, gehört in die technische Sichtung und nicht in eine pauschale Aussage.
Verwandte Themen
Angrenzende Fragen, jeweils auf einer eigenen Seite beantwortet.
Welche Fragen sind beantwortbar?
Ein Katalog echter Fragen nach Fachbereich – mit den Begriffen, die dafür definiert sein müssen.
Datenbank mit KI abfragen
Der Weg einer Frage bis zur belegten Zahl – und warum geprüft wird, bevor gelesen wird.
Semantische Schicht
Was in der Schicht beschrieben ist, wie sie entsteht und warum ein Prompt sie nicht ersetzt.
Unternehmens-KI im Mittelstand
Der kleinste sinnvolle Einstieg ohne Datenabteilung: Aufwand, Reihenfolge, Risiko, Ausstieg.
RAG für strukturierte Daten
Wo ein Abrufverfahren endet und eine Auswertung beginnt – und warum meist beides gebraucht wird.
Aktuell werden wenige Unternehmen als Pilotkunden aufgenommen. Lassen Sie uns prüfen, ob Ihr System dafür passt.
Oder direkt anrufen: 0151 235 331 19 · oder schreiben Sie uns: