KI für Unternehmensdaten
KI für Unternehmensdaten – ohne zweite Datenhaltung und ohne neues System.
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 € |
| Kunde | Offen seit | Betrag |
|---|---|---|
| Kunde D | 62 Tage | 18.400 € |
| Kunde E | 41 Tage | 7.150 € |
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 und im Einsatz sind derzeit PostgreSQL und 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. Der Sourcecode ist die Quelle für die Regeln, die in keiner Tabelle stehen – etwa wie ein Status berechnet oder ein Storno behandelt wird.
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 noch nicht.
Das Produkt ist in der Pilot- und Validierungsphase. Deshalb hier der Stand statt einer Roadmap-Zusage.
- Im Einsatz
- PostgreSQL und MySQL, Sourcecode-Analyse, semantisches Modell, Rollen und Rechte, eigene Oberfläche, MCP-Server, Anbindung von Claude Desktop, komplexe Aggregationen, vollständige Protokollierung.
- In Arbeit
- Anbindung von Dokumenten, weitere Datenquellen, automatisierte Validierung sowie ein vollständig lokal betriebenes Sprachmodell.
- Nicht zugesagt
- Zertifizierungen, die nicht vorliegen. Auf dieser Website steht keine Compliance-Aussage, die nicht belegt werden kann.
Häufige Fragen
Fehlt Ihnen eine Frage? Ausführliche Antworten zu Betrieb und Datenzugriff stehen auf der Sicherheitsseite.
- 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. Dadurch steht innerhalb weniger Stunden eine breite fachliche Basis, mit der sich echte Fragen stellen lassen.
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?
Grundsätzlich ja – das ist einer der Gründe für den Ansatz: Begriffe aus verschiedenen Systemen lassen sich im semantischen Modell aufeinander beziehen.
Belastbar umgesetzt ist derzeit die Anbindung relationaler Datenbanken. Weitere Datenquellen und Dokumente sind in Arbeit. Ob Ihr konkreter Systemverbund heute schon 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.
Aktuell werden wenige Unternehmen als Pilotkunden aufgenommen. Lassen Sie uns prüfen, ob Ihr System dafür passt.