Betrieb
So läuft es in Ihrer Infrastruktur.
Die Angaben, nach denen eine IT-Abteilung vor einer Freigabe fragt: wo was läuft, welche Zugänge nötig sind, was unverändert bleibt und was in welchem Modus nach außen geht.
Betrieb & Kontrolle
Was wo läuft – und was das Haus nicht verlässt.
Vollständig auf einer Seite, damit Ihre IT nicht drei Seiten zusammensuchen muss.
- Betriebsform
- Self-hosted bzw. on-premise in Ihrer Infrastruktur, als Container. Wahlweise mit EU-Datenresidenz.
- Datenzugriff
- Ausschließlich lesend. Nowl legt keine zweite Datenhaltung an und kopiert Ihren Datenbestand nicht.
- Umgesetzte Datenbanken
- PostgreSQL und MySQL sind umgesetzt. Weitere relationale Systeme sind nicht ausgeschlossen – sie kommen mit dem Projekt, das sie braucht.
- Anbindung
- Eigene Oberfläche oder externe KI-Anwendung über das Model Context Protocol (MCP); erprobt ist Claude Desktop.
- Zugriffssteuerung
- Rollen und Rechte auf fachlicher Ebene. Was eine Rolle nicht sehen darf, wird nicht beantwortet.
- Protokollierung
- Jede Abfrage und jede Antwort wird vollständig protokolliert. Das Protokoll liegt in Ihrer Infrastruktur.
- Bestehende Systeme
- Bleiben unverändert. Kein Schema-Umbau, keine Views, keine Migration.
- Bei Ausfall des Sprachmodells
- Es werden keine neuen Fragen beantwortet. Ihre Systeme sind nicht betroffen – der Zugriff ist lesend, und keine Anwendung wartet auf Nowl.
Nowl ist self-hosted bis auf das Sprachmodell: Die semantische Schicht, die Vermittlungsschicht, die Prüfung, der Privacy Layer und das Protokoll laufen in Ihrer Infrastruktur, das Modell für das Reasoning ist derzeit extern angebunden. Welche Komponente heute wo läuft, ist einzeln aufgeschlüsselt.
Was Sie beistellen
Drei Dinge. Kein Projekt davor.
Es wird nichts migriert und keine Plattform aufgebaut. Der Aufwand liegt nicht in der Infrastruktur, sondern in der dritten Zeile rechts – und die ist unabhängig von jedem Werkzeug fällig.
Ablauf im Pilotprogramm →Ein Data-Warehouse-Projekt verschiebt Daten. Es erklärt sie nicht.
- Lesender Datenbankzugang
- Ein Benutzer mit Leserechten auf den auszuwertenden Beständen. Schreibrechte werden nicht angefordert und nicht benötigt.
- Lesender Zugriff auf den Sourcecode
- Üblicherweise per Git. Daraus kommt die fachliche Bedeutung, die im Datenmodell nicht steht – Statuswerte, Berechnungsregeln, Fallunterscheidungen.
- Ein Fachbereich, der entscheiden kann
- Eine Person, die verbindlich sagt, was ein Begriff im Haus bedeutet. Das ist die einzige Voraussetzung, die nicht technisch ist – und die wichtigste.
Zwei Zugänge
Sie entscheiden, ob Abfrageergebnisse Ihr Netz überhaupt verlassen.
Eigene Oberfläche
Das Sprachmodell sieht nur die Beschreibung des semantischen Modells – Begriffe, Beziehungen, Regeln. Die Abfrageergebnisse bleiben im Haus. Gefragt wird in Einzel- und Folgefragen; eine Untersuchung, die das Modell selbst zerlegt, führt über Modus 2.
Externe KI-Anwendung über MCP
Ihre Fachabteilung arbeitet in der gewohnten Anwendung – erprobt ist Claude Desktop. Deren Modell übernimmt das Reasoning und sieht dabei auch die Abfrageergebnisse, weil es sie bewerten muss. Genau das macht mehrstufige Analyseaufträge möglich – und genau darüber entscheiden Sie bewusst.
Wenn Abfrageergebnisse das Unternehmen nicht verlassen dürfen, ist Modus 1 der Weg. Was genau in welchem Modus hinausgeht, steht vollständig aufgeschlüsselt auf der Sicherheitsseite – einschließlich der Sourcecode-Ausschnitte, die für den Aufbau des Modells an ein Sprachmodell übermittelt werden.
Vertiefende Themen
Einzelne Fragen, jeweils auf einer eigenen Seite beantwortet.
Diese Seite beschreibt den technischen Aufbau im Zusammenhang. Wer mit einer konkreten Frage gekommen ist – zur Datenbank, zum Betrieb, zum Datenschutz oder zur Anbindung –, findet sie hier einzeln beantwortet.
KI für Unternehmensdaten
Vier Wege, KI auf eigene Unternehmensdaten zu bringen – und woran sie in der Praxis scheitern.
Unternehmens-KI im Mittelstand
Ohne Data-Abteilung, ohne Data-Warehouse-Projekt, ohne Big Bang: der kleinste sinnvolle Einstieg und was er intern kostet.
Conversational BI
Die dritte Frage stellt niemand mehr, wenn die erste drei Wochen Vorlauf hatte. Auswertungen im Dialog, mit prüfbarer Herkunft.
Datenbank mit KI abfragen
Von der Frage zur belegten Zahl: Abfrageplan, Prüfung gegen das Fachmodell, lesende Abfrage.
Alternative zu Text-to-SQL
Plausibles SQL ist nicht korrektes SQL. Der strukturelle Unterschied zwischen Generierung und geprüftem Abfrageplan.
Semantische Schicht
Begriffe, Beziehungen, Regeln: das Artefakt, das einer KI die Bedeutung Ihrer Daten erklärt.
Beantwortbare Fragen
Echte Fragen nach Fachbereich – und was jede davon an Definitionen voraussetzt.
KI in bestehende Software integrieren
Keine Migration, keine zweite Datenhaltung, kein Umbau: Was bei einer Anbindung tatsächlich passiert.
KI für Legacy-Software
Gewachsene Systeme sind nicht das Hindernis. Sie sind der Grund, warum es ohne semantische Schicht nicht geht.
PostgreSQL & MySQL mit KI abfragen
Lesender Zugang, gewachsene Schemata, Historisierung: die Datenbankseite der semantischen Schicht.
MCP für Unternehmensdaten
Warum ein MCP-Server über einem Fachmodell etwas anderes ist als ein SQL-Tool am Protokoll.
Claude mit Unternehmensdaten verbinden
Nicht ein Chat über Ihre Daten, sondern ein Analyst auf Ihren Daten – und die Aufstellung, was das Modell dabei sieht.
Der Betrieb lässt sich am schnellsten an Ihrer eigenen Umgebung beurteilen. Schicken Sie uns Datenbank und Systemlandschaft.