Es ist Donnerstagnachmittag und Ihr Senior Data Engineer hat schon wieder eine Slack-Nachricht aus der Finanzabteilung erhalten. Die Anforderung ist kurz: eine Verknüpfung, eine Umbenennung, eine neu berechnete Spalte. Die Unterbrechung ist jedoch alles andere als kurz. Jede dieser Anfragen raubt Ihrem Team Zeit für die Plattformarbeit, die es bereits eingeplant hat, und mit der Zeit bestimmt diese routinemäßige Vorbereitungsarbeit die Roadmap.
Dieser Zielkonflikt ist überall spürbar. Laut McKinseys Studie State of AI in 2025 ist die KI-Nutzung zwar mittlerweile nahezu flächendeckend, doch berichten 88 % der Unternehmen von regelmäßigem KI-Einsatz in mindestens einem Geschäftsbereich. Doch nur etwa ein Drittel hat damit begonnen, KI unternehmensweit zu skalieren. In vielen Unternehmen liegt das Problem nicht in der Modellqualität. Es liegt in Workflow-, Daten- und Betriebsmodellproblemen. Das bedeutet, dass der Druck direkt wieder auf den IT- und Datenteams lastet, die bereits gleichzeitig Modernisierung, Governance und KI-Implementierung vorantreiben.
Unterdessen benötigt das Unternehmen weiterhin Antworten. Data Analysts sitzen auf einem Berg von Vorbereitungsanfragen, die sie wahrscheinlich selbst bearbeiten könnten, wenn die Tools benutzerfreundlicher und die Governance klarer wären.
Natürliche Sprache beginnt, das zu ändern. Data Analysts können den benötigten Workflow in einfacher Sprache beschreiben und erhalten im Gegenzug ein Ergebnis, das sie prüfen, anpassen und ausführen können. Für die IT-Abteilung stellt dies eine echte Chance dar, aber nur, wenn der Workflow auf derselben Steuerungsebene wie der Rest Ihrer Datenarbeit erstellt wird. Andernfalls erleichtert man lediglich die schnellere Entwicklung unkontrollierter Prozesse.
Was sich in der Datenaufbereitung durch natürliche Sprache tatsächlich ändert
Stellen Sie sich vor, ein Analyst tippt: „Verknüpfe den Salesforce-Opportunity-Export mit Marketo-Kampagnendaten, dedupliziere Daten anhand der E-Mail-Adresse und markiere alle, die im letzten Quartal mehr als drei E-Mails geöffnet haben.“
Erstellung von dialogbasierten Workflows
Ein natürlicher Sprachassistent kann dies in Workflow-Schritte umwandeln: Verknüpfungen, Filter, Standardisierung, Validierung und alles Weitere, was die Anfrage erfordert. Der Analyst überprüft den Workflow weiterhin visuell, kontrolliert die Transformationen, korrigiert fehlerhafte Elemente und führt ihn aus, sobald er zufrieden ist. Das Ergebnis ist keine undurchsichtige Lösung. Es ist ein Workflow, den jemand überprüfen kann.
KI-gestützte Bereinigung und Transformation
Natürliche Sprache hilft auch dabei, Bereinigungsaufgaben zu automatisieren, die Data Analysts stundenlang manuell durchführen:
- Schema-Angleichung inkonsistenter Quellsysteme
- Standardisierung von Datums- und Währungsformaten
- Bereinigung von Freitextfeldern, in denen Kund:innen „U.S.A.“, „USA“ und „United States“ in derselben Spalte eingegeben haben
- Identifizierung fehlender Werte, doppelter Datensätze oder Ausreißer vor der nachgelagerten Berichterstattung
Natürliche Sprache ist besonders hilfreich, wenn diese Aufgaben innerhalb derselben kontrollierten Umgebung wie der Rest Ihrer IT-Infrastruktur ausgeführt werden und nicht über einen separaten Kanal, über den Daten den Prüfbereich verlassen.
Workflow-Dokumentation als Nebenprodukt
Es gibt noch einen weiteren praktischen Vorteil. KI-Unterstützung kann helfen, die Workflow-Logik zu beschreiben, Anomalien aufzudecken und Dokumentation zu generieren, während der Workflow erstellt wird. Die meisten Teams haben nicht genügend Zeit, Lösungen während ihrer Entwicklung angemessen zu dokumentieren. Wird die Dokumentation während der Entwicklung und nicht erst im Nachhinein erstellt, ist die Wahrscheinlichkeit deutlich höher, dass sie auch tatsächlich vorhanden ist, wenn der Workflow später von anderen gewartet werden muss.
Was sich für Daten- und Engineering-Teams ändert
Natürliche Sprache macht Data Engineers oder Data Scientists nicht überflüssig. Sie ermöglicht es jedoch, grundlegende Vorbereitungsarbeiten näher an die Beschäftigten zu verlagern, die den Geschäftskontext verstehen, und Fachkräfte für Aufgaben freizustellen, die tatsächlich ihre Fachkenntnisse erfordern.
Das ist die eigentliche Umverteilung: weniger Unterbrechungen für Verknüpfungen, Umbenennungen, Bereinigung und leichte Anreicherung, mehr Zeit für Pipeline-Architektur, Governance-Design, Feature Engineering und die Qualitätsprobleme, die tatsächlich ein tieferes technisches Urteilsvermögen erfordern.
Wenn es gut funktioniert, arbeiten Data Analysts schneller und die IT erhält weniger kleine Anfragen, die größere Prioritäten gefährden.
Warum Governance schwieriger statt einfacher wird
Wenn natürliche Sprache die Workflow-Erstellung vereinfacht, werden mehr Mitarbeiter:innen Workflows erstellen. Das kann positiv sein, vergrößert aber auch den Verwaltungsaufwand der IT. Mit zunehmendem Umfang konzentriert sich Governance stärker auf Richtlinien, Berechtigungen, Training, Prüfprozesse und Monitoring.
Frühe Rollouts verlaufen in der Regel auf erwartete Weise schief. Teams ermöglichen die KI-gestützte Erstellung von Workflows, bevor genehmigte Datenquellen definiert werden. Audit-Protokollierung ist zwar technisch verfügbar, aber es ist noch nicht entschieden, wer sie tatsächlich prüft. Benutzer:innen erhalten mehr Freiheiten, aber es gibt keinen Eskalationspfad für sensible Daten oder fragwürdige Ergebnisse.
Teams, die dies erfolgreich umsetzen, beginnen in der Regel mit einem klar definierten Use Case, einem eindeutig benannten Verantwortlichen für die Governance und einer kleinen Gruppe geschulter Benutzer:innen. Sobald dieses Pilotprojekt erfolgreich verläuft, kann es auf andere Teams und Use Cases ausgeweitet werden.
Die eigentliche Frage für die IT
Für IT-Verantwortliche geht es nicht darum, ob sich Workflows mithilfe natürlicher Sprache erstellen lassen. Es geht darum, ob der erstellte Workflow sicher, wiederholbar und nachvollziehbar ist.
Eine Self-Service-Vorbereitungsfunktion, die Governance-Strukturen umgeht, stellt ein Risiko dar, keinen Produktivitätsgewinn.
Zwei Governance-Ebenen sind am wichtigsten: Data Governance und KI-Governance.
Data Governance: Was passiert mit den Daten?
Workflows, die von weniger technischen Benutzer:innen erstellt wurden, müssen weiterhin unter denselben Kontrollen wie alles andere ausgeführt werden. In der Praxis bedeutet das in der Regel:
- Rollenbasierte Zugriffskontrollen, die an Ihren Identitätsanbieter gebunden sind
- Audit-Protokolle für Workflow-Ausführung, Datenzugriff und Änderungen
- Datenherkunft, die zeigt, woher Daten stammen und wie sie transformiert wurden
- Durchsetzung von Richtlinien für sensible oder regulierte Datasets
Der IBM-Bericht Cost of a Data Breach 2025 ergab, dass 97 % der Unternehmen, die Sicherheitslücken in KI-Modellen oder -Anwendungen erlitten, keine angemessenen KI-Zugriffskontrollen implementiert hatten und dass ein hoher Anteil an Schatten-KI die globalen Kosten von Datenschutzverletzungen um durchschnittlich 670.000 US-Dollar erhöhte. Der unkontrollierte Einsatz von KI führt bereits zu messbaren Sicherheitsrisiken.
KI-Governance: Was passiert mit dem Modell?
Wenn Workflows von Large Language Models abhängen, benötigt die IT klare Antworten auf einige wenige Fragen:
- Welche Modelle sind zugelassen?
- Wo werden die Daten verarbeitet?
- Welche Prompts und Ausgaben werden gespeichert?
- Wer kann externe Modelle aufrufen?
- Wie wird die Nutzung überwacht und abgerechnet?
Ein einfaches Beispiel verdeutlicht das Problem: Ein Finanzanalyst benötigt einen Workflow-Schritt, der Vertrags-PDFs zusammenfasst und Verlängerungsdaten extrahiert. In einer kontrollierten Umgebung wählt der Analyst aus den von der IT bereits konfigurierten, freigegebenen Modellverbindungen aus. Der Workflow wird ausgeführt, die Aktivität wird protokolliert und der Datenpfad bleibt sichtbar. Der Analyst profitiert von höherer Geschwindigkeit und die IT behält die Kontrolle über Modellbestand, Datenfluss und Prüfpfad.
Ein praktischer Rahmen für Self-Service-Analytics
Eine sinnvolle Möglichkeit, über die Einführung nachzudenken, besteht darin, die Governance-Intensität an das Workflow-Risiko anzupassen. Self-Service bedeutet nicht unbedingt identische Berechtigungen für alle. Vielmehr sollten die Kontrollen dem jeweiligen Risikoniveau angemessen sein.
Stufe 1: Operative Vorbereitung mit geringem Risiko
Routinemäßige Verknüpfungen, Formatierung, Deduplizierung und Zusammenfassung verwalteter interner Daten. Standard-Zugriffskontrollen und Audit-Protokollierung reichen in der Regel aus. Dies ist für die meisten Teams der beste Ausgangspunkt.
Stufe 2: Bereichsübergreifende Anreicherung
Workflows, die mehrere Geschäftssysteme, unstrukturierte Dokumente oder externe KI-Dienste kombinieren. Diese Ebene erfordert gezieltere Kontrollen: genehmigte Datenquellen, genehmigte Modellverbindungen für KI-gestützte Schritte und regelmäßige Überprüfung der Ergebnisse.
Stufe 3: Regulierte Workflows mit hohem Risiko
Alles, was personenbezogene Kundendaten (PII), regulierte Berichterstattung, Finanzkontrollen, Gesundheitsdaten oder modellbasierte Entscheidungsfindung betrifft. Diese Stufe erfordert eine explizite Genehmigung vor der Produktion, eine Trennung zwischen Entwickler und Genehmiger, vollständige Nachverfolgbarkeit der Datenherkunft und aktives Monitoring.
Viele Organisationen überregulieren die Arbeit der ersten Ebene übermäßig und die der dritten Ebene unzureichend. Natürliche Sprache allein löst dieses Problem nicht, aber sie erleichtert die Anwendung eines hierarchischen Modells, sobald die Grenzen klar definiert sind.
Wie das in der Praxis aussieht
Es gibt mehrere Möglichkeiten, wie das Szenario vom Anfang dieses Beitrags enden kann.
Im ungünstigsten Fall verliert das Unternehmen die Geduld und umgeht die IT. Menschen erstellen einen Schatten-Workflow in Tabellenkalkulationen oder fügen sensible Daten in ein öffentliches KI-Tool ein, weil sie schnell Antworten benötigen. Das geschieht bereits in vielen Unternehmen und ist in der Regel schlimmer als das ursprüngliche Rückstandsproblem.
Im besten Fall bietet die IT den Mitarbeitern eine kontrollierte Möglichkeit, mehr eigenständig zu arbeiten. Dafür ist eine Plattform erforderlich, die drei Dinge vereint: Zugriff auf genehmigte Datenquellen, kontrollierten Zugriff auf KI-Modelle sowie Audit- und Herkunftsanalysefunktionen. Hinzu kommen Workflow-Erstellungstools, die Data Analysts realistisch nutzen können. Dieses Beispiel wird in Alteryx One ausgeführt.
Die Analystin, die die Beitrittsanfrage gesendet hat, öffnet Designer und verwendet Ask Alteryx, den chatbasierten Workflow-Assistenten (ehemals Alteryx Copilot), um zu beginnen. Sie beschreibt die Kombination von Salesforce-Pipeline-Daten mit der Marketo-Engagement-Historie, und Ask Alteryx erläutert die Verknüpfungslogik, die Deduplizierung und die Feldstandardisierung und schlägt der Analystin vor, jeden Schritt zu prüfen, bevor sie fortfährt.
Sie kann auch die KI-Tool-Palette in Designer verwenden. Diese Palette enthält speziell entwickelte Tools für Aufgaben wie den Schemaabgleich über inkonsistente Quellen hinweg (Schemaanpassen-Tool), Fuzzy-Übereinstimmungs- und Standardisierungstools (Präzisionsabgleich-Tool), Datenextraktion aus strukturierten Dokumenten wie Rechnungen (Rechnungsextraktor-Tool) sowie konfigurierbare, LLM-basierte Schritte für benutzerdefinierte Eingabeaufforderungen (Eingabeaufforderung-Tool und LLM-Override-Tool). Jedes Tool wird in derselben verwalteten Umgebung wie der Rest des Workflows ausgeführt.
Hinter den Kulissen werden Ausführungsmetadaten protokolliert, die Herkunft wird beibehalten, und Zugriffsrichtlinien gelten weiterhin über zentralisierte Identitätskontrollen. KI-gestützte Workflows befinden sich nicht in einer schwächeren Governance-Ebene. Sie unterliegen denselben Überprüfungs- und Auditvorgaben wie alle anderen Workflows.
Was die IT konfigurieren muss
Zu den Governance-Funktionen von Alteryx One gehören SAML- und OAuth-Authentifizierung, Identitätsanbieter-Integration mit Plattformen wie Okta und Azure AD, rollenbasierte Berechtigungen, Audit-Protokollierung, SCIM-Bereitstellung für die automatisierte Benutzerverwaltung und Datenherkunftspfaden mit Governance-Plattformen wie Atlan und Collibra.
Für die Governance von KI-Modellen unterstützt Alteryx One Verbindungen zu unternehmensweit zugelassenen LLMs wie OpenAI, Anthropic, Google Gemini und Cohere sowie Bring-Your-Own-Model-Ansätze (BYOM) für Organisationen mit spezifischen Compliance-Anforderungen. Die LLM-Konnektivität ist an die Vollnutzer-Rolle gebunden und kann mit benutzerdefinierten Rollen weiter eingeschränkt werden, sodass die IT-Abteilung entscheiden kann, welche Modelle verfügbar sind und welche Benutzer:innen sie aufrufen dürfen.
So beurteilen Sie die Bereitschaft vor der Einführung
Vor der Einführung geben Ihnen drei Fragen wichtige Hinweise.
- Welche Art von Anfragen verursachen die meisten Unterbrechungen? Wenn es sich bei den meisten eingehenden Anfragen um wiederkehrende Vorbereitungsarbeiten wie Verknüpfungen, Formatierung, Bereinigung und leichte Anreicherung handelt, kann natürliche Sprache wahrscheinlich einen erheblichen Teil dieser Last übernehmen. Wenn die Warteschlange von instabilen Pipelines, verworrenen Abhängigkeiten oder undefinierter Geschäftslogik dominiert wird, liegt das Problem bei der zugrunde liegenden Architektur.
- Welche Benutzer:innen können mehr Verantwortung übernehmen? Die besten frühen Benutzer:innen sind Data Analysts, die ihren Geschäftskontext gut verstehen, aber nicht über die technischen Fähigkeiten verfügen, um die Vorbereitung ohne Hilfe zu automatisieren. Natürliche Sprache kann ihnen helfen, schneller voranzukommen, aber sie ersetzt nicht das Urteilsvermögen. Wenn jemand nicht sagen kann, ob ein Verknüpfungsergebnis plausibel ist, ist der Workflow möglicherweise trotzdem falsch, nur schneller.
- Wie ausgereift ist Ihre KI-Governance heute? Wenn Sie nicht eindeutig beantworten können, welche Modelle genehmigt sind, wo Daten verarbeitet werden, was aufbewahrt wird, wer externe Modelle aufrufen kann und wie die Nutzung überwacht wird, werden diese Lücken in der Regel nach Beginn der Einführung sichtbar. Stehen keine genehmigten Tools zur Verfügung, greifen Mitarbeiter:innen auf nicht genehmigte zurück, und die Dokumentation verschwindet vollständig.
Die meisten Organisationen werden nicht im Handumdrehen ein geregeltes Self-Service-Modell aufbauen können. Sie beginnen mit einer Workflow-Kategorie, einem Governance-Muster und einer vertrauenswürdigen Gruppe und skalieren dann von dort aus.
Erste Schritte
Alteryx One unterstützt den gesamten oben beschriebenen Workflow: Datenvorbereitung mit Unterstützung natürlicher Sprache, geregelter Zugriff auf KI-Modelle und Kontrollen auf Unternehmensniveau – auf einer Plattform, die von der IT verwaltet und von Data Analysts ohne Unterstützung durch die Entwicklungsabteilung genutzt werden kann. Es gibt verschiedene Möglichkeiten, Alteryx One zu testen:
- Kostenlose Testversion: Starten Sie eine kostenlose Testversion und erleben Sie die Workflow-Erstellung mit natürlicher Sprache selbst. Für den Einstieg ist kein technischer Einrichtungsaufwand erforderlich.
- Fordern Sie eine Demo an: Wenn Sie lieber die für Ihre Umgebung konfigurierten Governance-Kontrollen und KI-Funktionen sehen möchten, fordern Sie eine Demo an, um sie mit jemandem durchzugehen, der Ihre spezifischen IT-Anforderungen adressieren kann.
- Entdecken Sie Governance-Funktionen: Die Governance-Übersicht von Alteryx One deckt die Zugriffskontrollen, Audit-Protokollierung, Identitätsintegration und Herkunftsfunktionen ab, die IT-Admins zur Verfügung stehen.