OpenAI Data Agent steigt in den vertrauensbasierten Wettbewerb für Enterprise-Analytics ein

OpenAI hat am 10. September den OpenAI Data Agent eingeführt und damit regulierte Unternehmensanalysen in ChatGPT Work gebracht, während sich der Wettbewerb um Enterprise-Analytics verschärft.

Der neue Agent verbindet sich mit genehmigten Geschäftssystemen, untersucht Veränderungen und erstellt aus natürlichsprachlichen Anfragen interaktive Dashboards. Zudem empfiehlt er Folgemaßnahmen und kann genehmigte Ergebnisse über verbundene Workplace-Tools versenden.

Damit tritt OpenAI in direkten Wettbewerb mit Googles zunehmend ausgereiftem Stack für konversationelle Analysen. Doch der Wettbewerb dreht sich nicht bloß darum, welches Modell besseres SQL schreibt. Entscheidend ist, welche Plattform Geschäftsdefinitionen versteht, Berechtigungen respektiert, Nachweise offenlegt und genügend Vertrauen gewinnt, um reale Entscheidungen zu beeinflussen.

OpenAI startet mit einem hilfreichen Vorteil. Das Unternehmen hat ein verwandtes internes System bereits in einer komplexen Datenumgebung erprobt, bevor es dessen Fähigkeiten für Kunden paketierte. Google, Microsoft, Snowflake, Databricks und etablierte Business-Intelligence-Anbieter kontrollieren jedoch wichtige Teile des bestehenden Analytics-Stacks.

Der daraus entstehende Wettbewerb hat eine ungewöhnliche Form. OpenAI möchte, dass ChatGPT zum Ort wird, an dem Mitarbeitende fragen, untersuchen, visualisieren und handeln. Seine Partner wollen zugleich, dass ihre Data Warehouses, semantischen Schichten und Dashboards die maßgebliche Grundlage unterhalb dieser Erfahrung bleiben.

Der OpenAI Data Agent geht von Antworten zu Handlungen über

Die entscheidende Veränderung ist nicht die Abfrage in natürlicher Sprache. Es ist der Versuch, einen vollständigen Analytics-Workflow in einer einzigen ChatGPT-Konversation abzubilden.

Laut dem Start des Data Agent können Nutzer genehmigte Quellen wie Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB und Snowflake verbinden. Auch Dateien aus Google Drive und SharePoint können in eine Analyse einfließen.

Der Agent übersetzt eine Frage nicht nur in eine Datenbankabfrage. OpenAI zufolge kann er untersuchen, warum sich eine Kennzahl verändert hat, unterstützende Belege prüfen, Folgeanweisungen entgegennehmen und seine Erkenntnisse in ein interaktives Dashboard überführen.

Dieser Workflow zielt auf eine vertraute Verzögerung in großen Unternehmen. Eine Vertriebsleitung bemerkt, dass sich Verlängerungen abgeschwächt haben, bittet einen Analysten um eine Erklärung und wartet, während dieser geeignete Tabellen findet. Der Analyst muss anschließend Definitionen bestätigen, Joins prüfen, Dashboards abgleichen und die Erkenntnisse aufbereiten.

Der OpenAI Data Agent verdichtet diese Schritte zu einer konversationellen Schleife. Ein Nutzer kann fragen, warum die Zahl wöchentlich aktiver Nutzer gesunken ist, Vergleiche mit früheren Zeiträumen anfordern und den Agenten auf wahrscheinliche Ursachen lenken. Der Agent kann dann zusätzliche Prüfungen vorschlagen, statt mit einem statischen Diagramm zu enden.

OpenAI sagt außerdem, dass der Agent Dashboards in Omni, Oracle BI, Power BI, Sigma, Tableau und ThoughtSpot erstellen oder mit ihnen interagieren kann. Dieses Detail ist wichtig, weil OpenAI nicht von jedem Kunden verlangt, seine aktuelle Visualisierungsschicht sofort aufzugeben.

Stattdessen wird ChatGPT Work zu einer Orchestrierungsoberfläche. Der Agent kann über Datenspeicher, Geschäftsdokumente, semantische Systeme und bestehende Dashboards hinweg arbeiten, während diese Systeme als Quellen der Wahrheit erhalten bleiben.

Eine semantische Schicht ist eine regulierte Sammlung von Definitionen, die erklärt, wie ein Unternehmen Kennzahlen wie Umsatz, Bindung und aktive Nutzer berechnet. Diese Definitionen verhindern, dass verschiedene Teams demselben Begriff unterschiedliche Bedeutungen zuordnen.

OpenAI zufolge kann sein Agent Kennzahlendefinitionen, benutzerdefinierte Berechnungen, Beziehungen und Geschäftsterminologie aus Quellen wie dbt, GitHub, Snowflake Horizon und Databricks Genie Ontology nutzen. Diese Verankerung unterscheidet das Produkt von einer generischen Text-zu-SQL-Oberfläche.

Administratoren behalten eine zentrale Rolle. Sie wählen verfügbare Verbindungen aus, konfigurieren Datenquellen-Plugins und entscheiden, welche Rollen sie nutzen dürfen. Abfragen sollen die bestehenden Tabellen-, Zeilen- und Spaltenberechtigungen des verbundenen Nutzers durchsetzen.

Der Agent erscheint als Data im Verzeichnis für ChatGPT Work Plugins. Nachdem ein Administrator ihn installiert und relevante Verbindungen konfiguriert hat, können Mitarbeitende ihn aufrufen, indem sie in einer Konversation @Data ansprechen.

OpenAI zufolge kann der letzte Schritt über die Analyse hinausgehen. Der Agent kann Personen identifizieren, die beteiligt werden sollten, nächste Maßnahmen empfehlen, Erkenntnisse über Slack oder E-Mail teilen und von einem Nutzer genehmigte Aktionen ausführen.

Dieser Verlauf verändert die Wettbewerbslage. Ein Dashboard hilft traditionell jemandem zu verstehen, was passiert ist. Ein Agent, der eine Veränderung analysiert und eine Reaktion anstößt, beginnt um die Kontrolle über den Entscheidungsworkflow selbst zu konkurrieren.

Enterprise-Analytics wird zum Kampf um den ersten Zugangspunkt

OpenAI setzt Analytics-Anbieter unter Druck, indem ChatGPT zum ersten Ort wird, an den sich Mitarbeitende mit einer Geschäftsfrage wenden.

Business-Intelligence-Plattformen arbeiten seit Jahren daran, über statische Berichte hinauszugehen. Tableau, Power BI, Looker, ThoughtSpot und neuere Datenplattformen unterstützen bereits natürlichsprachliche Fragen, automatisierte Erklärungen und assistierte Visualisierung.

Der OpenAI Data Agent erscheint nicht vor diesem Wandel. Er kommt, nachdem konversationelle Analysen branchenweit zu einer strategischen Priorität geworden sind.

Google hat Conversational Analytics in BigQuery am 30. Juni 2026 allgemein verfügbar gemacht. Sein System ermöglicht technischen und geschäftlichen Nutzern, mehrstufige Analysen auszuführen und in BigQuery mit natürlicher Sprache visuelle Berichte zu erstellen.

Googles konversationelle Analysen können auch cloudübergreifende Quellen erreichen, darunter Databricks Unity, AWS Glue, SAP und Salesforce. Datenteams können spezialisierte Agenten in Gemini Enterprise, Data Studio oder benutzerdefinierten Anwendungen veröffentlichen.

Das verschafft Google eine klare Position in diesem Wettbewerb. Das Unternehmen kontrolliert ein bedeutendes Cloud Data Warehouse, die Modellfamilie Gemini, Enterprise-Oberflächen und die Infrastruktur, auf der viele Abfragen ausgeführt werden.

OpenAI verfolgt einen anderen Weg. Es möchte ChatGPT Work über mehreren Datenplattformen positionieren, einschließlich der Systeme von Wettbewerbern. Das Produkt kann zur gemeinsamen Konversationsebene werden, selbst wenn das zugrunde liegende Warehouse Google, Snowflake, Databricks oder Amazon gehört.

Deshalb erzeugt die Einführung Druck, der über die traditionelle Business Intelligence hinausgeht. Die Plattform, die den Ausgangspunkt eines Mitarbeiters kontrolliert, kann beeinflussen, welche Tools sichtbar bleiben und welche zur hinter einer Konversation verborgenen Infrastruktur werden.

Eine Finanzleitung könnte nicht länger einen Dashboard-Katalog öffnen, einen Bericht auswählen und Filter anpassen. Sie könnte in ChatGPT beginnen, die Entscheidung beschreiben und den Agenten relevante Datensätze und Dashboards finden lassen.

Diese Verschiebung beseitigt BI-Plattformen nicht automatisch. Die angekündigten Integrationen von OpenAI deuten auf einen mehrschichtigen Markt hin, in dem ChatGPT Absicht und Orchestrierung übernimmt, während etablierte Systeme regulierte Kennzahlen, Speicherung, Visualisierung und Zugriffskontrolle bereitstellen.

Die strategische Frage lautet, wer die dauerhafte Nutzerbeziehung erfasst. Wenn die meisten Analysen in ChatGPT beginnen, läuft ein bestehendes Dashboard-Produkt Gefahr, zu einem Darstellungsziel statt zum primären Arbeitsbereich zu werden.

Die Partner von OpenAI erkennen diese Möglichkeit, doch die Teilnahme erweitert auch ihre Reichweite. Microsoft sagt, dass Power-BI-Nutzer Dashboards erstellen können, indem sie Geschäftsfragen beschreiben. Tableau betont, dass seine semantische Schicht Antworten verankern kann, während ChatGPT einen weiteren Arbeitsort bereitstellt.

Snowflake positioniert seine regulierten Daten und Zugriffskontrollen als gemeinsame Grundlage, unabhängig davon, wo ein Mitarbeiter die Frage stellt. Databricks präsentiert Genie in ähnlicher Weise als Kontextebene, die Unternehmensdaten mit vertrauenswürdigen Antworten verbindet.

Diese Aussagen offenbaren eine ausgehandelte Grenze. OpenAI möchte die konversationelle Erfahrung besitzen, während Partner die Autorität über Daten, Definitionen und Governance bewahren wollen.

Google ist der deutlichste Hauptgegner, weil es diese Schichten intern kombinieren kann. Seine Analytics-Agenten arbeiten nah an BigQuery-Daten und können in Gemini Enterprise wechseln, ohne von einer externen Konversationsoberfläche abhängig zu sein.

Der plattformübergreifende Ansatz von OpenAI bietet Flexibilität, erzeugt jedoch auch Integrationsaufwand. Jedes zusätzliche System bringt andere Schemata, Berechtigungen, Metadatenkonventionen, Aktualisierungspläne und operative Einschränkungen mit sich.

Der Wettbewerb entscheidet sich daher anhand von mehr als Funktionslisten. Kunden müssen entscheiden, ob eine unabhängige Orchestrierungsschicht genügend Komfort bietet, um einen weiteren kritischen Kontrollpunkt in ihrer Analytics-Architektur zu rechtfertigen.

Geschäftskontext, nicht SQL, ist der schwierige Teil

Der OpenAI Data Agent ist nur erfolgreich, wenn er zwischen einer technisch gültigen Antwort und der Antwort unterscheiden kann, die ein Unternehmen tatsächlich meint.

Große Sprachmodelle können syntaktisch korrektes SQL erzeugen und dabei die falsche Tabelle, Granularität, den falschen Filter oder die falsche Geschäftsdefinition wählen. Die resultierende Antwort kann überzeugend wirken, weil die Abfrage ausgeführt wird und das Diagramm stimmig erscheint.

OpenAI begegnete diesem Problem im eigenen Betrieb. Im Januar beschrieb das Unternehmen einen internen Data Agent, der mehr als 3.500 Nutzer über mehr als 600 Petabyte und 70.000 Datensätze hinweg bedient.

Seine interne Architektur veranschaulicht, warum Unternehmensanalysen weit mehr als Datenbankzugriff erfordern. Das System kombiniert Schemametadaten, historische Abfragen, menschliche Anmerkungen, aus Code abgeleiteten Kontext, institutionelles Wissen, Speicher und Live-Inspektionen des Data Warehouse.

Schemametadaten informieren den Agenten über Spalten und Datentypen. Tabellen-Lineage beschreibt, wie Datensätze verbunden sind und welche vorgelagerten Prozesse sie erzeugt haben. Historische Abfragen zeigen verbreitete Joins und etablierte Nutzungsmuster.

Diese Bestandteile können eine Organisation dennoch nicht vollständig erklären. Zwei Tabellen können ähnliche Felder enthalten, jedoch unterschiedliche Ausschlüsse anwenden. Eine scheinbar einfache Kennzahl kann von undokumentierten Konventionen, experimentellen Filtern oder produktspezifischer Logik abhängen.

Der interne Agent von OpenAI begegnet dieser Mehrdeutigkeit mit von Menschen verfassten Beschreibungen und Analysen auf Codeebene. Codex untersucht Pipelines, um Eigentümerschaft, Granularität, Abhängigkeiten, Join-Schlüssel und Aktualisierungsverhalten einer Tabelle abzuleiten.

Der Agent kann außerdem institutionellen Kontext aus Workplace-Systemen abrufen. Interne Dokumente können Produkteinführungen, Vorfälle, Codenamen und verbindliche Kennzahlendefinitionen erklären, die Datenbankschemata nicht ausdrücken können.

Speicher fügt eine weitere Ebene hinzu. Wenn Nutzer einen subtilen Filter korrigieren oder einen mehrdeutigen Begriff erläutern, kann das interne System diese Erkenntnis für spätere Konversationen bewahren. OpenAI sagt, Nutzer könnten diese Erinnerungen überprüfen und bearbeiten.

Der kommerzielle OpenAI Data Agent folgt derselben zentralen Idee, auch wenn OpenAI öffentlich nicht bestätigt hat, dass jede Kundenbereitstellung die interne Architektur vollständig nachbildet. Unternehmensspezifischer Kontext muss den Rohzugriff begleiten.

Dieser Mechanismus erklärt die Integrationen mit semantischen Systemen. OpenAI benötigt Databricks Genie Ontology, dbt-Modelle, Snowflake Horizon, BI-Dashboards und andere vertrauenswürdige Quellen, weil das Modell nicht jede Geschäftsregel sicher ableiten kann.

Er erklärt auch, warum etablierte Datenanbieter schwer zu verdrängen bleiben. Snowflakes Cortex Analyst verankert natürlichsprachliche Fragen bereits in semantischen Modellen, die mit strukturierten Daten verbunden sind.

Google ermöglicht Teams, Datenagenten mit verifizierten Abfragen, benutzerdefinierten Metadaten, Glossarbegriffen und expliziten Anweisungen zu konfigurieren. Die Dokumentation empfiehlt, generierte Ergebnisse zu validieren, da plausibel wirkende Antworten dennoch sachlich falsch sein können.

OpenAI steht vor derselben grundlegenden Einschränkung. Ein Reasoning-Modell kann mehrere Hypothesen untersuchen, doch seine Zuversicht garantiert nicht, dass der ausgewählte Datensatz die von der Organisation genehmigte Wahrheit abbildet.

Der praktische Test besteht nicht darin, ob ein Agent ein Dashboard erstellt. Entscheidend ist, ob ein Analyst die Belege prüfen, die Logik reproduzieren und die Annahme hinter einem unerwarteten Ergebnis erkennen kann.

Hier wird Wissensmanagement ebenfalls zur operativen Infrastruktur. Teams benötigen gepflegte Definitionen, dokumentierte Entscheidungen und durchsuchbaren Geschäftskontext, bevor ein Agent abteilungsübergreifend zuverlässig schlussfolgern kann.

Eine gut organisierte AI knowledge base kann Mitarbeitenden helfen, relevanten Kontext zu finden. Enterprise Analytics stellt darüber hinaus strengere Anforderungen an Datenherkunft, Berechtigungen, Freigaben und die Verantwortung für Kennzahlen.

Ohne dieses Fundament kann Self-Service-Analyse Meinungsverschiedenheiten vervielfachen, statt sie aufzulösen. Mehr Mitarbeitende können Antworten erzeugen, doch jede Antwort kann auf einer anderen Auslegung des Geschäfts beruhen.

Das Vertrauensproblem verschwindet nicht hinter einem Dashboard

Ein professionell gestaltetes Diagramm kann einen Analysefehler gefährlicher machen, weil es unsicherem Schlussfolgern den Anschein gesicherter Belege verleiht.

OpenAI erklärt, Nutzer könnten die Belege hinter jedem Ergebnis prüfen und eine Untersuchung dialogbasiert verfeinern. Dieses Design ist einer einmaligen Antwort vorzuziehen, doch öffentliche Details belegen bislang keine Fehlerraten über unterschiedliche Kundenumgebungen hinweg.

Die Launch-Materialien enthalten vielversprechende Kundenbeispiele. NTT DATA berichtet, dass technisch nicht versierte Mitarbeitende im Vertrieb und in Unternehmensfunktionen mithilfe natürlicher Sprache Dashboards erstellt und aktualisiert hätten. Das Unternehmen nennt Lizenzierung, Aufwand und technisches Fachwissen als Hindernisse für eine breitere Nutzung von Dashboards.

ServiceTitan erklärt, sein Team habe ein Dashboard erstellt, das darauf hindeutete, dass Nutzer seines Atlas assistant Kampagnen etwa dreimal so häufig starteten wie Nichtnutzer. Das Ergebnis habe Berichten zufolge Änderungen beim Onboarding beeinflusst.

CookUnity berichtet, sein Growth-Team habe ein Dashboard für saisonale Conversion-Raten erstellt, die Ausgabe mit internen Berichten abgeglichen und den Planungsaufwand reduziert. Dieser Verifizierungsschritt ist bedeutsam, weil er einen unabhängigen Referenzpunkt bewahrte.

Ein weiterer Evaluierungspartner, micro1, erklärt, sein Operations-Team habe Dashboards zur Performance-Nachverfolgung in einer halben Stunde neu erstellt und Fehler in den Originalen gefunden. Diese Berichte zeigen nützliche Szenarien, bleiben jedoch Kundenaussagen, die von OpenAI präsentiert werden.

Sie liefern keinen standardisierten Vergleich hinsichtlich Genauigkeit, Latenz, gesamter Betriebskosten, Berechtigungsfehlern oder Prüfzeit durch Analysten. OpenAI hat keine breit angelegten unabhängigen Belege veröffentlicht, die zeigen, wie häufig der kommerzielle Agent ohne Eingriff zu einer korrekten Schlussfolgerung gelangt.

Die Unterscheidung ist wichtig, weil Analysefehler mehrere Ebenen haben. Die generierte Abfrage kann ungültig sein, die ausgewählte Tabelle ungeeignet oder die Geschäftsfrage zu mehrdeutig für eine einzige belastbare Antwort.

Selbst eine korrekte Berechnung kann zu einer irreführenden Empfehlung führen. Ein Rückgang bei Verlängerungen kann mit dem Supportaufkommen korrelieren, doch diese Beziehung beweist nicht, welche operative Änderung die Kundenbindung verbessern wird.

Wenn der Agent mit Werkzeugen zur Ausführung von Aktionen ausgestattet wird, steigen die Folgen dieser Fehler. Einen Bericht zu versenden ist weniger riskant, als eine Kampagne zu ändern, Personal umzuverteilen oder einen Kundenworkflow anzupassen.

Menschliche Freigabe bietet einen Kontrollpunkt, doch die Qualität der Freigabe hängt von Transparenz ab. Ein Manager kann eine Aktion nicht sinnvoll überwachen, ohne die Daten, Annahmen, Sicherheit und alternativen Erklärungen dahinter zu verstehen.

Berechtigungen stellen eine weitere Herausforderung dar. OpenAI erklärt, Abfragen folgten bestehenden Zugriffsregeln, einschließlich Einschränkungen auf Zeilen- und Spaltenebene. Das schützt den direkten Abruf, doch Unternehmen müssen auch berücksichtigen, was ein generiertes Dashboard durch Aggregation offenlegt.

Ein Mitarbeiter kann möglicherweise nicht auf einzelne Datensätze zugreifen und dennoch sensible Informationen aus einer kleinen Gruppe ableiten. Sicherheitsteams werden testen müssen, ob bestehende Richtlinien bei Folgefragen und kombinierten Quellen wie beabsichtigt funktionieren.

Systemübergreifendes Schlussfolgern schafft zusätzliche Risiken. Eine Frage, die Vertriebs-, Produkt-, Finanz- und Supportdaten zusammenführt, kann gerade deshalb wertvoll sein, weil diese Bereiche zuvor getrennt waren.

Sie kann aber auch eine Antwort hervorbringen, zu deren Autorisierung kein einzelnes System vorgesehen war. Administratoren müssen prüfen, ob die Kombination einzeln zulässiger Fakten eine eingeschränkte geschäftliche Schlussfolgerung offenlegt.

Auch die Memory-Funktion verdient eine ähnliche Prüfung. Das Merken von Korrekturen kann künftige Analysen verbessern, doch Organisationen benötigen eine klare Verantwortung für geteilte Erinnerungen. Eine fehlerhafte Regel sollte nicht unbemerkt zu einer dauerhaften Quelle der Wahrheit werden.

Teams benötigen zudem Änderungskontrollen, wenn sich die Definition einer Kennzahl weiterentwickelt. Der Agent muss wissen, welche Definition für frühere Zeiträume, aktuelle Berichte, regulierte Offenlegungen und experimentelle Analysen gilt.

OpenAIs eigene Nutzung liefert ermutigende Hinweise darauf, dass die Architektur in erheblichem Umfang betrieben werden kann. Das Unternehmen erklärt, fast sein gesamtes Produktteam und mehr als zwei Drittel seiner Go-to-Market-Organisation nutzten Datenagenten in ChatGPT Work.

OpenAI ist jedoch eine ungewöhnlich AI-native Umgebung. Seine Mitarbeitenden, Datenteams, internen Werkzeuge und seine Bereitschaft zum Experimentieren repräsentieren nicht jeden Gesundheitsdienstleister, jede Bank, jeden Hersteller oder jede Behörde.

Das Unternehmen hat sein internes System zudem um seine eigenen Workflows herum aufgebaut. Ein Kunde, der mehrere etablierte Plattformen verbindet, übernimmt eine organisatorische Komplexität, die eine Produktintegration nicht automatisch bereinigen kann.

Für Käufer sind die sichersten frühen Einsätze solche mit klaren Kennzahlen, abgegrenzten Datenquellen, überprüfbaren Abfragen und reversiblen Aktionen. Empfehlungen mit hohem Risiko benötigen eine stärkere Evaluierung als ein Dashboard, das Kampagnenaktivitäten zusammenfasst.

Der OpenAI Data Agent sollte daher als analytischer Kollaborateur beurteilt werden, nicht als unhinterfragte Entscheidungsmaschine. Sein Wert hängt davon ab, wie gut er Unsicherheit sichtbar macht und Verifizierung unterstützt, wenn die Belege unvollständig sind.

Drei Signale werden den Wettbewerb bei Enterprise Analytics entscheiden

Die nächste Phase wird durch verifizierte Nutzung, Governance unter realen Arbeitslasten und die Reaktion von Plattformen entschieden, die bereits Unternehmensdaten kontrollieren.

Das erste Signal ist eine anhaltende Nutzung über Alpha-Programme hinaus. OpenAI hat Organisationen genannt, die Vertriebs-, Ausgaben-, Berichts-, Personal- und Betriebsanalysen testen, doch anfängliche Begeisterung belegt keine dauerhafte Einführung.

Beobachten Sie, ob technisch nicht versierte Mitarbeitende den Agenten nach den ersten Demonstrationen weiterhin nutzen. Wiederholte wöchentliche Nutzung, geteilte Dashboards und reduzierte Analyse-Rückstände würden OpenAIs Behauptung stärken, dass dialogbasierte Untersuchungen zur Routinearbeit werden können.

Auch die Qualität der Fragen ist wichtig. Einfache Zusammenfassungen sind weithin verfügbar. Dauerhafte Differenzierung verlangt, dass Nutzer dem Agenten mehrstufige Untersuchungen anvertrauen, die Datensätze übergreifen und bestehende Berichte infrage stellen.

Ein Anstieg solcher Workflows würde OpenAIs Front-Door-Strategie untermauern. Bleibt die Nutzung auf die Erstellung einfacher Diagramme beschränkt, werden etablierte BI-Oberflächen einen größeren Teil ihrer heutigen Rolle behalten.

Das zweite Signal sind Belege zu Genauigkeit und Governance. Unternehmen sollten auf veröffentlichte Evaluierungsmethoden, Audit-Funktionen, Korrektur-Workflows und klare Grenzen für Aktionen achten.

OpenAIs eigene Unternehmensdaten deuten darauf hin, dass die Nutzung in Richtung tieferer Delegation geht. Stand Juni 2026 erzeugte Codex bei Unternehmenskunden 64 Prozent der kombinierten Output-Token von Codex und ChatGPT.

Das Unternehmen berichtete zudem, dass seine Unternehmenskunden mit der höchsten Nutzung pro aktivem Nutzer 8,3-mal mehr Output-Token erzeugten als typische Unternehmen. OpenAI weist darauf hin, dass das Tokenvolumen ein unvollkommener Maßstab für geschäftlichen Wert ist.

Dieser Vorbehalt gilt unmittelbar für Datenagenten. Mehr Abfragen, längere Untersuchungen und zusätzliche Dashboards beweisen keine besseren Entscheidungen. Käufer benötigen Messgrößen, die mit Korrektheit, Analystenprüfung, eingesparter Zeit und Geschäftsergebnissen verknüpft sind.

Ebenso aufschlussreich wird die Berichterstattung über Vorfälle sein. Eine transparente Darstellung fehlgeschlagener Joins, veralteten Kontexts, von Berechtigungsfehlern oder irreführenden Empfehlungen würde Kunden helfen, die operative Reife einzuschätzen.

Wenn OpenAI reproduzierbare Evaluierungen über unterschiedliche Warehouses und semantische Ebenen hinweg liefert, wird seine plattformübergreifende Position glaubwürdiger. Bleiben die Belege von ausgewählten Kundenberichten dominiert, bleibt die Vertrauenslücke bestehen.

Das dritte Signal ist die Reaktion von Google und den Anbietern von Datenplattformen. Google bietet bereits allgemein verfügbare dialogbasierte Analysen innerhalb von BigQuery an und stellt Agenten über Gemini Enterprise und APIs bereit.

Seine data agent controls umfassen verifizierte Abfragen, benutzerdefinierte Anweisungen, Glossarbegriffe, Zugriffsbeschränkungen und Audit-Protokollierung. Google verhindert außerdem, dass diese Agenten in der dokumentierten BigQuery-Umgebung Schreiboperationen oder Datenmanipulationsabfragen ausführen.

Diese Grenze schafft einen klaren Kontrast. OpenAI betont den Übergang von der Analyse zur freigegebenen Aktion, während Googles dokumentierte BigQuery-Kontrollen eine eingeschränkte Analyseumgebung hervorheben.

Keiner der beiden Ansätze ist universell besser. Ein enger abgegrenztes System kann leichter zu steuern sein, während ein breiterer Agent mehr Reibung in Workflows beseitigen kann.

Snowflake, Databricks, Microsoft, Tableau und weitere Partner müssen ebenfalls entscheiden, wie viel der Nutzererfahrung sie abtreten wollen. Sie können ChatGPT-Integrationen vertiefen, ihre eigenen Agenten stärken oder semantische Governance zu ihrer wichtigsten Quelle der Differenzierung machen.

Die Unterstützung durch Partner hilft OpenAI derzeit, Unternehmensdaten zu erreichen, ohne eine vollständige Migration zu verlangen. Mit der Zeit könnten genau diese Partner jedoch dagegenhalten, zu austauschbaren Back-End-Diensten hinter ChatGPT zu werden.

Die entscheidende Wettbewerbsreaktion wird sich daher im Produktverhalten zeigen, nicht in Launch-Aussagen. Beobachten Sie, wo Dashboards erstellt werden, wo Definitionen bearbeitet werden, wo Berechtigungen verwaltet werden und wohin Nutzer für Folgefragen zurückkehren.

Unternehmen sollten mit einem folgenreichen, aber überprüfbaren Workflow beginnen. Ein Produktteam könnte einen Rückgang der Akzeptanz untersuchen, die Erkenntnisse mit einem genehmigten Dashboard vergleichen und jede erforderliche Korrektur dokumentieren.

Dieser Test sollte mehrdeutige Begriffe, veraltete Dokumentation, eingeschränkte Spalten und widersprüchliche Kennzahlen umfassen. Er sollte außerdem messen, wie viel Analystenzeit sich vom Schreiben von Abfragen hin zu Prüfung und Governance verlagert.

Der OpenAI Data Agent macht Enterprise Analytics leichter zugänglich, doch der Zugang war nie der einzige Engpass. Vertrauenswürdiger Kontext, sorgfältige Berechtigungen und verantwortbare Entscheidungen bleiben die schwierigere Arbeit.

Die zentrale Frage für Käufer ist nun praktisch: Hilft der Agent mehr Menschen dabei, belastbare Antworten zu erreichen, oder ermöglicht er lediglich mehr Menschen, überzeugende Dashboards zu erstellen?

Organisationen, die diese Unterscheidung sorgfältig testen, werden erkennen, wo dialogbasierte Analysen hingehören. Wer flüssig formulierte Ausgaben als verifizierte Wahrheit behandelt, riskiert, die teuerste Art von Fehler zu automatisieren.