Warum ist der Bedarf an BI umso höher, je intelligenter KI wird?
Im August 2026 veröffentlichte IDC den ersten Marktscape-Herstellerbewertungsbericht für den chinesischen Data-Agent-Bereich – „Bewertung chinesischer Data-Agent-Hersteller 2026“. Dieser Bericht deckt die gesamte Kette von Datenmanagement, Governance und Analyse ab und prüft die umfassenden Fähigkeiten des Data Agent, nicht nur eine einzelne Funktion. Die Bewertungsobjekte umfassen mehr als zehn führende Unternehmen aus Internetanbietern, Cloud-Dienstanbietern und Big-Data-Anbietern, darunter Akteure verschiedener Segmente wie Alibaba Cloud, Volcano Engine, Tencent Cloud und Transwarp.
Auf dieser Liste fällt ein bemerkenswertes Phänomen auf: Smartbi wurde als BI-Anbieter aufgenommen, rangiert unter den „Hauptanbietern“ und steht an erster Stelle der Hauptanbieter auf der Fähigkeitsachse, nahe der Grenze zum Führungsquadranten – es ist der einzige BI-Anbieter in dieser Bewertung.
Diese Information selbst stellt eine industrielle These dar. Auf dem chinesischen BI-Markt mangelt es nicht an Akteuren – IDC-Daten zeigen, dass der chinesische Markt für BI-Software im Jahr 2025 1,32 Milliarden US-Dollar erreicht hat und sechs Jahre in Folge ein Wachstum von über 25 % gegenüber dem Vorjahr aufweist. Wie kann ein BI-Anbieter in einem so überfüllten Segment mit welchen Fähigkeiten in das umfassende Bewertungssystem für Data Agent gelangen und eine fachliche Anerkennung erhalten?
Darüber hinaus geht es nicht nur um die Frage der Ursachenzuschreibung „Warum gerade Smartbi“. Noch bemerkenswerter ist, dass der Weg von Smartbi genau eine praktische Frage beantwortet, die derzeit zahlreiche Unternehmen plagt: Wohin soll die BI von Unternehmen im Zuge der AI-Welle gehen und wo kann die AI konkret umgesetzt werden?
In den kürzlich von Smartbi veröffentlichten Signalen zur strategischen Geschäftsaktualisierung finden wir Hinweise. Der Kern liegt nicht darin, „von BI zu AI zu wechseln“, sondern die Beziehung zwischen BI und AI aus der Perspektive des Unternehmensaufbaus neu zu definieren: BI ist die Grundlage, die vertrauenswürdige Daten, einheitliche Indikatoren, Analysemodelle, Berechtigungssysteme und Geschäftsanwendungen bereitstellt; AI ist der Motor, der die Effizienz der Aufrufung, Kombination und Analyse dieser Vermögenswerte steigert; erst die Verschmelzung beider bildet die Umsetzungsgrundlage für den Einsatz von AI in komplexen Unternehmensszenarien.
Diese Beziehung ist genau ein Schlüssel zum Verständnis der Wettbewerbslogik im Zeitalter des Data Agent.
Die Schwelle der ersten Data-Agent-Bewertung: Von „Sichtbar“ zu „Vertrauenswürdig“
Um zu verstehen, warum die meisten BI-Anbieter die Schwelle dieses Berichts „nicht erreichen können“, muss zuerst die Bewertungslogik von IDC aufgeschlüsselt werden.
Gemäß dem öffentlichen Forschungsrahmen von IDC bewertet diese Marktscape-Bewertung nicht, ob eine einzelne AI-Konversationsfunktion gut funktioniert, sondern die umfassenden Fähigkeiten des Data Agent – die gesamte Kette von Datenintegration, Datengovernance und Datenentdeckung bis hin zur Indikatorentwicklung, Wissensverwaltung und Analyseentscheidung. Mit anderen Worten: Der Bericht prüft nicht, „ob es AI-Funktionen gibt“, sondern „ob die AI-Fähigkeit den gesamten Datenprozess wirklich durchdringen kann“.
Das ist genau die Schwelle. Gemäß der Definition von IDC im „Marktübersicht für chinesische Data Agent, 1. Quartal 2026“ ist Data Agent ein System, „das Agent zur Verwaltung und Governance von Daten nutzt, um über konversationelle oder Low-Code-Schnittstellen präzise Abfragen, Analysen und Entscheidungen zu realisieren und die Schwelle für den Erkenntnisgewinn zu senken“ – es ist nicht das Agent-Tool selbst, sondern eine Einbettung von Agent-Fähigkeiten in breite Szenarien wie Datenintegration, Datengovernance, Indikatorentwicklung und Wissensverwaltung. Diese Definition bestimmt: Data Agent bedeutet nicht, dass ein Konversationsfenster über BI-Berichte gelegt wird, sondern erfordert, dass Anbieter über einen vollständigen Fähigkeitsstack von der zugrunde liegenden Datengovernance bis hin zur übergeordneten intelligenten Entscheidung verfügen.
In der Vergangenheit wurde der Wert von BI von Nutzern hauptsächlich über Berichte, Cockpits und Self-Service-Analysen wahrgenommen, und die Wettbewerbsfähigkeit der Produkte konzentrierte sich auf diese sichtbaren Darstellungsebenen; während Indikatorsysteme, Geschäftsmodelle, Berechtigungsgovernance und Analysemethoden lange Zeit im Hintergrund verborgen blieben. Nach dem Eintritt in die Data-Agent-Phase hat sich diese Wertstruktur grundlegend umgekehrt: Was früher im Hintergrund verborgen war, bestimmt nun direkt, ob die AI-Antwort vertrauenswürdig ist. Jede Frage, die Nutzer an AI stellen, und jede Schlussfolgerung, die sie erhalten, basiert darauf, ob die Indikatordefinition eindeutig ist, die Kaliber einheitlich sind, die Berechtigungen getrennt sind und die Analysemethoden geschäftlich validiert wurden. Wenn sich der Bewertungsstandard von „sehen die Berichte gut aus“ zu „sind die AI-Antworten vertrauenswürdig“ weiterentwickelt, können Anbieter ohne zugrunde liegende Governance-Fähigkeiten natürlich kaum in das System aufgenommen werden.
Die Einschätzung von Gartner stimmt damit überein. Im „Magic Quadrant für Analyse- und Business-Intelligence-Plattformen 2026“ wird die Marktentwicklung als „Agenten-AI, gesteuerte Semantik und AI-gestützte Entscheidungsunterstützung“ zusammengefasst, und „Agentic Insights“ werden als unverzichtbare Fähigkeit der Plattform aufgeführt. Die implizite Aussage ist klar: Die Verfügbarkeit von AI-Konversationsfunktionen ist nur der Einstieg, während nachvollziehbare AI-Schlussfolgerungen, die Fähigkeit, geschäftliche Kaliber von Unternehmen zu speichern, und die Möglichkeit, Analyseerfahrungen zu organisatorischen Vermögenswerten zu machen, die „Eintrittskarte“ sind.
Diese Eintrittskarte kann aber nicht im Labor „entwickelt“ werden, sondern muss in groß angelegten komplexen Szenarien „angesammelt“ werden. Ein BI-Anbieter kann drei Monate brauchen, um die neueste AI-Konversationstechnologie zu erreichen, aber er kann nicht in drei Monate die Lücken und Probleme schließen, die er in zehn Jahren der Lieferung für Großunternehmen erlebt hat. Dies erklärt auch, warum IDC „Umsatzgröße“ und „Produkt- und Technologiefähigkeiten“ als Kern Dimensionen gleichsetzt: Hinter der Umsatzgröße steht der Beweis, dass das Produkt des Anbieters in ausreichend vielen komplexen Szenarien validiert wurde. Ohne die Prüfung durch diese Szenarien sind technische Fähigkeiten nur Demo-Fähigkeiten, keine produktionsreifen Fähigkeiten.
Neben der Anhäufung von Ingenieurlieferungen gibt es eine noch verborgenere Schwelle – branchenspezifisches Know-how. Damit Data Agent wirklich „nutzbar“ ist, reicht eine allgemeine Datengovernance nicht aus: Wenn AI mit einem spezifischen betriebswirtschaftlichen Problem konfrontiert wird, muss es verstehen, was das angemessene Kaliber der Indikatoren in dieser Branche ist, wo die regulatorischen Grenzen liegen und wie die Geschäftsszenarien aufgeteilt werden. Das kann das Modell nicht mit allgemeinen Korpora „lernen“, sondern muss in echten Branchenprojekten „umgesetzt“ werden.
Smartbi ist seit langem in Branchen mit komplexen Datenumgebungen und strengen Kaliberanforderungen wie Finanzen, Regierung, Fertigung, Energie und Einzelhandel tätig und hat branchenspezifische Indikatorvorlagen, Analysemodelle und Geschäftsregeln wie Risikoexposition, Kapazitätsauslastung, Mensch-Ware-Ort und Regierungsindikatoren zu „Branchenvermögenswerten“ gemacht, die von Data Agent direkt aufgerufen werden können. Wenn branchenspezifisches Know-how in das Produkt einfließt, bedeutet das, dass AI nicht nur „ein Ergebnis“ liefert, sondern „eine Antwort, die dem branchenspezifischen Kontext entspricht und den Prüfungen der branchenüblichen Kaliber standhält“.
Die Bewertung von IDC für Smartbi, dass es „auf starken BI-Fähigkeiten als Grundlage basiert“, ist genau der Drittnachweis für diesen Weg. Smartbi hat in 15 Jahren mehr als 6000 Unternehmenskunden betreut, wiederholt in Branchen mit komplexen Datenumgebungen und strengen Compliance-Anforderungen wie Finanzen, Regierung, Fertigung und Energie geliefert und die Erfahrungen bei der Lösung von kaliberübergreifender Ausrichtung, hierarchieübergreifender Berechtigungsgovernance und regulatorischer Datenprüfung zusammen mit dem angesammelten branchenspezifischen Know-how zu einem Produktkern verfestigt. Wenn Ingenieurserfahrung und branchenspezifisches Know-how gleichzeitig in das Produkt einfließen, geht die Prüfung in unternehmensweiten Szenarien nicht mehr darum, „ob sie bestanden werden kann“, sondern „wie oft sie bereits bestanden wurde“.
BI und AI neu verstehen: Grundlage und Motor, keine Ersetzung nacheinander
Die Aufnahme von Smartbi verdient eine gesonderte Interpretation, weil sie eine weit verbreitete falsch verstandene Beziehung berührt.
In den vergangenen Jahren war in der AI-Boom eine Erzählung populär: Large Language Models können direkt mit Daten konversieren, sodass die BI als „Zwischenschicht“ übersprungen zu werden scheint. Aber Smartbi ist als BI-Anbieter in diese die gesamte Datenkette abdeckende Bewertung eingetreten und liefert mit Fakten eine gegenteilige Antwort: AI überspringt BI nicht, sondern braucht BI sogar.
Der Grund liegt darin, dass die Arbeitsteilung beider unterschiedlich ist, nicht dass ihr Status unterschiedlich hoch ist.
BI ist die Grundlage. Es sammelt einige der seltensten Dinge eines Unternehmens an: vertrauenswürdige Daten, eindeutige Indikatorkaliber, validierte Analysemodelle, hierarchisch getrennte Berechtigungssysteme und Geschäftsanwendungen, die bereits im täglichen Betrieb laufen. Diese Vermögenswerte scheinen „langsam“ zu sein, aber sie sind die Verfestigung der langjährigen Betriebslogik von Unternehmen und die Voraussetzung, die keine AI umgehen kann. Besonders bemerkenswert ist, dass diese Indikatorkaliber und Analysemodelle oft deutliche Branchenmerkmale aufweisen – das Kaliber der Risikoexposition im Finanzwesen, die Kapazitätsauslastung in der Fertigung und das Indikatorsystem für Mensch-Ware-Ort im Einzelhandel können nicht durch allgemeine Korpora bereitgestellt werden, sondern sind Know-how, das in branchenspezifischen Praktiken gewachsen ist. Large Language Models können „sprechen“, aber sie kennen die Indikatorkaliber, Berechtigungsgrenzen und Geschäftssemantik von Unternehmen nicht; so klug sie auch sind, sie können nicht aus dem Nichts „erraten“, dass Finanz- und Geschäftsabteilungen völlig unterschiedliche Definitionen für denselben Indikator haben.
AI ist der Motor. Sein Wert liegt nicht darin, BI zu ersetzen, sondern die Effizienz zu steigern, mit der diese vorhandenen Vermögenswerte aufgerufen, kombiniert und analysiert werden – der Ursachendevisionsprozess, der früher manuell durch mehrere Ebenen zur Meldung gedrückt und schrittweise abwärts gegangen ist, wird zu einer fortlaufenden Fragestellung komprimiert; die Analysemethoden, die überall verteilt sind, werden zu einem vollständigen Analyseprozess zusammengestellt. AI lässt die von BI angesammelten Vermögenswerte „schneller drehen“, aber es erzeugt selbst keine Vermögenswerte.
Daher ist es eine Fehlinterpretation, BI und AI als „Ersetzung nacheinander“ zu beschreiben, und es ist auch eine Fehlinterpretation, AI als unabhängige Fähigkeit darzustellen, die „ohne Datenbasis direkt eingesetzt werden kann“. Branchendaten liefern dazu einen Beweis: IDC prognostiziert, dass die weltweiten Ausgaben für unternehmensweite AI im Jahr 2026 940 Milliarden US-Dollar erreichen und bis 2029 auf 2,1 Billionen US-Dollar steigen werden, aber gleichzeitig wird erwartet, dass 50 % der AI-gesteuerten Szenarien bis Ende 2026 das ROI-Ziel nicht erreichen können, einer der Gründe ist genau die „schwache Datenbasis“. Hinter der Koexistenz von hohen Investitionen und hoher Ausfallrate steht dasselbe Gesetz: Wenn die Indikatorkaliber von Unternehmen nicht einheitlich sind, die Datenquellen nicht nachvollziehbar sind und die Geschäftssemantik keine standardisierte Definition hat, können selbst die leistungsstärksten Modelle nur auf chaotischen Daten „raten“, nicht „schlussfolgern“.
Das ist genau die strategische Bedeutung von Smartbi in diesem Jahr, die Indikatorplattform zu einem „Indikatorzentrum“ zu aktualisieren und Bai Ze auf Bai Ze V5 zu aktualisieren: Es geht nicht darum, „zu AI zu wechseln“, sondern die Grundlage fester zu machen und dann den Motor schneller drehen zu lassen. Das Indikatorzentrum konzentriert sich auf „eindeutige Indikatoren, vertrauenswürdige Daten, effiziente Verwaltung und einfache Datennutzung“ und beseitigt durch einen globalen Duplikatprüfmechanismus das Chaos von „einem Indikator mit mehreren Kalibern“, was nicht nur BI zuverlässig unterstützt, sondern auch eine solide Datengrundlage für AI-Anwendungen bildet; Bai Ze V5 hingegen nutzt den „doppelten Antrieb von Indikatorsystem und Multi-Agent-Koordination“, damit AI auf dieser vertrauenswürdigen Grundlage tiefe Analysen durchführen kann.
Grundlage und Motor sind unverzichtbar.
Ausgehend von der Phase des Unternehmens: Wann zuerst BI ergänzt wird und wann AI eingeführt wird
Nachdem die Beziehung geklärt ist, wird das Problem für Unternehmen zu einer pragmatischeren Entscheidung: Was ist zuerst zu tun, wenn die Ressourcen begrenzt sind?
Die Antwort liegt nicht darin, „BI oder AI zu wählen“, sondern zu beurteilen, in welcher Phase sich die eigene Datenbasis des Unternehmens befindet. Beide sind Fähigkeiten in ein und demselben Datensystem, die in verschiedenen Phasen unterschiedliche Probleme lösen, keine gegenseitig ausschließenden Optionen.
Wann sollte man zuerst BI ergänzen?
Wenn das Unternehmen die folgenden Signale zeigt, sollte die Priorität auf der Festigung der Grundlage liegen, nicht auf dem eiligen Einsatz von AI:
Die Indikatorkaliber sind noch nicht einheitlich, derselbe „Umsatz“ wird in verschiedenen Abteilungen unterschiedlich berechnet, und die Zahlen zwischen den Abteilungen stimmen nicht überein; das Berechtigungssystem fehlt oder ist chaotisch, jeder kann Daten einsehen, und unbefugter Zugriff kann nicht isoliert werden; die Datenquellen sind nicht nachvollziehbar, und wenn ein Problem auftritt, kann die Ursache nicht lokalisiert werden; die Analyseanwendungen sind noch unvollständig, selbst stabile Berichte und Self-Service-Analysen laufen noch nicht reibungslos.
Die Einführung von AI in diesem Fall entspricht dem Bau eines Hochhauses auf weichem Grund – je „schlauer“ das Modell ist, desto „selbstbewusster“ sind die falschen Schlussfolgerungen, die es erzeugt, und desto größer sind die Fehlentscheidungen, die verursacht werden. Zuerst die Kaliber zu vereinheitlichen, Daten zu verwalten und Berechtigungen einzurichten, damit die Basisdaten vertrauenswürdig sind, ist die Investition mit dem höchsten Kosten-Nutzen-Verhältnis in dieser Phase.
Wann ist es sinnvoll, AI einzuführen?
Wenn das Unternehmen bereits Datenmodelle, Indikatorsysteme und Berechtigungssysteme angesammelt hat und tägliche Berichte und Self-Service-Analysen stabil laufen, zeigt sich der Wert von AI – es kann unter der Voraussetzung, dass die vorhandenen Vermögenswerte nicht außer Kraft gesetzt werden, die Interaktionsweise von „Berichte ansehen“ zu „Antworten fragen“ aktualisieren und die Analysemethode von „manuelles Abwärtsgehen“ zu „intelligenter Ursachendevisation“ weiterentwickeln.
Das ist genau die Umsetzungslogik von Smartbi Bai Ze V5: Im Gegensatz zum Aufbau eines separaten AI-Analyses