Data Intelligence bezeichnet Datenplattformen, die Speicherung und Auswertung von Unternehmensdaten mit Künstlicher Intelligenz (KI) verbinden, inklusive KI-Agenten, die selbstständig Aufgaben ausführen. Die Plattform kennt dabei die Bedeutung der eigenen Daten: wer sie besitzt (Governance), wie sie zusammenhängen (Metadaten, also Daten über die Daten) und was einzelne Kennzahlen fachlich meinen. Der Begriff wurde 2024 vom Anbieter Databricks als Kategorie-Bezeichnung geprägt (Data Intelligence Platform).
Was ist Data Intelligence?
Data Intelligence beschreibt eine Datenplattform mit eingebauter KI-Schicht, die den fachlichen Sinn der eigenen Daten kennt. Das KI-Modell wird auf drei Dinge trainiert: den Datenkatalog (Übersicht aller Tabellen und Kennzahlen), die Business-Definitionen (was heißt „Umsatz" im Reporting?) und die Lineage (Herkunfts-Nachweis der Daten, also aus welcher Quelle jede Zahl stammt). Fachbereichs-Nutzer stellen Fragen in natürlicher Sprache; die Plattform übersetzt sie in korrekte Datenbank-Abfragen, findet passende Kennzahlen-Definitionen oder schlägt neue Auswertungen vor.
Der Kategorie-Begriff wurde im Frühjahr 2024 durch Databricks-CEO Ali Ghodsi auf dem Data + AI Summit als Nachfolge-Frame zum bereits etablierten Lakehouse eingeführt. Ziel war die Positionierung gegen die Kategorien Cloud Data Warehouse (Snowflake) und Modern Data Stack (Fivetran/dbt/Snowflake/BI-Tools). Der Frame verschiebt den Fokus von einzelnen Werkzeugen zur Plattform-Ebene: Datenschicht, ML-Runtime, agentische BI und Governance werden als gebündeltes Produkt auf einer gemeinsamen Katalog-Basis adressiert.
Bausteine typischer Data-Intelligence-Plattformen sind ein Lakehouse als offene Datenschicht (Delta Lake, Apache Iceberg), ein einheitlicher Katalog mit Business-Semantik und Lineage (Unity Catalog oder vergleichbare Lösungen), eine ML- und AI-Runtime (Model Serving, Feature Store, Vector Search), eine agentische BI-Schicht mit natürlicher Sprache (etwa Databricks Genie) sowie ein Business-Glossar mit Owner-Zuordnung. Der Katalog fungiert als geteilte Wahrheits-Quelle für Analyse, KI und Governance.
Marktseitig ist der Begriff Vendor-geprägt und wird von Analysten unterschiedlich einsortiert: Gartner nutzt Unified Data & AI Platform, Forrester spricht von AI Data Platform. Snowflake positioniert die eigene Plattform als AI Data Cloud. Die Kategorien überlappen inhaltlich, unterscheiden sich aber in der architektonischen Wurzel: Lakehouse-first bei Databricks, Warehouse-first bei Snowflake.
Abgrenzung zu verwandten Begriffen
Data Intelligence ist eine Plattform-Kategorie, keine Methode und keine analytische Disziplin. Die Verwechslungsgefahr besteht vor allem gegenüber älteren Kategorie-Begriffen aus BI und Analytics.
| Begriff | Achse | Kernunterschied |
|---|---|---|
| Business Intelligence | Anwendungs-Layer | BI beantwortet in Dashboards und Berichten deskriptive und diagnostische Fragen. Data Intelligence ist der Plattform-Rahmen, auf dem BI als ein Auslieferungs-Kanal aufsetzt. |
| Advanced Analytics | Methode | Advanced Analytics ist eine Methoden-Kategorie (Predictive, Prescriptive, ML). Data Intelligence bündelt Advanced Analytics zusammen mit BI, GenAI und Agenten auf einer Governance-Basis. |
| Business Analytics | Organisation | Business Analytics ist der organisatorische Rahmen für Prozesse, Kennzahlen und die Analytik-Funktion. Data Intelligence ist die technische Plattform-Kategorie darunter. |
| Data Lakehouse | Architektur | Das Lakehouse ist die Speicher- und Engine-Ebene mit offenen Formaten und ACID. Data Intelligence ist das Kategorie-Label darüber, das Lakehouse-Foundation plus KI-/Agenten-Schicht als Produkt-Bündel adressiert. |
| Snowflake AI Data Cloud | Konkurrenz-Kategorie | Konkurrenz-Kategorie ähnlicher Reichweite mit Warehouse-first-Architektur. Data Intelligence Platform startet Lakehouse-first mit offenen Tabellen-Formaten. |
Am wichtigsten ist die Trennung zur Business Intelligence: BI ist eine Anwendungs-Kategorie mit klarem Auslieferungs-Format (Bericht, Dashboard, Kennzahl). Data Intelligence ist eine Plattform-Kategorie, die BI enthält, aber ML-Workloads, Agenten und generative Anwendungsfälle auf denselben Katalog-Assets ergänzt.
Beispiel: Data Intelligence im Handel
Ein Handelsunternehmen betreibt Verkaufsdaten, Kunden-Historie und Produkt-Katalog auf einer Databricks-Umgebung. Der Unity Catalog trägt das Business-Glossar mit Kennzahlen-Definitionen und Owner-Zuordnung; Genie beantwortet Fachbereichsfragen in natürlicher Sprache und übersetzt sie in Semantik-Layer-konforme SQL-Abfragen. Auf denselben Katalog-Assets laufen RAG-Agenten für interne Wissensfragen, während Model Serving Churn- und Preis-Scores in dieselben Dashboards liefert wie die klassischen BI-Kennzahlen.
Die Kategorie „Data Intelligence" beschreibt genau diese Bündelung. Analyse, KI-Modelle und agentische Zugriffe teilen sich Governance, Semantik und Datenschicht. Der Fachbereich stellt seine Frage über einen Dialog-Zugang, das ML-Team veröffentlicht Vorhersagen als Feature im Katalog, und die BI-Werkzeuge greifen auf dieselben zertifizierten Kennzahlen zu. Die Plattform-Kategorie hebt damit auf die architektonische Konsequenz ab: Ein Katalog, eine Governance, mehrere Verbrauchs-Kanäle.
Data Intelligence im eigenen Unternehmen umsetzen?
Wir zeigen, wie sich das in deiner Systemlandschaft konkret abbilden lässt.