Kontextsilos: Wie Warehouse-eigene KI die eben überwundenen Datensilos wieder aufbaut

Fast das ganze letzte Jahrzehnt über war das zentrale Vorhaben der Datenteams, Silos einzureißen. Daten steckten fest in Abteilungsdatenbanken, Tabellenkalkulationen und Anwendungen, die nie miteinander sprachen. Die Antwort hieß Konsolidierung: Cloud-Warehouses, Lakehouses und darüber ein Datenkatalog, damit das ganze Unternehmen einen geregelten Bestand abfragen kann statt eines Dutzends unverbundener. Diese Schlacht ist weitgehend gewonnen. Ihre Daten sind zentraler als je zuvor.

KI eröffnet sie still von Neuem, aus einer anderen Richtung. Die Speichersilos sind weg, doch eine Schicht darüber, dort wo der fachliche Kontext liegt, entsteht eine neue Art der Zersplitterung. Jede KI-Funktion muss wissen, was Ihre Daten bedeuten, bevor sie eine Frage beantworten oder etwas tun kann, und derzeit baut sich jedes Werkzeug dieses Verständnis selbst, im eigenen Format, hinter den eigenen Mauern. Die Daten sind geteilt. Die Bedeutung nicht.

Ein Kontextsilo ist ein abgeschotteter Bestand an fachlichem Kontext, den ein KI-Werkzeug aufbaut und nutzt und den kein anderes Werkzeug sieht. Darin steckt, was eine KI braucht, um nützlich zu sein: die Definitionen von Kennzahlen und Entitäten, ihre Beziehungen untereinander, die Zugriffsregeln und die Hinweise darauf, worauf Verlass ist. Die häufigste Form ist ein Semantic Layer oder ein Modell, das innerhalb einer einzigen Plattform entsteht.

Die Sache bekommt allmählich einen Namen. Fachleute sprechen immer öfter von Kontextsilos, dem Nachhall der eben überwundenen Speichersilos auf der Ebene der Bedeutung. Die Datenbank-Community hat diesen Wandel direkt als Weg von Datensilos zu Kontextsilos beschrieben.

Die Falle ist, dass es nach Fortschritt aussieht. „Aktiver Nutzer“ oder „Nettoumsatz“ so zu definieren, dass ein Werkzeug Fragen dazu beantworten kann, ist Arbeit an der Governance, und sie lohnt sich. Das Problem ist, wo diese Definition liegt. Steckt sie im KI-Dienst eines einzelnen Warehouse, kann der BI-Assistent nebenan sie nicht lesen, ebenso wenig die Agentenplattform, die Ihr Betriebsteam gerade gekauft hat, oder der Copilot in Ihrem CRM. Sie haben die Bedeutung für einen Abnehmer geregelt und jeden anderen raten lassen oder dazu gebracht, eine eigene Fassung zu bauen, die sich von Ihrer entfernt.

Die großen Plattformen haben innerhalb ihrer Mauern wirklich gute KI ausgeliefert, und jede baut Kontext, der der Plattform gehört. Snowflake Cortex Analyst liest ein semantisches Modell und Semantic Views im YAML-Format, die Sie selbst anlegen und die Horizon regelt, und übersetzt Fragen in einfachem Englisch in SQL, das auf Snowflake läuft. Databricks AI/BI Genie stützt sich auf Unity Catalog, sodass Sicherheit auf Zeilenebene und die Maskierung von Spalten direkt im Assistenten wirken. Gemini in BigQuery macht dasselbe für den Stack von Google. Alle drei waren 2026 allgemein verfügbar, und innerhalb der eigenen Plattform ist jede ausgezeichnet.

Genau diese Grenze ist der Punkt. Der „aktive Nutzer“, den Sie im semantischen Modell von Cortex definieren, ist für Genie unsichtbar. Die Maskierungsregel, die Unity Catalog für Genie durchsetzt, reist nicht zu Cortex. Jeder Assistent ist geregelt, und jeder ist nur innerhalb der vier Wände seiner Plattform geregelt. Die meisten Unternehmen betreiben mehr als ein Warehouse, dazu ein BI-Werkzeug und eine Handvoll SaaS-Anwendungen mit eigener eingebauter KI. Die nativen Kataloge sind von vornherein an ihr Warehouse gebunden, also wird dieselbe Kennzahl am Ende dreimal definiert, jedes Mal ein wenig anders, und kein System ist dafür zuständig, das zusammenzuführen.

Das ist kein Argument gegen Cortex oder Genie. Für Abfragen auf der eigenen Plattform sind sie die richtigen Werkzeuge. Es ist ein Argument darüber, was geschieht, wenn Sie mehrere davon haben und darüber keine Schicht, die eine einzige, gemeinsame Definition dessen hält, was Ihr Geschäft meint.

Assistenten, die Fragen beantworten, sind die milde Fassung dieses Problems. Agenten, die handeln, sind die scharfe. OpenAI Frontier, im Februar 2026 gestartet, lässt Unternehmen KI-Agenten bauen und verwalten, die sich mit Daten und Anwendungen verbinden und über Systeme hinweg echte Arbeit erledigen. Microsoft, Salesforce und die meisten großen SaaS-Anbieter liefern inzwischen Copilots aus, die dasselbe innerhalb ihrer eigenen Produkte tun.

Frontier regelt, wer ein Agent ist und was er darf: Identität, Berechtigungen, Leitplanken. Was es nicht liefert, ist, was Ihre Daten bedeuten, ob man ihnen trauen kann und woher sie kommen. Es setzt voraus, dass geregelter Kontext bereits irgendwo erreichbar vorliegt. Jede Agentenplattform, die diese Lücke schließt, indem sie eigenen internen Kontext aufbaut, schafft ein weiteres Silo, nur dass dieses Silo handelt. Eine falsch verstandene Definition führt nicht mehr zu einem falschen Satz, den ein Mensch prüft, sondern zu einer falschen Handlung, die sich in Maschinengeschwindigkeit über die Systeme verbreitet.

Das Muster wiederholt sich mit jedem neuen Werkzeug. Die Liste der Orte, an denen Ihr fachlicher Kontext liegt, wird länger, und jeder Zuwachs wird für sich allein geregelt. Einen genaueren Blick auf die Lücke in der Governance, die Frontier aufreißt, gibt unsere Checkliste zur Frontier-Bereitschaft.

Zersplitterter Kontext ist kein theoretisches Ordnungsproblem. Er schlägt auf vier Arten zu Buche.

• Widersprüchliche Antworten untergraben das Vertrauen. Wenn dieselbe Frage je nach Assistent andere Zahlen liefert, vertrauen die Leute keinem mehr und exportieren wieder in Tabellenkalkulationen. Die Investition in KI zahlt sich still nicht mehr aus.
• Es tun sich Lücken in der Governance auf. Eine Maskierungsregel oder eine Klassifizierung von PII, die ein Werkzeug durchsetzt, fehlt im nächsten. Nachweise für die Compliance, die Sie für eine Plattform erbringen können, gibt es für eine andere nicht, und das ist nach EU AI Act und DSGVO ein echtes Risiko.
• Der Aufwand fällt doppelt an. Ihr Team definiert dasselbe Glossar, dieselben Kennzahlen und dieselben Beziehungen in jedem Werkzeug neu, das sie braucht, und pflegt anschließend jede Kopie, während sich das Geschäft ändert.
• Der Kontext gerät in Abhängigkeit. Wenn das Erfahrungswissen, das Ihre KI zum Laufen bringt, in der Plattform eines Anbieters entsteht, lässt es sich schwer verschieben, schwer unabhängig prüfen und schwer mit der nächsten Agentenplattform weiterverwenden, die Sie einführen.

Der Ausweg besteht nicht darin, Warehouse-eigene KI zu verbieten oder sich auf einen einzigen Anbieter festzulegen und zu hoffen, dass nie ein zweiter nötig wird. Er besteht darin, Kontext nicht länger als etwas zu behandeln, das jedem Werkzeug gehört, sondern als gemeinsames Gut, das Ihnen gehört und das jedes Werkzeug nutzt.

Regeln Sie den Kontext einmal, in einer Infrastruktur, die Sie beherrschen: ein Katalog dessen, welche Daten es gibt und was verbindlich ist, ein Business Glossary dessen, was jeder Begriff bedeutet, eine Klassifizierung dessen, was sensibel ist, und eine Lineage dessen, woher alles kommt. Stellen Sie diesen geregelten Kontext dann jedem KI-Werkzeug über einen offenen Standard bereit, das Model Context Protocol (MCP), damit jede Plattform aus denselben Definitionen liest, statt eigene zu erfinden. Die Assistenten der Warehouses, die Copilots und die Agenten werden zu Abnehmern Ihres Kontexts, nicht zu seinen Hütern. Ihre Bedeutung, Ihre Regeln und Ihre Lineage bleiben in Ihrem Besitz und unter Ihrer Governance, und die Antwort auf die Frage, was ein aktiver Nutzer ist, lautet gleich, egal welches Werkzeug sie stellt.

Genau dafür ist Dawiso gebaut. Es bindet mehr als 40 Plattformen an und baut darüber ein einziges geregeltes Fundament: einen Data Catalog dessen, was es gibt, ein Business Glossary dessen, was es bedeutet, eine Klassifizierung dessen, was sensibel ist, und eine Interactive Data Lineage dessen, woher es kommt. Die Bedeutung liegt an einem Ort, über jedes Warehouse und jedes Werkzeug hinweg, statt zwischen ihnen zu zerbrechen.

Über den Context Layer und seinen MCP Server stellt Dawiso diesen geregelten Kontext jedem MCP-fähigen Assistenten oder Agenten bereit. Eine Abfrage in Cortex, ein Dashboard in Genie und ein KI-Agent in Frontier können alle auf dieselben Definitionen, dieselbe Lineage und dieselben Richtlinien zurückgreifen, weil sie aus einer Schicht lesen, die Ihnen gehört, statt eine eigene zu bauen. Die Warehouses behalten ihre eigene KI. Ihr Unternehmen behält ein einziges, geregeltes Verständnis seiner Daten, und das nächste Werkzeug, das Sie einführen, wird zu einem weiteren Abnehmer statt zu einem weiteren Silo.

Die Datensilos abzubauen hat ein Jahrzehnt gedauert. Kontextsilos müssen diese Geschichte nicht wiederholen. Regeln Sie den Kontext einmal, besitzen Sie ihn, und lassen Sie jedes KI-Werkzeug aus derselben verbindlichen Quelle lesen.