Gartner: Generative KI ersetzt 60 Prozent der Dashboards bis 2028

Gartner-Prognose: 60 Prozent der Dashboards bis 2028 ersetzt

Statische Dashboards und manuell gepflegte Cockpits prägten über Jahre die Business Intelligence. Dieses Modell gerät nun massiv unter Druck. Laut einer Prognose des Analystenhauses Gartner werden bis 2028 rund 60 Prozent der bestehenden Dashboards durch generative Analysen und automatisierte Insights ersetzt. Die Vorhersage markiert einen radikalen Wandel: Das bisherige Paradigma, Daten vorab in starre visuelle Formen zu pressen, verliert seine Vormachtstellung.

Statt vordefinierter Berichte sollen künftig KI-gestützte Systeme Ad-hoc-Fragen beantworten und selbstständig Zusammenhänge aufdecken. Für BI-Entwickler bedeutet das eine fundamentale Verschiebung ihrer Aufgaben. Die klassische Rolle, die sich über viele Jahre um die Bereitstellung von Daten, die Modellierung und die Erstellung von Dashboards drehte, wird durch generative KI in Frage gestellt, weil diese Systeme die manuelle Aufbereitung und Visualisierung von Daten zunehmend überflüssig machen. Anwender können ihre Fragen in natürlicher Sprache stellen und erhalten direkt Antworten, ohne dass ein Entwickler zuvor ein Dashboard entwerfen musste. Gefragt sind dann nicht mehr nur technische Fähigkeiten zur Visualisierung, sondern ein tiefes Verständnis dafür, wie Sprachmodelle mit Unternehmensdaten interagieren und wie sich deren Ergebnisse absichern lassen.

KI-Funktionen in aktuellen BI-Tools

Die großen BI-Plattformen haben bereits generative KI-Funktionen integriert, die den Wandel vorantreiben. Microsoft Power BI bietet einen Copilot, der auf generativer KI basiert und Anwendern chatbasierte Analysen ermöglicht. Er kann nicht nur Ad-hoc-Fragen zu Daten beantworten, sondern auch komplexe DAX-Abfragen (Data Analysis Expressions) automatisch generieren. Damit sollen sowohl Geschäftsanwender als auch fortgeschrittene Entwickler schneller zu Erkenntnissen gelangen.

Tableau setzt ebenfalls auf KI-Unterstützung. Die integrierten Funktionen helfen Analysten bei der Datenaufbereitung und -modellierung und liefern Geschäftsanwendern umsetzbare Erkenntnisse direkt im Arbeitsablauf. Ziel ist es, die Hürde zwischen Rohdaten und entscheidungsrelevanten Informationen zu senken.

Databricks wiederum positioniert seine AI/BI Dashboards als Werkzeug, um Geschäftsdaten zu überwachen, zu analysieren und zu visualisieren. Ein zentrales Versprechen: Anwender sollen schnell Antworten auf ihre Fragen erhalten, ohne auf Experten angewiesen zu sein. Die Dashboards lassen sich zudem in bestehende Websites und Apps einbetten.

Alle drei Anbieter verfolgen damit das Ziel, den Zugang zu Analysen zu demokratisieren und die Geschwindigkeit der Entscheidungsfindung zu erhöhen. Die generative KI wird dabei nicht als Ersatz für den Menschen positioniert, sondern als Assistent, der Routineaufgaben übernimmt und neue Perspektiven auf die Daten eröffnet.

Vom Dashboard-Bauer zum KI-Orchestrator

Mit dem Vormarsch generativer Analysen verschieben sich die Aufgaben des BI-Entwicklers grundlegend. Statt Dashboards zu bauen und Berichte zu pflegen, rücken drei neue Aufgabenfelder in den Vordergrund: Prompt Engineering, Daten-Governance und KI-Orchestrierung.

Beim Prompt Engineering geht es darum, die Eingabeaufforderungen für Sprachmodelle so zu formulieren, dass sie präzise und verlässliche Antworten aus den Unternehmensdaten liefern. Das erfordert ein tiefes Verständnis sowohl der Datenstrukturen als auch der Funktionsweise der Modelle. Die Daten-Governance gewinnt an Bedeutung, weil generative Systeme nur so gut sind wie die Daten, auf die sie zugreifen. BI-Entwickler müssen sicherstellen, dass Datenqualität, Zugriffsrechte und Compliance-Regeln eingehalten werden. Die KI-Orchestrierung schließlich umfasst die Auswahl, Kombination und Überwachung verschiedener Modelle und Dienste, um eine zuverlässige Analyse-Pipeline zu betreiben.

Diese Verschiebung verlangt von BI-Entwicklern neue Kompetenzen, die weit über klassisches Reporting hinausgehen. Sie werden zu Architekten, die KI-gestützte Analyseprozesse entwerfen und absichern, anstatt nur deren Ergebnisse zu visualisieren.

Herausforderungen: LLM-BI in der Praxis

So überzeugend die Demos großer Sprachmodelle in BI-Umgebungen auch wirken – der produktive Betrieb offenbart erhebliche Hürden. Ein früherer Bericht unter dem Titel „LLM-BI: Demos begeistern, der Betrieb stockt“ hat auf diese Diskrepanz hingewiesen. Während Präsentationen oft nahtlose Frage-Antwort-Erlebnisse zeigen, kämpfen Unternehmen in der Praxis mit konkreten betrieblichen Problemen. Dazu zählt die komplexe Datenintegration, da die Modelle mit heterogenen, gewachsenen Datenlandschaften verbunden werden müssen, was oft an inkonsistenten Formaten und Silos scheitert. Ein weiteres Hindernis ist die mangelnde Nachvollziehbarkeit der Modellentscheidungen, die es erschwert, falsche oder irreführende Antworten zu erkennen und zu korrigieren. Hinzu kommt die unzureichende Qualitätskontrolle, denn ohne automatisierte Prüfmechanismen bleibt die Verlässlichkeit der generierten Analysen hinter den Erwartungen zurück.

Die Euphorie über die neuen Möglichkeiten wird dadurch gebremst. Viele Projekte bleiben im Experimentierstadium stecken, weil diese Hürden bislang nicht zufriedenstellend gelöst sind. Die Gartner-Prognose setzt daher voraus, dass diese betrieblichen Herausforderungen in den kommenden Jahren bewältigt werden – ein keineswegs gesicherter Ausblick.

Verantwortungsvolle KI: Ein blinder Fleck?

Während die technische Integration voranschreitet, bleibt ein zentrales Thema unterbelichtet: die verantwortungsvolle Nutzung von KI. Eine Studie mit dem Titel „Unternehmen forschen kaum zu verantwortungsvoller KI“ zeigt, dass viele Organisationen diesem Aspekt kaum Aufmerksamkeit schenken. Für den BI-Bereich ist das besonders brisant. Generative Analysen treffen Aussagen auf Basis von Unternehmensdaten, die direkt in geschäftskritische Entscheidungen einfließen. Ohne systematische Forschung zu ethischen Anforderungen wie Fairness, Transparenz und Rechenschaftspflicht drohen verzerrte oder diskriminierende Ergebnisse unentdeckt zu bleiben.

Die neue Rolle des BI-Entwicklers als KI-Orchestrator müsste daher auch die Verantwortung für ethische Leitplanken umfassen. Konkret bedeutet das, dass Entwickler Fairness sicherstellen müssen, indem sie Daten und Modelle regelmäßig auf Verzerrungen prüfen und Bias-Audits durchführen. Transparenz erfordert, dass die Entscheidungswege der KI nachvollziehbar dokumentiert werden, sodass Anwender verstehen, wie eine Analyse zustande kam. Rechenschaftspflicht verlangt klare Verantwortlichkeiten dafür, wer für die Ergebnisse der generativen Systeme haftet und wie Fehler korrigiert werden. Solange Unternehmen diese Felder nicht aktiv beforschen und entsprechende Standards etablieren, bleibt verantwortungsvolle KI im BI-Umfeld ein blinder Fleck – mit potenziell gravierenden Folgen für die Akzeptanz und Verlässlichkeit der neuen Analysegeneration.

Zwischen Hype und Realität: Stimmen aus der Praxis

Während Gartner eine Revolution der Analytics durch KI vorhersagt, zeichnen Praktiker ein differenzierteres Bild. Brighter_rocks sieht im globalen Einsatz kaum strukturelle Veränderungen und betont, dass Excel nach wie vor das Rückgrat der Business-Welt bleibt. kthejoker, BI-Spezialist bei Databricks, bestätigt hingegen, dass agentenbasierte KI-Analysen bereits in vielen Unternehmen pilotiert werden und Zeit sparen. Dads_Hat weist zudem darauf hin, dass Gartners Prognose sich eher auf narrative KI-Erklärungen als auf klassische Dashboards bezieht – ein entscheidender Unterschied.