Moderne Business Analytics befindet sich an einem Wendepunkt. Während klassische BI-Tools oft umfangreiche Modellierungsarbeit und manuelle SQL-Kenntnisse erfordern, eröffnet Agentic AI einen neuen Weg: Business User stellen Fragen in natürlicher Sprache – und intelligente Agenten erledigen den Rest.

1. Beispiel AI Chat mit Text-to-SQL
und Auto-Charting
Verwendete Komponenten:
• LibreChat (open source)
• Anthropic AI (Claude) Large-Language-Modell Sonnet 4.5
• MCP Server Orionbelt-Semantic-Layer (open source)
• Typisches Sales Datenmodell (PostgreSQL Datenbank)

2. Nach Verbinden mit Datenbank, Auslesen der Metadaten und
Erstellung einer Ontologie (optional) beginnt die Analyse-Session:
Nutzereingabe / Frage:

3. Das Large-Language-Modell (LLM) „denkt nach“ und führt
sog. MCP Tool-Calls aus (SQL-Abfragen, Chart Generation, etc.):

4. Nach einigen SQL-Abfragen entscheidet
das LLM, Charts zu erstellen.
Alles automatisch.

7. Das LLM fasst zusammen:

8. Das LLM fasst zusammen und gibt Handlungsempfehlungen:

9. Die Analyse kann nun fortgeführt und weiter detailliert werden :