In den letzten Wochen hat Qlik sehr deutlich gezeigt, wohin sich die Plattform bewegen soll: weg vom klassischen BI-Verständnis, bei dem Dashboards vor allem Antworten liefern. Hin zu einer Plattform, die Signale erkennt, Zusammenhänge erklärt, Prognosen unterstützt und im nächsten Schritt auch Aktionen auslösen kann.
Das klingt gross. Und ja, ein Teil davon ist noch Zukunftsbild. Aber der Kern ist relevant.
Denn die eigentliche Frage lautet nicht:
Kann AI in Qlik künftig beeindruckende Antworten geben?
Die wichtigere Frage lautet:
Sind die Daten, Begriffe und Verantwortlichkeiten im Unternehmen sauber genug, damit man diesen Antworten überhaupt trauen darf?
Genau hier wird es interessant.
Die wichtigsten Signale im Überblick
Im aktuellen Qlik News Radar stechen fünf Entwicklungen heraus:
- Agentic Analytics: Qlik baut den Weg von der Frage zur Handlung aus.
- ServiceNow-Partnerschaft: Erkenntnisse sollen stärker in operative Abläufe fliessen.
- Agentic Data Engineering: AI wird nicht nur an der Oberfläche gedacht, sondern auch in der Datenbereitstellung.
- Qlik Answers: Die AI-Oberfläche wird klar in Richtung Qlik Cloud positioniert.
- Data Products, Semantic Layer und Trust: Vertrauen in Daten wird zur Voraussetzung für AI-Nutzung.
1. Agentic Analytics: Vom Antwortengeben zum Handeln
Qlik spricht rund um Qlik Connect 2026 verstärkt über Agentic Analytics. Gemeint ist eine Analytics-Logik, bei der Systeme nicht nur Fragen beantworten, sondern Veränderungen erkennen, erklären, prognostizieren und weitere Schritte anstossen können.
Dazu gehören unter anderem Qlik Answers, Discovery Agent, Predict Agent, Automate Agent, Analytics Agent und der MCP Server.
Der klassische Ablauf sieht in vielen Unternehmen noch so aus:
Dashboard anschauen → interpretieren → im Meeting besprechen & entscheiden → manuelle Aktion
Qlik skizziert dagegen stärker diesen Ablauf:
Signal erkennen → erklären → prognostizieren → Handlung auslösen
Das ist ein relevanter Unterschied. Denn damit rückt Analytics näher an die operativen Entscheidungen heran. Die Frage lautet nicht mehr nur: „Was ist passiert?“ Sondern eher: „Was verändert sich gerade, was bedeutet das, und was sollten wir jetzt tun?“
Das ist fachlich spannend. Gleichzeitig sollte man es nicht überschätzen. In echten Kundensituationen bleiben zentrale Fragen offen:
- Welche Daten dürfen AI Agents überhaupt nutzen?
- Wer ist verantwortlich, wenn eine Empfehlung falsch ist?
- Welche Aktionen dürfen automatisch ausgelöst werden und wo braucht es menschliche Freigabe?
- Wie wird nachvollziehbar, warum ein Agent etwas vorgeschlagen hat?
Die Technologie kann also mehr. Aber sie braucht ein sauberes Entscheidungsdesign. Sonst wird aus „agentisch“ schnell einfach nur „automatisiert mit Risiko“.
2. ServiceNow-Partnerschaft: Analytics rückt näher an den Workflow
Ein zweites wichtiges Signal ist die Partnerschaft zwischen Qlik und ServiceNow.
Strategisch ist das deshalb interessant, weil Qlik hier nicht nur als Analysewerkzeug auftritt, sondern sich stärker als Kontextlieferant für operative Systeme positioniert. Die Idee: Workflows und AI Agents sollen nicht nur isolierte Daten aus einem System sehen, sondern auch den breiteren Unternehmenskontext einbeziehen können – etwa aus ERP, CRM, Support, Supply Chain oder Billing.
Das adressiert ein reales Problem.
Theoretisch können viele AI Agents Aktionen auslösen. Praktisch fehlt ihnen aber oft der geschäftliche Kontext. Sie wissen vielleicht, dass ein Ticket kritisch ist – aber sie verstehen nicht zuverlässig, ob dahinter ein wichtiger Kunde, ein Lieferproblem, ein Umsatzrisiko oder ein Datenqualitätsproblem steckt.
Wenn Qlik hier als verbindende Daten- und Kontextschicht wirkt, wird Analytics deutlich operativer.
Für Schweizer Mittelständler ist die direkte Relevanz eher niedrig, vor allem dann hoch, wenn ServiceNow bereits im Einsatz ist. Für grössere Organisationen ist die Entwicklung deutlich relevanteres Signal stärker, insbesondere dort, wo ServiceNow bereits im Einsatz ist. Dort geht es zunehmend darum, Daten, Workflows und Entscheidungslogik nicht mehr getrennt zu behandeln.
Der praktische Wert entsteht aber nicht durch die Integration allein. Er entsteht erst, wenn klar ist:
- Welche Datenquellen liefern den relevanten Kontext?
- Welche Begriffe sind verbindlich definiert?
- Welche Workflows profitieren wirklich von besseren Signalen?
- Welche Entscheidungen dürfen durch AI vorbereitet oder angestossen werden?
3. Agentic Data Engineering: AI beginnt nicht im Chatfenster
Qlik spricht auch stärker über Agentic Data Engineering. Das ist vielleicht weniger sichtbar als eine neue AI-Oberfläche, aber langfristig mindestens genauso wichtig.
Denn AI in Analytics scheitert selten daran, dass niemand eine Frage formulieren kann. Sie scheitert oft daran, dass die Datenbasis nicht eindeutig genug ist.
Typische Probleme kennen viele Organisationen:
- dieselbe Kennzahl hat mehrere Definitionen,
- Datenqualität ist abhängig von Einzelpersonen,
- Pipelines sind schwer nachvollziehbar,
- Fachbegriffe sind nicht einheitlich,
- Verantwortlichkeiten sind unklar.
Qlik setzt hier auf Begriffe wie Data Product Agent, Data Quality Agent, Catalog Agent, Glossary Agent und Pipeline Agent. Nicht alles davon ist schon vollständig greifbar. Die Richtung ist aber klar: Datenarbeit soll stärker durch AI unterstützt werden – nicht nur bei der Analyse, sondern bereits bei Qualität, Katalogisierung, Begriffen und Datenprodukten.
Das ist ein wichtiger Punkt.
Wer AI-ready sein will, braucht nicht zuerst bessere Prompts. Er braucht eine bessere Datenarchitektur.
Ein Unternehmen muss beantworten können:
- Welche Datenprodukte sind offiziell?
- Wer ist dafür verantwortlich?
- Welche Qualitätsregeln gelten?
- Welche Kennzahlen sind verbindlich definiert?
- Welche AI-Funktionen dürfen auf welche Daten zugreifen?
Das klingt weniger spektakulär als ein neuer Agent. Es ist aber die Grundlage dafür, dass die AI Agents später überhaupt sinnvoll arbeiten können.
4. Qlik Answers: Der Weg führt klar in die Cloud
Qlik Answers wird im aktuellen Bild zur zentralen AI-Oberfläche. Gleichzeitig ist die Richtung deutlich: Qlik Answers ist cloud-nativ. Für Kunden mit Qlik Sense Enterprise on Windows oder hybriden Landschaften ist das strategisch relevant.
Das bedeutet nicht, dass jede Organisation sofort migrieren muss. Aber die AI-Nutzung in Qlik wird zunehmend zu einer Cloud-Readiness-Frage.
Die praktische Diskussion lautet also nicht nur:
„Wollen wir Qlik Answers nutzen?“
Sondern:
„Welche Daten, Apps und Anwendungsfälle sind überhaupt cloud- und AI-tauglich?“
Gerade bei bestehenden Qlik-Kunden sind deshalb strukturierte Vorfragen sinnvoll:
- Welche Anwendungen wären fachlich geeignet?
- Welche Daten dürfen in die Cloud?
- Welche Sicherheitsfreigaben braucht es?
- Welche Datenklassifikation liegt vor?
- Welche Entscheidungsfälle rechtfertigen den Aufwand?
Qlik Answers ist damit nicht nur ein neues Feature. Es ist ein Anlass, über Architektur, Governance und Migrationspfade zu sprechen.
5. Semantic Layer, Data Products und Trust: Der eigentliche Kern
Der vielleicht wichtigste technische Unterbau der aktuellen Qlik-Entwicklung ist weniger spektakulär als die Agenten selbst: Data Products, Semantic Layer und Trust.
Qlik erweitert Data Products um wiederverwendbare Geschäftsdefinitionen wie Kennzahlen, Dimensionen und Beziehungen. Diese sollen Qlik Answers, Analytics Apps und auch Dritt-Assistenten konsistenteren Geschäftskontext liefern.
Das ist entscheidend.
Denn AI im BI-Kontext wird gefährlich, wenn sie auf uneinheitlichen Begriffen arbeitet. Dann entstehen Antworten, die sprachlich überzeugend klingen, aber fachlich nicht belastbar sind.
Ein einfaches Beispiel:
Wenn „Umsatz“, „Nettoerlös“, „Auftragseingang“ und „verrechneter Umsatz“ im Unternehmen nicht sauber getrennt sind, wird auch die beste AI keine verlässliche Entscheidungshilfe liefern.
Genau deshalb wird der Aufbau einer gemeinsamen Bedeutungsschicht wichtiger. Nicht als Selbstzweck. Sondern damit Menschen und Systeme dieselbe Sprache sprechen.
Für Kunden heisst das: Wer bisher vor allem einzelne Apps gebaut hat, wird bei AI schnell an Grenzen stossen.
Die neue Leitfrage lautet:
Haben wir eine vertrauenswürdige, wiederverwendbare Bedeutungsschicht für unsere Kennzahlen?
Wenn nicht, ist das der bessere Startpunkt als die nächste AI-Demo.
Was bedeutet das für Anwender?
Mittelstand
Für viele mittelständische Unternehmen ist nicht die gesamte Agentic-AI-Vision sofort relevant. Relevanter ist die Grundfrage:
Welche Daten und Kennzahlen sind überhaupt vertrauenswürdig genug, damit AI darauf zugreifen darf?
Der sinnvolle Einstieg liegt meistens nicht bei autonomen Agenten. Sondern bei zwei bis drei konkreten Entscheidungsprozessen, klaren KPI-Definitionen und verlässlichen Datenprodukten.
Enterprise
Für grössere Organisationen ist die Entwicklung deutlich relevanter. Besonders ServiceNow, MCP, Semantic Layer, Data Products und rollenbasierte Governance zeigen in Richtung vernetzter Entscheidungsarchitekturen.
Hier sollte AI-Analytics nicht als Tool-Projekt geführt werden. Es geht um ein Betriebsmodell für Daten, Rollen, Governance und Workflow-Integration.
Healthcare und HeyCare
Im Gesundheitswesen ist das Thema interessant, aber besonders sensibel. Auffälligkeiten früher erkennen, Entwicklungen beobachten und steuerungsrelevante Signale sichtbar machen – das kann wertvoll sein.
Aber: Autonome Entscheidungen sind hier der falsche Einstieg. Entscheidend sind Nachvollziehbarkeit, Datenschutz, klare Verantwortlichkeiten und kontrollierte Freigabeprozesse.
Die bessere Positionierung lautet also nicht: „AI entscheidet schneller.“
Sondern: „Wir erkennen relevante Veränderungen früher und schaffen eine bessere Grundlage für Entscheidungen.“
Data-Teams
Für Data Engineers und BI-Teams verändert sich die Rolle. Es geht weniger nur darum, Pipelines und Dashboards zu bauen. Es geht stärker darum, Bedeutung, Qualität und Nutzung von Daten zu kuratieren.
Data Product Ownership, Glossare, semantische Definitionen und Qualitätsregeln werden damit wichtiger. Nicht als Dokumentationspflicht, sondern als Voraussetzung für verlässliche AI-gestützte Arbeit.
Unsere Einordnung
Qlik baut aktuell eine konsistente strategische Story auf:
AI braucht vertrauenswürdige Daten, geschäftlichen Kontext und Anschluss an operative Abläufe.
Das ist plausibel. Und es passt zu dem, was wir in vielen Datenprojekten sehen: Der Engpass liegt selten nur im Tool. Der Engpass liegt meistens in unklaren Definitionen, gewachsenen Datenstrukturen, fehlenden Verantwortlichkeiten und der Frage, welche Entscheidung eigentlich verbessert werden soll.
Deshalb sollten Unternehmen Qliks agentische Entwicklung nicht nur als neue Feature-Welle betrachten.
Die wichtigere Frage ist:
Sind unsere Daten, Kennzahlen und Entscheidungsprozesse bereit dafür?
Fazit
Diesen Monat sehen wir: Qlik verschiebt Analytics näher an operative Entscheidungen. Aber ohne Datenprodukte, semantische Klarheit und Governance bleibt Agentic AI vor allem ein schönes Versprechen.
