Generative AI, LLMs, Vibe Coding, AI Agents, MCP Server – aktuell gibt es kaum ein Thema mit größerem disruptivem Potenzial. Die rasante Entwicklung eröffnet enorme Chancen, bringt aber auch besorgniserregende Risiken mit sich – sowohl technologisch als auch gesellschaftlich. Immer leistungsfähigere LLMs, größere Kontextfenster, weniger Halluzinationen und vereinfachtes Grounding und Tooling treiben die Dynamik weiter an.
Gerade die IT-Branche ist gezwungen, sich intensiv mit Generativer AI auseinanderzusetzen. Wer das nicht tut, riskiert den Anschluss – und schlimmstenfalls die eigene Relevanz. Getrieben von dieser Erkenntnis wird vielerorts nach sinnvollen Einsatzszenarien gesucht. Doch nicht selten wirkt es dabei wie die krampfhafte Suche nach dem passenden Problem zur bereits vorhandenen Lösung.

Glücklicherweise ist der Tag noch (!) fern, an dem sich mit Grounding auf vorhandene Quellsysteme/daten, bereitgestellten Tools (z. B. Fabric MCP) und einem naiven Prompt wie ‚Erstelle mir auf dieser Basis in Fabric ein Lakehouse/Datawarehouse, die dazugehörigen ETL-Strecken, semantische Modelle und aussagekräftige Dashboards mit großem Nutzen für alle Fachbereiche meines Unternehmens!‘ innerhalb weniger Minuten eine Umgebung erzeugen ließe, für deren Aufbau heute noch mehrere Mannjahre im Projekt erforderlich sind.
In unserem Vortrag teilen und diskutieren wir unsere bisherigen Erfahrungen mit, erforderliche Erwartungshaltungen an und sinnvolle Einsatzbereiche von GenAI im Kontext von Data & Analytics:

Umgang mit generativer AI und notwendige Skills
o Context Engineering, Prompt Engineering
o Funktionsweise und aktuelle Grenzen von LLMs
o Realität vs. Erwartung: „Wie groß ist das Kontextfenster wirklich?“

„Chat with your data“ – einer der faszinierendsten Use Cases für Analytics
o Q&A vs. Copilot for Power BI vs. Data Agents vs. MCP Server + REST API
o Voraussetzungen für semantische Modelle („Prep data for AI“)
o Realistische Erwartungshaltung an „Chat with your data“

• siehe Text

• siehe Text