News

Qlik®Juli Update: das ist neu

Neue Funktionen für mehr Effizienz, Flexibilität und KI-Power

Mit dem aktuellen Qlik-Cloud-Update erwarten Dich zahlreiche Verbesserungen in den Bereichen Analytics, Data Integration, KI und Automatisierung. Von der Wiederverwendbarkeit editierbarer Skripte über erweiterte Berechtigungsoptionen bis hin zu innovativen Knowledge-Marts für RAG-Anwendungen – diese Version bringt mehr Möglichkeiten, Effizienz und Integration in Deine Daten- und Analytics-Workflows.

Analytics

• Editierbare Skripte einbinden & wiederverwenden
  Lade-Skripte können nun modular aufgebaut werden: Skripte im Katalog oder Aktivitätszentrum erstellen, im Editor bearbeiten und in mehreren Apps nutzen – mit Vorschau. Bestehende QVS-Dateien lassen sich in editierbare Skripte umwandeln. Ideal für wiederverwendbare Logik wie Subroutinen, Variablen oder Kalender.

• Gezieltere Notes-Berechtigungen
  Admins können den Zugriff auf die Notes-Funktion individuell steuern.

• Mehr Berichte pro Task
  Limit von 100 auf 500 eindeutige Berichte pro Ausführung erhöht.

• Mehr Benutzergruppen
  Limit von 1.000 auf 20.000 Gruppen pro Mandant gesteigert.

Connectors

• Updates für Analytics-Connectoren
  Qlik Predict Analytics Connector unterstützt jetzt den Alias-Parameter.
  Aktualisierte Modelllisten für GenAI-Connectoren: OpenAI, Anthropic (Amazon Bedrock), Cohere (Amazon Bedrock), Meta (Amazon Bedrock).

• Direct Access Gateway direkt einstellen
  Konfiguration jetzt im Administration Activity Center möglich (ab Version 1.7.2).

Automation & KI

• Neue Funktionen für Qlik Predict Connector in Qlik Automate
  Vorhersagen generieren, Schlüsselfaktoren analysieren und ML-Workflows automatisieren – inkl. Experimente & Modellbereitstellung.

• ML-Trainingsberichte erstellen
  Trainingsprotokolle als PDF exportieren – hilfreich für Reviews und Audits.

Data Integration

• Databricks-Datasets direkt in Databricks öffnen
  Erste Nicht-Qlik-Integration von Datasets – weitere geplant.

• Einführung von Knowledge Marts
  Automatisiertes Erstellen, Vektorisieren und Laden von Daten in Vektorspeicher – ideal für semantische Suche und RAG-KI-Anwendungen.

  • Knowledge Mart Task: Strukturdaten in Dokumente umwandeln und in Vektorspeicher publizieren.

  • File-based Knowledge Mart: Unstrukturierte Dokumente aus File Shares, FTP, OneDrive oder SharePoint verarbeiten.

  • Test Assistant: Semantische Suche in natürlicher Sprache im Vektorspeicher testen.

• Unterstützte Ziele: Snowflake Cortex, ElasticSearch, OpenSearch, PineCone Vector Search.

• LLM-Integration: Snowflake Cortex, Amazon Bedrock, Azure OpenAI, OpenAI.

• Datenprodukte behalten Modell in Qlik Cloud Analytics
  Übernahme des in Qlik Talend Cloud erstellten Modells direkt in die Qlik-App – ohne erneute Modellierung.

TEILEN

ChatGPT 5 ist da

Jetzt aber PROMPT…

Das Release von ChatGPT 5 hat große Wellen geschlagen. Noch wird diskutiert, ob das neue Modell dem Hype gerecht wird oder ob sich eine gewisse Stagnation zeigt. Fest steht: ChatGPT 5 brilliert in vielen Benchmarks, ohne einseitig zu fokussieren. Statt das „schlauste“ Spezialmodell zu liefern, hat sich OpenAI erkennbar dafür entschieden, der breiten Nutzerschaft ein spürbares Upgrade zu geben.

Mit ChatGPT 5, Thinking und Pro werden ältere Varianten wie 4o, 4.1, 4.5 und o3 abgelöst.
Der Clou: Statt durch mehrere Modelle navigieren zu müssen, wählt ChatGPT 5 selbstständig die passende Variante für den jeweiligen Prompt. Für weniger erfahrene Nutzer:innen heißt das: einfacher Zugang zu mehr Funktionen.
Die Kehrseite: Prompting wird noch sensibler. Wer wirklich das Maximum herausholen will, muss präziser formulieren und die neuen Möglichkeiten verstehen.

Unser Angebot: 1-Tages-Remote-Training

Um dieses Potenzial zu heben, bieten wir ein kompaktes Training an, in dem wir alle Facetten von ChatGPT zeigen:

• Optimales Prompting: von Struktur und Rollen bis hin zu wiederverwendbaren Prompt-Vorlagen
• Deep Dive in Tools: u. a. Deep Research und Bildgenerierung
• LLMs verstehen: Funktionsweise, Grenzen und Risiken
• Praxispaket: ein Bundle mit Prompts und Best-Practice-Beispielen für den Berufsalltag

Wann? Jeden Dienstag bis zu unserem DataTalk am 16. und 17. September – komplett remote. Mehr erfahren und buchen.

Beim #datatalk congress am 16. & 17. September zeigen wir in einem Praxisvortrag konkrete Use Cases, Technologie-Insights und Lessons Learned aus realen KI-Projekten.

#datatalk congress 2025 – Daten. Austausch. Inspiration.

TEILEN

RAG revolutioniert ESG- und Umweltberichte

KI-basierte Textgenerierung auf Basis verlässlicher Daten

Die Anforderungen an Nachhaltigkeitsberichte steigen – nicht nur durch die CSRD und ESRS, sondern auch durch zahlreiche gesetzliche Berichtspflichten wie z.B. die EU-Verordnung zur Entwaldungsfreiheit (EUDR), das ElektroG / EAR oder das Kreislaufwirtschaftsgesetz (KrWG). In der Konsequenz stehen Unternehmen zunehmend unter Druck, komplexe Daten aus unterschiedlichen Quellen konsistent, prüfbar und regelkonform aufzubereiten.

Genau hier kommt Künstliche Intelligenz ins Spiel – genauer gesagt: Retrieval-Augmented Generation (RAG).

RAG ist ein innovativer Ansatz der generativen KI, der zwei Technologien kombiniert:

1. Retrieval (Abruf): Die KI durchsucht gezielt relevante Dokumente – von Richtlinien über ESG-Kennzahlen bis hin zu regulatorischen Vorgaben.
2. Augmented Generation (verstärkte Textgenerierung): Auf Basis der gefundenen Inhalte generiert sie kontextbezogene, faktenbasierte Textbausteine – z. B. für ESG-Berichte, Lieferkettennachweise oder Umwelterklärungen.

Im Gegensatz zu klassischen Sprachmodellen „halluziniert“ RAG keine Inhalte, sondern nutzt ausschließlich unternehmensinterne oder offiziell vorgegebene Quellen. Das Ergebnis: nachvollziehbare, korrekte und KI-gestützte Texte.

Ein KI-System für viele Berichtspflichten

Ob ESG, Kreislaufwirtschaft oder Lieferkettenreporting – RAG kann vielfältig eingesetzt werden:

• CSRD-/ESRS-konforme Nachhaltigkeitsberichte
• Lieferkettengesetz-Reportings
• EUDR-Meldungen zu entwaldungsfreien Lieferketten
• EAR-Berichte im Rahmen des ElektroG
• Umwelterklärungen nach dem KrWG
• Produktverantwortungsnachweise
• Corporate Carbon Footprints / Scope-Emissionen

Durch den dokumentengestützten Ansatz lassen sich unternehmensspezifische Inhalte mit regulatorischen Anforderungen präzise verknüpfen – auch über Landesgrenzen und Sprachräume hinweg.

So funktioniert KI-gestützte Berichtserstellung mit RAG

Die Grundlage bildet ein zentraler ESG-Daten- und Dokumentenpool: Richtlinien, Energie- und HR-Berichte, Lieferantenerklärungen, Nachhaltigkeitsziele, regulatorische Anforderungen. Diese Inhalte werden KI-lesbar gemacht – etwa über Vektordatenbanken oder graphbasierte Strukturen wie GraphRAG.

Dann kommt die eigentliche Stärke von RAG zum Tragen:

Mit gezielten Prompts wie
„Fasse alle Maßnahmen zur Reduktion von Scope-3-Emissionen zusammen“
oder
„Welche Berichtspflichten betreffen unsere Produkte gemäß EAR und KrWG?“
liefert die KI vollständige, konsistente Textvorschläge – optional mit Quellverweisen und in verschiedenen Sprachen.

Die Vorteile im Überblick

• KI-basiert und faktengetrieben: Inhalte stammen aus realen Daten, keine Halluzinationen
• Transparent & nachvollziehbar: Quellenangaben möglich
• Effizient & skalierbar: Ideal für Unternehmensgruppen oder internationale Reportings
• Rechtskonform: Inhalte lassen sich entlang gesetzlicher Vorgaben strukturieren
• Mehrsprachig: Automatische Textgenerierung in DE, EN und weiteren Sprachen

Integration in bestehende ESG-Tools

RAG kann nahtlos an bestehende Plattformen wie Power Platform, Qlik, Nachhaltigkeitsdatenbanken oder Lieferantenportale angebunden werden. So fließen strukturierte ESG-Kennzahlen, gesetzliche Vorgaben und Richtliniendokumente direkt in die KI-gestützte Berichtserstellung ein – automatisiert und prüfbar.

Neugierig geworden?

Dann komm doch in unsere Agentensprechstunde oder erlebe live, wie KI – und speziell RAG – die ESG- und Nachhaltigkeitsberichterstattung auf ein neues Level hebt: Beim #datatalk congress am 16. & 17. September zeigen wir in einem Praxisvortrag konkrete Use Cases, Technologie-Insights und Lessons Learned aus realen KI-Projekten.

#datatalk congress 2025 – Daten. Austausch. Inspiration.

TEILEN

Virtual Assistants, Agents & Conversational AI

GenAI trifft Business Value: „Virtual Assistants, Agents & Conversational AI – how to generate Business Value?“ sind das Keynote-Highlight auf dem #datatalk congress 2025

Tobias Rümpler, Program Manager Generative AI bei der Porsche AG, bietet spannende Einblicke aus der Praxis, und das Thema könnte kaum aktueller sein. Angesichts des Tempos, mit dem sich Generative KI insbesondere im Bereich Agentic AI weiterentwickelt, sind wir nicht nur Zeugen von Technologiesprüngen. Auch unser Umgang mit Daten erfährt eine grundlegende Neuausrichtung. Die Keynote beleuchtet, weshalb gerade jetzt ein guter Moment ist, um GenAI mit Weitblick und Struktur ins Unternehmen zu bringen.

Der Schlüssel: Die Verbindung von Daten und KI

GenAI entfaltet ihr volles Potenzial erst dann, wenn sie auf strukturierte, vertrauenswürdige Daten trifft. In diesem Zusammenspiel entstehen nicht nur digitale Helfer, die Nutzer bei komplexen Aufgaben unterstützen, und nutzerfreundliche Conversational Interfaces – es entstehen Lösungen, die intuitiv, zugänglich und skalierbar sind.

Eine besondere Rolle spielen dabei Datenprodukte: Sie machen Wissen wiederverwendbar, fördern die Standardisierung und schaffen eine Grundlage, auf der KI-Anwendungen in der gesamten Organisation gedeihen können – vom Controlling bis zur Kundenkommunikation. So wird aus Technologie ein tragfähiges Ökosystem, das langfristig Mehrwert schafft.

GenAI als Enabler

Die Keynote macht deutlich: GenAI ist nicht nur ein Tool, sondern ein Enabler für neue Denk- und Arbeitsweisen. Wer auf die richtigen Schnittstellen zwischen Daten, Technologie und Mensch setzt, schafft Pull statt Push – und setzt nachhaltige Impulse für Digitalisierung und Innovation.

Jetzt anmelden und dabei sein!

Der EVACO #datatalk Congress ist nicht nur Bühne für visionäre Impulse – er ist auch Treffpunkt für alle, die den digitalen Wandel aktiv mitgestalten. Neben der Keynote erwarten Sie spannende Breakout-Sessions, inspirierende Kundenvorträge und Gelegenheit zum persönlichen Austausch mit Expert:innen aus Data & Analytics, Business und IT.

Nutzen Sie die Gelegenheit, sich mit Gleichgesinnten zu vernetzen, konkrete Anwendungsbeispiele kennenzulernen und neue Perspektiven für Ihr Unternehmen mitzunehmen.

Jetzt Platz sichern und Teil der #datatalk Community werden!

TEILEN

EVACO ist Qlik „Best Overall Partner of the Year 2024“

Ein starkes Zeichen für Kompetenz, Innovation und Partnerschaft:
Wir haben den Vogel abgeschossen und wurden zum besten Partner im DACH Raum gekürt! Die Auszeichnung wurde am 02. Juli 2025 in Anwesenheit aller relevanten Qlik-Partner aus Deutschland, Österreich und der Schweiz auf dem Qlik Regional Partner Summit DACH verliehen und steht für das, was EVACO ausmacht: fundiertes Know-how, kundennahe Beratung und ein echter Innovationsdrang.

Pionierarbeit in Data Analytics – von Anfang an

Als Qlik Partner der ersten Stunde in Deutschland ist EVACO seit vielen Jahren ein zentraler Treiber für Business Intelligence und Data Analytics. Das Unternehmen begleitet seine Kunden von der strategischen Beratung bis zur technischen Umsetzung – immer mit dem Ziel, Daten in greifbare Entscheidungen zu übersetzen. Die engen Bande zu Qlik unterstreicht der Status Partner Ambassador unseres Head of Consulting Simon Schellartz.

Mit einem interdisziplinären Team aus erfahrenen Qlik-Entwicklern, KI-Experten und Data Engineers bringt EVACO seit Jahren wegweisende Analytics-Projekte auf den Weg – von Self-Service BI über Advanced Analytics bis hin zu automatisierten Vorhersagen mit Qlik AutoML.

Fokus auf KI, Cloud und Data Literacy

Besonders im Fokus stehen seit 2024 die Themen Künstliche Intelligenz, Predictive Analytics und Cloud Analytics. In zahlreichen Projekten mit Kunden unterschiedlichster Branchen haben wir KI-basierte Modelle wie Forecasting, Anomalie-Erkennung oder RAG-gestützte Berichtsgenerierung nahtlos in bestehende Qlik-Umgebungen integriert. Unsere Kunden honorieren, dass wir Data Literacy fördern, Mitarbeitende befähigen und Lösungen so gestalten, dass sie nachhaltig wirken.

Auszeichnung mit Signalwirkung

Die Verleihung des Titels „Overall Best Partner of the Year“ ist ein deutliches Zeichen für die Qualität der Zusammenarbeit zwischen EVACO und Qlik und die hohe Zufriedenheit auf Kundenseite. Für die Auszeichnung und das damit verbundene Vertrauen bedanken wir uns herzlich bei allen Kunden, Partnern und Mitarbeitenden, die diesen Erfolg möglich gemacht haben.

Wenn Du mehr über unsere Qlik-Kompetenz oder aktuelle KI-Projekte erfahren möchtest, nimm Kontakt mit uns auf – oder besuche uns im Rahmen des datatalk congress am 16. & 17. September, wo wir u. a. zu Qlik AutoML, RAG & KI in der Praxis sprechen.

TEILEN

Momentary laps of Reason? Not!

Was sind eigentlich Reasoning Modelle? 

Sprachmodelle wie GPT-4o sind heute in vielen Unternehmen angekommen. Sie schreiben E-Mails, fassen Meetings zusammen oder helfen beim Programmieren. Doch was passiert, wenn es nicht nur um Sprachverständnis oder die nächste Textvervollständigung geht, sondern um echtes Problemlösen – um das, was man klassisch unter Denken oder Schlussfolgern versteht? 

Genau hier beginnt der Unterschied zwischen klassischen Sprachmodellen und sogenannten Reasoning-Modellen. 

Sprachmodelle wie GPT-4o – stark in Sprache, begrenzt im „Denken“ 

Modelle wie GPT-4o basieren im Kern auf einer simplen, aber mächtigen Idee: Sie sagen Wort für Wort vorher, was statistisch wahrscheinlich als nächstes kommt – sogenanntes Next Token Prediction. Das funktioniert gut für viele Aufgaben – solange die Aufgaben nicht zu komplex sind oder sich die Lösung direkt aus dem Kontext ergibt. 

Doch sobald es mehrstufige Überlegungen braucht, etwa in der Datenanalyse, bei der Planung oder bei technischen Entscheidungen, geraten diese Modelle an Grenzen. Sie „denken“ nicht im eigentlichen Sinn, sondern vervollständigen Muster. Und das kann leicht zu oberflächlichen oder fehlerhaften Antworten führen. 

Der Zwischenschritt: Chain-of-Thought 

Um Sprachmodelle dennoch zu mehr Tiefe zu bringen, entwickelte man ein einfaches, aber wirksames Prinzip: Chain-of-Thought (CoT). Statt direkt eine Antwort zu geben, wird das Modell im Prompt dazu aufgefordert, seine Gedankengänge Schritt für Schritt zu formulieren. Das wirkt wie ein externes Notizbuch, in dem das Modell Zwischenüberlegungen sichtbar macht – vergleichbar mit einem Schüler, der nicht nur das Ergebnis hinschreibt, sondern auch den Rechenweg. 

CoT ist allerdings kein Teil der Architektur des Modells – es ist eine clevere Prompting-Technik. Und genau hier setzen Reasoning-Modelle an. 

Der nächste Schritt: Reasoning-Modelle wie GPT-o1 oder o3 

Mit Modellen wie GPT-o1 oder dem aktuellen GPT-o3 geht OpenAI einen Schritt weiter. Diese Modelle wurden gezielt auf reasoning tasks trainiert – also auf Aufgaben, die logisches Denken, schrittweises Ableiten und strategische Planung erfordern. Der technische Unterschied liegt in mehreren Aspekten: 

• Trainingsdaten und Aufgabenstruktur: Reasoning-Modelle bekommen speziell kuratierte Daten, bei denen Denkprozesse im Vordergrund stehen – etwa mathematische Beweise, logische Ketten oder komplexe Planungsszenarien. 

• Verstärkendes Lernen (Reinforcement Learning): Statt nur „Was ist das wahrscheinlich nächste Wort?“ zu lernen, werden diese Modelle durch Feedback verstärkt – etwa durch menschliche Bewertungen (Human Feedback) oder durch automatisierte Bewertungen, ob ein Denkweg korrekt ist (reasoning traces). 

• Explizites Denken als Teil der Modelllogik: Anders als bei CoT, wo das Denken nur nach außen sichtbar gemacht wird, ist bei Reasoning-Modellen das „Denken in Schritten“ Teil der inneren Verarbeitung.  

Das Ergebnis: Reasoning-Modelle sind deutlich besser darin, komplexe Aufgaben zu lösen – sei es in der technischen Analyse, bei strategischen Fragestellungen oder in der Automatisierung mehrstufiger Prozesse. 

Was bedeutet das für Dein Unternehmen? 

Der Einsatz von Reasoning-Modellen eröffnet völlig neue Möglichkeiten – von KI-Systemen, die komplexe Anfragen durchdringen, bis hin zu Agenten, die ganze Aufgabenketten eigenständig bearbeiten. Doch diese Modelle entfalten ihr Potenzial erst dann richtig, wenn man versteht, wie man sie richtig nutzt – durch geeignetes Prompting, durch Strukturierung von Aufgaben, durch sinnvolle Modellwahl. 

Genau das vermitteln wir in unseren ChatGPT Prompting-Trainings: Dort zeigen wir, wie man mit den richtigen Techniken aus einem Sprachmodell ein denkendes Werkzeug macht – ob mit GPT-4o, CoT-Prompting oder mit einem echten Reasoning-Modell wie GPT-o3. 

TEILEN

KI trifft Berichtspflichten

Wie RAG Berichtspflichten revolutioniert

Die Anforderungen an Nachhaltigkeitsberichte steigen – nicht nur durch die CSRD und ESRS, sondern auch durch zahlreiche gesetzliche Berichtspflichten wie z.B. die EU-Verordnung zur Entwaldungsfreiheit (EUDR), das ElektroG / EAR oder das Kreislaufwirtschaftsgesetz (KrWG). In der Konsequenz stehen Unternehmen zunehmend unter Druck, komplexe Daten aus unterschiedlichen Quellen konsistent, prüfbar und regelkonform aufzubereiten.

Genau hier kommt Künstliche Intelligenz ins Spiel – genauer gesagt: Retrieval-Augmented Generation (RAG).

RAG – KI-basierte Textgenerierung auf Basis verlässlicher Daten

RAG ist ein innovativer Ansatz der generativen KI, der zwei Technologien kombiniert:

1. Retrieval (Abruf): Die KI durchsucht gezielt relevante Dokumente – von Richtlinien über ESG-Kennzahlen bis hin zu regulatorischen Vorgaben.
2. Augmented Generation (verstärkte Textgenerierung): Auf Basis der gefundenen Inhalte generiert sie kontextbezogene, faktenbasierte Textbausteine – z. B. für ESG-Berichte, Lieferkettennachweise oder Umwelterklärungen.

Im Gegensatz zu klassischen Sprachmodellen „halluziniert“ RAG keine Inhalte, sondern nutzt ausschließlich unternehmensinterne oder offiziell vorgegebene Quellen. Das Ergebnis: nachvollziehbare, korrekte und KI-gestützte Texte.

Ein KI-System für viele Berichtspflichten

Ob ESG, Kreislaufwirtschaft oder Lieferkettenreporting – RAG kann vielfältig eingesetzt werden:

• CSRD-/ESRS-konforme Nachhaltigkeitsberichte
• Lieferkettengesetz-Reportings
• EUDR-Meldungen zu entwaldungsfreien Lieferketten
• EAR-Berichte im Rahmen des ElektroG
• Umwelterklärungen nach dem KrWG
• Produktverantwortungsnachweise
• Corporate Carbon Footprints / Scope-Emissionen

Durch den dokumentengestützten Ansatz lassen sich unternehmensspezifische Inhalte mit regulatorischen Anforderungen präzise verknüpfen – auch über Landesgrenzen und Sprachräume hinweg.

So funktioniert KI-gestützte Berichtserstellung mit RAG

Die Grundlage bildet ein zentraler ESG-Daten- und Dokumentenpool: Richtlinien, Energie- und HR-Berichte, Lieferantenerklärungen, Nachhaltigkeitsziele, regulatorische Anforderungen. Diese Inhalte werden KI-lesbar gemacht – etwa über Vektordatenbanken oder graphbasierte Strukturen wie GraphRAG.

Dann kommt die eigentliche Stärke von RAG zum Tragen:

Mit gezielten Prompts wie
„Fasse alle Maßnahmen zur Reduktion von Scope-3-Emissionen zusammen“
oder
„Welche Berichtspflichten betreffen unsere Produkte gemäß EAR und KrWG?“
liefert die KI vollständige, konsistente Textvorschläge – optional mit Quellverweisen und in verschiedenen Sprachen.

Die Vorteile im Überblick

• KI-basiert und faktengetrieben: Inhalte stammen aus realen Daten, keine Halluzinationen
• Transparent & nachvollziehbar: Quellenangaben möglich
• Effizient & skalierbar: Ideal für Unternehmensgruppen oder internationale Reportings
• Rechtskonform: Inhalte lassen sich entlang gesetzlicher Vorgaben strukturieren
• Mehrsprachig: Automatische Textgenerierung in DE, EN und weiteren Sprachen

Integration in bestehende ESG-Tools

RAG kann nahtlos an bestehende Plattformen wie Power Platform, Qlik, Nachhaltigkeitsdatenbanken oder Lieferantenportale angebunden werden. So fließen strukturierte ESG-Kennzahlen, gesetzliche Vorgaben und Richtliniendokumente direkt in die KI-gestützte Berichtserstellung ein – automatisiert und prüfbar.

Neugierig geworden?

Erlebe live, wie KI – und speziell RAG – die ESG- und Nachhaltigkeitsberichterstattung auf ein neues Level hebt: Beim #datatalk congress am 16. & 17. September zeigen wir in einem Praxisvortrag konkrete Use Cases, Technologie-Insights und Lessons Learned aus realen KI-Projekten.

#datatalk congress 2025 – Daten. Austausch. Inspiration.

TEILEN

What´s New: Qlik Connect 2025

KI-Strategie, Agentic AI und technologische Innovationen im Überblick

Vom 13.–15. Mai 2025 präsentierte Qlik auf seinem globalen Kunden- und Partnerevent zentrale Entwicklungen rund um KI, Agentic AI und die Weiterentwicklung seiner Plattform. Im Fokus: die strategische Ausrichtung hin zu einer durchgängigen, intelligenten End-to-End-Plattform für datengetriebene Entscheidungen.

Agentic AI: Qliks neue Plattform-Vision

Qlik verfolgt das Ziel, den „AI Activation Gap“ zu schließen – also die Lücke zwischen KI-Potenzial und echtem Business Impact. Mit der Vision einer Agentic-AI-Plattform sollen autonome KI-Agenten nicht nur Daten analysieren, sondern direkt Handlungen auslösen. Im Mittelpunkt stehen neue Funktionen wie Qlik Answers für natürliche Spracheingabe, ein Discovery Agent für proaktive Insights und ein Pipeline Agent, der aus Business-Zielen automatisiert Datenprozesse ableitet. Die Plattform basiert auf nahtlos integrierter Datenqualität, Analytics und Automation – inkl. offener Technologien wie Apache Iceberg und Partnern wie AWS.

Produkte & Qualifizierung: Mehr KI-Power für Fachanwender

Neu vorgestellt wurde die Zertifizierung Qlik AI Specialist, die praxisrelevante Skills in Predictive und generativer KI bescheinigt. Produktseitig rücken Qlik Answers, Qlik Predict (vormals AutoML) und Qlik Automate (vormals Application Automation) stärker in den Vordergrund. Gemeinsam ermöglichen sie die Umsetzung komplexer Agentic-Szenarien – von Prognosen über Workflow-Automatisierung bis hin zu Echtzeitanalysen auf unstrukturierten Datenquellen. In den Keynotes wurde u. a. demonstriert, wie diese Tools z. B. bei Volkswagen automatisierte Dokumentationen und Prozessoptimierungen ermöglichen.

Qlik Open Lakehouse: Iceberg-basiertes Datenfundament für KI- und Echtzeitszenarien

Ein Highlight der Qlik Connect 2025 war die Vorstellung des Qlik Open Lakehouse – ein vollständig verwaltetes Lakehouse-Angebot auf Basis von Apache Iceberg, direkt integriert in Qlik Talend Cloud. Ziel ist es, KI- und Analytics-Workloads im Petabyte-Bereich zu unterstützen – mit Echtzeit-Datenaufnahme, leistungsstarken Abfragen und automatisierter Optimierung.

Qlik kombiniert Icebergs Vorteile (Schema-Evolution, ACID, Engine-Unabhängigkeit) mit einer intelligenten Orchestrierung: Ein Adaptive Optimizer sorgt für automatische Kompaktierung und Partitionierung, interne Tests zeigen bis zu 5× schnellere Abfragen bei 50 % geringeren Kosten.

Besonders stark ist das Zusammenspiel mit Qliks Integrations-Stack (Talend, Attunity, Upsolver). In Live-Demos wurde ein kompletter Datenfluss gezeigt – von Streaming ETL mit Upsolver über automatisierte Layer-Strukturen (Bronze/Silver/Gold) bis zur laufenden Iceberg-Optimierung. Der Ansatz: Zero-ETL für maximale Geschwindigkeit bei maximaler Flexibilität.

Dank Iceberg bleiben Daten offen und portabel – nutzbar auch mit Engines wie Snowflake, Trino, Spark oder SageMaker. Zusätzlich unterstützt Qlik Mirror-Integrationen, etwa zu Databricks oder Snowflake, um bestehende Data-Plattformen nahtlos einzubinden – ohne doppelte Pipelines.

Das Open Lakehouse ist derzeit in der Private Preview, der GA-Launch ist für Juli 2025 geplant. Qlik sieht darin einen „Major Step“ für moderne, KI-fähige Analytics-Infrastrukturen – offen, integriert und cloud-nativ orchestriert innerhalb der Qlik Cloud.

Datenqualität, Metadatenmanagement und Data Governance

Ein zentraler Themenblock auf der Qlik Connect 2025 war der Aufbau KI-tauglicher Daten durch hohe Datenqualität und stringente Governance. Seit der Übernahme von Talend im Jahr 2023 hat Qlik in diesem Bereich massiv an Kompetenz gewonnen – sichtbar etwa in der Qlik Talend Cloud, die sich auf der Konferenz als einheitliche Plattform für Datenintegration und -qualität präsentierte.

Die Qlik Talend Cloud vereint Funktionen für Echtzeit-Datenaufnahme, Transformation und Metadatenmanagement mit umfassenden Werkzeugen zur Sicherstellung von Datenqualität und Compliance. In der Session „Data Quality for AI: Making Enterprise Data AI-Ready with Qlik Talend“ wurde demonstriert, wie Unternehmen mithilfe metadatengesteuerter Kataloge, automatisierter Datenprofilierung und Datenbereinigung die Konsistenz und Vertrauenswürdigkeit ihrer Daten steigern können. Ein sauberer, versionierter Data Catalog erleichtert es, relevante Datenquellen zu finden und gezielt für KI-Anwendungen zu bewerten – ein entscheidender Schritt, um Datensilos zu verhindern und AI-Modelle auf verlässlicher Basis zu trainieren.

Ein besonderer Fokus lag auf dem Governance-Aspekt: Qlik betonte, dass ohne konsistente Stammdaten, klar definierte Begriffe und laufendes Monitoring viele KI-Initiativen ins Leere laufen können – sei es durch Verzerrungseffekte (Bias) oder durch fehlerhafte Eingabedaten. Um dem entgegenzuwirken, führt Qlik Cloud 2025 neue Governance-Features ein: Datenprodukte – etwa im QVD-Format (Qliks In-Memory-Datenformat) – lassen sich nun als „First-Class Data Products“ behandeln. Sie können mit Metadaten versehen, in Kataloge aufgenommen und über SLAs und Qualitätsmetriken verwaltet werden. Datenverantwortliche erhalten damit Werkzeuge, um Daten im Sinne des „Data as a Product“-Prinzips kontrolliert bereitzustellen – inklusive Versionierung, Eigentumsdefinition und Qualitätskontrolle.

Auch der Umgang mit unstrukturiertem Wissen wurde im KI-Kontext adressiert: Unter dem Begriff „Retrieval-Augmented Generation (RAG) Knowledge Marts“ baut Qlik strukturierte Wissensdatenbanken auf, die etwa Dokumentationen, PDFs oder Wikis enthalten. Diese werden genutzt, um KI-Anfragen – etwa durch Qlik Answers – nicht nur mit strukturierten Daten, sondern auch mit kuratiertem Textwissen zu beantworten. RAG sorgt für Nachvollziehbarkeit, da alle Informationen aus versionierten, freigegebenen Quellen stammen – ein zentrales Governance-Element, um Halluzinationen zu vermeiden und das Vertrauen in KI-Auskünfte zu sichern.

DevOps, Write-Back & AnalyticsOps

Qlik Connect 2025 stellte zudem neue Tools für Datenprofis vor, die moderne Entwicklungsprozesse unterstützen: So führte Qlik DevOps-fähige Pipeline-Tools ein – inklusive Versionskontrolle und Deployment-APIs. Damit lassen sich Analytics-Pipelines und Apps effizient in Entwicklungs-, Test- und Produktivumgebungen überführen, was AnalyticsOps und CI/CD-Prozesse massiv erleichtert.

Ein weiterer Meilenstein ist die Write-Back-Funktionalität: Mit „Write Tables“ können Anwender direkt aus dem Dashboard heraus Daten zurück in Tabellen schreiben – etwa Planwerte, Kommentare oder Korrekturen. In einer Live-Demo zeigte ein Analyst, wie er während der Analyse neue Werte eingeben konnte, die sofort in den zugrunde liegenden Datenbestand übernommen wurden. Qlik öffnet sich damit für kollaborative Planungsszenarien, in denen Analyse und Eingriff nahtlos zusammenwirken.

TEILEN