AlphaSense verkürzt einen mehrwöchigen Datenumbau mit dbt und Euno auf wenige Stunden
AlphaSense hat nach eigenen Angaben ein altes Dashboard-Datenmodell in wenigen Stunden statt der üblichen drei bis fünf Wochen neu aufgebaut. Dabei kamen Eunos KI-Kontextschicht, dbt als Governance-Schicht und Cursor als IDE zum Einsatz. Die Fallstudie wurde auf dem dbt Summit 2026 vorgestellt und in einem Blogbeitrag von dbt Labs beschrieben.
- AlphaSense baute ein Altmodell mit 287 Feldern und 68 vorgelagerten dbt-Modellen in rund 15 Prompts als Sternschema aus 13 Modellen neu auf.
- Laut Fallstudie wurde aus einer Aufgabe von drei bis fünf Wochen ein Zyklus aus Aufbau und Validierung von wenigen Stunden.
- Euno erstellt aus den Metadaten im Datenstack eines Unternehmens einen aktuellen Kontextgraphen, dbt dient als Governance-Schicht.
- Ein Vorschlag zur Neugestaltung der Abrechnung dauerte mit einem Agenten etwa zwei konzentrierte Stunden, von Hand wären es geschätzt anderthalb Tage gewesen.
- Ein dritter Anwendungsfall, gemeinsamer gesteuerter Kontext für viele Agenten in der konversationellen Analyse, läuft noch.
Warum Kontext für KI-Agenten auf Unternehmensdaten entscheidend ist
Die Session leiteten Sarah Levy, Mitgründerin und CEO von Euno, und Brad Levy, Director of Analytics bei AlphaSense. Ihr Ausgangspunkt: KI-Demos wirken auf der Bühne sauber, die Daten in der Produktion sind dagegen föderiert, fragmentiert und voller widersprüchlicher Definitionen. Nach Ansicht der Vortragenden braucht man in einem solchen Umfeld Kontext, der automatisiert, gesteuert und klar eingegrenzt ist, statt ihn von einem Agenten spontan zusammensetzen zu lassen.
Euno durchsucht fortlaufend die Metadaten im gesamten Stack eines Unternehmens, darunter Datenplattformen, ETL- und ELT-Tools, BI-, Sicherheits- und Observability-Systeme. Daraus baut das Tool einen aktuellen Kontextgraphen, der abbildet, wie Datenbestände zueinander in Beziehung stehen, und nicht nur, dass sie existieren. AlphaSense nutzt dbt als Governance-Schicht auf diesem Kontext.
Anwendungsfall eins: Altes Dashboard-Modell in einer Sitzung neu aufgebaut
Beim ersten Anwendungsfall ging es um eine einzelne Tabelle mit 287 Feldern und 68 vorgelagerten dbt-Modellen. Sie speiste 12 Dashboards für rund 300 Nutzer, und die eigentliche Geschäftslogik steckte in der BI-Schicht statt in dbt.
Mit Euno als Kontextquelle und Cursor als IDE baute Brad Levy sie als governtes Sternschema aus 13 Modellen neu auf. Die Arbeit dauerte rund 15 Prompts in einer einzigen Sitzung, und die neuen Modelle wurden vor der Auslieferung auf Übereinstimmung mit den alten abgeglichen. Laut Fallstudie wurde aus einer Aufgabe, die normalerweise drei bis fünf Wochen dauert, ein konzentrierter Zyklus aus Aufbau und Validierung von wenigen Stunden. Etwa die Hälfte des resultierenden Diffs bestand aus Tests und Dokumentation statt aus neuer Logik.
Neugestaltung der Abrechnung und gemeinsamer Kontext für viele Agenten
Der zweite Anwendungsfall war die Neugestaltung einer Abrechnungsarchitektur, die mit dem Start einer zweiten Produktlinie über eine einzelne Faktentabelle hinausgewachsen war. Es wurde kein Code erzeugt. Euno verfolgte den Ist-Zustand bis auf Spaltenebene zurück, und der Redesign-Vorschlag samt zwei Mermaid-Diagrammen wurde als Notion-Dokument geliefert, das der Data Architect von AlphaSense direkt prüfen und kommentieren konnte. Der gesamte Vorschlag nahm mit einem Agenten etwa zwei konzentrierte Stunden in Anspruch, von Hand wären es geschätzt anderthalb Tage gewesen.
Der dritte Anwendungsfall läuft noch. Er soll konversationelle Analysen so skalieren, dass viele Agenten im Unternehmen auf denselben gesteuerten Kontext zugreifen, statt dass jeder Metadaten für sich abgleicht und zu anderen Ergebnissen kommt als die übrigen.
Genauigkeit, Tempo und was die Fragerunde ergänzte
AlphaSense fasste den Nutzen in drei Punkten zusammen. Die Modelle waren genauer, weil sie governt und getestet entstanden und nicht bloß generiert wurden. Die Arbeit ging schneller, gemessen in Stunden statt Wochen. Und, vielleicht überraschend, sie machte mehr Spaß, weil sich die Zeit vom erneuten Nachvollziehen des Bestehenden hin zu Urteilsvermögen und Design verlagerte.
In der Fragerunde erläuterten die Vortragenden, wie Eunos Live-Labels, also kodierte Regeln wie „zertifiziert, wenn nur dbt-Modelle der Gold-Ebene abgefragt werden“, widersprüchliche Definitionen in eine nachvollziehbare Entscheidung statt in eine Vermutung verwandeln. Ein Beispiel waren zwei unterschiedliche Churn-Definitionen aus verschiedenen Teams. Außerdem beschrieben sie einen Mechanismus mit Benchmark-Fragen, der die Genauigkeit der Agenten laufend überprüft, statt sich auf eine einmalige Momentaufnahme zu verlassen.
Die Zahlen stammen aus der eigenen Darstellung von AlphaSense, wie sie dbt Labs wiedergibt. Für Teams, die KI-Agenten auf unübersichtlichen Produktionsdaten einsetzen, zeigt die Fallstudie: Governter, automatisierter Kontext sowie eingebaute Tests und Dokumentation sind die Grundlage für schnellere und verlässlichere Umbauten. Die Vorträge des dbt Summit 2026 sind auf Abruf verfügbar.
