Green Dot entwickelt Meta:Context, ein Business-Schema für KI-Agenten in dbt

Das Problem: richtig gerechnet, falsch gedeutet

Green Dot betreibt eine Embedded-Finance-Zahlungsplattform mit einer Banktochter. Laut dbt Labs fungiert das Unternehmen als Programm-Manager und ausgebende Bank für mehr als ein Dutzend Enterprise-Partnerschaften, darunter Apple Cash, Intuit QuickBooks, Amazon Flex und Crypto.com. Alle wickeln in einem stark regulierten Geschäft hohe Volumina an Debit-Transaktionen ab.

Binklys Ausgangspunkt war ein konkretes Fehlermuster. Eine Semantic Layer liefert zwar die korrekte Abfrage und die korrekte Berechnung, sagt einem Agenten aber nicht, was eine Zahl bedeutet. In einem internen Test stellte ein Agent fest, dass die Kosteneffizienzquote von Partner B etwa zwölfmal schlechter war als die von Partner A, und empfahl, Green Dot solle Partner B bei der Verbesserung helfen. Die beiden Partner nutzen jedoch völlig unterschiedliche Zahlungsnetze, der Abstand war daher erwartbar und die Empfehlung falsch.

Binkly beschrieb dies als Kontextproblem: Es gehe darum zu verstehen, in welchem Bereich eine Kennzahl gesund ist, was eine Veränderung auslöst und was man dagegen tun kann. Verstreute Dokumente, E-Mails und Tabellen an einen Agenten zu verfüttern, löse das Problem nicht, sagte er, denn das Modell müsse weiterhin selbst herausfinden, welche Teile zu welcher Kennzahl gehören.

So funktioniert Meta:Context

Das Schema steht direkt im Meta-Block des YAML der dbt-Semantic-Layer, neben der Kennzahl, die es beschreibt. Es umfasst fünf Kategorien: Beschreibungen (descriptions), Erwartungen (expectations), Untersuchung (investigation), Beziehungen (relationships) und Entscheidungen (decisions). Als Eselsbrücke nannte Binkly das Set „dried“.

Den Kontext im selben YAML wie die Kennzahl zu halten, hat laut Binkly zwei Effekte:

• Ein einziger API-Aufruf der Semantic Layer liefert sowohl die Zahl als auch ihren Kontext.
• Der Kontext durchläuft denselben Review-Prozess wie die Kennzahl: Pull Requests, CI und das dbt-Manifest.

Die Felder seien typisiert statt frei formuliert, sagte Binkly, und damit überprüfbar. Teams können testen, ob ein gesunder Wertebereich gepflegt oder veraltet ist, ob ein Agent dem dokumentierten Untersuchungspfad gefolgt ist oder ob er einen Eskalationsschritt erfunden hat. Durch die Struktur lässt sich zudem messen, wie umfassend der Kontext über die Kennzahlen eines Projekts hinweg abgedeckt ist.

Testergebnisse

Binkly verglich, wie ein KI-Agent dieselbe Frage zur Ablehnungsquote eines Programms mit und ohne ausgefüllte Kontextkarte beantwortete. Ohne Karte vermied der Agent korrekt einen Fehlschluss, konnte seine Hypothese aber nicht überprüfen. Mit Karte erkannte er die tatsächliche Ursache, kennzeichnete, was er nicht belegen konnte, und nannte die Abfrage, mit der sich die Vermutung bestätigen ließe.

Außerdem ließ er sieben verschiedene Modelle aus demselben Rohmaterial eine Kontextkarte schreiben, wobei jede analytische Bewertung entfernt worden war. Alle sieben markierten eine ungeprüfte Behauptung angemessen, doch keines rekonstruierte die eine Regel, die aus der tatsächlichen Untersuchung eines Analysten stammte. Binkly führte dieses Ergebnis als Argument dafür an, dass die Karte „der Niederschlag einer Untersuchung“ sei und nicht der Text eines klügeren Modells.

Stand und Rat für andere Teams

Green Dot pilotiert auf Basis des Schemas Conversational BI und verfügt noch über keine unternehmensweiten Nutzungszahlen. Binkly sagte, zwei Datenverantwortliche regulierter europäischer Organisationen, einer Nahverkehrsbehörde und eines Stromnetzbetreibers, hätten sich unabhängig voneinander gemeldet, nachdem er den Ansatz im Slack der dbt-Community vorgestellt hatte. Beide begannen, mit derselben fünfschichtigen Struktur eigene Kontextkarten zu bauen.

Teams, die es ausprobieren wollen, empfiehlt Binkly, mit einem KPI und drei Feldern zu beginnen: Zweck, gesunder Wertebereich und Geschäftsregeln. Anschließend kann das Team vergleichen, wie sich die Antwort eines Agenten vorher und nachher verändert. Da das Schema aus schlichtem YAML in einem dbt-Projekt besteht, sei es auf andere Tools übertragbar, falls ein Team es später umziehen möchte, so Binkly.

Die Session ist, wie alle Keynotes und Breakouts des dbt Summit 2026, auf Abruf verfügbar.