KI-Agent mit MCP-Anbindung findet falsche Dashboard-Zahl in unter drei Minuten

Das "BI-Warum-Problem"

Mars Dauer, Senior Director für Enterprise Data und AI bei Integral Ad Science, eröffnete seine Session mit dem, was er das "BI-Warum-Problem" nennt. Laut dem Bericht von dbt Labs können KI-Copiloten in Dashboards zwar ein Diagramm zusammenfassen und Filter auflisten, aber nicht erklären, warum eine Zahl falsch ist.

Die Lücke veranschaulichte er am Demoprojekt jaffle_shop von dbt. Ein Dashboard zeigt auffällig hohe Umsätze im Food-Bereich. Beim Hineinzoomen zeigt sich, dass ein Produkt namens Tangaroo als Lebensmittel klassifiziert ist, obwohl es ein Smoothie ist. Fragt man die dashboardeigene KI nach dem Warum, liefert sie als Antwort schlicht die vorhandenen, falschen Tags. Der Grund laut Darstellung: Der Copilot sieht nur die Gold-Tabellen der BI-Schicht, nicht aber die Geschäftslogik in den darunterliegenden dbt-Modellen.

Die herkömmliche Lösung ist eine lange manuelle Spurensuche: von Looker über LookML und dbt bis zum kompilierten SQL über mehrere Modelle hinweg, gefolgt von Validierungsabfragen im Warehouse. Laut dem Artikel kann das einen ganzen Nachmittag dauern.

Ein Agent, drei MCP-Server, vier Spezialisten

Dauers Team baute einen einzelnen Agenten, der mit drei MCP-Servern verbunden ist:

• dem dbt-MCP-Server für Lineage, Modellmetadaten und kompiliertes SQL;
• einem schreibgeschützten Databricks-SQL-MCP-Server, der über Unity Catalog gesteuert wird;
• einem Looker-MCP-Server für den BI-Zugriff.

Hinter einem Router teilt sich der Agent in vier Spezialisten auf: einen Looker-Resolver, einen dbt-Analysten, einen Databricks-Analysten und Lookers eigene Conversational Analytics. Je nachdem, wer fragt, kann er im "Analystenmodus" mit allen technischen Details oder im "Business-Modus" in einfachem Deutsch antworten.

Was die Live-Demo zeigte

In der Demo verfolgte der Agent die Fehlklassifizierung des Smoothies bis zu einem CASE-Statement zurück. Anschließend prüfte er, was noch kaputtgehen würde, wenn diese Logik geändert wird, und legte ein Jira-Ticket mit bereits angehängten QA-Abfragen an. Das alles dauerte weniger als drei Minuten.

In derselben Session folgten zwei weitere Untersuchungen. Insgesamt wurden drei Fragen in etwa sechs Minuten beantwortet, ohne dass jemand die BI-Schicht verlassen musste.

Governance und nächste Schritte

Laut dem Artikel gab es die Governance quasi gratis dazu. Da der Agent die Zugriffsrechte übernimmt, die jeder MCP-Server ohnehin durchsetzt, arbeitet er durchgängig schreibgeschützt und kann keine Daten zutage fördern, die ein Nutzer nicht ohnehin sehen dürfte. Jede Abfrage, die er ausführt, wird im Audit-Trail des Warehouses protokolliert.

Dauer sagte, sein Team erwäge bereits den nächsten Schritt: Ein Agent soll den Pull Request für die Korrektur selbst entwerfen, den ein Mensch vor dem Merge prüft.

Für Datenteams zeigt der Vortrag einen Weg, die Ursachenanalyse bei Dashboard-Fehlern zu verkürzen, indem ein Agent direkten Zugriff auf die Transformationsschicht erhält und nicht nur auf die BI-Schicht. Die beschriebenen Ergebnisse stammen aus einer einzelnen Live-Demo an einem Demoprojekt. Sie zeigen also den Ansatz, belegen aber keine gemessenen Effizienzgewinne im Produktivbetrieb. Aufzeichnungen aller Keynotes und Breakout-Sessions des dbt Summit 2026 sind on demand verfügbar.