Data Agent in ChatGPT Work: Verbundene Quellen, Dashboards und Alternativen (2026)
Am 10. September 2026 stellte OpenAI einen Data agent in ChatGPT Work vor. Die Ankündigung verzichtet weitgehend auf Marketingfloskeln und ist ungewöhnlich konkret, was die technische Infrastruktur betrifft. Sie nennt, auf welche Warehouses der Agent zugreift, welche semantischen Schichten er liest und in welche BI-Tools er zurückschreiben kann. Sie nennt auch, wer das alles entscheidet.
Diese Detailgenauigkeit ist der Grund, warum man sich diese Veröffentlichung genau ansehen sollte. Die meisten Ankündigungen im Bereich AI-Analytics beschreiben ein Ergebnis. Diese hier beschreibt eine Lieferkette – vom Warehouse über die Geschäftsdefinitionen bis hin zu einem Dashboard, das jemand bearbeiten kann.
Dieser Artikel führt durch das, was die Ankündigung tatsächlich besagt und was sie offenlässt. Anschließend wird erläutert, wie dieselbe Aufgabe gelöst wird, wenn Ihre Daten überhaupt nicht in einem Warehouse liegen.
Was OpenAI angekündigt hat
Das zentrale Versprechen ist ein einziger Satz auf der Ankündigungsseite. Der Data agent „verbindet sich mit Ihren Unternehmensdaten, untersucht, was sich geändert hat, und erstellt interaktive Dashboards, die Sie teilen können.“
Drei Verben leisten hier die Arbeit. Er verbindet, er untersucht und er erstellt. Das dritte ist der Teil, der dies von einer reinen Chat-Schnittstelle über einer Datenbank unterscheidet. Das Ergebnis ist kein Absatz voller Analysen. Das Ergebnis ist ein Artefakt, das Ihr Team nächste Woche wieder öffnen kann.
Die Seite stellt das Problem als eine Frage des Wartens dar. „Diese Antworten zu erhalten, bedeutet oft, auf einen Bericht zu warten oder jemand anderen zu bitten, die Analyse durchzuführen.“ Der Data agent wird als das Tool positioniert, das die Warteschlange beseitigt, nicht den Analysten.
Eine weitere Zeile steckt den Rahmen der Benutzererfahrung ab. Sie steuern und verfeinern die Analyse in einer einzigen Konversation, „ohne Abfragen zu schreiben oder ein neues Analysetool zu erlernen“. Der Agent soll die Benutzeroberfläche sein, kein zusätzlicher Tab.
Mit welchen Datenquellen er sich verbindet
Dies ist der konkretste Abschnitt der Ankündigung, und es lohnt sich, ihn zu zitieren, anstatt ihn zusammenzufassen.
Der Data agent „verbindet sich mit freigegebenen Datenquellen, darunter Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake und mehr.“ Daneben kann er „auch Dateien und Dokumente aus Google Drive und SharePoint in die Analyse einbeziehen.“
Die Eingabeoberfläche besteht also aus zwei Hälften. Die eine Hälfte sind das Warehouse und die operativen Datenbanken. Die andere Hälfte ist der Stapel von Dokumenten, die es nie in ein Warehouse geschafft haben. Das bedeutet die Quartalspräsentation, der unterzeichnete Vertrag und die Tabelle, die ein Regionalleiter manuell pflegt.
Redis und G2 erscheinen ebenfalls als Plattformpartner auf der Seite. Das erweitert das Bild über den reinen Analytics-Speicher hinaus um zwei weitere Arten von Eingaben. Redis deckt den Echtzeit-Status ab, also die Zahlen, die sich ändern, während man sie ansieht. G2 deckt Marktdaten von Drittanbietern ab, also Kontext, den ein Unternehmen nicht selbst generiert.
Diese Kombination ist bemerkenswert. Dies ist ein Agent, der das Warehouse, den Dokumentenspeicher, den Live-Cache und einen externen Datenanbieter lesen kann. Er wird als zentrales Eingangstor zu allem positioniert, was ein Unternehmen weiß.
Die semantische Schicht ist der interessante Teil
Eine reine Warehouse-Verbindung sagt einem Agenten noch nicht, was „aktiver Kunde“ in Ihrem Unternehmen bedeutet. Die Ankündigung spricht dies direkt an.
Der Agent „nutzt die Geschäftsbegriffe, Metrikdefinitionen, benutzerdefinierten Berechnungen und Datenbeziehungen Ihrer Organisation, um die Daten zu interpretieren.“ Dieser Kontext stammt laut der Seite „aus semantischen Schichten und vertrauenswürdigen Quellen wie Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon und BI-Dashboards.“
Aus dieser Liste ergeben sich zwei Dinge. Erstens impliziert die Nennung von GitHub neben dbt, dass Metrikdefinitionen, die in versionskontrolliertem Code liegen, als Quelle der Wahrheit behandelt werden und nicht nur als Dokumentation. Zweitens skaliert der Wert dieser Funktion mit dem Umfang der Definitionsarbeit, die ein Unternehmen bereits geleistet hat. Ein Team mit einem ausgereiften dbt-Projekt macht eine ganz andere Erfahrung als ein Team ohne ein solches.
Dies ist die unausgesprochene Voraussetzung in der gesamten Ankündigung. OpenAI äußert sich dazu explizit bei der Beschreibung des eigenen Rollouts. Das dortige Datenteam „hat dies ermöglicht, indem es gemeinsame Geschäftsdefinitionen erstellt, Zugriffsregeln festgelegt und Sicherheitsvorkehrungen für sensible Daten getroffen hat.“
Was er produziert
Das angegebene Ergebnis ist ein interaktives Dashboard, keine statische Antwort.
Laut der Seite verwandeln Sie „die Analyse in ein interaktives Dashboard mit integrierten Visualisierungen“, und „Ihr Team kann es nach Bedarf bearbeiten, teilen und aktualisieren.“ Es können Markenrichtlinien hinterlegt werden, damit die Ergebnisse dem Look-and-Feel der Organisation entsprechen.
Es gibt auch einen Rückschreibepfad in bereits existierende Tools. Der Data agent „kann auch Dashboards in Omni, Oracle BI, Power BI, Sigma, Tableau und ThoughtSpot erstellen und mit ihnen interagieren.“ Diese Designentscheidung ist wichtiger, als es zunächst den Anschein hat. Sie bedeutet, dass das Artefakt nicht innerhalb von ChatGPT Work liegen muss, um nützlich zu sein. Das senkt die Hürde, die Funktion in einem Unternehmen auszuprobieren, das sich bereits auf ein BI-Tool standardisiert hat.
Erkenntnisse können auch weitergeleitet werden. Der Agent kann Ergebnisse „über Slack oder E-Mail teilen und die von Ihnen genehmigten Aktionen über verbundene Tools ausführen.“
Der letzte Halbsatz verdient Aufmerksamkeit. Die Freigabe steht zwischen der Empfehlung und der Aktion, was bedeutet, dass der beschriebene Ablauf den Agenten nicht unbeaufsichtigt agieren lässt. Auf der Seite heißt es außerdem, dass Sie „ChatGPT Work bitten können, nächste Schritte zu empfehlen und zu identifizieren, wer einbezogen werden muss.“ Die Weiterleitung wird daher eher als Teil der Analyse und nicht als separater Schritt behandelt.
Wer den Zugriff kontrolliert
Die Ankündigung ist hier ungewöhnlich direkt, und dieser Abschnitt ist derjenige, den man am ehesten lesen sollte, wenn man das Rollout-Risiko bewertet.
„Unternehmensadministratoren wählen aus, welche Datenverbindungen verfügbar sind und welche Rollen sie nutzen können.“ Abfragen „erzwingen dann die bestehenden Berechtigungen des verbundenen Kontos, einschließlich Einschränkungen auf Tabellen-, Zeilen- und Spaltenebene.“
Das sind zwei separate Ebenen. Administratoren steuern, welche Konnektoren überhaupt existieren. Die zugrunde liegenden Warehouse-Berechtigungen gelten weiterhin für jede Abfrage. Eine Person, die gestern eine Gehaltsspalte nicht sehen konnte, sieht sie heute auch nicht über den Agenten.
Wie man es aktiviert
Der auf der Seite beschriebene Einrichtungspfad führt über das Plugin-System und nicht über einen globalen Schalter.
Sie finden den Data agent „als Data im Plugins-Verzeichnis in ChatGPT Work gelistet.“ Administratoren „können ihn über die Workspace-Einstellungen > Plugins für ihre Teams verfügbar machen oder installieren.“ Sie können auch „die relevanten Datenquellen-Plugins wie Databricks und Snowflake aktivieren und konfigurieren sowie verwalten, wer sie nutzen darf.“
Wenn es noch nicht installiert ist, wählen Sie „Plugin installieren“ aus dem Verzeichnis, führen die Schritte zur Kontoverbindung durch und starten dann eine Konversation mit @Data.
Was die Ankündigung nicht abdeckt
Das sollte man klar ansprechen, denn die Lücken zeigen, für wen dieses Tool gedacht ist.
Auf der Seite wird die Preisgestaltung für den Data agent nicht als separater Posten beschrieben. Es wird auch nicht aufgeführt, welche ChatGPT Work-Lizenzstufen ihn enthalten. Es wird kein Datum für die allgemeine Verfügbarkeit genannt. Namentlich genannte Teilnehmer des Alpha-Programms werden als bereits aktive Nutzer beschrieben, darunter NTT DATA, Thermo Fisher Scientific, ServiceTitan und Zipline.
Es gibt auch keinen beschriebenen Pfad für jemanden, dessen Daten sich nicht in einem verbundenen System befinden. Jeder dokumentierte Einstiegspunkt setzt entweder eine Warehouse-Verbindung oder ein Google Drive- oder SharePoint-Konto voraus, das von einem Administrator freigegeben wurde.
Was das für kleinere Teams bedeutet
Wenn man die Voraussetzungen zusammen betrachtet, zeichnet sich ein Muster ab. Sie profitieren am meisten, wenn Sie ein Warehouse, eine semantische Schicht, einen Administrator, der Konnektoren freigeben kann, und ein BI-Tool zum Zurückschreiben haben.
Das beschreibt eine reale und große Kategorie von Unternehmen. Es beschreibt nicht das sechsköpfige Team, das mit Exporten arbeitet. Deren Eingaben sind eine CSV aus dem Abrechnungssystem, eine Tabelle, die der Betriebsleiter pflegt, und eine PDF, die der Lieferant jeden Monat schickt.
Für diese zweite Gruppe war der Engpass nie der Zugriff auf Abfragen. Der Engpass besteht darin, dass die Daten als Dateien ankommen und Dateien abgeglichen werden müssen, bevor man ihnen überhaupt Fragen stellen kann.
Alternativen, wenn Ihre Daten in Dateien vorliegen
Wenn die Eingabe ein Ordner statt eines Warehouse ist, muss das Tool an einer anderen Stelle ansetzen. Es beginnt beim Upload und nicht bei der Verbindung.
Powerdrill Bloom ist genau für diesen Ausgangspunkt gebaut. Sie laden Tabellen, CSVs, PDFs und Dokumente direkt hoch. Stellen Sie die Frage in natürlicher Sprache, und Sie erhalten Diagramme, Tabellen und Exporte zurück, an die die zugrunde liegenden Zeilen angehängt sind. Die Homepage beschreibt dieses Verhalten wie einen Analysten, der „seinen Rechenweg offenlegt“. Jede Zahl „wird mit der Seite, der Zeile und dem dahinter stehenden Wert geliefert.“
Diese Anforderung an die Rückverfolgbarkeit ist dieselbe, die der Warehouse-basierte Ansatz über die semantische Schicht löst. Wenn Sie den Agenten nicht auf eine kontrollierte Definition verweisen können, ist die nächstbeste Garantie der Nachweis, welche Zeile welche Zahl hervorgebracht hat.
Je nachdem, wo das Problem liegt, gibt es auch andere Wege. Wenn Ihre Daten bereits in Google Sheets vorliegen und das Problem die Skalierbarkeit ist, decken die besten Google Sheets-Alternativen Tools ab, die für größere Datenmengen ausgelegt sind. Wenn Sie zunächst die allgemeinere Kategoriedefinition wünschen, erklärt Was ist ein AI-Datenagent?, was diese Systeme gemeinsam haben.
FAQs
Was ist der Data agent in ChatGPT Work? Es handelt sich um ein von OpenAI am 10. September 2026 angekündigtes Plugin. Es verbindet sich mit freigegebenen Unternehmensdatenquellen, untersucht Änderungen und erstellt interaktive Dashboards, die ein Team bearbeiten und teilen kann.
Mit welchen Datenbanken verbindet er sich? In der Ankündigung werden Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB und Snowflake genannt, und es wird darauf hingewiesen, dass weitere unterstützt werden. Er kann auch Dateien aus Google Drive und SharePoint abrufen.
Kann er Dashboards in Power BI oder Tableau erstellen? Ja. Auf der Seite wird angegeben, dass er Dashboards in Omni, Oracle BI, Power BI, Sigma, Tableau und ThoughtSpot erstellen und mit ihnen interagieren kann.
Wer entscheidet, auf welche Daten der Agent zugreifen kann? Unternehmensadministratoren wählen aus, welche Verbindungen verfügbar sind und welche Rollen sie nutzen dürfen. Jede Abfrage erzwingt zudem die bestehenden Tabellen-, Zeilen- und Spaltenberechtigungen des verbundenen Kontos.
Was ist, wenn meine Daten in Tabellenkalkulationen statt in einem Warehouse liegen? Jeder dokumentierte Einrichtungspfad für diese Funktion setzt ein verbundenes System oder ein freigegebenes Drive- oder SharePoint-Konto voraus. Datei-fokussierte Tools akzeptieren stattdessen direkte Uploads, was sich für Teams eignet, deren Eingaben als Exporte ankommen.
Fazit
Die Ankündigung des Data agent ist am besten als eine Erklärung über Voraussetzungen zu verstehen. Konnektoren, semantische Schichten, die Freigabe durch Administratoren und ein BI-Ziel werden alle explizit genannt. Der Wert der Funktion steigt mit dem Maße, in dem diese Vorarbeit bereits geleistet wurde.
Damit eignet es sich hervorragend für Unternehmen, die in kontrollierte Daten (Governed Data) investiert haben. Für Teams, deren Zahlen immer noch als Anhänge ankommen, ist es weniger geeignet. Wenn Ihre Eingaben Dateien statt Tabellen sind, fangen Sie dort an, wo die Dateien sind. Testen Sie Powerdrill Bloom kostenlos und laden Sie einen Export hoch, um den Weg von rohen Zeilen zu einer teilbaren Antwort zu sehen.
Quelle: OpenAI, „Now everyone can put data to work“, 10. September 2026. https://openai.com/index/put-data-to-work