OpenAI hat am 10. September 2026 einen Data Agent für ChatGPT Work angekündigt. Nutzer sollen Unternehmensdaten verbinden, per natürlicher Sprache analysieren, Erkenntnisse ableiten und interaktive Dashboards erstellen können. Das klingt nach einem kürzeren Weg von der Geschäftsfrage zur Auswertung. Für Unternehmen entsteht der Nutzen aber nicht durch ein schneller erzeugtes Diagramm, sondern erst dann, wenn Datenzugriff, Kennzahlen und Entscheidungen nachvollziehbar bleiben.
Die entscheidende Frage lautet deshalb nicht: Kann der Agent ein Dashboard erzeugen? Sie lautet: Kann ein Team das Ergebnis reproduzieren, fachlich prüfen und sicher auf die erlaubten Daten begrenzen? Genau darauf sollte ein Pilot ausgerichtet sein. Die offizielle Meldung bestätigt die Kernfunktionen, nennt in der vorliegenden Quelle jedoch keine Details zu unterstützten Datenquellen, Berechtigungsmodellen, Aktualisierungszyklen oder Exportwegen.
Was bestätigt ist – und was noch offen bleibt
Bestätigt sind drei Punkte: OpenAI führt den Data Agent in ChatGPT Work ein, der Agent kann verbundene Unternehmensdaten über natürliche Sprache analysieren und Nutzer können damit interaktive Dashboards erstellen. Diese Kombination kann den Zugang zu Datenanalysen für Fachbereiche vereinfachen. Eine garantierte Zeitersparnis, bestimmte Datenkonnektoren oder eine festgelegte Genauigkeit lassen sich aus der Quelle dagegen nicht ableiten.
Vor dem Pilot sollten Unternehmen daher klären, welche Quellen tatsächlich angebunden werden können, wie bestehende Rollen und Zeilenberechtigungen wirken, ob Antworten auf ihren Ursprung zurückgeführt werden können und wie aktuell die Daten sind. Diese Punkte sind keine bestätigten Produkteigenschaften, sondern Prüfaufträge. Bleibt eine davon ungeklärt, darf der Agent nicht für folgenreiche Entscheidungen freigegeben werden.
Der richtige Pilot beginnt mit einer einzelnen Entscheidung
Ein guter Einstieg ist ein wiederkehrender Analyseprozess mit klarer Frage, festem Datenbestand und einer bereits vorhandenen manuellen Auswertung. Beispiele wären die wöchentliche Entwicklung offener Vertriebschancen, Supportvolumen nach Kategorie oder die Auslastung eines Teams. Der Pilot soll nicht sofort das gesamte Berichtswesen ersetzen, sondern zeigen, ob der Data Agent eine abgegrenzte Entscheidung zuverlässig vorbereitet.
Dazu braucht der Prozess einen fachlichen Eigentümer. Diese Person definiert, was Begriffe wie Umsatz, aktiver Kunde, gelöster Fall oder Auslastung exakt bedeuten. Natürliche Sprache beseitigt Mehrdeutigkeit nicht: Fragt jemand nach dem Umsatz, können brutto oder netto, gebucht oder fakturiert sowie unterschiedliche Währungen gemeint sein. Der Agent darf solche Unterschiede nicht stillschweigend entscheiden.
- Geschäftsfrage: Welche konkrete Entscheidung soll die Analyse vorbereiten?
- Datenbasis: Welche freigegebenen Tabellen, Systeme und Zeiträume sind dafür erforderlich?
- Kennzahlenvertrag: Wie sind Metriken, Filter, Einheiten und Sonderfälle eindeutig definiert?
- Referenz: Welche manuell geprüften Ergebnisse dienen als Vergleich?
- Ausgabe: Welche Antwort oder welches Dashboard benötigt der Entscheider tatsächlich?
- Freigabe: Wer prüft das Ergebnis, bevor daraus eine operative Handlung entsteht?
Ein kontrollierter Pilot in sechs Schritten
- Einen engen, risikoarmen Anwendungsfall wählen und die gewünschte Entscheidung sowie den bisherigen Aufwand dokumentieren.
- Nur die minimal erforderlichen Daten verbinden und technische sowie fachliche Zugriffsrechte mit Testkonten unterschiedlicher Rollen prüfen.
- Kennzahlen, Synonyme, Zeiträume und Ausschlüsse schriftlich festlegen, damit dieselbe Frage nicht zu wechselnden Interpretationen führt.
- Ein Referenzset aus normalen, mehrdeutigen und fehlerhaften Fragen erstellen und die korrekten Antworten vorab fachlich bestätigen.
- Antworten und Dashboards gegen Referenzwerte, Datenstand und Filter prüfen; Abweichungen werden nicht nur gezählt, sondern nach Ursache klassifiziert.
- Erst nach bestandenen Qualitäts- und Zugriffsgates einen kleinen Nutzerkreis freigeben und jede entscheidungsrelevante Ausgabe weiterhin menschlich prüfen.
Der Vergleich sollte nicht nur zeigen, ob eine Zahl stimmt. Er sollte auch prüfen, ob Rückfragen sinnvoll gestellt werden, wenn eine Eingabe mehrdeutig ist, und ob das Ergebnis bei identischer Datenlage stabil bleibt. Ändert sich ein Dashboard, muss nachvollziehbar sein, ob neue Daten, ein anderer Filter oder eine andere Interpretation die Ursache waren.
Qualität und Nutzen getrennt messen
Für die Analysequalität eignen sich Trefferquote gegen Referenzantworten, Schwere der Abweichung, Anteil ungeklärter Mehrdeutigkeiten und Zahl unzulässiger Datenzugriffe. Zusätzlich sollte das Team testen, ob verschiedene Benutzer nur die jeweils erlaubten Informationen erhalten. Falls die Oberfläche Quellen oder Berechnungsschritte ausweist, sind auch deren Vollständigkeit und Verständlichkeit zu prüfen; die Quelle bestätigt eine solche Funktion jedoch nicht.
Der geschäftliche Nutzen wird separat gemessen: Zeit bis zur ersten brauchbaren Auswertung, menschliche Prüfzeit, Zahl der Korrekturschleifen, Nutzung des Dashboards und Anteil tatsächlich unterstützter Entscheidungen. Dadurch bleibt sichtbar, ob der Agent Arbeit reduziert oder sie lediglich von der Erstellung in die nachgelagerte Kontrolle verlagert.
Die größten Risiken liegen vor der Visualisierung
Fehlerhafte oder uneinheitliche Quelldaten werden durch einen Data Agent nicht automatisch korrekt. Im Gegenteil: Eine überzeugende Formulierung oder ein sauberes Diagramm kann falsche Kennzahlen glaubwürdiger erscheinen lassen. Weitere Risiken sind veraltete Datenstände, unklare Berechtigungen, unbemerkte Änderungen an Definitionen und Anweisungen in verbundenen Inhalten, die nicht als vertrauenswürdige Steuerung des Agenten behandelt werden dürfen.
Deshalb benötigt jedes produktive Dashboard einen Eigentümer, eine definierte Aktualität, dokumentierte Kennzahlen und einen Review-Termin. Operative Aktionen sollten zunächst außerhalb des Agenten bleiben. Erst wenn Analysen über einen ausreichend langen Testzeitraum stabil sind, kann ein Unternehmen prüfen, ob nachgelagerte Workflows überhaupt angebunden werden sollen.
Klare Abbruchkriterien verhindern falsches Vertrauen
Der Pilot wird gestoppt oder zurückgesetzt, wenn Rollen unerlaubte Daten sehen, Referenzwerte regelmäßig verfehlt werden, die Ursache einer Abweichung nicht rekonstruierbar ist oder Dashboards ohne erkennbare Grundlage variieren. Gleiches gilt, wenn die menschliche Prüfzeit höher ausfällt als der bisherige Analyseaufwand oder Fachverantwortliche die verwendeten Kennzahlen nicht eindeutig bestätigen können.
Der ChatGPT Work Data Agent macht natürliche Sprachanalysen und interaktive Dashboards für verbundene Unternehmensdaten konkret. Der tragfähige Einführungsweg beginnt jedoch nicht mit breitem Self-Service, sondern mit einer einzigen Entscheidung, minimalen Datenrechten und überprüfbaren Referenzen. Besteht der Agent diese Gates, kann der Umfang schrittweise wachsen. Besteht er sie nicht, liefert der Pilot trotzdem einen wichtigen Befund: Die Organisation muss zuerst Datenqualität, Begriffe oder Berechtigungen ordnen.