Ich war beim Data & AI Summit '25 Fall

Am 27. November 2025 haben wir am „Data & AI Summit '25 Fall" teilgenommen, der von Google veranstaltet wurde.

Unser Unternehmen hat sich entschieden, sich ernsthaft mit „Datennutzung" auseinanderzusetzen, und so ist ein Projekt in aller Stille gestartet. Am Anfang ging es zunächst im Sinne von „locker und dort, wo es möglich ist" voran, aber dann erfuhren wir von der Veranstaltung „Data & AI Summit '25 Fall", die von Google organisiert wird.

Ich dachte mir, ich sollte die neuesten Trends bei der Datennutzung unbedingt kennen, und bin daher einfach so zum Event gegangen – und das war eine ausgezeichnete Entscheidung. Ich habe weit mehr großartige Erkenntnisse gewonnen, als ich erwartet hatte.

Was ist der Data & AI Summit '25 Fall?

Wie der Veranstaltungsname vermuten lässt, war das Thema dieses Vortrags „AI-Agenten". Die Veranstaltung fand hybrid statt und war mit etwa 3.000 Teilnehmern ein großer Erfolg. Ich war vor Ort und konnte beobachten, wie bei einigen Vorträgen lange Schlangen entstanden und die Plätze knapp wurden – viele mussten stehen. Ich habe unmittelbar gespürt, wie groß das Interesse an Datennutzung und AI ist.

Das Zeitplan des Tages sah etwa so aus.

https://cloudonair.withgoogle.com/events/data-ai-summit-25f

In diesem Artikel berichten wir über die Keynote und besonders bemerkenswerte Sessions!

Keynote: Gemeinsam mit Datenagenten arbeiten – Nächste Generation der Datenanalyse durch eine KI-bereite Datenbasis

Die Keynote begann mit Google Cloud Hamada zu den "drei Anforderungen für KI-Agenten" und bestand aus drei Teilen: Fallstudien zur Datenverwaltung von Lion Corporation und Mercari Inc., sowie eine "Demonstration konversationaler Analysen" durch die Technology Division von Google.

◼︎ Drei Anforderungen für KI-Agenten

Hamada präsentierte die drei wesentlichen Anforderungen für die Implementierung von KI-Agenten: "Action (Proaktivität)", "Memory (Speicherfunktion)" und "Context (Zuverlässigkeit)".

Action: KI-Agenten sollten nicht passiv reagieren, sondern proaktiv handeln.

Entscheidend ist hier die "Transparenz des Denkprozesses". Das Konzept des "Advanced Reasoning", bei dem ein Workflow in mehrere Schritte unterteilt wird, ist der Schlüssel zur Verbesserung der Analysttransparenz.

Memory: "Kurzzeitgedächtnis" und "Langzeitgedächtnis" für die effektive Funktion von KI-Agenten.

Bei der Erklärung des "Langzeitgedächtnisses", das Echtzeitzugriff auf Unternehmensdaten ermöglicht, wurde ein Beispiel vorgestellt, bei dem KI-Agenten per Spracheingabe kommunizieren und Bestellungen aufgeben. Das ist viel schneller als die herkömmliche Tap-Bedienung, und es wurde mir erneut klar, wie allgegenwärtig diese Technologie geworden ist.

Kontext: Kontext ist unverzichtbar, um die Zuverlässigkeit der Antwort zu gewährleisten.

Es wurde eine Erklärung zur Bedeutung der „semantischen Schicht" (Semantic Layer) gegeben, die Nutzer zu den richtigen Datenbanken und Formeln führt.

Bezüglich der semantischen Schicht habe ich festgestellt, dass man in den nachfolgenden Vorträgen häufig davon hören wird und das Interesse daran weiter zunimmt.

◼︎Fallstudien zur Datennutzung

Von Lion Corporation gab es eine Präsentation zur Konstruktion einer Datenbasis, und von Mercari Corporation wurde eine Initiative zur Demokratisierung von Daten vorgestellt.

Besonders beim Thema Datendmokratisierung bin ich beeindruckt, da es uns direkt betrifft. Durch die Einführung von KI-Agenten wird die Datenverwaltung, die bisher dem Bereich der Analysten vorbehalten war, demokratisiert – alle Mitarbeiter können auf Daten zugreifen. Diesen Aufbau einer solchen Infrastruktur möchten wir bei uns auch umsetzen.

In einem später intern durchgeführten Teilen-Meeting wurde ebenfalls besprochen, dass die Erkenntnisse zeitnah implementiert werden sollen.

◼︎Demo der konversationsgesteuerten Analyse veröffentlicht

Als Beispiel wurde ein Demo des „Conversation analytics agent in BigQuery" vorgestellt, das einen Gesprächs-Analyse-Agenten präsentierte.

Ich habe BigQuery nur oberflächlich berührt, wusste aber nicht, dass Datenanalyse inzwischen in natürlicher Sprache möglich ist – das war wirklich eine Offenbarung für mich. Der Support ist umfassend mit Funktionen wie Verbesserungen der Datengenauigkeit durch Gemini-Vorschläge und der automatischen Generierung von Golden Queries. Ich war begeistert, dass die Konfiguration auch relativ einfach durchzuführen ist.

Conversational Analytics API in der Praxis! KI-Agent-Konstruktion zum Abrufen von Daten in BigQuery durch natürliche Sprache

In einer Präsentation von Ailett Corporation wurde ein Fallbeispiel einer Chat-basierten Datenanalyse präsentiert, die BigQuery und Conversational Analytics API kombiniert.

Die Daten der Website werden in BigQuery gesammelt und die Abfrage-Ausführung und Analysaufgaben werden vollständig an die Conversational Analytics API delegiert. Durch die Möglichkeit, auf den KI-Agent über täglich verwendete Kommunikationstools zuzugreifen, wurde eine Umgebung geschaffen, in der jeder einfach und mühelos Daten nutzen kann.

Es war eine Darstellung von "Datendemokratisierung", die in der Keynote-Rede besprochen wurde, und der Aufbau war außergewöhnlich einfach. Wir möchten dies schnell in unserem Unternehmen integrieren.

Obwohl ich es selbst implementieren möchte, würde es unter Berücksichtigung meiner praktischen Fähigkeiten Jahre dauern. Daher möchte ich dies unseren Ingenieuren überlassen!

Minimale Schritte! Google Trends-Integration × KI-Agent und Produktmasterdaten-Zusammenarbeit

In einer Präsentation von Aeon Smart Technology Corporation wurde ein Fallbeispiel vorgestellt, das zeigt, wie KI bei "Produktmasterdaten" eingesetzt wird – eine Initiative, die für Unternehmen mit physischen Geschäftsstellen charakteristisch ist.

Das Thema der Präsentation waren zwei Herausforderungen: "Behebung von unscharfen Suchanfragen" und "automatische Anpassung an Trends". Beide Inhalte basierten auf einer Konfiguration mit Google Vertex AI Search.

— Unscharfe Suche bei Produktmasterdaten mit KI

Als ein Problem, das für Unternehmen mit physischen Geschäftsstellen charakteristisch ist, wurde das Beispiel von vagen Fragen von Kunden ohne spezifische Produktnamen erläutert. Während traditionelle Systeme "exakte Treffer" erfordern, sind Fragen, die Menschen leicht beantworten können, für Systeme ein großes Hindernis. Dem wurde mit einem KI-Ansatz begegnet.

In der Demo wurden Systeme gezeigt, die auch bei vagen Eingaben wie einer Internetsuche sofort die richtigen Produktinformationen aus großen Datenmengen abrufen können. Ich konnte den Mechanismus nicht vollständig verstehen, aber ich war einfach begeistert, dass ein Unternehmen solche Leistungen erbringen kann.

— Automatisches Matching von Trendanalyse und Produktdaten

Das Unternehmen entwickelt ein Tool, das externe Trendinformationen in Echtzeit erfasst und diese automatisch mit den eigenen Produktdaten verknüpft. Das Ziel ist es, die Durchlaufzeit vom Erkennen von Kundenbedarf bis zum Regalaufsteller im Geschäft zu verkürzen.

Dies war auch ein sehr faszinierender Vortrag über fortschrittliche Technologie. Ich kann mir noch nicht konkret vorstellen, wie wir dies in unsere Services integrieren können, aber ich würde gerne persönlich Google Vertex AI Search ausprobieren.

Fazit

Ich habe nur die Sessions herausgegriffen, die mir im Gedächtnis geblieben sind, aber wie war das für Sie? Ich freue mich, wenn ich ein wenig von der Faszination der "Innovation durch Daten-Agenten" weitergeben konnte, die ich an diesem Tag erlebt habe.

Um ehrlich zu sein, haben wir die Datenutzung bisher eher langsam vorangetrieben, aber die Teilnahme an diesem Summit hat mir gezeigt: "Wir müssen jetzt richtig anfangen, um nicht abgehängt zu werden!" Es war eine äußerst gute Gelegenheit, das erneut zu erkennen.

Ich werde zunächst mit der "Definition von Daten und der semantischen Schicht" beginnen, deren Bedeutung auf dem Gipfel mehrfach betont wurde.