Fragen an Ihre Daten in einfacher Sprache: Erst das BI-Tool oder die Datenplattform prüfen, und wann sich ein Eigenbau lohnt

Ein Ask-your-data-Assistent lässt Ihre Mitarbeitenden eine Frage wie „Wie hoch war die Bruttomarge nach Region im letzten Quartal?“ eintippen und eine Zahl oder ein Diagramm zurückbekommen. In den meisten dieser Produkte wandelt ein Sprachmodell, also die Art von KI hinter ChatGPT, die Frage in eine Datenbankabfrage um, und die Datenbank übernimmt das Zählen. Ihr Business-Intelligence-Tool (BI) oder Ihre Datenplattform bietet womöglich schon einen solchen Assistenten, testen Sie also zuerst diesen und bauen Sie nur für Fälle selbst, die diese Tools nicht abdecken. Bei jedem Weg geht der größte Teil der Arbeit in die Einigung darauf, was Ihre Kennzahlen bedeuten.

Wie wird aus einer Frage in einfacher Sprache eine Zahl?

Der Assistent liest Ihre Frage und schreibt eine Abfrage in der Sprache, die Ihr Datentool versteht. Datenbanken nutzen SQL, Power BI eine Sprache namens DAX. Die Datenbank oder das BI-Tool führt die Abfrage aus und liefert das Ergebnis, das der Assistent als Zahl oder Diagramm zeigt. Tableau Agent in Pulse funktioniert anders. Er nutzt statistische Prüfungen auf bereits definierte Kennzahlen und beschreibt, was er findet.

Databricks sagt, sein Produkt Genie verwende Namen und Beschreibungen aus Ihren Tabellen, „um Fragen in natürlicher Sprache in eine entsprechende SQL-Abfrage umzuwandeln“. Die Summe stimmt für die Abfrage, die lief, denn eine Datenbank hat gerechnet, aber diese Abfrage ist womöglich nicht die, die Sie wollten.

Kann uns der Assistent eine falsche Zahl liefern, die richtig aussieht?

Schlägt eine Abfrage fehl, gibt es meist eine Fehlermeldung, und jemand kann der Sache nachgehen. Eine Abfrage, die läuft, aber das Falsche zählt, liefert ein sauberes Diagramm mit einer falschen Zahl, und nichts auf dem Bildschirm weist darauf hin. Umsatz, der noch Erstattungen enthält, sieht aus wie jede andere Umsatzzahl. Das Gleiche gilt für eine Zahl nach Kalenderquartal, wenn Ihr Unternehmen nach Geschäftsjahr berichtet.

Anbieter warnen in ihrer eigenen Dokumentation davor. Microsofts Seite zur verantwortungsvollen Nutzung von Copilot sagt: „Copilot-Antworten können ungenaue oder minderwertige Inhalte enthalten, prüfen Sie die Ausgaben daher, bevor Sie sie in Ihrer Arbeit verwenden“. Tableau sagt, generative KI „kann Ausgaben erzeugen, die plausibel klingen, aber falsche oder irrelevante Informationen enthalten“.

Microsoft sagt außerdem, dass Copilot eine Frage, die sich nicht auf das Semantikmodell bezieht, das Copilot Ihre Daten beschreibt, „aus dem allgemeinen Wissen des großen Sprachmodells (LLM) beantwortet“. Eine Antwort stammt also womöglich gar nicht aus Ihren Daten. Die Anleitung ergänzt: „KI-Verhalten ist nicht deterministisch“, was heißt, dass dieselbe Frage mit einer anderen Antwort zurückkommen kann.

Warum müssen wir uns zuerst auf Kennzahlendefinitionen einigen?

Eine Datenbanktabelle enthält Spaltennamen und Werte. Sie weiß nicht, ob Ihr Unternehmen den Umsatz vor oder nach Erstattungen zählt, und dieses Wissen steckt oft in einer Tabelle der Finanzabteilung oder in einem Kopf. Ein Semantikmodell ist der Ort, an dem diese Bedeutungen für die Software festgehalten sind, etwa welche Tabellen verknüpft werden und wie jede Kennzahl berechnet wird.

„Generische KI-Lösungen tun sich mit der Umwandlung von Text in SQL oft schwer, wenn sie nur ein Datenbankschema erhalten, denn Schemas enthalten kein entscheidendes Wissen wie Definitionen von Geschäftsprozessen und den Umgang mit Kennzahlen“, heißt es in der Dokumentation von Snowflake. Microsoft sagt den Eigentümern von Semantikmodellen: „Ohne Vorbereitung kann Copilot die Daten falsch interpretieren und allgemeine oder ungenaue Ergebnisse liefern“.

Sie können auch die genaue Logik hinter häufigen Fragen von Hand festlegen. Power BI nennt das verifizierte Antworten, Snowflake verifizierte Abfragen. Databricks hat Trusted Assets, die es als „parametrisierte Beispielabfragen und SQL-Funktionen beschreibt, deren genaue Logik von einem Agent-Autor verifiziert wurde“. Dennoch sagt Microsoft, seine Vorbereitungsfunktionen „können nicht jedes Mal eine bestimmte Ausgabe sicherstellen“.

Haben Vertrieb und Finanzen jeweils eine eigene Umsatzzahl, kann keine Software das entscheiden. Jemand in leitender Position muss festlegen, welche Definition gilt, und sie vor jeder Demo aufschreiben.

Was bekommen wir von der KI in unserem BI-Tool?

Copilot für Power BI arbeitet mit Ihren bestehenden Semantikmodellen, Sie nutzen also bereits geleistete Arbeit weiter. Microsoft führt den Bereich neben einem Bericht als allgemein verfügbar. Der eigenständige Vollbild-Chat ist noch in der Vorschau, und Microsoft sagt, er „wird eingestellt“, und zwar in einer künftigen Phase, in der Microsoft Copilot, das in Power BI derzeit in der öffentlichen Vorschau ist, zur Hauptoberfläche wird. Ein Datum steht nicht fest, und Microsoft sagt, es „wird das endgültige Datum der Einstellung veröffentlichen“.

Copilot für Power BI braucht „bezahlte Fabric-Kapazität (F2 oder höher) oder Power BI Premium (P1 oder höher)“, also einen Block an Rechenleistung, den Ihr Unternehmen bezahlt, eine Pro-Lizenz pro Person allein genügt daher nicht. Der neuere Copilot funktioniert zu anderen Bedingungen, denn Microsoft sagt: „Sie müssen Copilot in Fabric nicht verwenden oder Zugriff auf eine F-SKU haben, um Copilot in diesem Szenario zu nutzen“; fragen Sie also, welchen Ihre Lizenzen abdecken.

Tableau hat dafür zwei Assistenten. Mit Tableau Agent in Dashboards tippen Nutzer eine Frage in ein veröffentlichtes Dashboard, und Tableau sagt, er „fragt die zugrunde liegende Datenquelle ab“. Er braucht die Edition Tableau Cloud+ oder das Tableau+ Bundle auf Tableau Cloud oder Tableau Server+ ab Version 2026.3 auf Tableau Server, wo er noch in der Beta ist. Tableau Agent in Pulse, auf den Hilfeseiten von Tableau als „ein Tableau+-Feature“ von Tableau Cloud beschrieben, antwortet aus bereits definierten Kennzahlen. Er „kann keine Fragen zu Spalten beantworten, die in den Kennzahlen nicht verwendet werden, oder zu Metadaten der Datenquelle“. Tableau sagt, Pulse-Insights beginnen mit „standardisierten, deterministischen statistischen Modellen, um Fakten zu Kennzahlen zu erkennen“, und die Sätze, die Sie lesen, werden aus diesen Fakten erzeugt.

Der Assistent sieht nur, was für das Reporting eingerichtet wurde, er kann also kein Feld nutzen, das niemand ins Modell aufgenommen hat. Microsoft wählt das Sprachmodell für Copilot aus. Für Mitarbeitende, die in anderen Sprachen arbeiten, sagt Microsoft, Copilot-Funktionen „funktionieren möglicherweise nicht so gut“ wie auf Englisch. Tableau Server ist anders, denn es „verbindet sich mit Ihrem eigenen LLM-Anbieter und nutzt ihn“.

Was bekommen wir vom Assistenten unserer Datenplattform?

Diese Assistenten arbeiten mit den Tabellen, die Sie ihnen anbinden, und können daher Daten erreichen, die es nie in einen Bericht geschafft haben. Diese Tabellen sind die Grenze. Databricks sagt, ein Genie Agent „verwendet nur die ausdrücklich angehängten Datenquellen“, höchstens 50 Tabellen oder Ansichten, und rät: „Streben Sie fünf oder weniger Tabellen an“. Snowflakes Cortex Analyst antwortet aus „strukturierten Daten in Snowflake“, wobei Snowflake inzwischen „den Umstieg auf Cortex Agents empfiehlt, das jede Cortex-Analyst-Funktion mit höherer Antwortqualität unterstützt“.

Databricks bietet Genie an: Datenteams richten Genie Agents mit „vertrauenswürdigen Daten, Kennzahlen und Geschäftsregeln“ ein, und Mitarbeitende stellen ihre Fragen über Genie One.

Jemand auf Ihrer Seite muss gute Beschreibungen Ihrer Daten schreiben, denn mit den Worten von Databricks gilt: „Qualitativ gute Tabellen- und Spaltenbeschreibungen in Unity Catalog sind entscheidend für die Genauigkeit von Genie.“ Databricks sagt außerdem: „Die Daten für den Genie Agent müssen in Unity Catalog registriert sein“, seinem zentralen Verzeichnis von Tabellen und Berechtigungen. Alles außerhalb der Plattform muss zuerst hineinverschoben oder angebunden werden.

Zum Umgang mit Daten sagt Snowflake, Cortex Analyst „trainiert nicht mit Kundendaten“. Außerdem heißt es: „Sie können ein Modell nicht direkt auswählen“, denn jede Anfrage geht an das bestgereihte Modell, das Ihre Rolle nutzen darf, aus einer Liste, die mit Anthropic Claude Sonnet 4.6 beginnt und mit Mistral Large 2 und Llama 3.1 70b endet.

Auf diesen Wegen betreibt der Anbieter oder ein von ihm genannter Partner das Sprachmodell, und Databricks nennt für Genie Agents im Chat-Modus den Azure OpenAI Service und OpenAI auf Databricks. Tableau Server ist die Ausnahme, denn es verbindet sich mit Ihrem eigenen Modellanbieter. Verlangen Ihre Regeln Server unter Ihrer Kontrolle, behandelt der unten verlinkte Artikel über einen privaten ChatGPT, was das erfordert.

Wann lohnt sich der Eigenbau?

Ein Eigenbau ist Software, die rund um ein Sprachmodell für Sie gebaut wird. Sie übersetzt Fragen mit Ihren eigenen Definitionen in Abfragen und liefert die Antworten dorthin, wo Sie es wollen. Bauen lohnt sich, wenn mindestens eines davon zutrifft:

• Die Antworten gehen in Ihr eigenes Produkt, für Ihre eigenen Kunden
• Eine Frage braucht Daten aus Systemen, die die Tools der Anbieter nicht erreichen, etwa ein hauseigenes Backoffice neben einem Data Warehouse
• Ihre Regeln verlangen, dass Daten und Modell auf Servern bleiben, die Sie kontrollieren
• Sie brauchen ein Verhalten, das das gewählte Anbietertool nicht bietet, etwa jede Frage außerhalb einer Liste freigegebener Kennzahlen abzulehnen

Liegen Ihre Daten bereits auf einer Plattform, kann ein kleinerer Schritt vorausgehen. Snowflake bietet Cortex Analyst als REST-API an, eine Schnittstelle, die andere Programme aufrufen können, für Zwecke wie „individuelle Chat-Oberflächen“, und Cortex Agents, das Produkt, das es jetzt empfiehlt, lässt sich auf dieselbe Weise aufrufen. Databricks sagt, Sie könnten „Genie Agents in Ihren eigenen Chatbot, Agenten oder Ihre eigene Anwendung integrieren“. Sie bauen die Oberflächen, und die Plattform schreibt die Abfragen.

Bauen ist schwer zu rechtfertigen, wenn die Fragen von Ihren eigenen Mitarbeitenden kommen und der Assistent einer Plattform Ihren Test besteht. Es behebt auch unklare Definitionen nicht. Wenn Sie noch nicht sagen können, wie der Umsatz berechnet wird, liefert auch ein Eigenbau falsche Zahlen, und er kostet mehr. Nach dem Start tragen Sie die Pflege selbst; die Artikel unten behandeln, wer diese Arbeit leisten kann und warum KI-Pilotprojekte ins Stocken geraten.

Kann der Assistent Personen Daten zeigen, die sie nicht sehen dürfen?

Sicherheit auf Zeilenebene (Row-Level Security, RLS) verhindert zum Beispiel, dass ein Regionalleiter eine andere Region als seine eigene sieht. Sie muss dort durchgesetzt werden, wo die Daten liegen, denn eine Zeile in den Anweisungen des Assistenten kann eine Abfrage nicht daran hindern, eine Tabelle zu lesen. Jeder Weg handhabt das anders:

• Power BI: „Copilot kann nur auf Daten zugreifen, auf die der aktuelle Nutzer zugreifen darf“. Microsoft ergänzt: „Es ist entscheidend, dass Konsumenten und Ersteller von Inhalten nur Leseberechtigung für das zugrunde liegende Semantikmodell besitzen, wenn RLS durchgesetzt werden muss“, denn Sicherheit auf Zeilenebene gilt womöglich nicht für Personen mit weitergehendem Zugriff
• Tableau: Bei Kennzahlen in Pulse „berücksichtigen die Daten, die Nutzer beim Betrachten einer Kennzahl sehen, die auf die Datenquelle angewendete Sicherheit auf Zeilenebene“, und Tableau sagt, Tableau Agent in Dashboards arbeite, „indem er alle Ihre bestehenden Tableau-Berechtigungen, Zugriffskontrollen und die Sicherheit auf Zeilenebene strikt einhält“
• Snowflake: Erzeugte Abfragen „halten alle festgelegten Zugriffskontrollen ein“, und Zeilenzugriffsrichtlinien auf den zugrunde liegenden Tabellen „setzen sich auf Semantikansichten fort und werden durchgesetzt“. Zeilenzugriffsrichtlinien erfordern die Enterprise-Edition oder höher, und wer eine Semantikansicht abfragen darf, „benötigt keinen separaten Zugriff auf die zugrunde liegenden Tabellen“, Tabellenberechtigungen allein trennen Personen also nicht
• Databricks: „Der Datenzugriff wird immer anhand der eigenen Unity-Catalog-Berechtigungen jedes Endnutzers geprüft“, und Zeilenfilter in Unity Catalog werden „automatisch pro Nutzer durchgesetzt“
• Eigenbau: Ihre Software muss die Identität jeder Person an die Datenbank durchreichen, sonst läuft jede Frage unter einem gemeinsamen Konto, und die Leute sehen, was dieses Konto sehen kann. Der Snowflake-Leitfaden für Produkte, die viele Kunden bedienen, sagt: „Snowflake authentifiziert Ihre Endnutzer nicht; Ihr App-Server tut das.“ Zu einer Power-BI-Verbindung für KI-Agenten warnt Microsoft: „Power BI erzwingt RLS nicht, wenn Sie die Dienstprinzipal-Authentifizierung verwenden“, also die Anmeldung mit einem Software-Konto

Zugriffsregeln können den Assistenten auch etwas Falsches sagen lassen. Einer der Entwicklerleitfäden von Snowflake nennt den Fall eines Agenten, der meldet, eine Region habe keinen Umsatz. Als Ursache nennt er: „Die Zeilenzugriffsrichtlinie hat diese Zeilen ausgeblendet, und der Agent kann ausgeblendet nicht von nicht vorhanden unterscheiden.“ Lassen Sie den Assistenten sagen, dass seine Ergebnisse nur umfassen, was die Person sehen darf, und testen Sie jede Rolle mit einem Login, das die Daten nicht sehen dürfte.

Was kostet ein Ask-your-data-Assistent?

Auf den meisten Wegen zahlen Sie für zwei Dinge. Rechenleistung ist die Computerleistung, die die Abfrage auf Ihren Daten ausführt. Die Modellnutzung deckt die Umwandlung der Frage in eine Abfrage ab, und die meisten Anbieter berechnen sie in Tokens, den Textstücken, die ein Sprachmodell liest und schreibt. Snowflakes Cortex Analyst rechnet pro Nachricht ab, wenn es über die eigene API aufgerufen wird. Die Preise unten sind in US-Dollar, aus veröffentlichten Anbieterpreisen für US-Regionen:

• Power BI: Copilot für Power BI nutzt die Fabric- oder Premium-Kapazität, die Sie bezahlen, mit 100 Capacity-Unit-Sekunden pro 1.000 Input-Tokens und 400 pro 1.000 Output-Tokens. Die öffentliche Azure-Preisliste zeigt 0,18 $ pro Capacity Unit und Stunde, Pay-as-you-go in East US, Microsofts Beispielanfrage mit 2.000 Input- und 500 Output-Tokens verbraucht also etwa 2 Cent Kapazität. Eine F64-Kapazität mit 64 Einheiten, die Größe in Microsofts Beispiel, kostet zu diesem Satz etwa 276 $ pro Tag, und Ihre Berichte nutzen dieselbe Kapazität. Microsoft sagt: „Fabric berechnet alle nachgelagerten Aktionen, die Copilot auslöst, separat“
• Tableau: Die Hilfeseiten binden diese KI-Funktionen an die Edition Tableau Cloud+ oder das Tableau+ Bundle auf Tableau Cloud und an Tableau Server+ auf Tableau Server, wo die Modellnutzung „direkt nach Ihrem spezifischen Vertrag mit dem LLM-Anbieter abgerechnet“ wird. Holen Sie ein Angebot von Tableau ein
• Snowflake: Cortex Analyst über die API ist mit 67 Platform Credits pro 1.000 Nachrichten ausgewiesen. On-demand in AWS US East kostet ein Credit 2,00 $ in der Standard-Edition und 3,00 $ in Enterprise, 1.000 Nachrichten kosten also 134 $ bzw. 201 $. „Zusätzliche Warehouse-Kosten fallen an, wenn Sie das von Cortex Analyst erzeugte SQL ausführen.“ Bei Cortex Agents wird auf Tokens zu Preisen pro Modell umgestellt
• Databricks: „Die Nutzung von Genie One und Genie Agents durch Nutzer ist bis zum 31. Januar 2027 kostenlos.“ Software-Konten (Dienstprinzipale) sind ausgenommen, „ihre Nutzung wird berechnet“, und „Rechenleistung zum Ausführen der von Genie erzeugten Abfragen, etwa ein SQL-Warehouse, wird separat berechnet“. Nach diesem Datum werden Genie-Produkte laut Databricks „nach einem Pay-as-you-go-Modell abgerechnet“, mit einem monatlichen Freikontingent für jeden Nutzer; fragen Sie daher, was die Nutzung bei Ihrem Volumen kostet
• Eigenbau: Sie zahlen den Modellanbieter direkt, dazu die Rechenleistung Ihrer eigenen Datenbank und die Entwickler, die das System bauen und betreiben. Anthropic führt Claude Sonnet 5.5 mit 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, dieselben 2.000 Input- und 500 Output-Tokens kosten also etwa 1 Cent. Echte Anfragen enthalten Ihre Tabellenbeschreibungen und fallen größer aus

Diese Zahlen decken nicht dasselbe ab, rechnen Sie also zu jeder die Rechenleistung hinzu, bevor Sie sie vergleichen. Microsoft rät, mit einer kleinen Pilotgruppe zu beginnen, und sagt: „Ein breiter Einsatz ohne Validierung der Nutzungsmuster kann Ihre Kapazität schnell erschöpfen.“

Wie testen wir es mit Fragen, deren Antworten wir bereits kennen?

Bauen Sie den Test, bevor Sie ein Produkt wählen. Nehmen Sie ein paar Dutzend echte Fragen Ihrer Mitarbeitenden und halten Sie für jede die richtige Antwort aus einem Bericht fest, den Ihre Finanzabteilung freigegeben hat. Lassen Sie sie durch jedes Produkt Ihrer Auswahlliste laufen und bewerten Sie jede Antwort. Der Satz sollte enthalten:

• Fragen mit genau einer richtigen Antwort aus freigegebenen Berichten, darunter solche, die zwei Themen verbinden, etwa Marge nach Produkt und Monat
• Dieselbe Frage in anderen Worten, von Personen aus verschiedenen Abteilungen, um zu sehen, ob Ihre Definitionen halten
• Fragen, die der Assistent ablehnen sollte, etwa zu Daten, die er nicht hat, denn eine erfundene Antwort ist der Fehler, den Sie am dringendsten erkennen müssen
• Dieselbe Frage unter den Logins von Personen mit unterschiedlichem Zugriff, um die Sicherheit auf Zeilenebene zu prüfen

Eine richtige Summe kann aus einer falschen Abfrage durch Zufall entstehen, bewerten Sie deshalb die Abfrage ebenso wie die Zahl. Databricks hat Benchmarks, um „Ihren Agenten systematisch auf Gesamtgenauigkeit zu testen und zu bewerten“, und Snowflake sagt, Sie könnten „Ihre verifizierten Abfragen gegen Cortex Analyst“ laufen lassen und messen, wie genau es SQL erzeugt. Der oben verlinkte Artikel zum Testen eines KI-Assistenten erklärt, wie Sie Bestehensgrenzen vorab festlegen.

Microsoft sagt, wenn Sie dieselbe Frage zu einem unveränderten Semantikmodell „innerhalb eines gleitenden 24-Stunden-Fensters“ stellen, antwortet Copilot aus seinem Cache, einer gespeicherten Kopie der früheren Antwort. Zählen Sie einen Wiederholungstest am nächsten Morgen also nicht. Lassen Sie den gesamten Satz mehr als 24 Stunden später erneut laufen und noch einmal, wenn der Anbieter ein Modell ändert oder Sie eine Definition ändern.

Wie können Mitarbeitende prüfen, woher eine Antwort stammt?

Eine nackte Zahl können Menschen nicht prüfen, verlangen Sie also, dass jede Antwort die verwendete Definition und den abgedeckten Zeitraum nennt. Power BI bietet eine Ansicht namens „How Copilot arrived at this“, und Genie antwortet mit „der erzeugten Abfrage und der Ergebnistabelle, falls möglich“. Auch Microsofts Seite zur neueren Copilot-Vorschau bittet darum, „wichtige Entscheidungen anhand der Quelldaten zu validieren“. Legen Sie die Regel fest, dass jede Zahl, die an den Vorstand oder an einen Kunden geht, zuerst mit dem Quellbericht abgeglichen wird.

Was sollten wir einen Anbieter von BI-Tools oder Datenplattformen fragen?

• Welche unserer Kennzahlen beantwortet es aus vereinbarten Definitionen, und was passiert mit einer Frage außerhalb davon?
• Wessen Berechtigungen gelten für jede Abfrage, und wie testen wir das für das Login einer einzelnen Person?
• Welche Modellanbieter verarbeiten unsere Fragen und Daten, und in welcher Region?
• Was kostet ein Monat unseres echten Fragevolumens, einschließlich Abfrage-Rechenleistung und Mindestbeträgen?
• Sehen wir die Abfrage hinter jeder Antwort und führen wir ein Protokoll darüber?
• Ist diese Funktion allgemein verfügbar, und was soll sie ersetzen?
• Wie viel Vorlauf erhalten wir, bevor sich das Modell ändert, damit wir unsere Tests wiederholen können?

Was sollten wir eine Firma fragen, die das System bauen würde?

• Wo liegen die Kennzahlendefinitionen, und können unsere Analysten sie ohne Entwickler ändern?
• Wie gelangt die Identität jeder Person zur Datenbank, und was passiert, wenn sie fehlt?
• Welches Modell schreibt die Abfragen, und welche Daten verlassen unsere Server?
• Wie testen Sie mit Fragen, deren Antworten wir bereits kennen, und wer auf unserer Seite gibt frei?
• Sagt der Assistent, wenn er unsicher ist, oder rät er?
• Gehören uns am Ende Code, Definitionen, Testsätze und Protokolle?

Wo passt amBrain ins Bild?

amBrain gibt diesen Blog heraus. Zu seinem eigenen Produkt sagt es: „Unser eigenes Produkt shyash.ai läuft auf KI-Agenten, die aus einem gemeinsamen Speicher von Unternehmensfakten recherchieren, schreiben, prüfen und messen. Ein Mensch gibt alles frei, was rausgeht.“

Dieser Artikel ist keine Fallstudie und beschreibt keine Kundenarbeit, und er behauptet nicht, dass amBrain für einen Kunden einen Ask-your-data-Assistenten gebaut hat. Die Zeile oben betrifft amBrains eigenes Produkt, und die Beispiele sind allgemein.

Die hier genannten Unternehmen werden nach ihren veröffentlichten Seiten zitiert, die alle am 9. November 2026 geöffnet wurden. Der Artikel behauptet keine Beziehung zwischen amBrain und einem von ihnen und nennt keine Preise oder Zeitpläne von amBrain.

amBrain entwickelt seit 2019 Software. Dazu, wie es mit Kunden arbeitet, sagt es: „Drei Formate: vollständige Umsetzung, ein dediziertes Team oder in Ihr Team eingebettete Entwickler.“ Zum Eigentum lautet sein Satz: „Der Kunde behält das volle Eigentum an Produkt und Code, ausgenommen unsere wiederverwendbaren Komponenten.“ Verlangen Sie vor der Unterschrift die namentliche Liste dieser Komponenten.

Wenn amBrain auf Ihrer Auswahlliste steht, stellen Sie ihm dieselben Fragen wie jeder anderen Firma.