Geschäftskontext für KI: Was Genie One MCP verändert

Geschäftskontext für KI entscheidet darüber, ob ein Assistent Zahlen nur abruft oder fachlich richtig einordnet. Ein Datenzugang allein erklärt noch nicht, welche Umsatzdefinition gilt, welche Quelle verbindlich ist und welche Informationen eine Mitarbeiterin sehen darf. Genau hier setzt Databricks mit Genie One MCP an: Die Schnittstelle macht zentral verwalteten Geschäftskontext aus Genie Ontology für MCP-kompatible KI-Assistenten nutzbar.

Für mittelständische Unternehmen mit Azure und Databricks ist daran vor allem eines interessant: Fachliche Definitionen sollen nicht für jeden Assistenten separat gepflegt werden müssen. Die Voraussetzung bleibt allerdings eine Datenbasis mit klaren Verantwortlichkeiten und sauber geregelten Zugriffsrechten.

Redaktionelle Einordnung auf Basis eines Beitrags im Databricks-Blog. Die Quelle beschreibt die Einrichtung über eine Preview-Funktion im Databricks-Workspace.

Was Genie One MCP tatsächlich ergänzt

MCP steht für Model Context Protocol. Über dieses Protokoll können KI-Assistenten Werkzeuge und deren Ergebnisse nutzen. Genie One MCP stellt Genie One als solches Werkzeug bereit: Ein externer Assistent übermittelt eine fachliche Frage und erhält eine auf Unternehmensdaten gestützte Antwort zurück.

Der Unterschied zu einer einfachen Datenbankanbindung liegt in der vorgelagerten fachlichen Interpretation. Genie One nutzt dafür Genie Ontology. Dort werden unter anderem Kennzahlendefinitionen, Beziehungen zwischen Daten, Verantwortlichkeiten und Zugriffsregeln zusammengeführt. Hinzu kommt Kontext aus vorhandenen Unternehmensartefakten wie Abfragen, Dashboards, Notebooks und Dokumentation.

Laut Databricks lässt sich dieser Kontext beispielsweise aus ChatGPT, Claude, Microsoft Copilot oder geeigneten Programmierassistenten heraus nutzen. Welche Verbindung und Darstellung tatsächlich möglich ist, hängt vom jeweiligen Client und dessen Unterstützung ab.

Neu ist damit nicht einfach ein weiterer Datenzugang, sondern die Bereitstellung einer gemeinsamen fachlichen Grundlage über unterschiedliche Assistenten hinweg.

Geschäftskontext für KI braucht verbindliche Definitionen

Viele Mittelständler kennen das Problem bereits aus dem Berichtswesen: Vertrieb, Controlling und Produktion verwenden denselben Begriff, rechnen aber unterschiedlich. Ein KI-Assistent beseitigt diese Unterschiede nicht automatisch. Ohne klare Vorgaben kann er sie sogar weniger sichtbar machen, weil seine Antwort sprachlich überzeugend wirkt.

Beispiel: Was bedeutet „termingerecht geliefert“?

Für eine Auswertung zur Liefertreue müssen zunächst fachliche Fragen geklärt sein:

• Zählt der ursprünglich zugesagte oder der nachträglich bestätigte Liefertermin?
• Gilt eine Teillieferung bereits als erfüllter Auftrag?
• Ist der Warenausgang oder die Ankunft beim Empfänger maßgeblich?
• Welche Quelle entscheidet bei widersprüchlichen Angaben?

Das ist kein Kundenbeispiel, sondern eine typische Definitionsaufgabe. Erst wenn diese Regeln feststehen, lässt sich eine Antwort sinnvoll prüfen.

Genie Ontology soll solche Bedeutungen und Beziehungen für Genie One nutzbar machen. Bei Konflikten berücksichtigt das System laut Databricks die Autorität und Zertifizierung hinterlegter Quellen. Die redaktionelle Einordnung dazu: Die Technik kann verbindliche Regeln anwenden, ersetzt aber nicht die fachliche Entscheidung darüber, welche Regeln gelten.

So läuft eine Anfrage durch die Architektur

Der externe Assistent muss nicht selbst sämtliche Tabellen untersuchen und Beziehungen erraten. Stattdessen übernimmt Genie One die datenbezogene Bearbeitung der Frage.

Der Ablauf lässt sich vereinfacht so beschreiben:

1. Der Assistent übermittelt eine Frage in natürlicher Sprache an Genie One.
2. Genie One interpretiert die verwendeten Geschäftsbegriffe und sucht nach zugänglichen Daten.
3. Das System erzeugt SQL-Abfragen, führt sie aus und formuliert daraus eine Antwort.
4. Der Assistent erhält das Ergebnis einschließlich Verweisen auf Databricks-Quellen.

Unterstützt der Client die Erweiterung MCP Apps, können zusätzlich interaktive Ansichten mit Visualisierungen und Ontologieverweisen erscheinen. Andernfalls erfolgt die Rückgabe als Text.

Für deine Architekturplanung ist diese Trennung relevant: Der Assistent bleibt die Bedienoberfläche, während fachlicher Kontext und Datenanalyse zentral in Databricks bearbeitet werden. Die Qualität der anschließenden Zusammenfassung durch den Assistenten solltest du trotzdem gesondert testen.

Für Azure-Umgebungen ist die Benutzeridentität entscheidend

Wer Azure Databricks einsetzt, sollte die Integration nicht auf die Frage reduzieren, ob sich ein MCP-Endpunkt verbinden lässt. Entscheidend ist, unter welcher Identität eine Anfrage verarbeitet wird.

Benutzerbezogener Zugriff statt gemeinsamer technischer Identität

Databricks empfiehlt die sogenannte On-behalf-of-Authentifizierung. Dabei wird die Anfrage im Kontext der tatsächlichen Nutzerin oder des Nutzers ausgeführt. Genie prüft anhand dieser Identität die Berechtigungen im Unity Catalog sowie vorhandene Zeilenfilter und Spaltenmaskierungen.

Das ermöglicht unterschiedlich begrenzte Antworten auf dieselbe Frage: Eine Standortleitung darf beispielsweise nur ihren Bereich auswerten, während eine zentral berechtigte Rolle einen größeren Ausschnitt sehen kann.

Eine technische Identität, etwa ein Service Principal, ist ebenfalls vorgesehen. Sie repräsentiert jedoch alle aufrufenden Personen mit denselben Berechtigungen. Daraus entsteht nicht automatisch eine benutzerbezogene Zugriffstrennung.

Datenschutz endet nicht am Databricks-Zugriff

Auch korrekt berechtigte Ergebnisse können sensible Informationen enthalten. Deshalb solltest du vor der Anbindung eines externen Assistenten prüfen:

• Welche Ergebnisse werden an den Assistentenanbieter übertragen?
• Welche Vertragsbedingungen und Einstellungen gelten für deren Verarbeitung und Speicherung?
• Ist der Assistent für diesen Datenumfang intern freigegeben?
• Passt der Authentifizierungsweg zu deinem Rollen- und Berechtigungskonzept?

MCP ist ein Integrationsprotokoll, kein Nachweis für DSGVO-Konformität. Eine bestehende Azure-Umgebung beantwortet diese Fragen ebenfalls nicht automatisch.

Ein sinnvoller Einstieg für den Mittelstand

Der größte Hebel liegt häufig nicht darin, sofort möglichst viele Assistenten anzuschließen. Beginne besser mit einem klar abgegrenzten Entscheidungsprozess und einer überschaubaren Anzahl verbindlicher Kennzahlen.

Erst Fachlichkeit prüfen, dann verbreitern

Für einen Pilotbetrieb empfiehlt sich folgende Reihenfolge:

• Anwendungsfall festlegen: Welche wiederkehrende Frage soll zuverlässig beantwortet werden?
• Verantwortung zuordnen: Wer bestätigt Definitionen, Datenbeziehungen und maßgebliche Quellen?
• Prüffragen erstellen: Welche Antworten sind fachlich richtig, welche Informationen müssen verborgen bleiben?
• Identitäten testen: Funktioniert die Abgrenzung zwischen Rollen auch bei identischen Fragen?
• Betrieb beobachten: Wie entwickeln sich Antwortqualität, Laufzeiten und Verbrauch?

Die Quelle nennt dafür unter anderem Audit-Logs, die SQL Query History und Abrechnungssystemtabellen als Beobachtungsmöglichkeiten. Fachliche Anweisungen und kuratierter Kontext sollten zentral in Databricks gepflegt werden, statt sie über widersprüchliche Client-Prompts zu verteilen.

Für einen einzelnen, klar abgegrenzten Fachbereich verweist Databricks außerdem auf den spezifischen Genie Agent MCP Server als Alternative. Ein enger zugeschnittener Zugang kann leichter zu prüfen und abzugrenzen sein als eine unternehmensweite Anbindung.

Wenn Definitionen und Datenverantwortung noch ungeklärt sind, beginnt die Arbeit daher bei der Datenplattform. Welche Assistenten anschließend für welche Aufgaben zugelassen werden, gehört in eine abgestimmte KI-Strategie.

Was das für dich bedeutet

Genie One MCP adressiert eine wichtige Lücke: KI-Assistenten brauchen nicht nur Daten, sondern verbindliche Bedeutung und passende Berechtigungen. Für dein Unternehmen kann eine gemeinsame Kontextbasis doppelte Pflege reduzieren und konsistentere Auswertungen ermöglichen. Sie macht schlechte Daten oder unklare Zuständigkeiten jedoch nicht automatisch besser.

Prüfe deshalb zuerst einen begrenzten Anwendungsfall, die Preview-Voraussetzungen und die Unterstützung deines vorgesehenen Clients. Ailio unterstützt dich als Databricks-Partner dabei, Datenplattform, fachlichen Kontext und KI-Anbindung zusammenzudenken. Sprich mit uns über deine Databricks-Architektur.