Wie Qlik mit Amazon Bedrock eine fundierte KI auf Enterprise-Skala aufgebaut hat

Der Aufbau von Grounded AI auf Amazon Bedrock: Qlik Answers löst ein verbreitetes Unternehmensproblem: Den Mitarbeitern fehlt es nicht an Daten. Ihnen fehlt ein schneller Weg, eine echte Frage an diese Daten zu stellen und eine Antwort zu erhalten, der sie vertrauen können. Analysten verbringen Stunden damit, Dokumente, Dashboards und das institutionalisierte Wissen zu durchsuchen, um Fragen zu beantworten, die ein Kollege in einem Satz stellen könnte. Und wenn Organisationen versuchen, diese Lücke mit generativer KI zu schließen, stoßen viele auf dieselbe Wand: Antworten ohne Quellen, keine Möglichkeit, ein Ergebnis zu überprüfen, und kein Weg, das Werkzeug in einer regulierten Umgebung einzusetzen.

Qlik, ein globaler Marktführer in den Bereichen Datenintegration, Datenqualität, Analysen und KI, hat Qlik Answers entwickelt, um dieses Problem für seine mehr als 40,000 Kunden weltweit zu lösen. Seit der allgemeinen Verfügbarkeit im Februar 2026 hat sich Qlik Answers von einer frühen Funktion zur täglichen Nutzung entwickelt: Qliks Discovery Agent, ein KI-gestützter Agent zur Erkennung von Anomalien und Ausreißern, hat seit der Markteinführung allein mehr als 100,000 Entdeckungen für Kunden hervorgebracht, und die Mehrheit der Qlik Cloud-Konten mit aktivierten agentic Tools nutzt diese aktiv.

Dieser Beitrag erklärt, wie Qlik das Tool hinter dieser Nutzung entwickelt hat und wie Amazon Bedrock es in globalem Maßstab unterstützt.

Herausforderung

Qlik identifizierte drei Probleme, die es gleichzeitig lösen musste, um Qlik Answers in der gesamten Kundenbasis in Produktion zu bringen:

• Orchestrierung spezialisierter Schlussfolgerungen, ohne jemanden zu verlangsamen. Enterprise-Fragen variieren stark: Manche erfordern eine schnelle Suche, andere verlangen das Abrufen aus strukturierten Analysen, unstrukturierten Dokumenten, Glossardefinitionen oder Automatisierungen. Ein einzelner Allzweck-Assistent wird tendenziell langsamer und ungenauer, je mehr Funktionen ihm hinzugefügt werden.
• Erfüllung der Anforderungen an Datenhoheit über Regionen hinweg. Qlik betreut Kunden in Europa, im asiatisch-pazifischen Raum und auf dem amerikanischen Kontinent, jede Region mit eigenen Erwartungen an die Datenresidenz. Ein einzelnes globales Bereitstellungsmodell würde diese Anforderungen nicht erfüllen, aber 11 separate regionale Builds wären schwierig konsistent zu warten und zu verbessern.
• Prognose der Modellkapazität Monate vor der Nachfrage. Der Tokenverbrauch und die Modellverfügbarkeit mussten 3–6 Monate vor größeren Launches geplant werden. Qlik validierte diese Prognosen anschließend anhand der tatsächlichen Nutzung, sobald Kunden das Produkt verwendeten, damit Wachstum bei der Einführung nicht zu einem Kapazitätsproblem wird.

Überblick über die Lösung

Qlik Answers gibt Mitarbeitern – nicht nur Analysten – einen zentralen Ort, an dem sie eine Frage in natürlicher Sprache stellen und eine fundierte, mit Quellen belegte Antwort erhalten. Je nach Frage kann diese Antwort aus einer Wissensbasis, einer Live-Analytics-App, einer Glossardefinition oder einem Dokument stammen. Das zugrunde liegende System entscheidet, welcher Pfad eingeschlagen wird.

Drei Bereitstellungen veranschaulichen, wie das für Kunden aussieht:

• Bystronic, ein weltweit tätiger Spezialist für Blechbearbeitung, implementierte in 15 Minuten einen KI-Chatbot, der Mitarbeitern die Möglichkeit bietet, Echtzeit-Betriebsdaten abzufragen und über Abteilungen hinweg Quellen-belegte Antworten zu erhalten.
• Lintech International indizierte mehr als 17,000 technische Dokumente in Qlik Answers, verkürzte die manuelle Recherchezeit und beschleunigte die Reaktionszeiten um 75 Prozent, was Geschäftsleitern bis zu 7 Stunden pro Woche zurückgab.
• TouchPoint Support Services, das 650 Gesundheitsstandorte betreut und darauf abzielt, seine Größe zu verdoppeln, nutzt Qlik Answers, um 15,000 Mitarbeitern in regulierten, schnelllebigen Umgebungen schnelle, compliance-konforme Anleitungen zu bieten.

Um dies im großen Maßstab zu unterstützen, baute Qlik das System um klare architektonische Grenzen herum statt um einen einzigen großen Assistenten. Die wichtigsten Ebenen sind wie folgt:

1. Eingangsebene. Ein stabiler konversationeller Einstiegspunkt innerhalb von Qlik Cloud, sodass neue Backend-Funktionen hinzugefügt werden können, ohne die Interaktion der Kunden mit dem Assistenten zu verändern.
2. Routing-Ebene. Eine leichtgewichtige Ebene, die die Nachricht des Benutzers und den Konversationskontext liest und entscheidet, wohin die Anfrage gehen soll. Ihre einzige Aufgabe ist eine schnelle, genaue Routing-Entscheidung, nicht die Lösung der Aufgabe selbst.
3. Antwortebene. Koordiniert die Antwortgenerierung, sobald eine Anfrage weitergeleitet wurde, und wählt zwischen einem schnellen Pfad für einfache Anfragen und einem stärker durchdachten Pfad, der eine Frage in Teilfragen aufbricht und Informationen aus mehreren Quellen zieht.
4. Spezialisten-Agenten-Schicht. Eine gemeinsame Swarm-Runtime definiert, wie Spezialisten-Agenten, Tools, Zustände und Human-in-the-Loop-Schritte funktionieren, sodass neue Spezialisten hinzugefügt werden können, ohne dass jeder ein eigenes Orchestrierungsmodell erfinden muss.
5. Conversational-Analytics-Schicht. Bearbeitet Fragen zu strukturierten Daten, indem sie an einen anwendungsorientierten Reasoning-Pfad weitergeleitet werden, der für Analytics statt für allgemeine Textgenerierung konzipiert ist.
6. Retrieval-Schicht. Die Indexierung und der Abruf unstrukturierter Dokumente laufen auf dem Amazon OpenSearch Service, der die Inhalte speichert und durchsucht, die die Antworten von Qlik Answers auf Fragen zu Wissensbasen und Dokumenten fundieren.
7. Modellzugriffsschicht. Diese Schicht wird über Qliks eigenes Gateway für große Sprachmodelle (LLM) erreicht und verbindet sich mit Amazon Bedrock für Chat, Streaming, Embeddings und Reranking. Sie wendet zudem Amazon Bedrock Guardrails auf jede Anfrage und Antwort an: Inhaltsfilterung für Prompt Injection, personenbezogene Daten (PII), Geheimnisse und verweigerte Themen, plus eine Grounding-Validierungsprüfung generierter Antworten. Wenn ein Modell, auf das sich ein Kunde verlässt, in einer Region über Bedrock noch nicht verfügbar ist, hostet Qlik es stattdessen auf Amazon SageMaker AI und verschiebt diese Workload zurück zu Bedrock, sobald die regionale Verfügbarkeit nachgezogen hat. Für die Modellverfügbarkeit nach AWS-Region siehe Supported models by AWS Region in Amazon Bedrock.

Abbildung 1: Mitarbeiterfragen durchlaufen die Entry-, Routing- und Answer-Schichten, verzweigen dann zu spezialisierten Agenten, dem Analytics-Agenten und dem Retrieval-Agenten (unterstützt von Amazon OpenSearch Service), bevor sie in der Modellzugriffsschicht zusammenlaufen, die auf Amazon Bedrock verfügbare Foundation Models erreicht, mit Amazon SageMaker AI als regionalem Fallback

Antworten in echten Quellen verankern

Grounding war eine der wichtigsten Designentscheidungen im Framework. Die Answer-Schicht zieht je nach Frage aus mehreren Arten von Kontext: strukturierte App-Metadaten, abgerufene Inhalte aus Wissensbasen, Glossardefinitionen, Automatisierungskontext und Dokumenteninhalte für Zusammenfassungen. Nachdem die Elemente einer vollständigen Antwort zurückgegeben wurden, wird die gesamte Antwort zusammengesetzt und dem Nutzer präsentiert.

Retrieval allein garantiert keine Genauigkeit. Qlik führt daher zusätzlich eine Grounding-Validierungsprüfung generierter Antworten durch und vergleicht jede einzelne mit dem Quelleninhalt, aus dem sie stammt, unter Verwendung der Kontext-Grounding-Funktion in Amazon Bedrock Guardrails. Das verwandelt Grounding von einem Retrieval-Schritt in eine geprüfte Produktionskontrolle. Bei unstrukturierten Fragen ruft das Tool fragenspezifische Inhalte aus dem Amazon OpenSearch Service ab und führt diesen Kontext mit, sodass die endgültige Antwort Zitate enthält. Bei strukturierten Fragen übergibt es die Arbeit an den Pfad für konversationelle Analysen. Weitere Fähigkeiten, darunter Glossar-Lookup, Automatisierungen und Dokumentenzusammenfassung, werden mit Funktionskontrollen ausgerollt, sodass Qlik erweitern kann, was das Tool kann, ohne das Standarderlebnis für alle Kunden gleichzeitig zu destabilisieren. Tenant-spezifische Funktionsoptionen bedeuten, dass Qlik den verfügbaren Orchestrierungspfad pro Anfrage neu aufbauen kann, sodass Funktionen selektiv aktiviert werden können, während die Gesamtarchitektur über alle Kunden hinweg konsistent bleibt.

Abbildung 2: Der Schwarm spezialisierter Agenten, in dem gemeinsamer Zustand, Tools und Human-in-the-Loop-Schritte es neuen spezialisierten Agenten ermöglichen, sich in eine gemeinsame Runtime einzuklinken

Warum Amazon Bedrock

Qlik bewertete seine Modellstrategie anhand der drei zuvor beschriebenen Probleme, und Amazon Bedrock adressierte jedes davon direkt.

Multi-Modell-Flexibilität. Mit Bedrock kann Qlik jedem Agenten-Task das am besten geeignete Modell zuweisen, statt das gesamte System an die Kompromisse eines einzigen Modells zu binden.

Datensouveränität im großen Maßstab. Mit Amazon Bedrock Cross-Region Inference (CRIS) kann Qlik alle 11 Regionen bedienen, während die Daten dort residency halten, wo die Compliance es verlangt. Dies vereint globale Reichweite und Souveränitätskontrollen in einer einzigen verwalteten Funktion.

Spielraum für die selektive Einführung verwalteter Services. Das AWS-Regionale-Bereitstellungsmodell und die Kapazitätsreservierungsoptionen geben Qlik heute Spielraum, weiter zu skalieren. Wenn bereit, geben Services wie Amazon Bedrock AgentCore Qlik die Möglichkeit, mehr des operativen Aufwands für bestimmte Workloads abzugeben, ohne dass eine vollständige Migration dafür erforderlich ist.

Qlik nutzt Bedrock über sein eigenes LLM-Gateway, anstatt Anwendungslogik direkt an ein Modell zu binden. Produktteams können die Modellwahl pro Task ändern, ohne die umgebende Anwendung umzuschreiben. Diese Trennung ist wichtig für ein System, das erwartet, dass sich die Modellstrategie weiterentwickelt.

Kapazität im Voraus planen

Da Qlik die Modellkapazität 3–6 Monate vor großen Launches prognostiziert, hat das Team ein funktionierendes Modell zur Projektion des Token-Verbrauchs nach Feature und Region erstellt und nach jedem Rollout die tatsächliche Nutzung gegen diese Projektionen geprüft. Diese Disziplin ist ein Grund, warum die allgemeine Verfügbarkeit im Februar ohne Belastung durch die eigene Adoption skalierte.

Geschäftsergebnisse und Kundenwirkung

Seit der allgemeinen Verfügbarkeit von Qliks Agenten-Erlebnis im Februar 2026 hat Discovery Agent mehr als 100,000 Entdeckungen für Kunden hervorgebracht, und die Mehrheit der Qlik Cloud Accounts mit aktivierten Agenten-Tools nutzt ihre Agenten aktiv, statt sie einmal auszuprobieren und dann aufzuhören.

Ergebnisse auf Kundenebene, die separat berichtet wurden, umfassen Lintech Internationals 75% schnellere Reaktionszeiten und bis zu 7 Stunden pro Woche, die an Business Manager zurückgegeben wurden, sowie Bystronics 15-Minuten-Chatbot-Bereitstellung.

Gelernte Lektionen

Der Aufbau und die Skalierung von Qlik Answers über 40,000+ Kunden hinweg brachten einige Lektionen hervor, die anderen Teams beim Aufbau von Agenten-Tools auf Bedrock helfen könnten:

• Trenne schnelles Routing frühzeitig von tiefem Reasoning. Werden sie gebündelt, zahlt jede Anfrage für mehr Verarbeitung, als sie benötigt.
• Standardisiere auf ein Orchestrierungsframework für die Multi-Agent-Ausführung, statt jeden neuen Spezialisten eine eigene Runtime erfinden zu lassen. Es ist einfacher, eine Anwendung zu betreiben als eine Menge getrennter Agentensysteme.
• Behandeln Sie Sicherheits- und Grounding-Prüfungen als systemweite Schwelle, nicht als nachträglichen Zusatz pro Funktion. Wenn sie einmalig auf der Modellebene ausgeführt werden, erbt jeder neue spezialisierte Agent automatisch dieselben Schutzmechanismen.
• Nutzen Sie Feature-Flags auf Mandantenebene, um Funktionen schrittweise auszuweiten. So wird verhindert, dass neue, noch wenig erprobte Funktionen die Zuverlässigkeit der Kernumgebung beeinträchtigen.
• Schaffen Sie eine Gewohnheit der Kapazitätsprognose, bevor Sie sie brauchen. Die Abgleichung der prognostizierten mit der tatsächlichen Nutzung nach jedem Launch verwandelt Kapazitätsplanung von Rätselraten in einen wiederholbaren Prozess.

Ausblick

Qliks Roadmap hält die Architektur bewusst offen und anpassungsfähig. Das Team evaluiert Amazon Bedrock AgentCore für ausgewählte Workloads, bei denen eine verwaltete agentische Laufzeitumgebung den operativen Aufwand reduzieren würde, und baut gleichzeitig an offenen Standards sowie an der eigenen Orchestrierungsschicht weiter, wo dies Qlik mehr Kontrolle über Kosten, Latenz oder Portabilität bietet. Ziel ist es, die Option zu behalten, verwaltete Dienste dort zu übernehmen, wo sie helfen, ohne das Framework auf einen einzigen davon auszulegen. Qlik entwickelt zudem ein systematisches Framework zur Bewertung der Modellleistung. So kann Qlik zu besser passenden Modellen wechseln, sobald diese verfügbar sind, ohne das Kundenerlebnis zu stören, auf das sich Kunden bereits verlassen.

Fazit

Die Einführung von Qlik Answers seit dem Launch im Februar 2026 spiegelt eine Architektur wider, die darauf ausgelegt ist, nicht im Weg zu stehen: schnell, wo Geschwindigkeit zählt, bedacht, wo Genauigkeit zählt, durchgehend auf echten Quellen basierend und sicher genug, damit auch regulierte Branchen sich darauf verlassen können. Die Modellflexibilität, die Kontrollen für regionale Souveränität sowie das Guardrails-basierte Inhaltsfiltern und die Grounding-Validierung in Amazon Bedrock gaben Qlik eine Grundlage, um dieses Erlebnis in globalem Maßstab zu entwickeln. Das Ergebnis umfasst bisher mehr als 100,000 aufgedeckte Discoveries, zurückgewonnene Stunden für Mitarbeitende in Unternehmen wie Lintech und TouchPoint sowie eine Mehrheit der Konten mit aktivierten agentischen Tools, die ihre Agents auch nach dem Ausprobieren weiter nutzen.

Um zu sehen, was Qlik Answers mit Ihren Daten leisten kann, starten Sie eine kostenlose Testversion von Qlik Cloud Analytics, fordern Sie eine Qlik Answers Demo oder eine Qlik- und AWS-Demoan, oder besuchen Sie die Qlik Answers Produktseite , um mehr zu erfahren.

Über die Autoren