Qlik bringt Agentic Data Engineering in Qlik Cloud

Wer schon einmal um 3 Uhr morgens angerufen wurde, weil ein vorgelagertes Schema gedriftet ist und das LLM-Feature stillschweigend kaputtgegangen ist, kennt den eigentlichen Engpass in der KI-Entwicklung von Unternehmen: nicht das Modell, sondern die Pipeline, die es versorgt. Am 30. Juni 2026 gab Qlik in Philadelphia die allgemeine Verfügbarkeit (GA) seiner agentenbasierten Data-Engineering-Funktionen für Qlik Cloud bekannt – mit dem Versprechen, diese Lücke durch Agenten zu schließen, die Governance respektieren statt sie zu umgehen.

Die Aussage klingt vertraut. Aber die Umsetzung ist das, was Plattform-Teams vor den Budgetgesprächen zur Quartalsmitte genau unter die Lupe nehmen sollten.

Was passiert ist

Qlik hat eine Reihe von Funktionen, die erstmals auf der Qlik Connect 2026 vorgestellt wurden, in die Produktion überführt, wie HPCwire berichtete. Das Release umfasst Qlik Talend Cloud und Qlik Cloud Analytics und bringt jene Anbieterversprechen mit, die in jedem Architektur-Review dieses Quartals hinterfragt werden: Agenten, die Datenprodukte generieren, bewerten und kontrollieren, ohne dass die Menschen das Steuer aus der Hand geben müssen.

Fünf Funktionen gingen in den GA-Status. Data-Quality-Agenten erstellen Vertrauenswerte, bearbeiten Regeln, definieren Service-Level-Objectives und erkennen Anomalien über natürliche Sprache oder MCP-fähige Workflows. Data Products ermöglicht es Teams, kuratierte Datensätze zu erstellen, zu verwalten und zu steuern, die für Analytics und KI wiederverwendet werden sollen, statt sie projektweise neu aufzubauen. Catalog Glossary übernimmt die Asset-Entdeckung, Terminologiestandardisierung und verbindet Geschäftsdefinitionen mit regulierten Metadaten. Declarative Pipelines with Coding erlaubt Ingenieuren, mit genehmigten Drittanbieter-Coding-Agenten und IDEs im Kontext gesteuerter Pipelines zu arbeiten. Und die erweiterten MCP-fähigen Datenwerkzeuge geben autorisierten KI-Clients Zugang zu Qlik-Funktionen – über den Assistenten, den ein Team bereits nutzt.

Drew Clarke, Executive Vice President, Product and Technology bei Qlik, formulierte die Strategie so: „Unternehmen nutzen viele KI-Tools – es ist nicht nur ein Assistent, ein Modell oder eine einzige Datenplattform. Unser Ansatz besteht darin, den regulierten Qlik-Kontext in die Tools zu integrieren, die Data-Teams bereits verwenden, damit sie Engineering-Arbeit mit Agenten beschleunigen können, während sie Wahlfreiheit, Transparenz und Kontrolle behalten."

Das Release baut auf dem Qlik Predict Agent und dem Qlik Automate Agent auf, die im Juni 2026 eingeführt wurden; ein Qlik Analytics Agent ist für Q3 2026 geplant. Qlik gibt an, dass seine Plattform von 75 % der Fortune 500 genutzt wird, was sowohl die adressierbare Reichweite als auch das Risikoprofil definiert: Jeder Fehler zeigt sich in sehr vielen Produktions-Dashboards.

Technische Architektur

Wenn man das Marketing herausfiltert, bleiben drei Engineering-Konzepte übrig, die die eigentliche Arbeit leisten.

Erstens: MCP als Verbindungsgewebe. Model Context Protocol etabliert sich schnell als Weg, über den autorisierte KI-Clients mit Unternehmensdaten kommunizieren. Qliks erweiterte MCP-fähige Datenwerkzeuge bedeuten, dass ein Coding-Assistent, ein Chat-Client oder ein interner Agent regulierte Daten anfordern oder einen Datenqualitäts-Workflow auslösen kann, ohne die Katalog-Controls zu umgehen. Das ist wichtig, denn das häufigste Fehlermuster in Produktionsvorfällen rund um KI-Features ist genau dieses: Ein gutmeinender Entwickler verbindet ein LLM direkt mit einem Data Warehouse, das Abfragemuster läuft aus dem Ruder, und das Datenteam arbeitet um Mitternacht an der Fehleranalyse. Das Routing über MCP mit Policy-Checks ist ein vernünftigerer Standardansatz.

Zweitens: Deklarative Pipelines mit Drittanbieter-Coding-Agenten. Anstatt Teams auf eine einzige IDE oder einen Copiloten festzulegen, übergibt Qlik den Pipeline-Kontext an den Coding-Agenten, auf den sich das Team bereits standardisiert hat. Das spiegelt die Richtung von Tools wie dbt wider, bei dem das deklarative Modell den Agenten ein stabiles Ziel zum Arbeiten gibt. Generiertes SQL und Transformationen liegen in einem Lineage-Graphen, den die Plattform bereits versteht. Agenten machen Vorschläge; die Pipeline-Definition bleibt die einzige Quelle der Wahrheit.

Drittens: Eingebettete Datenqualität als erstklassige Agenten-Oberfläche. Vertrauenswerte, Qualitätsmetriken, SLOs und Anomalieerkennung werden über natürliche Sprache oder MCP aufrufbar. Das ist die Komponente mit dem höchsten Nutzwert. Teams, mit denen ich gearbeitet habe, veröffentlichen routinemäßig Dashboards auf Datensätzen, deren Qualitätshistorie niemand tatsächlich gelesen hat. Wenn ein Data-Quality-Agent meldet: „Dieser Feed hat sein Frische-SLO in 4 von 10 Zeitfenstern verfehlt", bevor ein Bericht freigegeben wird, ist das echter operativer Mehrwert.

Meine Einschätzung: Die architektonische Entscheidung, werkzeugunabhängig zu bleiben, ist die richtige. Der falsche Einsatz im Jahr 2026 ist der Versuch, den Assistenten zu besitzen. Der richtige Einsatz ist, den regulierten Kontext zu besitzen, den jeder Assistent braucht, um nützlich zu sein.

Wer das zu spüren bekommt

Zwei Gruppen reagieren auf dieses Release auf unterschiedliche Weise.

Die erste sind Anbieter, die einen geschlossenen KI-Daten-Stack verkaufen. Stephen Catanzano, Principal Analyst, Data & AI bei Omdia, brachte es auf den Punkt: „Unternehmen stehen unter Druck, KI schneller zu operationalisieren, aber viele stellen fest, dass Data Engineering und Governance weiterhin große Engpässe bleiben. Was an Qliks Ansatz bemerkenswert ist, ist der Fokus darauf, agentenbasierte Fähigkeiten direkt in regulierte Daten-Workflows einzubetten – damit Organisationen die Bereitstellung KI-fähiger Datenprodukte beschleunigen können, ohne Geschwindigkeit von Aufsicht zu trennen." Übersetzung: Käufer haben es satt, zwischen Geschwindigkeit und Kontrolle wählen zu müssen, und sie werden Tools bestrafen, die diesen Kompromiss erzwingen.

Die zweite Gruppe sind interne Datenplattform-Teams, die diesen Stack still und leise selbst aufgebaut haben. Eigene Kataloge, individuelle Lineage-Collector, handgemachte Qualitäts-Frameworks. Wenn Qlik bereits im Stack vorhanden ist – und bei 75 % der Fortune 500 als Kunden ist das oft der Fall – ist das Make-versus-Buy-Gespräch gerade schwieriger geworden. Bei einem 10-köpfigen Plattform-Team binden zwei Stellen, die mit der Pflege eines individuellen Katalogs beschäftigt sind, echtes Budget. Das ist ein erheblicher operativer Kostenfaktor, der einem GA-Produkt gegenübergestellt werden muss.

Der unbequeme Befund: Teams, die 2024 und 2025 damit verbracht haben, interne LLM-zu-Warehouse-Verbindungen ohne MCP oder Policy-Layer aufzubauen, müssen jetzt nacharbeiten. Nicht weil ihr Code schlecht ist, sondern weil sich die unternehmerischen Erwartungen verschoben haben. Autorisierte KI-Clients, regulierter Kontext, lineage-erhaltende Agenten – das sind die Checkboxen, nach denen der Einkauf jetzt fragt.

Valpak ist einer der Referenzkunden. Robin Astle, Head of Qlik Analytics bei Valpak, sagte, die Funktionen „werden uns helfen, die richtigen Assets zu finden, Qualität zu verstehen und vertrauenswürdige Datenprodukte schneller in Nutzung zu bringen, während wir unseren Governance-Prozess intact halten. Diese Balance aus Geschwindigkeit und Kontrolle ist das, was KI für uns praktisch nutzbar macht." Praktisch ist das entscheidende Wort. Nicht transformativ. Praktisch.

Handlungsempfehlungen für Daten-Teams

Konkrete Maßnahmen für diese Woche.

Erstens: Prüfen Sie, welche Ihrer KI-Features über regulierte Oberflächen auf Daten zugreifen und welche direkte Warehouse-Verbindungen nutzen. Wenn ein Coding-Assistent oder interner Agent direkte Zugangsdaten zu Snowflake oder einem gleichwertigen Warehouse ohne Policy-Vermittlung hat, ist das das Erste, was behoben werden muss. Ob Sie Qliks MCP-Weg oder eine andere Lösung wählen – das Direktverbindungs-Muster ist ein Produktionsvorfall, der darauf wartet zu passieren.

Zweitens: Wählen Sie zwei Datensätze und definieren Sie echte SLOs, bevor Sie Agenten anfassen. Frische, Vollständigkeit, Schema-Stabilität. Wenn Sie das SLO nicht formulieren können, hat ein Data-Quality-Agent nichts Sinnvolles, worüber er berechnen kann. Agenten verstärken die vorhandene Disziplin; sie schaffen sie nicht.

Drittens: Wenn Sie ein Qlik-Unternehmen sind, führen Sie einen begrenzten Piloten mit Data Products und Catalog Glossary in einer Geschäftsdomäne durch. Nicht fünf. Eine. Messen Sie, wie lange es dauert, von „Ich brauche eine vertrauenswürdige Kundentabelle für einen neuen KI-Anwendungsfall" zu einem regulierten, wiederverwendbaren Datenprodukt zu kommen. Diese Zahl ist das ehrliche ROI-Signal.

Viertens: Für Teams, die nicht auf Qlik setzen, sollte dieses Release als Marktsignal behandelt werden, nicht als Produktneid. Die Funktionen zeigen, was Enterprise-Käufer bis Jahresende von jeder Datenplattform erwarten werden: MCP-Endpunkte, agenten-aufrufbare Qualitätsmetriken, deklarative Pipelines, die Agenten sicher modifizieren können. Planen Sie Ihre Roadmap entsprechend.

Fünftens: Planen Sie Budget für Governance-Review-Zyklen ein. Wenn Agenten vertrauenswürdige Datenprodukte schneller liefern, hilft das nur, wenn Ihr Review-Prozess mithalten kann. Andernfalls verschiebt sich der Engpass nur.

Wichtigste Erkenntnisse

• Qliks agentenbasierte Data-Engineering-Funktionen gingen am 30. Juni 2026 in Qlik Talend Cloud und Qlik Cloud Analytics in den GA-Status über, nach ihrer Premiere auf der Qlik Connect 2026.
• Fünf Funktionen wurden veröffentlicht: Data-Quality-Agenten, Data Products, Catalog Glossary, Declarative Pipelines with Coding und erweiterte MCP-fähige Datenwerkzeuge.
• Die strategische Wette ist werkzeugunabhängige Governance: den regulierten Kontext zu jedem Assistenten oder Coding-Agenten bringen, den Teams bereits nutzen, statt eine einzige Plattform zu erzwingen.
• Mit 75 % der Fortune 500 als Kunden setzt das Release eine neue Basiserwartung für Enterprise-Datenplattformen im Jahr 2026.
• Der Qlik Analytics Agent ist für Q3 2026 geplant und erweitert die Agenten-Linie, die im Juni 2026 mit Qlik Predict Agent und Qlik Automate Agent begann.