Am 8. Oktober hat Anthropic Claude Dashboards veröffentlicht. Verbinden Sie eine Datenquelle, beschreiben Sie in natürlicher Sprache, was Sie brauchen, und Claude kann das SQL schreiben, Visualisierungen bauen und ein Dashboard erstellen, das sich weiter aktualisiert.
Meine erste Reaktion war: Das überschneidet sich mit mehreren Ideen, die ich in DuckLocal verfolge.
DuckLocal ist ein Local-first-Desktop-Werkzeug für Daten, das ich mit DuckDB und GPUI baue. Über das Abfragen und Erkunden von Dateien hinaus arbeite ich an deklarativen Dashboards, die KI-Agenten an Analyse und Visualisierung teilnehmen lassen.
Claude Dashboards war deshalb mehr als eine interessante Produktveröffentlichung. Es hat mich dazu gebracht, neu zu überdenken, wohin DuckLocal als Nächstes gehen soll.
1. Was macht Claude Dashboards?
Ein Dashboard zu bauen heißt traditionell: eine Datenbank verbinden, ihr Schema verstehen, SQL schreiben, Diagramme und Kennzahlen wählen, Filter konfigurieren, das Layout anordnen und das Ergebnis veröffentlichen. Keiner dieser Schritte ist für einen Analysten besonders ungewöhnlich, aber zusammen bleiben sie für alle anderen eine erhebliche Hürde.
Claude Dashboards holt diese Schritte in eine Interaktion in natürlicher Sprache. Ein Nutzer könnte fragen:
Analysiere unseren Umsatztrend der letzten sechs Monate, schlüssle ihn nach Region auf und zeige mir den am schnellsten wachsenden Teil des Geschäfts.
Claude kann die Abfragen und Diagramme aus verbundenen Daten erzeugen. Unterstützt werden Plattformen wie Snowflake, BigQuery, Redshift, Databricks und ClickHouse, und Konnektoren können Daten aus Geschäftssystemen wie Salesforce einbringen.
Zwei Designentscheidungen sind mir aufgefallen.
Ein Dashboard wird zu einem Analyseobjekt, das sich weiterentwickelt
Das Dashboard ist nicht bloß eine abschließende Präsentation. Ein Nutzer kann Claude weiter bitten, ein Diagramm zu ändern, einen Filter hinzuzufügen oder eine andere Dimension zu untersuchen, ohne das Dashboard von Hand neu zu bauen.
Das SQL hinter jedem Diagramm bleibt sichtbar
Nutzer können nicht nur das Ergebnis prüfen, sondern auch, wie es berechnet wurde. KI kann die Hürde zur Analyse senken, aber sie sollte die Analyse nicht in eine nicht prüfbare Blackbox verwandeln.
2. Was bestätigt Claude Dashboards?
Während der Entwicklung von DuckLocal habe ich an einer Idee festgehalten:
Ein Dashboard sollte keine statische Seite am Ende eines BI-Workflows sein. Es sollte ein Workspace sein, in dem Menschen und KI-Agenten gemeinsam Daten analysieren.
In klassischer BI erstellt in der Regel ein Analyst ein Dashboard und übergibt es an die Fachabteilungen. Wenn jemand eine Kennzahl hinterfragt, geht er zurück zum Analysten, der das SQL aktualisiert oder ein weiteres Diagramm hinzufügt.
Ein KI-Agent kann diese Schleife verändern. Eine Person stellt eine Frage; der Agent erkundet die Daten und erstellt ein Dashboard. Wenn der Person etwas Unerwartetes auffällt, bittet sie den Agenten, die Abfrage anzupassen oder weiter zu untersuchen.
Das Dashboard verschiebt sich von einseitigem Reporting zu zweiseitiger analytischer Interaktion. Claude Dashboards hat mich darin bestärkt, dass diese Richtung es wert ist, weiterverfolgt zu werden.
Dass ein großes Unternehmen in einen Bereich einsteigt, beweist für sich genommen keine kommerzielle Nachfrage. Es zeigt aber, dass Analyse in natürlicher Sprache, SQL und Dashboards zu einem aktiven Investitionsfeld für KI-Produkte geworden sind. Nutzer brauchen womöglich weniger weitere Diagramme als einen schnelleren Weg zu vertrauenswürdigen Antworten.
3. Zwei Lehren aus Claude Dashboards
DuckLocal v0.2.1 bringt zwei Fähigkeiten, die zu dieser Richtung passen.
Menschen und Agenten rund um ein Diagramm zusammenarbeiten lassen
Die erste sind Dashboard-Kommentare. Eine Person kann eine Frage direkt an einem Diagramm in DuckLocal hinterlassen:
Warum ist die Fehlerrate in diesem Zeitraum gesprungen? Bitte untersuchen.
Ein Agent kann den Kommentar über die DuckLocal-CLI lesen, das Problem analysieren und antworten. Die Person kann die Diskussion fortsetzen oder den Thread schließen, wenn die Frage geklärt ist. Kommentare liegen neben dem Dashboard in einer .dash.comments.json-Datei, der Ablauf braucht also keinen Cloud-Dienst für Zusammenarbeit.
.dash-Datei gespeichert, wo ein Agent ihn mit ducklocal comments lesen und beantworten kann.Das Modell, das ich etablieren möchte, ist:
Die Person stellt Fragen und trifft Urteile. Der Agent führt die Analyse aus. Das Dashboard ist ihr gemeinsamer Kontext.
Nützliche Analyse entsteht selten in einem Durchgang. Sie entsteht durch Fragen, Tests und Korrekturen.
SQL zur prüfbaren Grundlage der Analyse machen
Die zweite Fähigkeit ist die Einsicht in das SQL der Diagramme. DuckLocal v0.2.1 kann für jeden Plot eines Dashboards das zuletzt tatsächlich ausgeführte SQL zeigen, mit aufgeklappten Datenquellen und aktuellen Filterwerten. Der Nutzer kann dieses SQL kopieren oder in einem Abfrage-Tab öffnen, um es zu ändern und auszuführen.
Ein von KI erzeugtes Diagramm kann richtig aussehen, während seine Berechnung falsch ist. Eine Wachstumskennzahl kann den falschen Zeitraum verwenden oder einen Teil des Geschäfts auslassen. Nur das fertige Bild zu zeigen macht solche Fehler schwer zu erkennen.
Das SQL offenzulegen macht die Analyse transparenter. Gerade in der Finanz-, Audit- und Sicherheitsarbeit sollte ein Ergebnis prüfbar und reproduzierbar sein, nicht nur leicht zu verstehen.
Weiterführende Dokumentation: Ein Dashboard mit Kommentaren prüfen · Kommentare über die CLI lesen und beantworten
4. Worin unterscheiden sich Claude Dashboards und DuckLocal?
Beide Produkte wollen die Hürde zur Datenanalyse senken und Dashboards zu etwas machen, das Menschen weiter erkunden, prüfen und verändern können. Ihre Positionierung und ihr Betriebsmodell sind dennoch unterschiedlich.
| Dimension | Claude Dashboards | DuckLocal |
|---|---|---|
| Positionierung | KI-getriebene Analyse und Dashboards | Local-first Desktop-Daten-Workspace |
| Laufzeit | Claude als Cloud-Produkt | Lokale Desktop-Anwendung |
| Datenzugriff | Konnektoren zu Datenplattformen und Geschäftssystemen | Lokale DuckDB-Ausführung, bei Bedarf mit ausdrücklichen externen Verbindungen |
| Dashboard-Modell | Über natürliche Sprache erzeugt und verändert | Deklarative Textdateien mit CLI- und Agent-Abläufen |
| KI-Zusammenarbeit | Vor allem über eine Claude-Konversation | Über die CLI und Kommentare direkt an Plots |
| SQL-Transparenz | Das SQL hinter einem Diagramm ansehen | Das tatsächlich ausgeführte SQL ansehen, kopieren und öffnen |
| Quellmodell | Geschlossenes kommerzielles Produkt | Open Source unter Apache-2.0 |
| Datenschutz und Kontrolle | Cloud-Dienst und Berechtigungsmodell der Konnektoren | Lokale Ausführung mit ausdrücklicher Kontrolle über Speicherung und Netzwerkzugriff |
DuckLocal muss nicht Funktion für Funktion mit Claude Dashboards konkurrieren. Claudes größte Stärken sind das Modell selbst und die Integration mit Unternehmensdatenquellen und anderen Werkzeugen. Für ein Unternehmen, das Claude und Cloud-Datenplattformen schon nutzt, passt das auf natürliche Weise.
Aber eine andere Art von Bedarf bleibt: Nicht jeder Datensatz gehört in einen KI-Dienst, und nicht jede Analyse braucht eine Cloud-Datenplattform.
Eine lokale CSV zu erkunden, einen exportierten Finanzdatensatz zu auditieren oder Sicherheitslogs mit sensiblen Informationen zu untersuchen — dafür genügt womöglich nichts weiter als eine lokale Analyseumgebung. DuckLocal ist Local-first, damit solche Aufgaben auf dem eigenen Gerät stattfinden können.
Lokale Software erfüllt nicht automatisch jede Compliance-Anforderung. Sie gibt Nutzern aber direktere Kontrolle darüber, wo Daten gespeichert sind, wo Abfragen laufen und wann das Netzwerk genutzt wird.
Datenschutz muss Produktverhalten sein, kein README-Versprechen
In v0.2.1 habe ich geändert, wie DuckDB-Erweiterungen installiert werden. Manches SQL konnte DuckDB zuvor dazu bringen, eine Erweiterung automatisch aus dem Netz zu laden. DuckLocal tut das standardmäßig nicht mehr; der Nutzer muss eine Erweiterung bewusst über die Seite „Erweiterungen“ installieren. Auch automatische Update-Prüfungen sind standardmäßig aus.
Für ein Local-first-Produkt darf Datenschutz nicht bei einer Zeile im README enden. Er muss sich in den Standardeinstellungen zeigen.
Open Source ist ein weiterer wichtiger Unterschied. Nutzer können den Code und die Logik der Datenverarbeitung prüfen und das Produkt dann für ihre eigenen Anforderungen ändern. Bei Arbeiten mit hohen Datenschutz- und Sicherheitsauflagen können diese Prüfbarkeit und Kontrolle zu einem dauerhaften Vorteil werden.
5. Als Nächstes: das Dashboard zu einem echten Mensch-Agent-Workspace machen
DuckLocal-Dashboards haben jetzt deklarative Konfiguration, SQL-Abfragen, Visualisierungen und Plot-Kommentare. Von der Analyseumgebung für Mensch und Agent, die mir vorschwebt, sind sie noch ein Stück entfernt.
Meine nächste Priorität ist nicht, möglichst viele Diagrammtypen hinzuzufügen. Sie ist, die Schritte der Analyse zu verbinden:
- Eine Person stellt eine Frage an einem Diagramm; der Agent versteht die Daten und das SQL des Diagramms und führt die Untersuchung fort.
- Der Agent antwortet nicht nur: Er schlägt Dashboard-Änderungen auf Basis seiner Funde vor.
- Die Person prüft SQL, Begründung und Änderungen, bevor sie entscheidet, ob sie sie annimmt.
- Das Dashboard hält nicht nur das Endergebnis fest, sondern auch die Fragen, Funde und Entscheidungen, die dazu geführt haben.
Ich möchte, dass DuckLocal mehr wird als eine DuckDB-GUI und mehr als ein BI-Werkzeug: ein lokaler Daten-Workspace, in dem Menschen und KI-Agenten rund um dieselben Daten weiter zusammenarbeiten können.
6. Zum Schluss
Claude Dashboards deutet auf ein tieferes Zusammenwachsen von natürlicher Sprache, SQL und Datenvisualisierung hin.
Von KI erzeugte Dashboards sind der erste Schritt. Die dauerhafte Zusammenarbeit von Menschen und KI rund um Daten ist das interessantere Problem.
Claude wächst vom KI-Assistenten zum Datenanalyse-Workspace. DuckLocal startet aus der anderen Richtung — ein lokales Datenwerkzeug, das nach und nach Agent-Zusammenarbeit hinzufügt. Ihre Ursprünge und Wege unterscheiden sich, aber sie nähern sich einigen derselben Fragen.
Ich möchte, dass DuckLocal in drei Prinzipien verankert bleibt:
Local-firstOpen SourceMensch-Agent-Zusammenarbeit
Nutzer sollten ihre Daten kontrollieren. Die Analyse sollte transparent sein. KI sollte mit der Person zusammenarbeiten, die die Daten analysiert, und nicht zu einer Blackbox werden, die man nicht prüfen kann. Deshalb baue ich DuckLocal weiter.