KI Reporting mit ChatGPT Data: Weniger Übergaben im Wochenbericht

OpenAI hat Data am 10. September 2026 zu ChatGPT Work und Codex hinzugefügt. Für Teams verändert Data vor allem das KI Reporting: Ein Wochenbericht muss nicht mehr mehrfach zwischen Analysten und Fachbereichen weitergereicht werden, sondern kann als verbundener, aktualisierbarer Workflow laufen – mit festen Kennzahlendefinitionen und menschlicher Freigabe.

Was ChatGPT Data tatsächlich ist

Data ist ein Plugin für Analyseaufgaben in ChatGPT Work und Codex. Eine geschäftliche Frage genügt: Das Plugin greift auf alle Datenquellen zu, für die das jeweilige Konto berechtigt ist, und kann die Ergebnisse als interaktives Dashboard oder als Bericht aufbereiten. Wer die beiden Arbeitsoberflächen noch nicht kennt, findet im Test von ChatGPT Work eine klare Abgrenzung zwischen Work und Codex.

Data ist weder ein Data Warehouse noch eine neue Kopie der Unternehmensdatenbank – und auch kein Ersatz für jedes BI-Tool. Im Einrichtungsleitfaden für Data empfiehlt OpenAI, ein Warehouse anzubinden, eine semantische Schicht bereitzustellen und das fertige Dashboard über ChatGPT Sites auszugeben. Diese semantische Schicht hält die verbindliche Geschäftslogik fest: Was gilt als Umsatz? Ab wann zählt ein Kunde als aktiv? Welche Erstattungen bleiben außen vor? Und wie hängen die Tabellen zusammen?

Genau diese Definitionsschicht ist entscheidend. Fehlt sie, kann Data eine überzeugende Erklärung für die falsche Zahl liefern.

Der bisherige Berichtsprozess läuft meist so ab: Eine Führungskraft stellt eine Frage. Ein Analyst sucht die passenden Tabellen, setzt die Abfrage neu auf, exportiert das Ergebnis, aktualisiert ein Diagramm und beantwortet Rückfragen. Mit jeder Runde entsteht eine weitere Übergabe.

Mit Data können Führungskraft und Analyst im selben Thread bleiben. Das Plugin kann eine freigegebene Quelle abfragen, die Kennzahlendefinitionen des Teams anwenden, Filter und Belege offenlegen, die Analyse überarbeiten und daraus ein Dashboard bauen. Der Analyst überträgt Zahlen nicht länger von Tool zu Tool, sondern definiert die Kennzahl, prüft die Abfrage und gibt das Ergebnis frei.

Damit unterscheidet sich Data auch von Deep Research in ChatGPT Work. Deep Research sammelt und zitiert Belege aus dem Web, aus Dateien und aus unterstützten Apps. Data ist für kontrollierte Geschäftsanalysen auf verbundenen operativen Daten ausgelegt. Das eine liefert ein Recherche-Briefing mit Quellen; das andere kann zu dem wiederkehrenden Kennzahlenbericht werden, den ein Team jede Woche öffnet.

Der Workflow wechselt, die maßgebliche Datenquelle nicht

Der Gewinn liegt in weniger Übergaben im Reporting. Das Risiko: Eine Frage im Chat kann nun den gesamten Weg vom Warehouse bis zu einem freigegebenen Dashboard zurücklegen.

Data kann unter anderem mit Amazon Redshift, ClickHouse, Databricks, Google BigQuery, MongoDB und Snowflake arbeiten. Geschäftlicher Kontext lässt sich außerdem aus Google Drive und SharePoint einbeziehen. Sind die entsprechenden Verbindungen verfügbar, kann das Plugin parallel zu BI-Tools wie Power BI, Tableau, Sigma und ThoughtSpot eingesetzt werden. Welche Aktionen konkret möglich sind, hängt vom jeweiligen Tool und von den Zugriffsrechten des Nutzers ab.

Dadurch wird das Modell nicht zum führenden System. OpenAI empfiehlt, vor der Verwendung eines Ergebnisses die Quelle, den Zeitraum, die Filter und die Kennzahlendefinition zu prüfen. Weicht eine Data-Antwort von einem bestehenden Bericht ab, sollten genau diese vier Punkte zuerst verglichen werden.

Am stärksten profitieren Teams, die bereits für Finanzpakete, Pipeline-Reviews, Kundendashboards, Retention-Berichte oder operative Reviews einen hohen Übergabeaufwand tragen. Ohne freigegebene Quelle, stabile Definitionen oder Zugriff auf Data entsteht kein wiederkehrender Workflow. Eine einmalige CSV-Datei spart womöglich ein paar Klicks; den geschäftlichen Nutzen liefern jedoch wiederkehrende Berichte.

Vier Aufgaben, die sich schon diese Woche verändern können

Finanzleitung eines Softwareunternehmens

Die Finanzleitung kann Data beauftragen, ein wöchentliches Umsatz- und Retention-Paket aus einer freigegebenen Warehouse-Ansicht zu aktualisieren. Der Prompt nennt Berichts- und Vergleichszeitraum sowie die von Finance verantworteten Definitionen. Data entwirft die Abweichungsanalyse und zeigt, worauf jedes Diagramm beruht.

Der Nutzen ist kein automatischer Monatsabschluss. Entscheidend sind weniger Schleifen zwischen Analyst, Tabellenkalkulation, Präsentation und Finanzleitung. Bevor das Paket an die Geschäftsführung geht, gibt Finance die Zahlen weiterhin frei.

Revenue-Operations-Management

Das RevOps-Management kann untersuchen, warum sich die Pipeline regional verändert hat. Grundlage sind die freigegebene Pipeline-Definition und die CRM- oder Warehouse-Daten, auf die das Konto zugreifen darf. Mit Rückfragen lässt sich eine echte Vertriebsveränderung von einem geänderten Filter, einer verspäteten Synchronisierung oder nicht zugeordneten Datensätzen trennen.

Der Weg von „Die Zahl hat sich verändert“ zu „Dieses Segment und diese Quellzeile haben die Veränderung verursacht“ wird kürzer. Die Definition der Vertriebsphasen und die Entscheidung über eine Prognoseänderung bleiben bei Sales Operations.

Account-Leitung einer Agentur

Die Account-Leitung kann aus freigegebenen Werbe- und Handelsdaten ein Kundendashboard erstellen und Data vor dem wöchentlichen Termin um eine Erklärung der größten Veränderung bitten. Markenrichtlinien können das Dashboard prägen, ohne dass das Layout jedes Mal manuell neu aufgebaut werden muss.

So entfällt ein Teil der wiederkehrenden Präsentationserstellung. Die Agentur muss dennoch prüfen, ob der Kunde jede Dimension sehen darf, die in das fertige Dashboard kopiert wurde. Der Zugriff auf die Quelle und der Zugriff auf das Dashboard sind nicht dieselbe Berechtigung.

Product-Operations-Leitung

Die Product-Operations-Leitung kann eine Retention-Veränderung anhand von Produktanalysedaten und dem Dokument zurückverfolgen, in dem ein aktiver Nutzer definiert ist. Data kann Kohorten vergleichen, Zeitfenster und Filter sichtbar machen und die geprüfte Analyse in einen Bericht für Produktteam und Geschäftsführung überführen.

Damit sinkt die Zahl der Abstimmungsrunden zwischen Produktmanagement und Analyst. Ist die Aktivierungsdefinition umstritten, kann Data diesen Konflikt nicht lösen. Zuerst muss sich das Team auf eine Definition in der semantischen Schicht einigen.

KI Reporting mit einem Wochenbericht pilotieren

Wer das Reporting automatisieren will, sollte nicht mit dem Vorstandsdashboard beginnen. Besser eignet sich ein Bericht, dessen Verantwortlicher, Quelle, Definitionen und bisherige Ausgabe bereits feststehen.

1. 1

   Bericht und Entscheidung festlegen

   Einen wiederkehrenden Bericht auswählen und die Entscheidung benennen, die er unterstützt. „Wöchentliches Umsatzpaket“ bleibt zu ungenau. „Vor dem operativen Review entscheiden, ob bei der Retention eingegriffen werden muss“ gibt der Analyse ein klares Ziel.

2. 2

   Zugriff vor dem ersten Prompt prüfen

   Ein Administrator öffnet Workspace settings > Plugins > Data, legt fest, wer das Plugin installieren darf, und aktiviert die benötigte Quellverbindung. Einzelne Nutzer installieren Data über das Plugin-Verzeichnis. In Codex unter Sources die Option Use plugins öffnen und das installierte Plugin auswählen. Für die Quellanwendung können weiterhin eine eigene Einrichtung und Autorisierung erforderlich sein.

3. 3

   Kennzahlenvertrag formulieren

   Data benötigt die freigegebene Quelle, die Kennzahlendefinition, Berichtszeitraum, Vergleich, Ausschlüsse und verantwortliche Person. Außerdem sollte klar sein, welche semantische Ansicht oder welches vertrauenswürdige Dashboard bei widersprüchlichen Definitionen maßgeblich ist. Kann das Team diese Angaben nicht schriftlich festhalten, ist der Workflow noch nicht automatisierungsreif.

4. 4

   Einmal privat durchlaufen lassen

   Mit @Data beginnen, damit eindeutig ist, welches Plugin die Anfrage bearbeitet. Das Dashboard, die zugrunde liegenden Berechnungen, den Aktualitätsstand der Quelle, Filter, nicht zugeordnete Datensätze und jede Annahme anfordern, die das Ergebnis verändern könnte. Das Resultat soll privat bleiben.

5. 5

   Belege kontrollieren

   Die entscheidungsrelevanten Zahlen mit dem bisherigen Bericht abgleichen. Quelle, Zeitraum, Filter, Definition und ausgeschlossene Datensätze bestätigen. Jede Abweichung von Data erklären lassen, bevor ein optisch überzeugenderes Diagramm akzeptiert wird.

6. 6

   Erst messen, dann terminieren

   Aktive Prüfzeit, Work- oder Codex-Nutzung, Warehouse-Aktivität und mögliche BI-Kosten erfassen. Eine Cloud-Aktualisierung erst einplanen, wenn der manuelle Lauf bestanden hat. Die geplante Aufgabe in ChatGPT Work prüft die Quelle und aktualisiert das Dashboard. Die Site selbst führt den Zeitplan nicht aus.

Dieser Ausgangs-Prompt lässt sich anpassen:

@Data, erstelle unseren wöchentlichen Umsatz- und Retention-Bericht aus der freigegebenen semantischen Finance-Ansicht. Vergleiche die letzte vollständige Woche mit der vollständigen Vorwoche. Verwende die Definitionen des Finance-Teams, zeige den Aktualitätsstand der Quelle, Filter, Berechnungen und nicht zugeordnete Datensätze und erkläre die größten Veränderungen. Halte das Dashboard privat. Veröffentliche oder teile nichts, sende niemandem eine Nachricht und ändere keine Quelldaten. Frage nach, bevor du eine andere Definition oder Quelle verwendest.

Der erste Lauf soll schwache Grenzen bei Quellen und Definitionen sichtbar machen, statt sie hinter einem fertigen Dashboard zu verstecken.

Auf diese Kostenrechnung kommt es wirklich an

OpenAI hat keinen eigenen Preis für das Data-Plugin veröffentlicht. Kostenlos ist der Workflow deshalb nicht. Kosten können durch die Nutzung von Work oder Codex, Warehouse-Rechenleistung, eine weiterhin benötigte BI-Lizenz und die verbleibende menschliche Prüfung entstehen.

Für ein konkretes Planungsmodell wird angenommen, dass ein Wochenbericht derzeit 3.0 Personenstunden zu Vollkosten von $80 pro Stunde benötigt. Das entspricht $12,480 im Jahr bei 52 Durchläufen. Reduziert Data die Erstellung und Prüfung auf 0.75 Personenstunden je Durchlauf, sinken die Arbeitskosten auf $3,120; im Modell werden dadurch Kapazitäten im Wert von $9,360 frei.

Das sind Annahmen und kein Benchmark von OpenAI. Nach dem Pilotprojekt sollten sie durch eigene Zeitmessungen ersetzt werden.

Für die Position ChatGPT wird eine ausdrücklich hypothetische Aktualisierung mit 50,000 Input-Tokens, 200,000 zwischengespeicherten Input-Tokens und 10,000 Output-Tokens auf GPT-5.6 Sol angesetzt. In der aktuellen Preisliste für neue Enterprise-Verträge berechnet OpenAI $4.00, $0.40 beziehungsweise $20.00 je Million Tokens. Damit kostet das Beispiel $0.48 pro Aktualisierung und $24.96 im Jahr.

Business- und Credit-basierte Enterprise-Workspaces rechnen in einer anderen Einheit ab. Laut aktueller Credit-Preisliste kostet GPT-5.6 Sol in Work und Codex 100 Credits je Million Input-Tokens, 10 je Million zwischengespeicherter Input-Tokens und 500 je Million Output-Tokens. Standard-Business-Arbeitsplätze schöpfen zunächst die enthaltenen Kontingente aus; anschließend können geeignete Aufgaben auf zugekaufte Workspace-Credits zugreifen.

Für die Snowflake-Zeile wird pro wöchentlicher Aktualisierung der Start eines X-Small-Warehouses mit einer Laufzeit von höchstens dem 60-Sekunden-Minimum angenommen. Snowflake berechnet für X-Small einen Credit pro durchgehender Stunde, mindestens 60 Sekunden bei jedem Start und danach sekundengenau. Data kann mehr Abfragen ausführen, das Warehouse länger aktiv halten oder ein größeres Warehouse ansprechen. Für die tatsächliche Rechnung zählt der Warehouse-Verlauf, nicht dieser Mindestwert.

Power BI ist in der von OpenAI empfohlenen Einrichtung optional. Microsoft führt Power BI Pro derzeit mit $14 pro Nutzer und Monat bei jährlicher Zahlung. Eine bestehende Lizenz kann jedoch bereits versunkene Kosten darstellen, und der Checkout-Preis variiert. Eine zusätzliche BI-Lizenz ist nicht allein deshalb nötig, weil Data eine Verbindung herstellen kann.

Die Entscheidungsformel bleibt überschaubar:

Jahreswert = Zahl der Berichtsläufe × eingesparte Stunden × Vollkosten der Arbeit, abzüglich zusätzlicher Work-Nutzung, Warehouse-Rechenleistung, neuer BI-Lizenzen und verbleibender Prüfung.

Falls der Workflow einen zusätzlichen ChatGPT-Lizenzplatz erfordert, gehört dieser Preis in die Rechnung. Sind Lizenzplatz und BI-Tool bereits bezahlt, zählen stattdessen deren Grenzkosten. Das Pilotprojekt sollte jede Annahme durch einen beobachteten Wert ersetzen.

Die Berechtigungsfalle lauert nach der Abfrage

Data-Abfragen verwenden die bestehenden Berechtigungen des verbundenen Kontos, einschließlich Einschränkungen auf Tabellen-, Zeilen- und Spaltenebene. Mit der Installation des Data-Plugins ist die Warehouse-Verbindung noch nicht freigegeben. Und die Verbindung mit dem Warehouse erweitert den Zugriff nicht über die autorisierte Rolle hinaus.

Mit der Veröffentlichung entsteht eine zweite Berechtigungsgrenze. Laut OpenAI werden die in der Analyse verwendeten Daten in die veröffentlichte ChatGPT Site kopiert. Für die Site gilt anschließend eine eigene Zielgruppeneinstellung. Sie kann ausgewählte Personen, einen Workspace, namentlich bestimmte externe Betrachter oder – sofern Konto und Administrator dies erlauben – die Öffentlichkeit umfassen.

Die praktische Folge: Eine Person, die die Quellabfrage nicht ausführen dürfte, kann dennoch zur Zielgruppe der Daten gehören, die in die Site kopiert wurden. Felder und Zielgruppe des Dashboards müssen deshalb wie bei einer neuen Veröffentlichung geprüft werden – nicht wie bei einem Live-Fenster, das Warehouse-Berechtigungen automatisch übernimmt.

Eine neue Site ist zunächst auf ihren Eigentümer und die Workspace-Administratoren beschränkt, bis der Zugriff geändert wird. In Enterprise ist die öffentliche Veröffentlichung standardmäßig deaktiviert, doch das ist nur eine Kontrollstufe. Wenn aktiviert, können auch namentliche externe Freigaben und Workspace-weite Freigaben die Zielgruppe erweitern.

Die tatsächlichen Grenzen

Die Verfügbarkeit nach Tarif ist nicht eindeutig genug für eine pauschale Zusage. Das Plugin-Verzeichnis gibt es in den ChatGPT-Tarifen, doch jedes Plugin hängt von Tarif, Workspace, Rolle, Region, Oberfläche, Rollout und enthaltenen Funktionen ab. Der Data-Leitfaden nennt keine exakte Liste berechtigter Tarife. Bevor eine Kaufentscheidung darauf aufbaut, muss geprüft werden, ob Data im vorgesehenen Konto und Workspace erscheint.

Bei Sites bleibt eine weitere Preisfrage offen. Die Funktion befindet sich für ChatGPT-Workspaces sowie Plus- und Pro-Konten in der öffentlichen Betaphase, abhängig von Rollout und Kontrollen. Die Nutzung ist nur bis zu den tarifspezifischen Beta-Grenzen enthalten; vollständige Preisinformationen sollen laut OpenAI noch folgen.

Auch Automatisierungen verbrauchen Nutzungskontingent. Unterstützte Automatisierungen in Work und Codex werden zusammen mit der Modellaktivität nach der jeweils geltenden Preisliste abgerechnet. Im Dashboard-Workflow von OpenAI heißt es, dass eine Cloud-Aufgabe auch bei ausgeschaltetem Laptop weiterläuft. Eine Desktop-Aufgabe benötigt dagegen einen eingeschalteten Computer und eine laufende App. Die Laufzeitumgebung sollte bewusst gewählt und anschließend in den Nutzungsdaten beobachtet werden.

Data kann zudem keine schwache Geschäftslogik reparieren. Eine fehlende semantische Schicht, eine umstrittene KPI, unvollständige Kontoberechtigungen, eine veraltete Quelle oder eine nicht unterstützte Tool-Aktion hinterlassen weiterhin eine Lücke. Das Dashboard kann diese Lücke attraktiver darstellen. Kleiner wird sie dadurch nicht.

Was am Montag konkret zu tun ist

Ein Start in dieser Woche lohnt sich, wenn das Team denselben Bericht immer wieder neu erstellt, dessen verantwortliche Person und freigegebene Quelle benennen kann und über stabile Kennzahlendefinitionen verfügt. Abwarten ist sinnvoll, wenn Data im vorgesehenen Workspace fehlt, die Quellenverbindung noch nicht geprüft wurde oder zwei Teams dieselbe KPI weiterhin unterschiedlich berechnen. Kaum betroffen sind Teams, deren bestehende BI-Aktualisierung den richtigen Personen bereits mit wenig manuellem Übergabeaufwand einen geprüften Bericht liefert.

Am Montag einen ohnehin fälligen Bericht auswählen und privat durch Data laufen lassen. Zunächst die bisherige Erstellungszeit erfassen. Dann Data die freigegebene Ansicht und den Kennzahlenvertrag geben und jede entscheidungsrelevante Zahl mit dem bestehenden Bericht vergleichen. Work-Nutzung, Warehouse-Aktivität und Prüfzeit dokumentieren. Terminierung und Veröffentlichung folgen erst, wenn das Ergebnis diese Kontrolle besteht und eine benannte Person die Zielgruppe der Site verantwortet.

Weitere verständliche Praxisleitfäden zur veränderten Workflow-Rechnung durch KI gibt es im Newsletter.