Was ist Text-to-SQL?

Text-to-SQL (auch natürliche Sprache zu SQL, NL2SQL oder text2sql genannt) ist eine Technologie, die eine Frage in Alltagssprache in eine ausführbare SQL-Abfrage übersetzt. Statt ein SELECT von Hand zu schreiben, beschreibt ein Nutzer die gewünschten Daten in gewöhnlicher Sprache, und ein Modell der KI übersetzt das in SQL. Die Verbindung aus großen Sprachmodellen und schemabewusstem Parsen hat das für den Alltag praktikabel gemacht.

Das zählt, weil SQL das Tor zu den meisten Unternehmensdaten ist und die meisten Menschen es nicht schreiben können. Text-to-SQL räumt diese Hürde weg: Ein Nutzer aus dem Fachbereich fragt „wie hoch war der Umsatz nach Region im letzten Quartal?“ und bekommt in Sekunden eine Antwort, ohne ein Ticket beim Datenteam aufzugeben. Es ist der Motor hinter dialogbasierter Analytik und hinter vielen Datenagenten der KI.

Was Text-to-SQL bedeutet

Text-to-SQL sitzt zwischen einem Menschen (oder einem Agenten) und einer Datenbank. Der Nutzer drückt seine Absicht in natürlicher Sprache aus; das System erzeugt SQL, das beim Ausführen die gewünschten Daten liefert. Moderne Systeme werden von generativer KI getragen und zunehmend von agentischen Abläufen, die eine Abfrage planen, erzeugen, prüfen und teils selbst korrigieren, statt sie in einem Zug auszugeben. Das Ziel bleibt durchweg dasselbe: Menschen sollen Daten in der Sprache abfragen können, die sie ohnehin sprechen.

Wie es funktioniert

Ein typischer Ablauf für Text-to-SQL hat einige Stufen:

• Die Frage verstehen. Das Modell deutet die Anfrage in natürlicher Sprache und die Absicht des Nutzers.
• Das Schema lesen. Es bekommt die Struktur der Datenbank, also Tabellen- und Spaltennamen, Typen und Beziehungen, und kann Konzepte auf echte Felder abbilden. Werkzeuge, die sich direkt mit Ihrer Datenbank verbinden, erzeugen genauere Abfragen, weil sie mit Ihren echten Namen arbeiten, statt zu raten.
• SQL erzeugen. Das Modell erzeugt eine SQL-Abfrage, die zur Absicht und zum Schema passt.
• Prüfen und ausführen. Stärkere Systeme prüfen die Abfrage vor dem Ausführen auf Syntax und Sicherheit, geben dann das Ergebnis zurück und speisen es mitunter zurück, um die Antwort zu verfeinern.

Nutzen

Text-to-SQL adressiert drei alte Probleme beim Zugang zu Unternehmensdaten. Zugänglichkeit: Es räumt die technische Hürde weg, die die Fachbereiche vom direkten Abfragen der Daten abhält. Tempo: Self-Service verkürzt eine Auswertung von Tagen oder Wochen auf Sekunden. Einheitliche Syntax: Ein gutes System erzeugt jedes Mal syntaktisch gültige Abfragen und vermeidet die Ausrutscher, die beim Schreiben von Hand passieren. Zusammen lassen sie weit mehr Menschen Antworten aus Daten holen, ohne auf ein kleines Team von Analysten zu warten.

Warum Genauigkeit vom Kontext abhängt

Der entscheidende Faktor bei Text-to-SQL ist nicht die Fähigkeit des Modells, SQL zu schreiben, sondern wie viel Kontext es über Ihre Daten hat. Der Abstand zwischen Benchmark und Wirklichkeit ist frappierend. Auf sauberen akademischen Benchmarks wie dem ursprünglichen Spider erreichen führende LLMs rund 85 bis 90 Prozent. Auf Spider 2.0, das Schemata in Unternehmensgröße verwendet, fallen dieselben führenden Modelle auf nur etwa 20 Prozent, ein Einbruch, der oft als Klippe des Unternehmenseinsatzes bezeichnet wird. Ergänzt man einen gesteuerten Semantic Layer und ausdrücklichen fachlichen Kontext, mit präzise definierten Kennzahlen, abgebildeten Dimensionen und hinterlegten Synonymen, steigt die Genauigkeit im Unternehmen in echten Installationen auf etwa 85 bis 95 Prozent. Der Grund ist einfach: Das Modell kann fehlerfreies SQL gegen die falsche Tabelle schreiben oder eine Kennzahl mit der falschen Definition berechnen und trotzdem eine selbstbewusste, plausible, falsche Zahl zurückgeben. Der Kontext ist es, der diese Lücke schließt.

Herausforderungen

Sich auf einen einzigen Modellaufruf gegen eine rohe Datenbank zu verlassen, bringt vorhersehbare Versagensmuster hervor. Komplexe Abfragen, also Joins über mehrere Tabellen und Fragen über mehrere Zeiträume hinweg, sind schwer richtig zu deuten. Vollständigkeit und Korrektheit der Ergebnisse sind nicht garantiert, besonders wenn ein Begriff mehrdeutig ist oder eine Kennzahl in den Teams verschieden definiert wird. Und ohne Prüfung der Syntax und ohne Zugriffskontrollen können erzeugte Abfragen scheitern oder, schlimmer, Daten zurückgeben, die ein Nutzer nie hätte sehen dürfen. Das sind dieselben Versagensmuster im Unternehmen, die in warum Text-to-SQL im Unternehmen scheitert ausführlich behandelt werden. Werkzeuge, die nativ zum Warehouse gehören, etwa Databricks AI/BI Genie und Semantic Views in Snowflake, verbessern die Genauigkeit genau dadurch, dass sie innerhalb ihrer Plattform semantischen Kontext ergänzen.

Wie Dawiso dazu passt

Text-to-SQL ist nur so gut wie der Kontext dahinter, und genau diesen Kontext steuert Dawiso. Das Modell kann SQL bereits; was ihm auf einem echten Warehouse im Unternehmen fehlt, sind die fachliche Bedeutung, die Maßgeblichkeit und die Schutzwürdigkeit der Daten. Dawiso liefert alle drei:

• Fachliche Bedeutung. Das Business Glossary definiert, was jeder Begriff und jede Kennzahl bedeutet, sodass „Umsatz“ oder „aktiver Kunde“ bei der vereinbarten Definition landet statt bei der Vermutung des Modells.
• Die maßgebliche Quelle. Der Datenkatalog und die Lineage benennen, welche Tabelle die vertrauenswürdige Quelle ist und woher ihre Daten stammen, sodass die Abfrage die richtige trifft.
• Schutzwürdigkeit und Zugriff. Die Klassifizierung markiert sensible Felder, sodass eine erzeugte Abfrage keine Daten zutage fördert, die ein Nutzer nicht sehen sollte.
• Jedem Agenten zugestellt, über MCP. Der Context Layer liefert diesen gesteuerten Kontext an jedes MCP-fähige Werkzeug und an jeden Agenten für Text-to-SQL, über den MCP Server.

Derselbe gesteuerte Kontext trägt auch eine einheitliche Kennzahlenschicht, sodass die Zahl, die Text-to-SQL zurückgibt, zum Rest des Geschäfts passt. Geben Sie dem Modell Ihren gesteuerten Kontext, und Text-to-SQL wird vom Demo-Kunststück zu etwas, dem ein Unternehmen trauen kann.

Fazit

Text-to-SQL übersetzt Fragen in Alltagssprache mithilfe eines LLM und schemabewussten Parsens in SQL und macht Daten für alle zugänglich und schnell. Seine Schwäche ist nicht die Syntax, sondern der Kontext: Die Genauigkeit schwankt zwischen 50 und 95 Prozent, je nachdem, ob das Modell weiß, welche Tabelle maßgeblich ist, was eine Kennzahl bedeutet und was ein Nutzer sehen darf. Gesteuerter fachlicher Kontext ist es, der diese Lücke schließt. Verbinden Sie Text-to-SQL mit einem gesteuerten Glossar, einem Katalog, der Lineage und der Klassifizierung, und Fragen in natürlicher Sprache liefern Antworten, denen Sie trauen können.