beetl

Soll ich die Heizung anmachen? Ich habe die deutschen Gasspeicherdaten gefragt

2026-11-10T00:00:00+00:00

Es ist November in Berlin, morgens 1 °C, und ich habe die Heizung immer noch nicht angemacht. Zum Teil, um Geld zu sparen. Zum Teil, weil ich gelesen hatte, dass die deutschen Gasspeicher dieses Jahr niedrig sind, und ein sturer Teil von mir dachte, jeder Heizkörper zählt.

Entscheidungsmodelle in einem produktiven KI-Agenten: Was wir gelernt haben

2026-10-07T00:00:00+00:00

Die meiste KI in Beetl ist heute ein großes Sprachmodell in einer Schleife. Unser Assistent liest die Frage, ruft Tools wie list_data_sets und execute_query auf und schreibt eine Antwort. Automations machen dasselbe nach Zeitplan: Sie prüfen eine Bedingung in den Daten und schreiben einen Bericht, der mit einem Befund endet, entweder „Clear“ oder „Needs attention“.

Viele Entscheidungen in dieser Schleife sind klein: Ist dieser Datensatz relevant? Zeigt dieser Bericht wirklich, was er behauptet? Hat sich seit dem letzten Lauf etwas geändert? Jede davon kostet heute einen vollen Aufruf des Sprachmodells, oder sie findet gar nicht statt.

Entscheidungsmodelle sind eine neue Art von Modell, gebaut für genau solche Fragen. Wir haben zwei Tage damit verbracht, eines in Beetl einzubauen und es mit unserer eigenen Evaluierungssuite zu messen. Dann hat OpenAI ein eigenes veröffentlicht, und wir haben dieselben Tests damit durchgeführt. In diesem Beitrag steht, was wir herausgefunden haben.

Wie wir 20 Integrationen an einem Tag geschrieben haben

2026-09-14T00:00:00+00:00

Wir wollten, dass Beetl-Nutzer ihre Geschäftsanwendungen verbinden und die Daten gemeinsam auswerten können. Zum Beispiel Deals aus HubSpot mit Rechnungen aus der Buchhaltung abgleichen.

Zuerst müssen wir diese Daten in Beetl bekommen. Dafür haben wir Beetl Connect gebaut: ein Toolkit, das den Code zum Abrufen der Daten klein hält. Um die Ausführung kümmert sich unsere Plattform.

Mit Connect bauen wir fertige Integrationen für unseren Katalog und können schnell individuelle Varianten für einzelne Kunden entwickeln. Etwa um eine interne Anwendung anzubinden oder Daten so abzurufen, wie ein bestimmter Kunde sie braucht. Beides nutzt dasselbe Toolkit und läuft auf derselben Infrastruktur.

Mit Connect und einem Coding Agent haben wir an einem Tag 20 Integrationen geschrieben und erste Tests durchgeführt. An HubSpot lässt sich gut zeigen, wie wir dabei vorgegangen sind.

Fivetran stellt das Löschen von Daten in Rechnung

2026-08-26T00:00:00+00:00

Seit 1. Januar 2026 zählen gelöschte Zeilen zu den bezahlten Monthly Active Rows. Was einen Full Table Re-Sync auslöst, dokumentiert Fivetran ebenfalls selbst.

AI Automations für die unsaubere Hälfte der Datenqualität

2026-08-18T00:00:00+00:00

Ich hatte schon länger über dieses Feature nachgedacht, weil wir die meisten Bausteine bereits hatten: Pipelines, eine Query Engine, Scheduling, Run History und einen AI Assistant, der Daten untersuchen kann. Aus diesen Bausteinen wollte ich einen täglichen Check bauen, der mir sagt, ob die Daten noch stimmen.

AI Automations (Dokumentation auf Englisch) sind zeitgesteuerte oder manuell gestartete Checks in Beetl. Man beschreibt in eigenen Worten, was Beetl abchecken soll. Beetl untersucht daraufhin die aktuellen Daten mit read-only SQL und meldet Healthy, Needs attention oder Failed.

Natürlich geht das bereits deterministisch. Man schreibt eine Query, erwartet, dass sie keine Zeilen zurückgibt, und löst einen Alert aus, sobald sie das doch tut. Für eine klar definierte Invariante ist das oft genau richtig.

Ein deterministischer Check deckt nur die Bedingungen ab, die in seiner Query stehen. Sobald Ausnahmen oder neue Werte aus den Quellsystemen auftauchen, muss die Query angepasst werden. Sonst werden ihre Ergebnisse zunehmend unbrauchbar.

Ich wollte einen Check, der selbstständiger arbeitet und die nächsten Untersuchungsschritte selbst wählen kann. Ich wollte nur das gewünschte Ergebnis beschreiben. Das System sollte sich anschließend das Schema ansehen, Datenstichproben ziehen, Queries schreiben und auffällige Ergebnisse genauer untersuchen. Alle Queries mussten read-only bleiben, und ich wollte jeden Schritt samt Ergebnis nachvollziehen können.

Sie haben bereits BI. Was fehlt, sind verlässlich verknüpfte Daten.

2026-08-11T00:00:00+00:00

Wenn Sie ein BI-Tool haben und Ihrem Reporting trotzdem nicht trauen, liegt es selten am Tool. Die fehlende Arbeit liegt eine Ebene darunter.

Das Mapping, das Ihr ERP-Anbieter nie dokumentiert hat

2026-08-04T00:00:00+00:00

Bei einer ERP-Migration ist der Export einfach. Schwierig ist die undokumentierte Geschäftslogik im Altsystem, und sie vor dem Go-Live wiederherzustellen.

Warum datenbasierte Entscheidungen im Alltag so schwer sind

2026-08-01T00:00:00+00:00

Die meisten Unternehmen haben bereits die Daten, mit denen sich eine wichtige Entscheidung verbessern ließe. Diese Datensätze liegen in mehreren operativen Systemen und müssen so zusammengeführt werden, dass ein Ergebnis rechtzeitig ankommt, geprüft werden kann und nach der ersten Analyse weiterhin verlässlich funktioniert. Diesen Weg für jede Frage neu zu bauen, ist besonders für ein Unternehmen ohne eigenes Datenteam aufwendig.

Für mich liegt genau in dieser wiederholten Integrationsarbeit das größte Hindernis für datenbasierte Entscheidungen im Alltag. Deshalb bauen wir Beetl: Ein Unternehmen sollte mit einer wiederkehrenden Entscheidung anfangen und die Verbindungen, Zuordnungen, Deployments und Überwachungsmechanismen für die nächste wiederverwenden können. Auch spätere KI-Systeme greifen auf diese Verbindungen und Definitionen zurück.

Wie Excel und Power BI das Konzernreporting nach M&A zusammenhalten

2026-05-27T00:00:00+00:00

Monate oder Jahre nach einer Fertigungsübernahme ist die Excel-Arbeitsmappe die eigentliche Konsolidierungs-Engine. Die Power-BI-Karte zeigt die fertige Zahl, aber nie die Formel oder den Kommentar daneben. Genau das geht beim Jahresabschluss-Audit verloren.

Lässt sich die Auftragsmarge ablesen, solange die Schicht läuft?

2026-05-23T00:00:00+00:00

Über die tatsächliche Gewinnmarge eines Fertigungsauftrags entscheidet sich meist während der Schicht, doch kaum ein Werk kann sie sehen, solange die Schicht läuft.

Anatomie eines 5:4-Champions-League-Thrillers: Eine Football-Data-Case-Study

2026-05-15T00:00:00+00:00

Champions-League-Knockout-Spiele enden normalerweise nicht 5:4. Das Halbfinal-Hinspiel zwischen PSG und Bayern im April schon. Bayern hatte 57 % Ballbesitz, ein xG von 3,06 gegenüber PSGs 1,90 und sechs Big Chances gegenüber zwei von PSG. Trotzdem gewann PSG. Ich bin in die Daten gegangen, um zu verstehen, was da passiert sein könnte.

Die DACH-Fertigung verliert bei der Digitalisierung den Anschluss

2026-04-30T00:00:00+00:00

Fertigungsunternehmen im DACH-Mittelstand sitzen auf einer großen Menge wertvoller Daten, und fast niemand nutzt sie wirklich gut. Ich habe in den letzten Monaten mit Werksleiter:innen, Controller:innen und Eigentümer:innen in der Region gesprochen, zuletzt vergangene Woche auf der Hannover Messe. Das Muster ist immer wieder dasselbe: Die Daten sind da. Alle wissen, dass sie da sind. Aber sie lassen sich kaum sinnvoll nutzen.