Gestern hat Anthropic veröffentlicht, wie sie ihren internen "Data Agent" gebaut haben: Wie Anthropic Self-Service-Datenanalysen mit Claude ermöglicht
OpenAI hat seinen "In-House Data Agent"-Beitrag vor fünf Monaten veröffentlicht: Inside OpenAIs hauseigener Data Agent
Ich habe beide gelesen – hier das Ergebnis.
Wo sie übereinstimmen
- Der schwierige Teil ist nicht das Schreiben von SQL. Es ist das Finden der richtigen Tabelle und das Verständnis, wie man sie richtig nutzt. Beide wiederholen diesen Punkt.
- Das Modell ist eine Commodity (das haben sie nicht direkt gesagt, aber ...) – der Kontext darum herum ist das Produkt. Anthropic steigerte die Genauigkeit von 21 % auf 95 %, indem sie lediglich eine Fähigkeit hinzufügten, die Zugriff auf Kontext hat – eine Wissensdatenbank.
- (Überraschung, keine Überraschung) Mehr Kontext hilft nicht unbedingt. Die Genauigkeit von Anthropic stieg um weniger als 1 %, nachdem sie Zugriff auf alle tausenden vergangenen Anfragen gaben (ich kann mir nur vorstellen, wie sehr ihr Token-Verbrauch gestiegen ist 🙂).
Wie sie sich unterscheiden
- OpenAI baute einen eigenständigen Agenten. Codex und das interne ChatGPT nutzen den Agenten über MCP, oder der Benutzer kann direkt über das Web oder Slack mit ihm chatten. Anthropic hingegen baute nur eine Fähigkeit, die über eine Wissensdatenbank (basierend auf md-Dateien) Zugriff auf Datenkontext hat.
- OpenAI hat Kontext in einem "Index", der täglich durch Pipeline-Jobs befüllt wird, während Anthropic die Wissensdatenbank als md-Dateien im selben Repository wie das Datenmodell committet, aktualisiert im selben PR.
Meine Meinung (nach dem Bau eines "Data Agent" für unstrukturierte Daten, nicht SQL)
Anthropics Ansatz mit Fähigkeiten ist eher "harness-native", passt daher besser ins bestehende Toolkit. Ich glaube, dass die gesamte Entwicklererfahrung, der Datenkontext sowie die gesamte Datenplattform unter die Harnesses wandern werden (das beste wissenschaftliche Paper in dieser Richtung – Code as Agent Harness). OpenAIs Ansatz wirkt skalierbarer und ausgereifter (5 Monate voraus?) – mit dedizierten Data Agents, 600 TB Daten und geplanten Pipelines zur Aktualisierung des Kontexts. Wir werden sehen, wie es sich entwickelt.
Frage an die Data-Leute hier
Wie weit seid ihr bei diesen agentischen Workflows? Mein Eindruck ist, dass die meisten Teams immer noch SQL handschriftlich verfassen und "Kontext" Stück für Stück in Claude Code/Copilot/Codex kopieren und Wissen in Slack teilen.
Vollständige Side-by-Side-Vergleichstabelle mit weiteren Details und Zahlen in unserem Blogbeitrag – Link in den Kommentaren 👇
