Was bedeutet die Übernahme von Osmos durch Microsoft für Microsoft Fabric?
Die Übernahme von Osmos durch Microsoft ist kein kurzfristiger KI-Hype. Sie ist ein strategisches Signal mit klaren betriebswirtschaftlichen Konsequenzen.
Microsoft investiert hier nicht in „bessere Dashboards“, sondern in die Automatisierung der teuersten und fehleranfälligsten Teile der Datenarbeit: Data Engineering und Datenbetrieb. Genau hier tut es am meisten weh. Denn hier verbrennen heute Zeit, Budget und damit auch Nerven und Geld.
Daten kosten Geld, bevor sie Nutzen bringen
Wenn wir ehrlich sind, kennen es alle Datenteams. Ein großer Teil der Arbeitszeit fließt nicht in Analyse oder Insights, sondern in Reparatur-Arbeiten von fehlerhaften Daten, kaputten Pipelines und Schemaänderungen.
Die Zahlen sind ernüchternd:
- Laut Gartner kostet schlechte Datenqualität Unternehmen im Durchschnitt rund 12,9 Millionen US-Dollar pro Jahr. Das ist nur der Aufwand für Bereinigung, Korrektur und die Folgekosten fehlerhafter Entscheidungen.
- Studien von MIT Sloan Management Review in Zusammenarbeit mit der Cork University Business School zeigen: Ineffiziente Datenprozesse können 15 bis 25 Prozent des Jahresumsatzes beeinträchtigen.
- Eine Umfrage von Monte Carlo Data unter mehr als 300 Datenexperten ergab, dass Data Engineers durchschnittlich 40 Prozent ihrer Zeit mit der Bewertung und Überprüfung von Datenqualität verbringen.
Die Ursache ist selten fehlende BI-Kompetenz. Das Problem liegt in der Aufnahme, Harmonisierung und Stabilisierung externer Daten.
Was macht Osmos in Microsoft Fabric?
Osmos setzt nicht bei Visualisierung oder Analyse an, sondern schon im Datenprozess. Beim Data Engineering.
- Externe Datenquellen ändern sich. Osmos verarbeitet Daten unabhängig von wechselnden Formaten und Strukturen, ohne jedes Mal manuell nachzubauen.
- Schemaänderungen sind einer der häufigsten Gründe für Pipeline-Ausfälle. Osmos erkennt diese Änderungen eigenständig und verarbeitet weiter.
- Der entscheidende Unterschied zu vielen „AI-for-BI“-Ansätzen: KI wirkt während der Datenverarbeitung, nicht erst bei der Visualisierung. Osmos generiert PySpark-Notebooks inklusive Validierung, Logging und Versionskontrolle.
Microsoft selbst berichtet von konkreten Ergebnissen: Laut Roy Hasson, Senior Director of Product bei Microsoft, konnten Kunden mit Osmos auf Fabric ihre Entwicklungs- und Wartungsaufwände um mehr als 50 Prozent reduzieren.
Wichtig: Osmos läuft nicht „neben“ Fabric. Die Technologie ist Teil des Fabric-Data-Engineering-Kerns.
Wie funktioniert Osmos heute?
Bisher bietet Osmos zwei Workloads in Microsoft Fabric:
- AI Data Engineer: Generiert kompletten Python Code für das Data Engineering. Das Besondere ist die Idee, mit allen Dokumenten und Beschreibungen vorzugeben, wie ein Quellsystem funktioniert. Aus einer Mischung von Web-Seiten und Dokumenten kann ich so fertigen Code für den Import von einem komplexen ERP- oder CRM-System generieren lassen.
- AI Data Wrangler: Mit Hilfe von KI werden verschiedene Dateien analysiert und ausgewertet. So ist es möglich viele verschiedene Dateiformate mitzugeben und analysieren zu lassen. Dies beinhaltet zum Beispiel auch PDF-Dokumente. Dieser Workload kann also unstrukturierte in strukturierte Daten umformen.
Diese beiden Workloads wurden in Microsoft Fabric bereits als Deprecated markiert und der bisherige Dienst von Osmos wird eingestellt. Microsoft ist aktuell dabei die Workloads von Osmos komplett in die eigene Umgebung einzubetten. Es ist davon auszugehen, dass die ein oder andere Überraschung für das Data Engineering auf uns zukommt und unsere Arbeit in Zukunft vereinfachen und beschleunigen wird.
Die entscheidende Frage für dich
Wenn du heute dein Data-Engineering-Budget anschaust, fließt der Großteil wahrscheinlich in Betrieb, Wartung und Fehlerbehebung. Das ist keine Innovation. Microsoft zeigt mit der Übernahme von Osmos, dass sich dieses Verhältnis umkehren soll. Die eigentliche Frage lautet also: Welche Teile deiner Datenaufbereitung laufen heute noch manuell, obwohl sie eigentlich automatisch mitlaufen müssten?
