Zum Inhalt springen

KI-Agent an Datenbanken anbinden: Text-to-SQL sicher umsetzen

Die meisten Fragen, die im Unternehmen täglich gestellt werden, stehen bereits in einer Datenbank: offene Aufträge eines Kunden, Lieferrückstände je Artikel, Reklamationen des letzten Quartals. Ein KI-Agent kann diese Fragen in normaler Sprache entgegennehmen und aus der Datenbank beantworten. Ob das sicher ist, entscheidet sich nicht am Modell, sondern an Rechten, Grenzen und der Wahl des Zugriffswegs.

Was bedeutet es, einen KI-Agenten an eine Datenbank anzubinden?

Ein KI-Agent mit Datenbankanbindung übersetzt eine Frage in eine Abfrage, führt sie über ein Werkzeug aus und formuliert aus dem Ergebnis eine Antwort. Das Modell selbst hat keinen Zugang zur Datenbank; es ruft ein Tool auf, das Ihre Anwendung bereitstellt. Dieses Tool bestimmt, was überhaupt möglich ist.

Typische Fragen, für die sich das lohnt:

  • Vertrieb: „Welche Angebote an Kunden aus Bayern sind älter als 30 Tage und noch offen?"
  • Service: „Wie oft wurde Ersatzteil 4711 in diesem Jahr getauscht, aufgeteilt nach Maschinentyp?"
  • Einkauf: „Bei welchen Lieferanten lag die Lieferzeit im letzten Quartal über der vereinbarten?"
  • Geschäftsführung: „Wie verteilt sich der Auftragseingang des Monats auf die Produktlinien?"

Heute landen solche Fragen oft als Ticket in der IT oder als Excel-Export bei einer Person, die SQL kann. Der Agent ersetzt nicht das Reporting, sondern deckt die vielen Einzelfragen ab, für die sich kein eigener Bericht lohnt. Wie der Agent dabei in die übrige Systemlandschaft passt, beschreibt die Übersicht zu KI-Agenten im Unternehmen.

Wie funktioniert eine KI-Datenbankabfrage technisch?

Eine KI-Datenbankabfrage besteht aus vier Bausteinen: einem Modell, das die Frage versteht, einem Kontext mit Schema- oder Kennzahlbeschreibungen, einem Werkzeug, das die Abfrage ausführt, und einer Datenbankverbindung mit eingeschränkten Rechten. Sicherheit entsteht in den letzten beiden Bausteinen, nicht im Prompt.

1. Modell. Es liest die Frage, wählt ein Werkzeug und erzeugt die Parameter, also je nach Variante eine fertige SQL-Anweisung, die Auswahl einer vordefinierten Abfrage oder die Namen von Kennzahlen und Dimensionen.

2. Kontext. Das Modell kennt Ihre Datenbank nicht. Es braucht Tabellen- und Spaltennamen, deren Bedeutung, Beispielwerte und Geschäftsregeln („Umsatz = Rechnungen ohne Gutschriften, netto"). Je schlechter Spalten benannt sind (KDNR2, FLG_X), desto wichtiger ist diese Beschreibung.

3. Werkzeug. Eine Funktion in Ihrer Anwendung, die den Aufruf annimmt, prüft und ausführt. Hier sitzen Limits, Protokollierung und gegebenenfalls eine Freigabe durch einen Menschen.

4. Datenbankverbindung. Ein eigener technischer Benutzer, der nur lesen darf und nur sieht, was er sehen soll. Diese Ebene ist die einzige, die auch dann hält, wenn das Modell sich irrt oder manipuliert wird.

Die OWASP-Liste der Risiken für LLM-Anwendungen beschreibt genau diese Trennung: Berechtigungen sollen in den nachgelagerten Systemen durchgesetzt werden statt durch das LLM, und Datenbankrechte sollen für die Identität gelten, mit der die Erweiterung arbeitet.

Welche Varianten gibt es: Text-to-SQL, feste Abfragen oder semantische Schicht?

Es gibt drei grundlegende Zugriffswege: freies Text-to-SQL, bei dem das Modell beliebige Abfragen schreibt; vordefinierte, parametrisierte Abfragen, aus denen das Modell nur auswählt; und eine semantische Schicht, in der Kennzahlen zentral definiert sind. Sie unterscheiden sich in Flexibilität, Fehleranfälligkeit und Prüfaufwand.

KriteriumFreies Text-to-SQLVordefinierte AbfragenSemantische Schicht
Flexibilitätsehr hochgering, nur vorgesehene Fragenmittel, alle Kombinationen definierter Kennzahlen
Risiko falscher Zahlenhoch (Joins, Filter, Definitionen)geringgering bis mittel
Risiko teurer Abfragenhochgeringmittel
Aufwand vorabgeringhoch je Fragehoch einmalig
Prüfbarkeitschwierigeinfachgut

Freies Text-to-SQL

Das Modell erhält das Schema und schreibt die SQL-Anweisung selbst. Das beantwortet auch unerwartete Fragen und eignet sich für Analysten, die das Ergebnis einschätzen können. Die Schwächen sind bekannt: Das Modell wählt einen falschen Join, vergisst einen Statusfilter oder rechnet „Umsatz" anders als die Buchhaltung. Die Abfrage läuft fehlerfrei, die Zahl ist trotzdem falsch. Freies SQL verlangt deshalb alle Schutzmaßnahmen aus den folgenden Abschnitten.

Vordefinierte Abfragen als Werkzeuge

Für wiederkehrende Fragen schreiben Sie die SQL-Anweisung selbst und stellen sie dem Agenten als Werkzeug mit Parametern bereit, etwa offene_auftraege(kunde_nr, seit_datum). Das Modell wählt nur noch das Werkzeug und füllt die Parameter; die Werte werden als gebundene Parameter übergeben, nie in den SQL-Text eingesetzt. Ergebnis: geprüfte Logik, planbare Laufzeit, kaum Spielraum für Fehler. Der Preis ist, dass der Agent nur beantworten kann, was vorgesehen ist.

Semantische Schicht

Zwischen Agent und Tabellen liegt ein Modell Ihrer Kennzahlen: Was ist „Umsatz", was ist „offener Auftrag", über welche Dimensionen darf man aufteilen. Der Agent fragt Kennzahlen und Dimensionen ab, die Schicht erzeugt daraus SQL. Ein Beispiel ist der dbt Semantic Layer: Kennzahlen werden dort im Modellierungs-Layer definiert, und laut dbt können KI-Werkzeuge wie Claude über den dbt-MCP-Server darauf zugreifen, sodass ihre Antworten die definierten Kennzahlen nutzen statt Rohtabellen zu erraten (Stand Oktober 2026, laut dbt verfügbar in den Tarifen Starter und Enterprise).

In der Praxis kombinieren viele Umsetzungen die Wege: vordefinierte Abfragen für die zehn häufigsten Fragen, eine semantische Schicht für Kennzahlen und freies SQL nur für eine kleine Gruppe mit Datenverständnis.

Welche Voraussetzungen braucht die Anbindung?

Voraussetzung sind eine lesbar dokumentierte Datenbasis, ein eigener technischer Benutzer für den Agenten, ein Ort, an dem Abfragen den Betrieb nicht stören, und eine Liste von Testfragen mit bekannten Antworten. Ohne diese vier Punkte ist jede Variante ein Glücksspiel.

Daten. Prüfen Sie, welche Tabellen tatsächlich gebraucht werden. Meist sind es wenige Dutzend, nicht Hunderte. Für diese Tabellen schreiben Sie kurze Beschreibungen: Bedeutung jeder Spalte, gültige Werte von Statusfeldern, bekannte Fallstricke wie stornierte Belege, die nicht gelöscht, sondern markiert werden.

Systeme. Viele Anwendungen wie ERP oder CRM speichern Daten in einer relationalen Datenbank, deren Struktur nicht für direkte Abfragen gedacht ist. Prüfen Sie, ob der Hersteller einen direkten Lesezugriff erlaubt oder ob eine Schnittstelle, ein Data Warehouse oder eine Lesereplik der richtige Weg ist. Für Auswertungen ist eine Replik oder ein eigenes Reporting-Schema fast immer die bessere Wahl als die Produktivdatenbank. Für SAP S/4HANA gelten eigene Zugriffswege und ein eigenes Berechtigungskonzept, die der Leitfaden KI-Agent an SAP S/4HANA anbinden beschreibt. Wie Sie das Datenbankwerkzeug standardisiert für mehrere Agenten bereitstellen, zeigt der Artikel zu MCP-Servern; dieser Artikel konzentriert sich dagegen auf Rechte und Grenzen in der Datenbank selbst.

Organisation. Klären Sie, wer welche Daten sehen darf. Wenn ein Vertriebsmitarbeiter heute nur seine eigenen Kunden sieht, muss das auch für den Agenten gelten. Personaldaten, Gehälter und Gesundheitsdaten gehören grundsätzlich nicht in die Sicht eines allgemeinen Agenten. Wo personenbezogene Daten im Spiel sind, ist die Lösung datenschutzkonform betreibbar, wenn Zugriff, Zweck und Protokollierung sauber geregelt sind; das ersetzt keine Prüfung durch Ihre Datenschutzbeauftragten.

Testfragen. Sammeln Sie 30 bis 50 echte Fragen aus den Fachabteilungen und die richtigen Antworten dazu. Diese Liste ist Ihr Maßstab für jede Änderung an Prompt, Modell oder Schema.

Wie setzen Sie Read-only-Rollen und Abfragegrenzen um?

Sie legen einen eigenen Datenbankbenutzer an, der nur SELECT auf freigegebene Views hat, setzen ein Zeitlimit pro Abfrage und begrenzen die Zahl zurückgegebener Zeilen. Das Beispiel zeigt PostgreSQL 18; andere Datenbanken haben vergleichbare Mechanismen, deren Details Sie in der jeweiligen Dokumentation prüfen sollten.

Schritt 1: Eigene Rolle und freigegebene Views

Der Agent bekommt keinen Zugriff auf Basistabellen, sondern auf Views in einem eigenen Schema. In der View legen Sie fest, welche Spalten sichtbar sind, und können Werte bereits aufbereiten, etwa Statuscodes in Klartext.

-- Eigenes Schema mit freigegebenen Sichten
CREATE SCHEMA agent_read;

CREATE VIEW agent_read.offene_auftraege AS
SELECT a.auftrag_nr, a.kunde_nr, k.name AS kunde, a.datum, a.netto_summe
FROM erp.auftraege a
JOIN erp.kunden k ON k.kunde_nr = a.kunde_nr
WHERE a.status = 'OFFEN';

-- Technischer Benutzer nur für den Agenten
CREATE ROLE ki_agent LOGIN PASSWORD 'aus-dem-secret-store';
GRANT USAGE ON SCHEMA agent_read TO ki_agent;
GRANT SELECT ON ALL TABLES IN SCHEMA agent_read TO ki_agent;

PostgreSQL erlaubt Rechte auch auf einzelne Spalten. Die Dokumentation zu GRANT weist allerdings darauf hin, dass ein Recht auf die ganze Tabelle durch das Entziehen einer einzelnen Spalte nicht eingeschränkt wird. Sauberer ist deshalb, von Anfang an nur die Views freizugeben.

Schritt 2: Lesemodus und Zeitlimit als Standard der Rolle

Mit ALTER ROLE … SET legen Sie Standardwerte fest, die bei jeder neuen Sitzung dieser Rolle gelten.

ALTER ROLE ki_agent SET default_transaction_read_only = on;
ALTER ROLE ki_agent SET statement_timeout = '15s';
ALTER ROLE ki_agent SET idle_in_transaction_session_timeout = '30s';

Laut PostgreSQL-Dokumentation bricht statement_timeout jede Anweisung ab, die länger als die angegebene Zeit läuft; der Standardwert 0 bedeutet kein Limit. In einer Read-only-Transaktion sind unter anderem INSERT, UPDATE, DELETE, MERGE, TRUNCATE sowie alle CREATE-, ALTER- und DROP-Befehle nicht erlaubt. Beachten Sie: Das sind Standardwerte, die eine Sitzung selbst wieder ändern kann. Die eigentliche Sperre ist, dass die Rolle aus Schritt 1 keine Schreibrechte besitzt. Der Lesemodus ist eine zweite Linie.

Schritt 3: Zeilenrechte, wenn Nutzer unterschiedliches sehen dürfen

Sollen Nutzer nur ihre eigenen Datensätze sehen, hilft Row Level Security. Nach ALTER TABLE … ENABLE ROW LEVEL SECURITY gilt laut PostgreSQL-Dokumentation ohne Richtlinie ein Default-Deny: Es sind keine Zeilen sichtbar. Wichtig: Superuser und Rollen mit dem Attribut BYPASSRLS umgehen die Richtlinien immer, Tabelleneigentümer standardmäßig ebenfalls. Der Agent darf also nie mit einem Eigentümer- oder Administratorkonto arbeiten. Damit die Richtlinie greift, muss der Agent im Namen des angemeldeten Nutzers abfragen, etwa indem Ihre Anwendung die Nutzerkennung pro Sitzung setzt und die Richtlinie darauf prüft.

Schritt 4: Prüfung im Werkzeug vor der Ausführung

Bei freiem Text-to-SQL prüft das Werkzeug jede Anweisung, bevor sie die Datenbank erreicht:

  • nur eine einzelne Anweisung, die mit SELECT oder WITH beginnt;
  • immer ein Zeilenlimit, notfalls vom Werkzeug ergänzt;
  • vorab ein EXPLAIN ohne ANALYZE: Es zeigt laut Dokumentation die geschätzten Kosten und Zeilen, ohne die Abfrage auszuführen. Liegt die Schätzung über einer Schwelle, lehnt das Werkzeug ab oder fragt nach;
  • nie EXPLAIN ANALYZE auf ungeprüfte Anweisungen, denn damit wird die Anweisung tatsächlich ausgeführt.
# Vereinfachte Prüfung vor der Ausführung (psycopg 3)
import json

MAX_KOSTEN = 50_000   # Schwelle in PostgreSQL-Kosteneinheiten, je Datenbank kalibrieren
MAX_ZEILEN = 500

def sichere_abfrage(conn, sql: str):
    sql = sql.strip().rstrip(";")
    if ";" in sql or not sql.lower().startswith(("select", "with")):
        raise ValueError("Nur einzelne SELECT-Anweisungen erlaubt")
    with conn.cursor() as cur:
        cur.execute("EXPLAIN (FORMAT JSON) " + sql)
        plan = cur.fetchone()[0]
        if isinstance(plan, str):
            plan = json.loads(plan)
        if plan[0]["Plan"]["Total Cost"] > MAX_KOSTEN:
            raise ValueError("Abfrage zu teuer, bitte eingrenzen")
        cur.execute(f"SELECT * FROM ({sql}) AS t LIMIT {MAX_ZEILEN}")
        return cur.fetchall()

Diese Prüfung ersetzt nicht die Rechte aus Schritt 1 bis 3. Eine Zeichenkettenprüfung lässt sich umgehen; sie fängt vor allem versehentlich teure oder unsinnige Abfragen ab. Die Kostenschätzung ist eine Schätzung des Planers in willkürlichen Einheiten; die Schwelle müssen Sie an Ihrer Datenbank ausprobieren.

Welche Grenzen und Risiken bleiben?

Auch mit sauberen Rechten bleiben drei Risiken: falsche Zahlen aus formal korrekten Abfragen, Datenabfluss über die Antworten und Manipulation des Agenten über Inhalte in der Datenbank. Rechte verhindern Schaden an den Daten, nicht falsche Schlüsse aus ihnen.

Falsche Zahlen. Das größte praktische Risiko ist nicht das gelöschte Tabellenblatt, sondern die plausible, aber falsche Antwort. Gegenmittel: Der Agent zeigt immer die ausgeführte Abfrage und die Datenbasis an, kritische Kennzahlen kommen aus vordefinierten Abfragen oder der semantischen Schicht, und die Testfragen laufen nach jeder Änderung erneut.

Datenabfluss. Was der Agent lesen kann, kann er auch ausgeben, gegebenenfalls an einen externen Modellanbieter. Klären Sie, welche Daten ein Cloud-Modell sehen darf. Für sensible Bestände kann ein lokal betriebenes Modell sinnvoll sein; die Abwägung beschreibt die Seite zu souveräner KI.

Prompt Injection. Datenbankinhalte sind für das Modell nur Text. Steht in einem Freitextfeld, etwa einer Reklamationsbeschreibung, eine Anweisung an das Modell, kann es versuchen, ihr zu folgen. OWASP nennt das indirekte Prompt Injection und empfiehlt unter anderem minimale Rechte und menschliche Freigabe für privilegierte Aktionen. Bei einem rein lesenden Agenten ohne weitere Werkzeuge ist der mögliche Schaden begrenzt; kann derselbe Agent auch E-Mails senden oder Tickets anlegen, steigt er deutlich.

Schreibzugriffe. Soll der Agent Daten ändern, etwa einen Liefertermin eintragen, gehört das in ein eigenes, eng zugeschnittenes Werkzeug mit Freigabe durch einen Menschen, nie in freies SQL. Die OWASP-Liste beschreibt als Beispiel einen Agenten, der nur Lesezugriff auf eine einzelne Produkttabelle haben soll und weder andere Tabellen sehen noch Datensätze einfügen, ändern oder löschen darf.

Wann der Ansatz nicht passt. Wenn die Daten so schlecht gepflegt sind, dass auch Menschen sich über die richtige Zahl streiten, löst ein Agent das nicht. Und für Kennzahlen, die regelmäßig in derselben Form gebraucht werden, ist ein klassischer Bericht oft die robustere Lösung.

Wie fangen Sie an?

Beginnen Sie mit einem Fachbereich, zehn bis zwanzig echten Fragen und einer Read-only-Rolle auf einer Lesereplik. Starten Sie mit vordefinierten Abfragen, messen Sie, welche Fragen offen bleiben, und erweitern Sie erst dann um eine semantische Schicht oder freies SQL für ausgewählte Nutzer.

Ein bewährter Ablauf in fünf Schritten:

  1. Fragen sammeln. Lassen Sie eine Fachabteilung zwei Wochen lang notieren, welche Datenfragen sie an IT oder Controlling stellt.
  2. Datenbasis festlegen. Wählen Sie die nötigen Tabellen, bauen Sie Views in einem eigenen Schema und dokumentieren Sie Spalten und Geschäftsregeln.
  3. Rolle und Grenzen einrichten. Technischer Benutzer, nur SELECT auf die Views, Lesemodus, Zeitlimit, Zeilenlimit, gegebenenfalls Zeilenrechte.
  4. Werkzeuge bauen. Die häufigsten Fragen als vordefinierte Abfragen, mit Protokollierung jeder Ausführung: wer, wann, welche Abfrage, wie viele Zeilen.
  5. Testen und freigeben. Testfragen durchlaufen lassen, Abweichungen klären, dann mit einer kleinen Nutzergruppe starten und die offenen Fragen auswerten.

In unserem eigenen Betrieb hat sich bewährt, die Abfrage immer sichtbar mit auszugeben: Nutzer lernen schnell, ob die Datenbasis stimmt, und Fehler werden gemeldet statt still übernommen. Wenn der Agent nicht nur Zahlen liefern, sondern Wissen aus Dokumenten und Datenbanken zusammenführen soll, lohnt ein Blick auf Agenten für Wissensmanagement. Für Fragen rund um Kunden und Angebote gibt es eigene Bausteine für den Vertrieb. Die Grundbegriffe erklärt das Lexikon unter Tool Use / Function Calling und Prompt Injection.

Häufige Fragen

Reicht es, dem Modell im Prompt zu verbieten, Daten zu ändern?

Nein. Anweisungen im Prompt lassen sich durch Prompt Injection oder Fehlinterpretation umgehen. Die Sperre gehört in die Datenbank: eine Rolle ohne Schreibrechte, die nur SELECT auf freigegebene Objekte hat.

Darf der Agent direkt auf die Produktivdatenbank zugreifen?

Für lesende Fragen ist eine Lesereplik oder ein Reporting-Schema meist die bessere Wahl. So belasten lange Abfragen nicht den laufenden Betrieb, und der Agent sieht nur die Tabellen, die für Auswertungen gedacht sind.

Brauche ich ein großes Cloud-Modell für Text-to-SQL?

Nicht zwingend. Bei vordefinierten Abfragen oder einer semantischen Schicht muss das Modell nur Parameter oder Kennzahlen auswählen; das schaffen auch kleinere, lokal betriebene Modelle. Freies SQL über viele Tabellen stellt höhere Anforderungen.

Wie erkenne ich falsche Antworten des Agenten?

Lassen Sie den Agenten das ausgeführte SQL und die Datenbasis immer mit ausgeben und prüfen Sie ihn vor dem Start gegen eine Liste von Fragen mit bekannten Antworten. Falsche Joins und vergessene Filter fallen so früh auf.

Quellen

  1. OWASP Top 10 for LLM Applications 2025: LLM06 Excessive Agency genai.owasp.org
  2. OWASP Top 10 for LLM Applications 2025: LLM01 Prompt Injection genai.owasp.org
  3. PostgreSQL 18 Documentation: Client Connection Defaults postgresql.org
  4. PostgreSQL 18 Documentation: SET TRANSACTION postgresql.org
  5. PostgreSQL 18 Documentation: Row Security Policies postgresql.org
  6. PostgreSQL 18 Documentation: GRANT postgresql.org
  7. PostgreSQL 18 Documentation: ALTER ROLE postgresql.org
  8. PostgreSQL 18 Documentation: EXPLAIN postgresql.org
  9. dbt Developer Hub: dbt Semantic Layer docs.getdbt.com