Data Warehouse in der AI-First Welt

Das Paradigma hat sich verschoben

Klassische DWH-Logik (ETL → Staging → Marts → Reports) war auf Menschen als Konsumenten ausgelegt. In der AI-First Welt ist der primäre Konsument oft ein Agent oder ein LLM – das ändert die Anforderungen fundamental.

Ein Dashboard verzeiht 30 Sekunden Query-Zeit. Ein Agent, der mitten in einem Tool-Call wartet, nicht. Ein BI-Analyst weiß, dass rev_net_eur_q der Quartalsumsatz ist. Ein LLM rät – und liegt manchmal daneben.

Was ein AI-First Stack braucht

BigQuery vs. Supabase – die ehrliche Antwort

Das sind keine direkten Alternativen, sondern unterschiedliche Schichten:

• BigQuery ist ein analytisches DWH – optimiert für Petabyte-Queries, Batch, BI.
• Supabase ist eine operational database (Postgres) – optimiert für Transaktionen, Realtime, App-Backend.

Wann Supabase zusätzlich sinnvoll ist

• Du brauchst pgvector für Embeddings direkt in der DB
• Deine Agenten brauchen Realtime-Subscriptions
• Du willst Row Level Security für Multi-Tenant AI Apps
• Stack ist eher product-nah als analytics-nah

Wann BigQuery bleibt

• Große Datenmengen (>100 GB)
• Komplexe Transformationen mit dbt
• Google Cloud already in use (Vertex AI, Looker)
• BI-heavy Anwendungsfälle

Der pragmatische AI-First Stack 2025/26

Operational Layer:    Supabase (Postgres + pgvector + Realtime)
                           ↓
Transformation:       dbt Core / dbt Cloud
                           ↓
Analytical Layer:     BigQuery (oder DuckDB für kleinere Setups)
                           ↓
Semantic Layer:       cube.dev / LookML / MetricFlow
                           ↓
AI Access:            LLM + Tool Use → Semantic Layer API

Für kleinere Teams fällt BigQuery oft weg – dann ist DuckDB + Supabase ein extrem schlanker, günstiger Stack.

Konkrete Empfehlung, wenn du heute auf BigQuery sitzt

Wenn du auf BigQuery bist und AI-Features brauchst:

1. Supabase parallel für operationale Daten – insbesondere wenn du eigene Produkte baust.
2. pgvector in Supabase für Embeddings statt einer separaten Vektordatenbank (Pinecone, Weaviate).
3. BigQuery bleibt für Analytics – kein Grund zu migrieren.
4. dbt als Bindeglied – Transformationen aus Supabase in BigQuery, sauber dokumentiert.

Die häufigste Falle: Leute ersetzen BigQuery durch Supabase. Das ist die falsche Frage. Die richtige ist: „Wo leben meine operativen AI-Daten?" – und da ist Supabase oft die bessere Antwort als BigQuery.

Falls du klein anfängst und neu aufbaust

DuckDB + Supabase + dbt ist 2026 der leanste Stack mit dem besten AI-Fit – günstig, schnell, local-first möglich, pgvector inklusive. Du kannst lokal entwickeln, prototypisch deployen und erst skalieren, wenn die Datenmengen es wirklich verlangen.

Beispiel-Setup: Supabase + pgvector + dbt + Agent

Damit das nicht abstrakt bleibt – so sieht ein minimales, produktionsnahes Setup aus, das wir in der Praxis genau so bauen.

1. Supabase: Schema mit pgvector

-- Extension einmalig aktivieren
create extension if not exists vector;

-- Operationale Tabelle: Support-Tickets
create table tickets (
  id uuid primary key default gen_random_uuid(),
  customer_id uuid not null references customers(id),
  subject text not null,
  body text not null,
  status text not null default 'open',
  created_at timestamptz default now()
);

-- Embedding-Tabelle (1:1 zu tickets)
create table ticket_embeddings (
  ticket_id uuid primary key references tickets(id) on delete cascade,
  embedding vector(1536) not null,
  updated_at timestamptz default now()
);

-- Vektor-Index für schnelle Similarity Search
create index on ticket_embeddings
  using ivfflat (embedding vector_cosine_ops) with (lists = 100);

2. Embeddings via Edge Function

Eine Supabase Edge Function hört auf neue Tickets (Webhook oder Trigger) und schreibt das Embedding zurück:

// supabase/functions/embed-ticket/index.ts
const { data: ticket } = await supabase
  .from('tickets').select('id, subject, body').eq('id', ticketId).single();

const embedding = await openai.embeddings.create({
  model: 'text-embedding-3-small',
  input: `${ticket.subject}\n\n${ticket.body}`,
});

await supabase.from('ticket_embeddings').upsert({
  ticket_id: ticket.id,
  embedding: embedding.data[0].embedding,
});

3. dbt: Semantische Modelle für Analytics

dbt transformiert die operationalen Daten in saubere, dokumentierte Marts – die Doku ist gleichzeitig der Semantic Layer für den Agenten:

# models/marts/fct_tickets.yml
models:
  - name: fct_tickets
    description: "Ein Ticket pro Zeile, angereichert mit SLA-Status und Kundensegment."
    columns:
      - name: ticket_id
        description: "Primärschlüssel."
      - name: time_to_first_response_minutes
        description: "Minuten zwischen Ticket-Eingang und erster Mitarbeiter-Antwort."
      - name: sla_breached
        description: "True, wenn die Erstantwort > 4h gedauert hat."

-- models/marts/fct_tickets.sql
select
  t.id as ticket_id,
  t.customer_id,
  c.segment as customer_segment,
  extract(epoch from (r.first_response_at - t.created_at))/60
    as time_to_first_response_minutes,
  case when r.first_response_at > t.created_at + interval '4 hours'
       then true else false end as sla_breached
from {{ ref('stg_tickets') }} t
left join {{ ref('stg_customers') }} c on c.id = t.customer_id
left join {{ ref('int_first_response') }} r on r.ticket_id = t.id

4. Agent-Zugriff: zwei Tools, klare Trennung

Der Agent bekommt nicht „die Datenbank", sondern zwei eng definierte Tools:

const tools = [
  {
    name: 'search_similar_tickets',
    description: 'Findet semantisch ähnliche, bereits gelöste Tickets.',
    parameters: { query: 'string', limit: 'number' },
    handler: async ({ query, limit }) => {
      const emb = await embed(query);
      // RPC mit RLS: gibt nur Tickets zurück, die der User sehen darf
      return supabase.rpc('match_tickets', { query_embedding: emb, match_count: limit });
    },
  },
  {
    name: 'query_ticket_metrics',
    description: 'Fragt aggregierte Kennzahlen aus fct_tickets ab (SLA, Volumen, Segmente).',
    parameters: { metric: 'string', dimension: 'string', period: 'string' },
    handler: async (args) => semanticLayer.query(args), // cube.dev / MetricFlow
  },
];

Die zugehörige Postgres-Funktion mit RLS:

create or replace function match_tickets(
  query_embedding vector(1536),
  match_count int default 5
) returns table (ticket_id uuid, subject text, similarity float)
language sql stable as $$
  select t.id, t.subject,
         1 - (e.embedding <=> query_embedding) as similarity
  from ticket_embeddings e
  join tickets t on t.id = e.ticket_id
  order by e.embedding <=> query_embedding
  limit match_count;
$$;

Was dieses Setup richtig macht

• Vector + Relational in einer DB – keine separate Pinecone/Weaviate-Infrastruktur.
• RLS greift automatisch – der Agent kann technisch nicht mehr sehen als der User.
• dbt-Doku = Agent-Kontext – Spaltenbeschreibungen werden zur Tool-Description.
• Klare Tool-Grenzen – Similarity Search (operational) vs. Metrics (analytical) sind getrennt, der Agent muss nicht „SQL können".

TL;DR

Das DWH der 2010er war eine Bibliothek für Analysten. Der Data Stack der AI-First Welt ist eher ein Nervensystem für Agenten: schneller, semantischer, sicherer pro Zeile – und bewusst auf zwei Schichten verteilt statt in ein einziges großes Warehouse gepresst.