Auf den Punkt: Anthropic nutzt Claude Tag, um die im vorherigen Blogpost beschriebene Data-Analytics-Grundlage aus Claude Code (semantische Schicht, Skill-Dateien, Evaluationssuite) fuer Self-Service-Anfragen in Slack verfuegbar zu machen.
Anthropic beschreibt in einem Blogbeitrag, wie die interne Data-Analytics-Grundlage aus Claude Code auf Slack uebertragen wurde. Mit Claude Tag (Public Beta) koennen Mitarbeitende ausserhalb des Data-Teams Ad-hoc-Fragen zu Unternehmensdaten direkt in Slack stellen und erhalten Antworten, die auf denselben governance-konformen Definitionen basieren wie die der Analysten.
Anthropic hatte in einem vorherigen Beitrag beschrieben, wie Claude durch drei zentrale Bausteine Data-Analytics-Fragen mit rund 95 Prozent Genauigkeit beantworten kann: eine governance-konforme semantische Schicht, eine Sammlung von Skill-Dateien, die analytische Konventionen kodieren, sowie eine Evaluationssuite zur Leistungsmessung. Dieser fruehere Beitrag konzentrierte sich auf Claude Code als primaere Entwicklungsumgebung fuer Data Scientists und Data Engineers bei Anthropic sowie auf Best Practices zur Verbesserung der agentischen Genauigkeit.
Der neue Beitrag beschreibt, wie das Data-Team von Anthropic diese Grundlage auf den Arbeitsalltag des restlichen Unternehmens uebertraegt. Dafuer setzt Anthropic auf Claude Tag, aktuell in einer oeffentlichen Beta-Version, als Basis fuer einen Data-Analytics-Agenten in Slack. Jede Person im Unternehmen kann diesem Agenten datenbezogene Fragen stellen und erhaelt Antworten, die auf denselben governance-konformen Definitionen beruhen, die auch die Analysten intern verwenden.
Fuer Praktiker liegt die Relevanz weniger in der reinen Modellgenauigkeit als in der Deployment-Perspektive: Anthropic betont, dass die Genauigkeit eines Agenten und seine erfolgreiche Bereitstellung fuer Nicht-Analysten zwei unterschiedliche Herausforderungen darstellen. Die Empfehlungen zur Genauigkeit aus dem vorherigen Beitrag bleiben demnach gueltig, werden im aktuellen Beitrag aber nicht wiederholt. Stattdessen fokussiert sich Anthropic auf fuenf zentrale Lernerfahrungen aus dem vergangenen Jahr zum Thema Deployment eines Data-Analytics-Agenten in Slack, die sich um Distribution, Berechtigungen (Permissions), Aktualitaet der Daten (Freshness) und Observability drehen.
Fuer Teams, die eigene interne Analytics-Agenten planen, liefert der Beitrag damit einen praxisnahen Ausgangspunkt: Die technische Grundlage aus semantischer Schicht, Skills und Evaluation laesst sich offenbar wiederverwenden, waehrend die organisatorische Einbettung in ein Kollaborationstool wie Slack eigene Anforderungen an Zugriffssteuerung und Monitoring mit sich bringt.
Quelle: claude.com · Erschienen 12. August 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.8.3.