PromptQL im Test (2026): Hasuras Datenagent auf dem Prüfstand

Kurzfassung

PromptQL ist Hasuras KI-Datenagent: Du richtest ihn auf deine Datenbanken, Warehouses und Tools aus und stellst dann Fragen bzw. baust Workflows in normaler Sprache. Gestartet ist er Mitte 2025 als „geistiger Nachfolger von GraphQL“, und 2026 positionierte er sich still und leise als „multiplayer AI agent“ mit gemeinsamen Threads und einem geteilten Team-Gehirn. Zwei Produkte, ein Name – das ist das Erste, was man in jedem PromptQL-Test entwirren sollte.

Die Idee dahinter ist gut genug, um sie zu klauen: PromptQL nutzt das Modell nur, um einen Abfrageplan zu schreiben, der dann als echter Code (Python und SQL) außerhalb des Modells ausgeführt wird. Deshalb kann das Unternehmen von Reproduzierbarkeit sprechen, statt zu hoffen, dass das LLM die Arithmetik richtig hinbekommt. Das „100 % Genauigkeit“-Marketing ist übertrieben (das sagt Hasura selbst), aber die Plan-dann-Ausführen-Architektur ist die eigentliche Geschichte. Sie passt zu Daten- und Analytics-Teams mit unaufgeräumten, systemübergreifenden Daten und Budget für ein technisches Rollout – nicht zu jemandem, der einen Plug-and-Play-Chatbot will.

Die Preise sind reiner Verbrauch: 0,20 $ pro OLU (0,14 $ im Einführungszeitraum), kostenloser Start, Enterprise nur auf Anfrage. Wenn du als Support-Team hier liest in der Hoffnung, PromptQL werde deine Tickets beantworten, ist das das falsche Werkzeug – warum, erkläre ich gegen Ende. Für die Idee eines „belegbaren Agenten, der seine Arbeit zeigt“ angewandt auf den Helpdesk kommt das eher dem nahe, was ich bei eesel AI baue.

Was PromptQL wirklich ist (und die Kehrtwende, die niemand angekündigt hat)

Ich baue beruflich KI-Agenten, also landete PromptQL auf meinem Schreibtisch wie die meisten neuen Agenten-Produkte: mit einer großen Genauigkeits-Behauptung und einer Demo, die zu sauber wirkt. Der sinnvolle Weg, es zu bewerten, ist, zu trennen, was das Produkt ist, von dem, wie es aktuell vermarktet wird, denn diese beiden Dinge haben sich im letzten Jahr auseinanderentwickelt.

PromptQL stammt von Hasura, dem Unternehmen, das die Open-Source-GraphQL-Engine auf den Markt brachte, die in zwei Jahren über 100 Millionen Downloads erreichte. Die Gründer Tanmai Gopal und Rajoshi Ghosh sammelten eine Series B über 25 Mio. $ und eine Series C über 100 Mio. $ ein, und Ende 2025 beschrieb VentureBeat das Unternehmen als Milliarden-Dollar-Geschäft, das KI-Ingenieure für 900 $/Stunde verkauft. Tanmais Rahmen dafür ist, dass sich der Kunde für deine Daten geändert hat:

„Uns wurde klar, dass Apps nicht mehr die wichtigsten Dinge sind, die Zugriff auf Daten brauchen. Die Zukunft ist KI, die mit Daten spricht, KI, die im Auftrag des Nutzers auf Daten zugreift.“

Tanmai Gopal, VentureBeat-Interview

Das Pitch von 2025 war also klar: eine zuverlässige Natural-Language-Schicht über Enterprise-Daten, positioniert gegen Text-zu-SQL, Tool-Calling und RAG. Dann änderte sich die Startseite. Heute wirbt promptql.io mit „einem multiplayer AI agent, man denke an Claude oder ChatGPT, aber mit gemeinsamen Threads und einem gemeinsamen Gehirn“, und das titelgebende Problem ist Kontext-Verfall über Slack, Dokumente, Tickets, CRM und Warehouse-Tabellen hinweg. Die genannten Logos sind Schwergewichte: Cisco, McDonald's, Instacart, Swiggy und Lightspeed.

Beide Beschreibungen sind wahr und beziehen sich auf dieselbe Engine. Landest du jedoch kalt auf der Website, könntest du denken, PromptQL sei ein Team-Wissenstool ähnlich Glean oder eine geteilte interne Wissensdatenbank. Unter der Haube ist es aber weiterhin ein Datenagent. Behalte das im Hinterkopf, denn Preise, Doku und Benchmarks drehen sich alle um die Daten-Engine, nicht um den Wiki-Wrapper.

Wie PromptQL funktioniert: erst planen, dann ausführen

Das ist der Teil, den ich wirklich respektiere, und der Grund, warum das Produkt einen Test wert ist und nicht nur ein Schulterzucken. Die meisten „KI auf deinen Daten“-Tools übergeben die gesamte Aufgabe dem Modell: Daten lesen, rechnen, Antwort schreiben, alles in einem Kontextfenster. PromptQL teilt das in zwei Schritte.

Wenn du im Playground eine Frage stellst, liefert PromptQL zunächst einen Abfrageplan: eine Schritt-für-Schritt-Aufschlüsselung in normaler Sprache, wie es deine Daten abrufen, filtern und verarbeiten wird, samt der Annahmen, die es dabei trifft. Du kannst ihn lesen und über ein Stift-Symbol bearbeiten – PromptQL „merkt sich das und korrigiert sich selbst für künftige Threads“. Diese Transparenz ist der Teil, den Überflieger nicht überspringen sollten: Du siehst den Plan, bevor sich irgendwelche Daten bewegen.

Der Plan wird dann als echter Code ausgeführt. PromptQL ruft deine Daten ab und organisiert sie mit Python, und du kannst jeden Schritt aufklappen, um das echte Python und SQL zu sehen, das gegen deine Quelle lief. Das ist der Satz, an dem das ganze Produkt hängt, in den Worten des Gründers:

„Statt Antworten zu generieren, generieren wir Pläne in einer domänenspezifischen Sprache, die für dein Unternehmen einzigartig ist. Diese Pläne kompilieren zu deterministischen Aktionen mit Laufzeitvalidierungen und Policy-Checks.“

Tanmai Gopal, VentureBeat-Interview

Ergebnisse landen als Artefakte: strukturierte Tabellen, Text oder Diagramme, die außerhalb des Modellkontexts liegen und von späteren Schritten referenziert werden. Das ist der clevere Teil für die Skalierung, denn es bedeutet, dass PromptQL mit Daten arbeiten kann, die weit größer sind als ein Kontextfenster, ohne dass das Modell heimlich den Überblick verliert. Semantische Arbeit (klassifizieren, zusammenfassen, extrahieren, visualisieren) übernehmen schmale KI-Primitive, die jeweils isoliert mit einem fokussierten Kontext laufen, sodass das LLM immer nur über eine kleine, klar abgegrenzte Scheibe nachdenkt.

Zum Schluss erhält jede Antwort einen Zuverlässigkeits-Score basierend auf Abfragekomplexität, Datengenauigkeit und Modellvertrauen, samt Bewertungsnotizen dazu, was die Analyse ein- und ausgeschlossen hat. Ist der Score niedrig, korrigierst du ihn, und die Korrektur bleibt für das nächste Mal erhalten. Aus der Support-Welt kommend, ist mir dieses Muster vertraut: Es ist derselbe Instinkt, der hinter dem Verhindern von Halluzinationen steht – das System soll dir sagen, wenn es sich unsicher ist, statt mit todernster Miene zu raten.

Das Zuverlässigkeitsproblem, das PromptQL wirklich löst

Um zu sehen, warum das alles wichtig ist, schau dir an, wie schlecht rohe Modelle bei echten Datenfragen abschneiden. Tanmai zitiert den Berkeley Data Agent Benchmark, bei dem Frontier-Modelle weit unter dem abschneiden, was eine Demo nahelegen würde.

Bei Datenfragen aus der echten Welt setzt der Berkeley-Benchmark Opus 4.6 bei 43 %, Gemini 3 Pro bei 38 % und GPT-5.2 bei 25 % an, während reine Datenbankabfrage-Generierung „nahe 0 %“ erreicht. Die eigene Einschätzung des Benchmarks lautet, dass Agenten „typischerweise die richtigen Daten auswählen, aber daran scheitern, die Berechnung zu planen oder korrekt umzusetzen.“ Genau diese Lücke adressiert PromptQLs Plan-und-Ausführen-Trennung, und deshalb hämmert der Gründer immer wieder auf ein Wort:

„Das größte Problem ist nicht, dass die Frage nicht genau beantwortet werden kann. Das große Problem ist, dass KI so tut, als wäre sie genau, selbst wenn sie es nicht ist. KI liegt also selbstbewusst falsch. Das ist das Problem.“

Tanmai Gopal, VentureBeat-Interview

Hasura gruppiert die Fehler in vier Modi, und dieses 2x2 ist das Nützlichste, was du dir einprägen solltest, bevor du irgendein KI-Datenanalyse-Tool bewertest, PromptQL oder ein anderes.

Nun zu dieser „100 % Genauigkeit“-Schlagzeile. Hasura ist erfrischend ehrlich, dass es sich um Köder handelt: Das Unternehmen räumt ein, dass eine „100 %-Genauigkeits-Behauptung technisch nicht ganz standhält“, und die eigentliche Behauptung lautet 100 % Reproduzierbarkeit, weil die Berechnung im Code läuft und nicht durch Modell-Reasoning. Bei den engeren CRMArena-Pro-Datenbank- und Zahlen-Aufgaben berichten sie von 100 % gegenüber zitierten 30 bis 60 % für State-of-the-Art-Ansätze. Behandle die runde Zahl als Gesprächseinstieg und die Reproduzierbarkeit als das eigentliche Produktmerkmal.

Die Features, die herausstechen

Über den Kern-Loop hinaus unterscheiden ein paar Dinge PromptQL von einem generischen KI-Wissensdatenbank-Chatbot.

Automatisierungen, die zu echten APIs werden. Sobald ein Workflow im Playground funktioniert, deployst du ihn als HTTP-Endpunkt, der von Zapier, Slack, Cron-Jobs oder deinen eigenen Apps aus aufrufbar ist, ganz ohne Programmieren. Das macht aus einem einmaligen Thread einen wiederholbaren Geschäftsprozess, und es ist das Feature, auf das ich mich am stärksten verlassen würde, wenn ich ein Datenteam leiten würde.

Systemübergreifende Joins über Metadaten. PromptQL basiert auf Hasura DDN, sodass ein Supergraph mehrere Subgraphen miteinander verknüpft, und Beziehungen „müssen nicht von derselben Datenquelle gestützt werden.“ In der Praxis bedeutet das, es kann Postgres mit einer SaaS-API verbinden und über beide hinweg schlussfolgern – genau da, wo Tools, die nur für Snowflake oder ein einzelnes Warehouse gebaut sind, scheitern.

Eine sich selbst aufbauende Kontextebene. Der 2026er-Wrapper fügt ein Wiki hinzu, das sich selbst aus Slack, Google Docs, Snowflake, PostHog und Salesforce speist, Revisionsverlauf und Audit-Trails führt und abgestuften Zugriff (extern, intern, persönlich, vertraulich) durchsetzt. Das ist die Art von vernetztem Kontext-Play, die man auch bei Salesforce-KI-Tools sieht. Korrekturen, die du vornimmst, werden zu geteilten „Skills“, die die nächste Person erbt – dasselbe Wissensmanagement-Problem, mit dem jedes Team kämpft, nur als Agent verkleidet.

Bring your own model, und das wirkt sich auf die Rechnung aus. PromptQL läuft mit jedem LLM, von Claude und GPT bis zu Open-Weight-Modellen wie DeepSeek, Kimi K2 und GLM, bereitgestellt über Fireworks. Du kannst Modelle pro Thread oder mitten im Thread wechseln, und es funktioniert über MCP. Merk dir das, denn die Modellwahl ist der mit Abstand größte Hebel bei den Kosten.

PromptQL-Preise: Was du wirklich zahlst

PromptQL hat keine Sitzplatz-Preise. Es ist zu 100 % verbrauchsbasiert und wird in einer normalisierten Einheit namens OLU (Operational Language Unit) abgerechnet, die Input-, Output-, Cache- und Cache-Erstellungs-Tokens über alle Modelle hinweg in eine einheitliche Zahl zusammenfasst, sodass sich die Form deiner Rechnung beim Modellwechsel nicht ändert.

Die typischen Aufgabenkosten, die Hasura nennt (zum 0,14-$-Satz), sind ehrlich und klein: unter 2 OLUs für eine einfache Datenaufgabe (unter 0,28 $), rund 10 OLUs für einen komplexen Report (~1,40 $) und rund 40 OLUs für eine tiefgehende Untersuchung (~5,60 $).

Hier ist der Haken, und es ist das Wichtigste in diesem gesamten PromptQL-Test aus Budgetsicht. Der Preis pro OLU ist fix, aber das gewählte Modell verändert, wie viele OLUs eine Aufgabe verbraucht, und die Spanne ist enorm. Gegenüber einer Claude-Opus-4.6-Basislinie von 1,0x läuft GPT-5.2 bei 0,42x, Kimi K2.7 bei 0,17x und DeepSeek V4 Flash bei nur 0,018x, was Hasura als bis zu 57-mal günstiger für dieselbe Arbeit einordnet. Derselbe Report kann dich also je nach Modell-Dropdown ein paar Dollar oder ein paar Cent kosten.

Statt dich diese Rechnung im Kopf machen zu lassen, gib deine eigenen Zahlen ein:

Die Erkenntnis ist keine einzelne Zahl, sondern eine Gewohnheit: Bei PromptQL macht die Wahl eines Open-Weight-Modells für Routineaufgaben den Unterschied zwischen einem Rundungsfehler und einem echten Posten aus. Es ist dasselbe Total-Cost-of-Ownership-Denken, das wir auf KI-Agenten-Kosten anwenden, nur mit dem Modell-Dropdown als Regler.

Was die Leute wirklich über PromptQL sagen

Hier muss ich ehrlich zu dir sein, denn ein fairer Test sagt genauso klar, was er nicht finden konnte, wie das, was er finden konnte. PromptQLs öffentliche Spuren sind dünn. Es gibt zum Zeitpunkt des Schreibens keine G2- oder Capterra-Bewertungen, und beide offiziellen „Show HN“-Launches zogen fast nichts an: sechs Punkte und vier Kommentare bei einem, sechs Punkte und ein Kommentar beim anderen. Der Großteil der Konversation findet in Hasuras eigenen Kanälen statt.

Was man findet: Hasuras bestehende Entwickler-Basis mag die Richtung. Ein langjähriger Nutzer reagierte auf den Launch:

„Ich habe mehr als 10 Produktions-Codebasen gebaut und verwaltet, die Hasura nutzen. Meiner Meinung nach ist es eine bessere Option als Supabase, Payload und andere, um dein Backend zu bauen. Die Tatsache, dass sie Zeit in LLM-bezogene Ressourcen für die Plattform investieren, macht mich froh, dass wir uns damals dafür entschieden haben.“

purposesystem, Hacker News

Die stärksten Leistungszahlen stammen vom Anbieter selbst, gewichte sie also entsprechend. Hasuras Team berichtet von „~2x Genauigkeit und ~4x Reproduzierbarkeit“ gegenüber traditionellem Tool-Calling, und Tanmai behauptet „siebenstellige Deals in drei bis fünf Monaten für ein Produkt, das noch in der Beta ist.“ Das sind echte Zitate, aber es ist das Unternehmen, das über sich selbst spricht, keine unabhängigen Tests, und es gibt noch keinen Korpus an unabhängigen Produktbewertungen, gegen den man triangulieren könnte. Für ein Produkt mit Logos wie Cisco und McDonald's ist die stille Community das größte Warnsignal in diesem Test.

Wo PromptQL gewinnt, und wo nicht

Nachdem ich mich durch die Doku, die Playground-Screenshots und die Preisseite gearbeitet habe, hier meine ehrliche Bilanz.

Nutze PromptQL, wenn du ein Daten- oder Analytics-Team mit unaufgeräumten, systemübergreifenden Daten, echten Zuverlässigkeitsanforderungen und der Ingenieurs-Lust bist, deine semantische Schicht zu modellieren. Das Plan-dann-Ausführen-Design ist die glaubwürdigste Antwort, die ich auf selbstbewusst falsche KI auf deinen Daten gesehen habe, und das Automatisierungen-als-APIs-Feature ist ein echter Gewinn.

Lass die Finger davon, wenn du einen schlüsselfertigen Assistenten wolltest, ein kleines Team ohne Data Engineer bist, oder wenn dein eigentlicher Job Customer Support ist. Es ist kein Ersatz für regelbasierte Chatbots und zielt überhaupt nicht auf den Helpdesk ab.

Probiere eesel für die Support-Version dieser Idee

Wenn du bis hierher gelesen hast, weil dich die Idee eines „belegbaren Agenten, der seine Arbeit zeigt und dir sagt, wann er unsicher ist“ überzeugt hat, deine Daten aber in einem Helpdesk statt einem Warehouse liegen, ist genau das das Problem, an dem ich bei eesel AI arbeite. PromptQL bringt Plan-dann-Ausführen-Disziplin in die Welt der Datenanalyse; eesel bringt denselben „nicht raten, belegen, erst beweisen“-Instinkt in den Support.

Konkret: eesel verbindet sich mit deinem Slack, Helpdesk und Wissensquellen wie Confluence und Notion, antwortet aus diesem Wissen mit Quellenangaben, eskaliert statt zu halluzinieren, und – der Teil, ohne den ich nicht ausliefern würde – simuliert an deinen vergangenen Tickets, bevor es je einem echten Kunden antwortet. Bei über 8.000 Kunden löst es im ersten Monat einen echten Teil des Tier-1-Volumens, und die Preise sind pay-as-you-go ohne Gebühr pro Sitzplatz. Wenn PromptQL der zuverlässige Daten-Teamkollege ist, ist eesel der zuverlässige Support-Teamkollege.

Du kannst eesel kostenlos ausprobieren, in wenigen Minuten eine Quelle verbinden und eine Simulation durchführen, bevor du dich auf irgendetwas festlegst.