Was PromptQL tatsächlich ist
Ich verbringe meine Tage damit, wie Menschen nach Tools wie diesem suchen, und "was ist PromptQL" ist eine überraschend vielschichtige Frage, weil das Produkt zwei unterschiedlichen Beschreibungen entspricht, je nachdem, wann man die Seite besucht hat.
PromptQL kommt von Hasura, dem Unternehmen hinter der Open-Source-GraphQL-Engine, die in zwei Jahren über 100 Millionen Downloads erreichte. Die Gründer Tanmai Gopal und Rajoshi Ghosh sammelten eine Series-B-Finanzierung über 25 Mio. $ und eine Series-C-Finanzierung über 100 Mio. $ ein, und Ende 2025 beschrieb VentureBeat das Unternehmen als Milliarden-Dollar-Business, das "900-$-die-Stunde-KI-Ingenieure" verkauft. Tanmais Rahmung ist, dass sich der Kunde für Ihre Daten geändert hat:
"Uns wurde klar, dass Apps nicht mehr das Wichtigste sind, was Zugriff auf Daten braucht. Die Zukunft ist KI, die mit Daten spricht, KI, die im Auftrag des Nutzers auf Daten zugreift."
Der Pitch von 2025 war also eine zuverlässige, natürlichsprachliche Schicht über Unternehmensdaten, positioniert gegen Text-to-SQL, Tool-Calling und RAG. Dann änderte sich die Startseite. Heute führt promptql.io mit "ein Multiplayer-KI-Agent, denken Sie an Claude oder ChatGPT, aber mit gemeinsamen Threads und einem gemeinsamen Gehirn", und das zentrale Problem ist Context Decay über Slack, Dokumente, Tickets, CRM und Warehouse-Tabellen hinweg. Die genannten Referenzkunden sind gewichtig: Cisco, McDonald's, Instacart, Swiggy und Lightspeed.
Beide Beschreibungen sind wahr und beziehen sich auf denselben Motor. Aber wenn Sie unvoreingenommen ankommen, würden Sie denken, PromptQL sei ein Team-Wissenstool ähnlich wie Glean oder eine gemeinsame interne Wissensdatenbank. Unter der Haube ist es weiterhin ein Datenagent, und Preise, Dokumentation und Benchmarks drehen sich alle um diesen Motor, nicht um den Wiki-Wrapper. Wenn Sie sich eine Sache aus dieser Erklärung merken, dann diese.
Wie PromptQL funktioniert: erst planen, dann ausführen
Das ist der Teil, der PromptQL erklärungswürdig macht, statt einfach nur mit den Schultern zu zucken. Die meisten "KI auf Ihren Daten"-Tools übergeben die gesamte Aufgabe auf einmal an das Modell: Daten lesen, Rechnen, Antwort schreiben, alles in einem Kontextfenster. PromptQL teilt das in zwei Schritte.
Wenn Sie im Playground eine Frage stellen, gibt PromptQL zuerst einen Abfrageplan zurück: eine schrittweise, klar formulierte Aufschlüsselung, wie es Ihre Daten abrufen, filtern und verarbeiten wird, einschließlich der getroffenen Annahmen. Sie können ihn lesen und bearbeiten – daraufhin "merkt sich PromptQL das und korrigiert sich für künftige Threads selbst". Diese Transparenz ist der Teil, den man nicht überspringen sollte: Sie sehen den Plan, bevor sich irgendwelche Daten bewegen.
Der Plan wird dann als echter Code ausgeführt. PromptQL ruft Ihre Daten ab und organisiert sie mit Python, und Sie können jeden Schritt aufklappen, um den echten Python- und SQL-Code zu sehen, der gegen Ihre Quelle lief. Das ist der Satz, an dem das ganze Produkt hängt:
"Statt Antworten zu generieren, generieren wir Pläne in einer domänenspezifischen Sprache, die einzigartig für Ihr Unternehmen ist. Diese Pläne kompilieren zu deterministischen Aktionen mit Laufzeitvalidierungen und Richtlinienprüfungen."
Ergebnisse landen als Artefakte: strukturierte Tabellen, Text oder Diagramme, die außerhalb des Modellkontexts existieren 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 über ein Kontextfenster hinausgehen, ohne dass das Modell den Überblick stillschweigend verliert. Die semantische Arbeit (klassifizieren, zusammenfassen, extrahieren, visualisieren) übernehmen enge KI-Primitive, die jeweils isoliert mit einem fokussierten Kontext laufen, sodass das LLM immer nur über einen kleinen, klar abgegrenzten Ausschnitt nachdenkt.
Schließlich erhält jede Antwort einen Zuverlässigkeitswert, der sich aus Abfragekomplexität, Datengenauigkeit und Modellvertrauen zusammensetzt, mit Hinweisen darauf, was die Analyse ein- und ausgeschlossen hat. Ist der Wert niedrig, korrigieren Sie ihn, und die Korrektur bleibt für das nächste Mal erhalten. Aus der Support-Welt kommend, ist dieses Muster vertraut: Es ist derselbe Instinkt hinter dem Verhindern von Halluzinationen, bei dem das System Ihnen sagen sollte, wenn es unsicher ist, statt mit todernstem Gesicht zu raten.
Das Problem, das PromptQL tatsächlich löst
Um zu verstehen, warum Plan-dann-Ausführen wichtig ist, schauen Sie sich an, wie schlecht rohe Modelle bei echten Datenfragen abschneiden. Tanmai verweist auf den Berkeley Data Agent Benchmark, bei dem Frontier-Modelle deutlich unter dem landen, was eine Demo Sie glauben lassen würde.
Bei realen Datenfragen setzt der Berkeley-Benchmark Opus 4.6 bei 43 %, Gemini 3 Pro bei 38 % und GPT-5.2 bei 25 %, während reine Datenbankabfrage-Generierung "nahe 0 %" erreicht. Die eigene Einschätzung des Benchmarks lautet, dass Agenten "typischerweise die richtigen Daten auswählen, aber bei der Planung der Berechnung oder deren korrekter Umsetzung scheitern". Genau diese Lücke adressiert die Plan-und-Ausführen-Trennung, und deshalb hämmert der Gründer immer wieder auf ein Wort:
"Das größte Problem ist nicht, die Frage nicht genau beantworten zu können. Das große Problem ist, dass KI vorgibt, genau zu sein, selbst wenn sie es nicht ist. KI ist also selbstbewusst falsch. Das ist das Problem."
Hasura fasst die Fehlermodi in vier Kategorien zusammen, und diese 2x2-Matrix ist das Nützlichste, was Sie verinnerlichen sollten, bevor Sie irgendein KI-Datenanalyse-Tool bewerten, PromptQL oder ein anderes.
Nun zur "100 % Genauigkeit"-Schlagzeile. Hasura ist erfrischend ehrlich, dass es sich um einen Köder handelt: Das Unternehmen räumt ein, dass eine "Behauptung von 100 % Genauigkeit technisch nicht standhält", und die echte Behauptung lautet 100 % Wiederholbarkeit, weil die Berechnung im Code läuft, nicht durch Modell-Reasoning. Bei den engeren CRMArena-Pro-Datenbank- und Zahlenaufgaben berichten sie von 100 % gegenüber zitierten 30 bis 60 % für State-of-the-Art-Ansätze. Verstehen Sie die runde Zahl als Gesprächsanlass und die Wiederholbarkeit als das tatsächliche Feature.
Womit sich PromptQL verbindet und was es leisten kann
Ein KI-Agent zu sein, ist nur nützlich, wenn er Ihre Daten erreicht, und hier zahlt sich PromptQLs Hasura-Abstammung aus. Es läuft auf Hasura DDN, sodass ein Supergraph mehrere Subgraphen zusammenfügt, und Beziehungen "müssen nicht von derselben Datenquelle unterstützt werden". Einfach gesagt: Es kann Postgres mit einer SaaS-API verbinden und über beide hinweg schlussfolgern, was genau dort scheitert, wo Tools nur für Snowflake oder ein einzelnes Warehouse gebaut sind.
Die Liste der nativen Connectors ist lang: PostgreSQL, MySQL, SQL Server, Oracle, Snowflake, Amazon Redshift, BigQuery, MongoDB und Databricks, plus HTTP-/API-Quellen, Echtzeit-Websuche und Interoperation über MCP. Der 2026er-Wrapper fügt eine selbstaufbauende Kontextschicht hinzu, die ein Team-Wiki aus Slack, Google Docs, PostHog und Salesforce speist, Versionshistorie und Audit-Trails führt und zugriffsbeschränkte Berechtigungen durchsetzt.
Zwei Fähigkeiten sind besonders erwähnenswert, weil sie verändern, was "eine Frage stellen" bedeutet:
- Automatisierungen, die zu echten APIs werden. Sobald ein Workflow im Playground läuft, stellen Sie ihn als HTTP-Endpunkt bereit, aufrufbar von Zapier, Slack, Cron-Jobs oder Ihren eigenen Apps – ohne Programmieren. Aus einem einmaligen Thread wird ein wiederholbarer Geschäftsprozess.
- Bringen Sie Ihr eigenes Modell mit. PromptQL läuft mit jedem LLM, von Claude und GPT bis zu Open-Weight-Modellen wie DeepSeek, Kimi K2 und GLM. Sie können Modelle pro Thread wechseln, und wie wir noch sehen werden, ist genau dieses Dropdown der größte Hebel für Ihre Rechnung.
Was PromptQL kostet
PromptQL hat keine Sitzplatzpreise. 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 konsistente Zahl zusammenfasst, sodass sich Ihre Rechnung beim Modellwechsel nicht in ihrer Form ändert.
| Plan | Preis | Abrechnungseinheit | Was Sie bekommen |
|---|---|---|---|
| Startguthaben | 50 $ pro Projekt, +20 $ pro Teammitglied | OLU | Keine Kreditkarte nötig; genug für Tausende einfacher Aufgaben auf einem Open-Weight-Modell |
| Starter | 0,20 $ pro OLU (0,14 $ zur Einführung, zum Selbstkostenpreis) | OLU | Pay-as-you-go, vorausbezahltes Guthaben, pausiert automatisch bei null, Nutzerkontingente; alles inklusive (Tokens + Infrastruktur + Sandbox) |
| Enterprise | Individuell, Vertrieb kontaktieren | OLU | Fügt SSO, BYOC/VPC, private Netzwerke, eigene LLMs, Audit-Trails, vorwärts eingesetzte Ingenieure hinzu |
Die typischen Aufgabenkosten, die Hasura nennt (zum 0,14-$-Satz), sind ehrlich und klein: unter 2 OLU für eine einfache Datenaufgabe (unter 0,28 $), rund 10 OLU für einen komplexen Report (~1,40 $) und rund 40 OLU für eine tiefgehende Untersuchung (~5,60 $).
Hier ist der Haken, und es ist das, was die meisten "was ist PromptQL"-Artikel übergehen. Der Preis pro OLU ist fest, aber das gewählte Modell verändert, wie viele OLUs eine Aufgabe verbraucht, und die Spanne ist enorm. Gegenüber einer Claude-Opus-4.6-Baseline von 1,0x läuft GPT-5.2 mit 0,42x, Kimi K2.7 mit 0,17x, und DeepSeek V4 Flash so niedrig wie 0,018x, was Hasura als bis zu 57x günstiger für dieselbe Arbeit einordnet. Derselbe Report kann also je nach Modell-Dropdown ein paar Dollar oder ein paar Cent kosten. Setzen Sie Ihre eigenen Zahlen ein:
Das Fazit ist eine Gewohnheit, keine Zahl: Bei PromptQL ist die Wahl eines Open-Weight-Modells für Routineaufgaben der Unterschied zwischen einem Rundungsfehler und einem echten Posten. Es ist dasselbe Total-Cost-of-Ownership-Denken, das wir auf KI-Agenten-Kosten anwenden, mit dem Modell-Dropdown als Stellrad.
Für wen PromptQL gedacht ist (und für wen nicht)
Nach dem Leben in der Dokumentation, den Playground-Screenshots und der Preisseite lautet die ehrliche Einschätzung: PromptQL belohnt eine bestimmte Art von Team und frustriert alle anderen.
Es passt zu Daten- oder Analyseteams mit unübersichtlichen, systemübergreifenden Daten, echten Zuverlässigkeitsanforderungen und dem technischen Appetit, eine semantische Schicht zu modellieren. Das Setup ist ein echtes Datenprojekt (Connectors, HML-Metadaten, die DDN-CLI), also nicht Plug-and-Play, aber die Belohnung ist ein Agent, dessen jeder Schritt (Abfrageplan, Python/SQL, Artefakte, Zuverlässigkeitswert) Sie einsehen können. Das Plan-dann-Ausführen-Design ist die überzeugendste Antwort, die ich auf selbstbewusst falsche KI bei Ihren eigenen Daten gesehen habe.
Es passt nicht, wenn Sie einen schlüsselfertigen Assistenten wollten, wenn Sie ein kleines Team ohne Data Engineer sind, oder wenn Ihr eigentlicher Job Kundensupport ist. Erwähnenswert für alle, die es bewerten: PromptQLs öffentliche Präsenz ist dünn, mit keinen G2- oder Capterra-Bewertungen bisher, und beide offiziellen Show-HN-Launches zogen fast keine Aufmerksamkeit an (sechs Punkte und vier Kommentare bei einem, sechs Punkte und ein Kommentar beim anderen). Die eigene Entwicklerbasis ist der Richtung gegenüber allerdings wohlwollend:
"I have built and managed more than 10 production codebases that use Hasura. IMO, I think it's a better option than Supabase, Payload, and others to build your backend. The fact that they are investing time in LLM-related resources for the platform makes me happy we choosed it back when."
Probieren Sie eesel für die Support-Version dieser Idee
Wenn Sie so weit gelesen haben, weil die Idee eines "faktenbasierten Agenten, der seine Arbeit zeigt und Ihnen sagt, wenn er unsicher ist" bei Ihnen angekommen ist, Ihre Daten aber in einem Helpdesk statt in einem Data 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, absichern, zuerst beweisen"-Instinkt in den Support.
Konkret: eesel verbindet sich mit Ihrem Slack, Helpdesk und Wissensquellen wie Confluence und Notion, beantwortet Anfragen aus diesem Wissen mit Quellenangaben, eskaliert statt zu halluzinieren, und – der Teil, den ich nicht ausliefern würde, ohne ihn zu haben – simuliert an Ihren vergangenen Tickets, bevor es je einem echten Kunden antwortet. Bei über 8.000 Kunden löst es einen echten Teil des Tier-1-Volumens im ersten Monat, und die Preisgestaltung ist Pay-as-you-go ohne Gebühr pro Sitzplatz. Wenn PromptQL der zuverlässige Daten-Teamkollege ist, ist eesel der zuverlässige Support-Teamkollege.
Sie können eesel kostenlos ausprobieren, in wenigen Minuten eine Quelle verbinden und eine Simulation durchführen, bevor Sie sich auf irgendetwas festlegen.
