Apples Sports-App macht eine Sache richtig, während Analysewerkzeuge immer mehr Funktionen anhäufen

Slate veröffentlichte am 10. Juni 2026 einen Beitrag. Seine These: Apples Sports-App gehört gerade deshalb zu den besseren Verbrauchertechnologieprodukten der vergangenen zwei Jahre, weil sie fast nichts tut. Die App enthält keine Schlagzeilen und keine Streaming-Hinweise. Sie zeigt Teamnamen und Logos, Bilanzen, Spielzeiten und Ergebnisse, darunter eine Tabellenseite.

Genau diese Zurückhaltung ist der Punkt.

"We created Apple Sports to give sports fans what they want, an app that delivers incredibly fast access to scores and stats", sagte ein Apple-Manager laut Slate, als die App im Winter 2024 vorgestellt wurde. Der Artikel stellt diese Ankündigung der üblichen Startsprache über agentische Erlebnisse und das Näherbringen der Fans an das Geschehen gegenüber. Slate zufolge ist die App schnell genug, dass automatische Updates zu den Pittsburgh Penguins während der Stanley-Cup-Playoffs vor der Streaming-Übertragung eintrafen. Dasselbe Problem wiederholte sich bei NFL-, College-Football- und College-Basketball-Spielen.

Der Beitrag lohnt sich neben dem aktuellen Stand der Sportanalyse-Werkzeuge, weil beide in entgegengesetzte Richtungen ziehen. Wo Apple das Produkt zurücknimmt, stapeln Unternehmensdatenwerkzeuge Funktionen so schnell auf, wie Anbieter sie ausliefern können.

Ein Beispiel ist ein Paper, das Starburst am 11. September 2026 veröffentlichte und das zwei Architekturen für agentische Datenanalyse untersucht. Der Autor führt ein Beispiel aus dem Lebensmittelhandel durch. Um festzustellen, ob die Eieraktion der Vorwoche profitabel war, muss man wissen, ob der Verkauf Kunden brachte, die sonst nicht gekommen wären, ob diese Kunden wiederkamen, was sonst noch in derselben Transaktion gekauft wurde und wie profitabel diese Artikel sind. Genau solche Folgefragen können Agenten übernehmen, so das Paper, vorausgesetzt, der Agent erreicht die zugrunde liegenden Transaktions- und Loyalitätsdaten. Diese liegen oft in getrennten Datenbanken.

Die Starburst-Analyse legt Optionen vor, wie diese Daten zu einem Agenten gelangen. Eine besteht darin, Tabellen zu extrahieren und die Rohdateien zu übergeben. Der Autor nennt das "option 0" und verwirft es außer in ungewöhnlichen Fällen, weil das Senden von Terabytes an ein Modell teuer und langsam wird. Die praktische Alternative ist, dem Agenten direkten Zugriff auf die Datenbank zu geben, damit er sein eigenes SQL schreibt und iteriert. Die Verarbeitung übernimmt dann die Datenbank-Engine. Der Beitrag merkt an, dass Agenten weit anspruchsvoller sein können als menschliche Nutzer und ein System mit spekulativen Abfragen überlasten können. Datenbankanbieter konzentrieren sich aber darauf, agentische Workloads zu unterstützen.

Andernorts werden die Werkzeuge deutlicher darin, wo Daten liegen sollen.

DataZen, am 29. August 2026 auf Hacker News veröffentlicht, ist ein lokaler Desktop-Client für datenbankübergreifende Arbeit. Standardmäßig verarbeitet es PostgreSQL, MySQL, SQLite und Redis, mit optionalen Treibern für MongoDB, ClickHouse, DuckDB und SQL Server. Es liefert einen MCP-Server mit, damit Agenten wie Claude und Cursor Datenbanken direkt abfragen können, und arbeitet auch als MCP-Client. Die Projektseite gibt an, dass Zugangsdaten mit AES-256-GCM verschlüsselt und im Schlüsselbund des Betriebssystems gehalten werden, dass nur Schema- und Abfragekontext an den KI-Anbieter gehen und dass es keinen Cloud-Datenbankdienst betreibt. Es steht unter GPLv3.

Zwei kleinere selbst gehostete Projekte runden das Bild ab. Adaca Analytics, am 8. September 2026 auf GitHub veröffentlicht, baut Google-Analytics-Dashboards auf Cloudflare Workers nach und zieht tägliche Rollups aus der GA4 Data API oder einem BigQuery-Export in eine D1-Datenbank, die der Betreiber kontrolliert. Echtzeitdaten bleiben bei Google. Plainoldanalytics, am 13. September 2026 veröffentlicht, ist ein Zusatz-Analysepaket für Go-Anwendungen, von der Anlage her speicherunabhängig, mit Adaptern für gin und chi.

Der rote Faden ist nicht, dass ein Ansatz gewinnt. Er ist, dass die Sport-Apps, die Nutzer an einem Samstag öffnen, und die Pipelines, die Unternehmensanalysen speisen, denselben Fehlermodus haben: immer mehr Oberfläche hinzuzufügen, bis die ursprüngliche Aufgabe langsamer wird. Apples App ist laut Slate das seltene Produkt, das sich verweigert hat.