Ontologie oder semantische Schicht? Was ein KI-Agent von beiden benötigt.

Wenn man drei Quellen dieselbe Frage stellt, wie hoch der Umsatz war, unterscheiden sich die Antworten oft: 10,2 Mio. von der Finanzabteilung, 10,4 Mio. von der Marketingabteilung, 9,8 Mio. vom KI-Hilfsprogramm in Slack. Niemand ist sich einig. Früher wurde das in einem kurzen Treffen geklärt. Ein Agent wird keinen Kollegen ansprechen, um zu fragen, was eine bestimmte Kennzahl bedeutet; daher erfindet er etwas oder nimmt einfach die erste gefundenen Definition.

Laut Berichten hat das Einbringen modellierter Fachwissen in die Datenabfrage die Häufigkeit von Fehlinformationen um etwa 40 Prozent verringert. Das gilt jedoch nur, wenn das Wissen in modellierter Form vorliegt und nicht nur im Gedächtnis der wenigen Personen, die die Tabellen erstellt haben. Bei Rohdatentabellen und SQL spielt das Speichervolumen sowie die Fähigkeiten des Agents kaum eine Rolle, denn das Unternehmen verlässt sich nicht auf die Ergebnisse.

Die Kontextschicht

Die Kontextschicht benennt eine Funktion, nicht ein Produkt. Sie sammelt semantische Definitionen, Fachwissen, Abstammungslinien, Verwaltungsrichtlinien, Qualitätsindikatoren sowie Zertifizierungsstatus und stellt diese über eine einzige Schnittstelle sowohl für Menschen als auch für Agenten zur Verfügung.

Ontologien und semantische Schichten übernehmen hier den größten Teil der Arbeit. Der Vertrieb der Anbieter verschwimmt diese oft miteinander, doch jede befasst sich mit einem anderen Problem – und ihre Fehlplanung führt dazu, dass KI-Projekte in Demos großartig aussehen, aber in der Produktion stecken bleiben.

Aufgabenverteilung in einem Satz

Kurz gesagt: Die semantische Schicht beantwortet Fragen wie „Wie hoch war der Umsatz?“, während die Ontologie Fragen wie „Was ist eigentlich ein Kunde?“ beantwortet.

Die semantische Schicht ist für die Metriken verantwortlich. Sie legt fest, wie Umsatz, monatlich aktive Nutzer und Lebenszeitwert berechnet werden, welche Funktionen verwendet und welche Filter angewendet werden sollen, damit alle Teams und Tools identische Ergebnisse erhalten.

Die Ontologie ist für die Bedeutung zuständig. Sie definiert, was als Kunde gilt, wie Kunden mit Bestellungen verbunden sind, was jemanden zum Platinum-Kunden macht und ob Software aus bereits gespeicherten Fakten neue Schlussfolgerungen ziehen kann.

Ontologie: Konzepte, Beziehungen, Schlussfolgerungen

Die klassische Definition, eine explizite formale Spezifikation einer gemeinsamen Konzeptualisierung, lässt sich auf drei Teile reduzieren:

• Klassen: Die Arten von Entitäten im Bereich, beispielsweise Kunde, Produkt, Bestellung, Region.
• Eigenschaften und Beziehungen: Wie diese Entitäten miteinander verbunden sind. Ein Kunde stellt eine Bestellung auf, und ein Produkt gehört zu einer Kategorie.

Axiome und Regeln: logische Einschränkungen. Jede Bestellung enthält mindestens ein Produkt, und ein Kunde gehört zu jedem Zeitpunkt genau einer Region an.

Ontologien werden in W3C-Standards wie RDF und OWL geschrieben, sodass Maschinen darüber reasoning betreiben sowie sie lesen können. Angenommen, die Ontologie besagt, dass ein Platinum-Kunde ein jährliches Umsatzvolumen von über 1 Mio. hat, und die Fakten zeigen, dass Acme 2 Mio. erwirtschaftet. Der Engine kommt von selbst zu dem Schluss, dass Acme zum Platinum-Status gehört – ohne dass jemand ein if-else-Schema geschrieben hat. Semantische Schichten und BI-Tools können das nicht. Sie führen im Voraus definierte Berechnungen aus und ergeben niemals ein Faktum, das nicht definiert wurde.

Ontologien verbinden außerdem Wörterbücher zwischen Systemen. Ein CRM verwendet den Begriff „Kunde“, ein ERP „Klient“, die Finanzabteilung „Konto“ – die Ontologie ordnet all diese Begriffe einem einzigen Geschäftsobjekt zu. Ein auf diese Weise strukturierter Agent folgt einem vernetzten Graphen anstelle davon, in unvernetzten Tabellen zu raten. Im Gesundheitswesen ist SNOMED CT die gängige Norm, in den Finanzdienstleistungen FIBO – in regulierten Branchen ist eine formale Ontologie nahezu zwingend erforderlich.

Auch die Kosten sind offensichtlich. Palantir hat die Unternehmensontologie zu einer Marktkategorie gemacht, doch die Umsetzung ist schwierig: eingebettete Ingenieure, manuelles Modellieren, eine Bearbeitungszeit von sechs bis achtzehn Monaten für eine vollständige Entwicklung sowie ein knapper Pool an Fachkräften im Bereich formale Logik.

Semantische Schicht: Übereinstimmende Metriken und Zahlen

Diese Arbeitsweise ist die praktischere. Bereits in den 1990er Jahren führte Business Objects Universe ein – eine Methode, um Geschäftsbedeutungen vor komplexen Schemata zu platzieren. Das zugrundeliegende Problem bleibt bestehen: Umsätze werden auf unterschiedliche Weise berechnet, die Zahlen widersprechen sich und das Vertrauen sinkt. Heute sind die Konsequenzen gravierender, denn früher führte eine Inkonsistenz lediglich zu einem unpraktischen Diagramm, während sie heute zu erfundenen Zahlen in Berichten führen kann, die Entscheidungen beeinflussen.

Eine moderne semantische Schicht besteht aus vier Komponenten:

• Einem Metadaten-Repository, das beispielsweise mrr_calc_v3 mit monatlich wiederkehrenden Einnahmen verknüpft.
• Einem Geschäftslogik-Engine, der Formeln für Kennzahlen an einem Ort speichert, sodass sie einmal definiert und mehrfach wiederverwendet werden können.
• Der Abfragenübersetzung, die Verknüpfungen und Filter erzeugt.
• Der Zugriffskontrolle, die zuverlässig Berechtigungen auf Zeilen- und Spaltenebene anwendet.

Die Entwicklung neuer Tools geht rasant voran. dbt fügte eine durch MetricFlow angetriebene Semantische Schicht hinzu, die Metrikdefinitionen in YAML unter Versionskontrolle hält und sie in verschiedene SQL-Formate übersetzt. Im September 2025 starteten Snowflake, Salesforce, dbt Labs und BlackRock das Projekt Open Semantic Interchange (OSI); die Veröffentlichung 1.0 im Januar 2026 bot ein neutrales Format zum Austausch semantischer Metadaten. Produkte wie Cube, AtScale, LookML, DAX, Databricks Metric Views und Snowflake Semantic Views zielen alle in dieselbe Richtung – nämlich darauf, dass die semantische Schicht zu einem Standardbestandteil für auf KI vorbereitete Datensysteme wird.

Doch es gibt eine Grenze. Die semantische Schicht kann genau angeben, wie der Umsatz berechnet wird, aber nicht, wie ein Kunde mit einem Markt und dessen Vorschriften in Verbindung tritt, noch ob ein Konto gemäß den Domäneregeln als hochriskant eingestuft werden sollte. Jessica Talisman formulierte dies in Metadata Weekly prägnant: Semantische Schichten kümmern sich um die Abfrage, Ontologien um den Kontext und das Schlussfolgern.

Was schiefgeht, wenn nur eine Schicht verwendet wird

• Allein die semantische Schicht liefert genaue, aber oberflächliche Antworten. Welcher Kanal hat letzten Monat den höchsten GMV erzielt? Eine präzise Antwort. Warum ist dieser Wert gesunken, oder sollte die Ausgabe steigen? Schweigen – schließlich wird nicht abgebildet, wie Kanäle, Ausgaben und Kundenprofile miteinander verbunden sind.
• Die Ontologie beschreibt Konzepte gut, versagt jedoch bei den Datenstrukturen. Ist es Acme Platinum? Logische Schlussfolgerung. Was hat Acme letzten Monat eingeführt? Wieder drei widersprüchliche Antworten, weil das System keinerlei Verweise auf die Faktentabellen oder die Aggregationsregeln enthält.

Die Branchenzahlen stimmen überein. Gartner prognostiziert, dass bis Ende 2027 aufgrund von Kosten, unklarem Nutzen und unzureichenden Kontrollmechanismen mehr als 40 % der Projekte im Bereich agierende KI abgebrochen werden. Unter den befragten 248 Führungskräften im Bereich Datenmanagement gaben 63 % zu, dass ihnen die notwendigen Methoden fehlen, um KI zu unterstützen. Selten ist das Modell selbst der Grund; die zugrunde liegenden Daten haben keine semantische Grundlage.

Auch der Trend verläuft in die entgegengesetzte Richtung. Gartners Prognose für das Gipfeltreffen 2026 sieht vor, dass universelle semantische Schichten bis 2030 zu kritischer Infrastruktur neben Datenplattformen und Cybersicherheit werden, während Futurum eine Zunahme der Adoption von 16 Prozent in diesem Jahr auf 30 Prozent im Jahr 2031 erwartet. Microsoft präsentiert bereits eine integrierte Ontologieunterstützung in Fabric IQ, während Timbr.ai semantische Schichten mit zusätzlichem Reasoning anbietet. Beide Ansätze bewegen sich in Richtung einer Zusammenführung.

Wissensgraphen und Taxonomien

Ein Wissensgraph speichert die Instanzen, sodass tatsächliche Kunden und Bestellungen als Knoten erscheinen. Man kann sich die Ontologie als Schema und den Wissensgraphen als die Daten selbst vorstellen. Ein Agent, der zur Laufzeit Beziehungen verfolgt, bewegt sich durch diesen Graphen.

Eine Taxonomie ist eine vereinfachte Ontologie: Hierarchien von Eltern- und Kind-Elementen, ohne Schlussfolgerungen und ohne Verbindungen in andere Richtungen. Produktkataloge, die Klassifizierung von Datensphären sowie das Taggen von PII beginnen in der Regel damit – und das ist ein guter Ausgangspunkt. Eine vollständige Ontologie wird erst dann notwendig, wenn ein Agent zwischen Kategorien schlussfolgern muss, beispielsweise um herauszufinden, ob eine Herabstufung in Kategorie A die Bestände in Kategorie B beeinflusst.

Wie die Komponenten zusammenpassen

Die Kontextschicht besteht aus zwei Teilen:

• Datenkontext: Ontologie, semantische Schicht, Wissensgraph, Abstammungslinien, Qualitätsbewertungen und Zugriffsrichtlinien. Er teilt der KI mit, in welchem Geschäftsbereich sie tätig ist.
• Anwendungskontext: Benutzerpräferenzen, Konversationshistorie, Domänendokumente sowie abgerufte Fakten (Gedächtnis plus RAG). Er teilt der KI mit, mit wem sie spricht.

Eine einzelne Frage durchläuft vier Phasen:

1. Die Ontologie definiert ein Konzept wie die Erkennung von Erträgen samt den dazugehörigen Regeln.
2. Die semantische Schicht wandelt dies in Berechnungen um: Welche Tabellen sollen zusammengeführt werden und wie soll aggregiert werden?
3. Das Wissensgraph verbindet das Konzept mit seinen Metriken, seiner Abstammungslinie sowie den nachgelagerten Verbrauchern.
4. MCP liefert zum Zeitpunkt der Inferenz den Kontext an den Agenten.

Zwei Jahre an Diskussionen zum Thema Kontextengineering führen hier zusammen: Zuverlässige Ausgaben erfordern strukturierten Kontext, und Ontologien sowie semantische Schichten sind die beiden schwierigsten Bestandteile. MCP löst das Problem der Übermittlung, nicht des Inhalts. Geben Sie einem Agenten unregulierte Tabellen und SQL, wird das Protokoll eine Fehlinformation getreu weitergeben.

Der Ansatz eines Anbieters

Ein Datenbankanbieter beschreibt seine Lösung als offenen semantischen Stack, auch OSI genannt, der Metriken, Definitionen, Rohdaten, ein Kontextgraphen sowie eine Ontologie statt einer weiteren BI-semantischen Schicht kombiniert. Er besteht aus drei Schichten:

• Die unterste Schicht, die semantische Schicht: Definitionen von Metriken, Berechnungsregeln sowie Zuordnungen von Dimensionen zu Daten. Sie basiert auf dem Ant-OSI-Standard, arbeitet mit dem branchenüblichen OSI zusammen und wird bereits in der Produktion bei Ant Group eingesetzt.
• Das Kontextgraphen in der Mitte: Metriken, Objekte, Ereignisse, Abhängigkeitsverhältnisse sowie Verbraucher, die als Netzwerk miteinander verbunden sind; ein LLM kann damit deutlich besser als mit Rohschemata oder YAML arbeiten.
• Die oberste Schicht, die Ontologieschicht: Geschäftssemantik, die mit der Datenbanksemantik abgestimmt ist, wobei workspace-spezifische Begriffe mit unternehmensweiten Konzepten verknüpft werden und jeweils nach eigenen Zeitplänen weiterentwickelt werden.

Das zugrundeliegende Prinzip ist semantisch wie Code. Definieren Sie die Semantik einmal, dann lassen Sie BI-Tools Dashboards erstellen, Agenten SQL-Abfragen schreiben und Governance-Tools die Abhängigkeiten nachverfolgen – alles unter Verwendung derselben Definition, ohne getrennte Semantiken für BI, KI und Governance. In den Kundentests dieses Anbieters lag die Genauigkeit bei der Umwandlung von Natursprache in Daten deutlich über Alternativen. Die Behauptung lautet, dass Modelle Produkte nicht voneinander unterscheiden, da jeder dieselben großen Sprachmodelle verwendet; vielmehr entscheidet die Qualität des semantischen Kontexts. Die Bereitstellung korrekter Geschäftsdefinitionen anstelle von Rohdatentabellen verbessert die Genauigkeit bei der Umwandlung von Natursprache in SQL mehr als das Anpassen von Prompts.

Wo anzufangen

Beginnen Sie mit der semantischen Schicht, wenn:

• Teams sich nicht einig sind darüber, was Umsatz oder aktive Nutzer bedeuten.
• das Projekt auf konversationeller Analyse oder Chat mit Daten basiert.

Der Datenspeicher ist bereits zentralisiert, und Rückmeldungen sollen innerhalb von zwei bis sechs Monaten vorliegen.

Beginnen Sie mit der Ontologie, wenn:

• die Organisation aus dem Finanzsektor, dem Gesundheitswesen oder der Regierung stammt und strenge Compliance-Anforderungen hat;
• die KI in verschiedenen Bereichen schlussfolgern muss, beispielsweise nach Kunde, Produkt oder Vorschrift;
• ein Konzept in mehreren Systemen unterschiedliche Namen hat;
• automatisierte Klassifizierung oder regelbasierte Anomalieerkennung erforderlich ist.

Für die meisten Unternehmen ist die praktische Reihenfolge:

1. Zuerst die semantische Schicht aufbauen und die Kernmetriken zentralisieren, damit BI-Systeme und KI identische Definitionen verwenden;
2. die Ontologie zunächst einfach halten, als Geschäftslexikon und nicht als vollständiges OWL-Projekt;
3. Governance-Signale hinzufügen: Abstammung, Qualitätsbewertungen, Verantwortlichkeiten und Zertifizierungen.

Stellen Sie alles über MCP den Agenten zur Verfügung, wodurch die Kontextschicht von einem Diagramm zu einer Infrastruktur wird.

dbt liefert keine Ontologie, und eine ontologische Struktur im Stil von Palantir eignet sich nicht für jedes Team. Es ist viel realistischer, von einem Glossar aus schrittweise zu einer formalen Ontologie zu gelangen, anstatt alles auf einmal umzusetzen.

Auch der eigene Roadmap des Anbieters zeigt diesen schrittweisen Ansatz. Kurzfristig erreicht die semantische Schicht alle Arbeitsumgebungen, mit zentral verwalteten Metriken und suchbaren Begriffen. Mittelfristig kommen Glossare, Kategorienhierarchien und Entity-Beziehungen zunächst als Taxonomie, bevor sie eine cross-systeme Abstimmung sowie grundlegende Schlussfolgerungsfähigkeit erhalten und sich Gebiet für Gebiet weiterentwickeln. Die langfristige Frage ist, was passiert, wenn Gebiete, die ihre Semantik getrennt modelliert haben, diese miteinander verbinden müssen, und wie lokale sowie globale Definitionen weiterentwickelt werden können.

Verwandte Literatur

• Warum KI-Agenten eine Governance-Schicht benötigen – und nicht nur bessere Anfragen — Anfragen prägen einen einzelnen Austausch, nicht einen gesamten Arbeitsablauf. Wie eine Governance-Schicht aus Regeln, begrenztem Kontext, Autorisierungslimits und Nachweis der Erledigung KI-Agenten zuverlässig macht.
• Warum die Erinnerung eines Programmier-Agenten nur das Wesentliche speichern sollte – und wie man sie organisiert — Die Erinnerung eines Agenten sollte nur das aufzeichnen, was das Modell nicht erraten konnte. Vier Tests für jeden Eintrag, drei Anforderungen an die Speicherung – und warum Markdown in Git geeignet ist.

Multimodale Tabellen: Eine gemeinsam verwaltete Tabelle für jeden Datentyp, den ein Agent verwendet — Wie multimodale Tabellen Rohdateien, Vektoren sowie aus KI abgeleitete Merkmale durch dynamische Spalten, asynchrone Berechnungen, Nachverfolgbarkeit sowie Hot-Cold-Speicherung konsistent halten.

Ontologiegesteuerte Agenten: Die fehlende semantische Schicht für Unternehmens-KI — Wie Ontologien zusammen mit Werkzeugen für Lückenerkennung, Fragenstellung, Annahmen, Validierung, Reasoning und Eskalation es Unternehmensagenten ermöglichen, vor der Beantwortung fehlenden Kontext zu erkennen.