Wissensgraphen und Kontext-Engineering

Wir treten in eine Ära ein, in der KI-Agenten nun offiziell nicht mehr nur als passive Assistenten fungieren, sondern eigenständig Entscheidungen treffen. Von der Reaktion auf Vorfälle bis hin zur Kreditgenehmigung geben die Agenten nun Empfehlungen ab und koordinieren die Arbeit über komplexe Unternehmenssysteme hinweg. Dieser tiefgreifende Wandel bringt jedoch einen entscheidenden neuen Engpass zum Vorschein: Kontext.

Auf der Grundlage der Erkenntnisse aus unserem kürzlich veröffentlichten Whitepaper, Wissensgraphen und Kontext-Engineering, Dieser Artikel fasst die dreistufige Grundlage zusammen, die Unternehmen benötigen, um agentenbasierte KI zuverlässig, überprüfbar und wirklich autonom zu gestalten.

In Produktionsumgebungen hängt die Leistungsfähigkeit eines KI-Agenten weniger von dem ihm zugrunde liegenden großen Sprachmodell ab als vielmehr von dem Kontext, über den er erfolgreich Schlussfolgerungen ziehen kann. Das Problem besteht darin, dass herkömmliche data-Architekturen in Unternehmen nicht darauf ausgelegt waren, Schlussfolgerungen zu erfassen. Sie erfassen zwar aktuelle Zustände, wie beispielsweise einen angemeldeten Kunden, ein offenes Ticket oder eine bereitgestellte Version, lassen jedoch die implizite Historie von Präzedenzfällen, aufgeschobenen Richtlinien und gewährten Ausnahmen völlig außer Acht, die sich in den Köpfen der Mitarbeiter oder in fragmentierten Chat-Verläufen befinden.

Um dieses Problem zu lösen, müssen Unternehmen das „Context Engineering“ nutzen, indem sie eine mehrschichtige, vernetzte Grundlage schaffen: Wissensgraphen, Ontologien und Kontextgraphen. Wie Foundation Capital feststellt, stellt dies “Die Billionen-Dollar-Chance der KI”.

Kapitel 1: Wissensgraphen – Das Wissen des Unternehmens vernetzen

Traditionell wurden Unternehmensdaten (data) in relationalen Tabellen strukturiert, wobei Entitäten wie Kunden oder Produkte in voneinander getrennte Kategorien unterteilt wurden. Dieser relationale Ansatz eignet sich zwar hervorragend für die Transaktionsverarbeitung und das Berichtswesen, lässt jedoch völlig außer Acht, wie Unternehmen tatsächlich funktionieren. Die meisten geschäftlichen Fragestellungen sind von Natur aus relational: Wer hat was gekauft, welche Systeme sind voneinander abhängig und wie entwickeln sich Ereignisse im Zeitverlauf?.

Wissensgraphen sind ausdrücklich darauf ausgelegt, dieser Realität gerecht zu werden. Anstatt Fakten in isolierten Tabellen zu speichern, Sie stellen Informationen als ein Netzwerk aus Entitäten und expliziten Beziehungen dar und verlagern damit das data-Paradigma von “Zeichenfolgen” hin zu “Dingen”. Betrachten Sie die Herausforderung, eine echte 360°-Sicht auf einen Kunden zu erstellen. In einer herkömmlichen SQL-data-Datenbank erfordert die Ermittlung, welche Kunden ein Support-Ticket zu einem über eine bestimmte Kampagne gekauften Produkt eröffnet haben, eine langsame, komplexe und anfällige Mehrfachverknüpfung. In einem Wissensgraphen ist dieselbe Abfrage eine einzige, intuitive Durchquerung, die benannten Kanten folgt, wie beispielsweise PLATZIERT, ENTHÄLT, oder ERÖFFNET.

Entscheidend ist, dass Wissensgraphen die erforderliche Flexibilität bieten, um implizites Wissen – jene unsichtbare Ebene der Geschäftslogik – zu erfassen. Implizites Wissen, wie beispielsweise das Wissen eines erfahrenen Planers darüber, welche Lieferverzögerungen tolerierbar sind oder welche Lieferanten trotz schlechter Kennzahlen zuverlässig sind, lässt sich nicht in ein vordefiniertes relationales Schema einordnen. Ein Wissensgraph nimmt neue Entitäten, Beziehungen und Ausnahmen auf, sobald diese entdeckt werden ohne dass nachfolgende database-Migrationen erforderlich sind. Dies macht es zur perfekten Grundlage für agentenbasierte KI, da autonome Systeme so in der Lage sind, sich an der tatsächlichen Geschäftslogik zu orientieren, anstatt sich auf lose miteinander verbundene Textpassagen zu stützen.

Kapitel 2: Ontologien und semantische Steuerung – Eine Definition des Begriffs

Die Anbindung an das Unternehmenssystem data ist nur der erste Schritt; ein Graph ohne definierte Struktur ist grundsätzlich unbrauchbar. Um zuverlässig zu sein, benötigt ein Wissensgraph eine Ontologie. Eine Ontologie liefert das konzeptionelle Schema: Sie definiert, was die Entitäten sind, in welcher Beziehung sie zueinander stehen und welche operativen Regeln gelten.

Die Notwendigkeit von Ontologien wird bei Betrachtung der Grenzen der herkömmlichen „Retrieval-Augmented Generation“ (RAG) überdeutlich. Auf Unternehmensebene werden die Vektorräume überfüllt. Ein Sitzungsprotokoll, ein Jira-Ticket und ein Slack-Thread zu ähnlichen Projekten erscheinen einem Einbettungsmodell mathematisch identisch, was dazu führt, dass die KI irrelevante oder aus dem Zusammenhang gerissene Fakten abruft. Die Lösung besteht darin, von RAG auf GraphRAG umzusteigen. Durch die Nutzung der Ontologie zur Strukturierung der Informationsgewinnung anhand expliziter Beziehungen stützt GraphRAG die Antworten der KI auf nachprüfbare unternehmensinterne Zusammenhänge und nicht lediglich auf oberflächliche Textähnlichkeiten.

Da Unternehmen zudem unstrukturierte Inhalte (wie PDFs und Unterhaltungen) in strukturierte Wissenspipelines überführen, fungieren Ontologien als semantischer Vertrag. Sie bieten deterministische Rahmenbedingungen für probabilistische LLMs. Konkret gewährleistet eine Ontologie die Zuverlässigkeit des Agenten auf drei entscheidende Weisen:

• Die Durchsetzung dessen, was wahr sein muss: Ontologien können Handlungen anhand strenger Regeln einschränken. So können sie beispielsweise sicherstellen, dass ein Akteur einen Kreditantrag erst dann in den Status “genehmigt” versetzen kann, wenn alle erforderlichen Unterlagen ausdrücklich geprüft wurden, wodurch Verstöße erkannt werden, bevor sie sich ausbreiten.
• Ableitung neuer Erkenntnisse in Echtzeit: Wenn eine Ontologie einen “VIP-Kunden” als jemanden definiert, der fünf abgeschlossene Bestellungen vorweisen kann, leitet das System den Status eines Kunden automatisch ab und stuft ihn hoch, sobald die fünfte Bestellung aufgegeben wird. Dies löst sofort neue agentische Workflows aus, sobald die Bedingung erfüllt ist, ohne dass eine benutzerdefinierte Anwendungslogik erforderlich ist.
• Entscheidungen nachvollziehbar machen: Wenn ein Sachbearbeiter einen Kreditantrag ablehnt oder ein Ticket priorisiert, lautet die Begründung nicht mehr “Das Modell hat es so ergeben”. Die Entscheidung lässt sich auf ein gemeinsames Geschäftsvokabular zurückführen, das von menschlichen Teams leicht überprüft und verstanden werden kann.

Kapitel 3: Kontextgraphen und agentenbasierte KI – Wissen in Handeln umsetzen

Während Wissensgraphen und Ontologien beschreiben, was existiert und welche Regeln dafür gelten, Echte agentische Systeme erfordern einen dynamischen, operativen Kontext. Sie müssen wissen, was gerade geschieht und wie sich die Organisation in der Vergangenheit verhalten hat.

Systeme zur Datenerfassung wie Salesforce, ServiceNow oder Workday eignen sich hervorragend zur Erfassung des aktuellen Zustands der Welt, sind jedoch für agentische KI grundsätzlich unzureichend. Eine komplexe operative Entscheidung, wie beispielsweise die Behebung eines Vorfalls, kann sich über GitHub-Protokolle, die Überwachung von Bereitstellungen und eine umfangreiche Slack-Diskussion erstrecken. In einem Aufzeichnungssystem wird lediglich der endgültige Status “gelöst” gespeichert. Die Kausalkette, die Abwägungen und die historischen Präzedenzfälle gehen dabei einfach verloren.

Genau hier kommen Kontextgraphen ins Spiel. Ein Kontextgraph erfasst die Argumentationskette hinter Entscheidungen. Er speichert Entscheidungen als eigenständige Entitäten, die mit den angewandten Richtlinien, den gewährten Ausnahmen und den daraus resultierenden Folgen verknüpft sind. Eine wichtige Erkenntnis aus dem Whitepaper lautet:

“Software, die für Menschen entwickelt wurde, erfasst, was wahr ist. Software, die für Agenten entwickelt wurde, muss erfassen, wie es dazu kam, dass es wahr wurde.” – Florence Benezit, Partnerin bei Artefact

Ohne diese Ebene ist ein KI-Agent ein zustandsloser Denker, der bei jedem Aufruf völlig von vorne beginnen muss. Mit einem Kontextgraphen kann der Agent wie ein erfahrener Mitarbeiter argumentieren: Er kann auf historische Präzedenzfälle verweisen, nachvollziehen, warum in der Vergangenheit eine Ausnahme gemacht wurde, und die Auswirkungen auf nachfolgende Prozesse vorhersehen.

Um sich in diesem neuen Umfeld zurechtzufinden, müssen Führungsteams klar zwischen drei grundlegenden Ebenen des handlungsorientierten Unternehmens unterscheiden:

• Wissensgraphen: Erfassen Sie das Wissen des Unternehmens (Kunden, Produkte, Vorschriften, Abhängigkeiten). Es handelt sich dabei um das gemeinsame, stabile Modell des Unternehmens.
• Speicherdiagramme: Erfassen Sie, woran sich ein Agent erinnert (Benutzereinstellungen, frühere Interaktionen, episodische und semantische Erkenntnisse). Dadurch wird sichergestellt, dass der Agent nicht bei Null anfangen muss.
• Kontextgraphen: Erfassen Sie, wie die Organisation Entscheidungen trifft (Entscheidungsabläufe, Präzedenzfälle, angewandte Richtlinien und Argumentationswege). Auf diese Weise lässt sich die Argumentation der Organisation rechnerisch erfassen.

Im Zusammenspiel schaffen diese drei Ebenen ein Umfeld, in dem sich Entscheidungen im Laufe der Zeit verstärken. Letztendlich ermöglicht dies einem Unternehmen, über die bloße Erfassung von Abläufen hinauszugehen und einen echten “Simulator” zu schaffen, der das Verhalten der Organisation und die daraus resultierenden Auswirkungen aktiv vorhersagen kann.

Fazit: Wo sollten Unternehmen ansetzen?

Angesichts der Vielzahl an theoretischen Aspekten, die es zu behandeln gilt, stellt sich für Unternehmen unmittelbar die Frage: Wo fangen wir an? Die Antwort lautet, nicht sofort den Versuch zu unternehmen, einen riesigen, monolithischen Unternehmensgraphen aufzubauen. Stattdessen sollten Unternehmen sich zunächst ausschließlich auf den Arbeitsablauf konzentrieren.

Identifizieren Sie eine wiederkehrende, folgenreiche Entscheidung, bei der die richtige Antwort derzeit stark von der impliziten Erfahrung erfahrener Mitarbeiter abhängt, die die Lücken zwischen fragmentierten Systemen überbrücken. Wenn der Engpass in verstreuten Informationen liegt, beginnen Sie mit der Erstellung eines Wissensgraphen. Wenn die Herausforderung in der Kontinuität zwischen KI-Interaktionen besteht, konzentrieren Sie sich auf das Gedächtnis. Wenn die Hürde darin besteht, vergangene Entscheidungen nachzuvollziehen und die Argumentation zu überprüfen, erstellen Sie einen Kontextgraphen.

Wir treten in eine Ära ein, in der sich die KI eindeutig von der Beantwortung von Fragen hin zur Ausführung realer Vorgänge entwickelt. Wer in dieser neuen Ära erfolgreich sein wird, hängt nicht allein von der Rechenleistung ab. Letztendlich werden im nächsten Jahrzehnt der Unternehmens-KI nicht die Firmen den Sieg davontragen, die über die besten Modelle verfügen, sondern jene, die ihren Agenten den besten Kontext zur Verfügung stellen.