Laden Sie das Whitepaper herunter<\/span><\/a><\/div>\nWir treten in eine \u00c4ra ein, in der KI-Agenten nun offiziell nicht mehr nur als passive Assistenten fungieren, sondern eigenst\u00e4ndig Entscheidungen treffen. Von der Reaktion auf Vorf\u00e4lle bis hin zur Kreditgenehmigung geben die Agenten nun Empfehlungen ab und koordinieren die Arbeit \u00fcber komplexe Unternehmenssysteme hinweg. Dieser tiefgreifende Wandel bringt jedoch einen entscheidenden neuen Engpass zum Vorschein: Kontext<\/strong>.<\/p>\nAuf der Grundlage der Erkenntnisse aus unserem k\u00fcrzlich ver\u00f6ffentlichten Whitepaper, Wissensgraphen und Kontext-Engineering<\/strong><\/em>, Dieser Artikel fasst die dreistufige Grundlage zusammen, die Unternehmen ben\u00f6tigen, um agentenbasierte KI zuverl\u00e4ssig, \u00fcberpr\u00fcfbar und wirklich autonom zu gestalten.<\/p>\nIn Produktionsumgebungen h\u00e4ngt die Leistungsf\u00e4higkeit eines KI-Agenten weniger von dem ihm zugrunde liegenden gro\u00dfen Sprachmodell ab als vielmehr von dem Kontext, \u00fcber den er erfolgreich Schlussfolgerungen ziehen kann. Das Problem besteht darin, dass herk\u00f6mmliche data-Architekturen in Unternehmen nicht darauf ausgelegt waren, Schlussfolgerungen zu erfassen. Sie erfassen zwar aktuelle Zust\u00e4nde, wie beispielsweise einen angemeldeten Kunden, ein offenes Ticket oder eine bereitgestellte Version, lassen jedoch die implizite Historie von Pr\u00e4zedenzf\u00e4llen, aufgeschobenen Richtlinien und gew\u00e4hrten Ausnahmen v\u00f6llig au\u00dfer Acht, die sich in den K\u00f6pfen der Mitarbeiter oder in fragmentierten Chat-Verl\u00e4ufen befinden.<\/p>\n
Um dieses Problem zu l\u00f6sen, m\u00fcssen Unternehmen das \u201eContext Engineering\u201c nutzen, indem sie eine mehrschichtige, vernetzte Grundlage schaffen: Wissensgraphen, Ontologien und Kontextgraphen. Wie Foundation Capital feststellt, stellt dies \u201cDie Billionen-Dollar-Chance der KI\u201d<\/strong>.<\/p>\nKapitel 1: Wissensgraphen \u2013 Das Wissen des Unternehmens vernetzen<\/h2>\n
Traditionell wurden Unternehmensdaten (data) in relationalen Tabellen strukturiert, wobei Entit\u00e4ten wie Kunden oder Produkte in voneinander getrennte Kategorien unterteilt wurden. Dieser relationale Ansatz eignet sich zwar hervorragend f\u00fcr die Transaktionsverarbeitung und das Berichtswesen, l\u00e4sst jedoch v\u00f6llig au\u00dfer Acht, wie Unternehmen tats\u00e4chlich funktionieren. Die meisten gesch\u00e4ftlichen Fragestellungen sind von Natur aus relational: Wer hat was gekauft, welche Systeme sind voneinander abh\u00e4ngig und wie entwickeln sich Ereignisse im Zeitverlauf?.<\/p>\n
Wissensgraphen sind ausdr\u00fccklich darauf ausgelegt, dieser Realit\u00e4t gerecht zu werden. Anstatt Fakten in isolierten Tabellen zu speichern, Sie stellen Informationen als ein Netzwerk aus Entit\u00e4ten und expliziten Beziehungen dar und verlagern damit das data-Paradigma von \u201cZeichenfolgen\u201d hin zu \u201cDingen\u201d<\/strong>. Betrachten Sie die Herausforderung, eine echte 360\u00b0-Sicht auf einen Kunden zu erstellen. In einer herk\u00f6mmlichen SQL-data-Datenbank erfordert die Ermittlung, welche Kunden ein Support-Ticket zu einem \u00fcber eine bestimmte Kampagne gekauften Produkt er\u00f6ffnet haben, eine langsame, komplexe und anf\u00e4llige Mehrfachverkn\u00fcpfung. In einem Wissensgraphen ist dieselbe Abfrage eine einzige, intuitive Durchquerung, die benannten Kanten folgt, wie beispielsweise PLATZIERT<\/em>, ENTH\u00c4LT<\/em>, oder ER\u00d6FFNET<\/em>.<\/p>\nEntscheidend ist, dass Wissensgraphen die erforderliche Flexibilit\u00e4t bieten, um implizites Wissen \u2013 jene unsichtbare Ebene der Gesch\u00e4ftslogik \u2013 zu erfassen. Implizites Wissen, wie beispielsweise das Wissen eines erfahrenen Planers dar\u00fcber, welche Lieferverz\u00f6gerungen tolerierbar sind oder welche Lieferanten trotz schlechter Kennzahlen zuverl\u00e4ssig sind, l\u00e4sst sich nicht in ein vordefiniertes relationales Schema einordnen. Ein Wissensgraph nimmt neue Entit\u00e4ten, Beziehungen und Ausnahmen auf, sobald diese entdeckt werden<\/strong> ohne dass nachfolgende database-Migrationen erforderlich sind. Dies macht es zur perfekten Grundlage f\u00fcr agentenbasierte KI, da autonome Systeme so in der Lage sind, sich an der tats\u00e4chlichen Gesch\u00e4ftslogik zu orientieren, anstatt sich auf lose miteinander verbundene Textpassagen zu st\u00fctzen.<\/p>\nKapitel 2: Ontologien und semantische Steuerung \u2013 Eine Definition des Begriffs<\/h2>\n
Die Anbindung an das Unternehmenssystem data ist nur der erste Schritt; ein Graph ohne definierte Struktur ist grunds\u00e4tzlich unbrauchbar. Um zuverl\u00e4ssig zu sein, ben\u00f6tigt ein Wissensgraph eine Ontologie. Eine Ontologie liefert das konzeptionelle Schema: Sie definiert, was die Entit\u00e4ten sind, in welcher Beziehung sie zueinander stehen und welche operativen Regeln gelten.<\/p>\n
Die Notwendigkeit von Ontologien wird bei Betrachtung der Grenzen der herk\u00f6mmlichen \u201eRetrieval-Augmented Generation\u201c (RAG) \u00fcberdeutlich. Auf Unternehmensebene werden die Vektorr\u00e4ume \u00fcberf\u00fcllt. Ein Sitzungsprotokoll, ein Jira-Ticket und ein Slack-Thread zu \u00e4hnlichen Projekten erscheinen einem Einbettungsmodell mathematisch identisch, was dazu f\u00fchrt, dass die KI irrelevante oder aus dem Zusammenhang gerissene Fakten abruft. Die L\u00f6sung besteht darin, von RAG auf GraphRAG umzusteigen.<\/strong> Durch die Nutzung der Ontologie zur Strukturierung der Informationsgewinnung anhand expliziter Beziehungen st\u00fctzt GraphRAG die Antworten der KI auf nachpr\u00fcfbare unternehmensinterne Zusammenh\u00e4nge und nicht lediglich auf oberfl\u00e4chliche Text\u00e4hnlichkeiten.<\/p>\nDa Unternehmen zudem unstrukturierte Inhalte (wie PDFs und Unterhaltungen) in strukturierte Wissenspipelines \u00fcberf\u00fchren, fungieren Ontologien als semantischer Vertrag. Sie bieten deterministische Rahmenbedingungen f\u00fcr probabilistische LLMs. Konkret gew\u00e4hrleistet eine Ontologie die Zuverl\u00e4ssigkeit des Agenten auf drei entscheidende Weisen:<\/p>\n
\n- Die Durchsetzung dessen, was wahr sein muss:<\/strong> Ontologien k\u00f6nnen Handlungen anhand strenger Regeln einschr\u00e4nken. So k\u00f6nnen sie beispielsweise sicherstellen, dass ein Akteur einen Kreditantrag erst dann in den Status \u201cgenehmigt\u201d versetzen kann, wenn alle erforderlichen Unterlagen ausdr\u00fccklich gepr\u00fcft wurden, wodurch Verst\u00f6\u00dfe erkannt werden, bevor sie sich ausbreiten.<\/li>\n
- Ableitung neuer Erkenntnisse in Echtzeit:<\/strong> Wenn eine Ontologie einen \u201cVIP-Kunden\u201d als jemanden definiert, der f\u00fcnf abgeschlossene Bestellungen vorweisen kann, leitet das System den Status eines Kunden automatisch ab und stuft ihn hoch, sobald die f\u00fcnfte Bestellung aufgegeben wird. Dies l\u00f6st sofort neue agentische Workflows aus, sobald die Bedingung erf\u00fcllt ist, ohne dass eine benutzerdefinierte Anwendungslogik erforderlich ist.<\/li>\n
- Entscheidungen nachvollziehbar machen:<\/strong> Wenn ein Sachbearbeiter einen Kreditantrag ablehnt oder ein Ticket priorisiert, lautet die Begr\u00fcndung nicht mehr \u201cDas Modell hat es so ergeben\u201d. Die Entscheidung l\u00e4sst sich auf ein gemeinsames Gesch\u00e4ftsvokabular zur\u00fcckf\u00fchren, das von menschlichen Teams leicht \u00fcberpr\u00fcft und verstanden werden kann.<\/li>\n<\/ul>\n
Kapitel 3: Kontextgraphen und agentenbasierte KI \u2013 Wissen in Handeln umsetzen<\/h2>\n
W\u00e4hrend Wissensgraphen und Ontologien beschreiben, was existiert und welche Regeln daf\u00fcr gelten, Echte agentische Systeme erfordern einen dynamischen, operativen Kontext<\/strong>. Sie m\u00fcssen wissen, was gerade geschieht und wie sich die Organisation in der Vergangenheit verhalten hat.<\/p>\nSysteme zur Datenerfassung wie Salesforce, ServiceNow oder Workday eignen sich hervorragend zur Erfassung des aktuellen Zustands der Welt, sind jedoch f\u00fcr agentische KI grunds\u00e4tzlich unzureichend. Eine komplexe operative Entscheidung, wie beispielsweise die Behebung eines Vorfalls, kann sich \u00fcber GitHub-Protokolle, die \u00dcberwachung von Bereitstellungen und eine umfangreiche Slack-Diskussion erstrecken. In einem Aufzeichnungssystem wird lediglich der endg\u00fcltige Status \u201cgel\u00f6st\u201d gespeichert. Die Kausalkette, die Abw\u00e4gungen und die historischen Pr\u00e4zedenzf\u00e4lle gehen dabei einfach verloren.<\/p>\n
Genau hier kommen Kontextgraphen ins Spiel. Ein Kontextgraph erfasst die Argumentationskette hinter Entscheidungen. Er speichert Entscheidungen als eigenst\u00e4ndige Entit\u00e4ten, die mit den angewandten Richtlinien, den gew\u00e4hrten Ausnahmen und den daraus resultierenden Folgen verkn\u00fcpft sind. Eine wichtige Erkenntnis aus dem Whitepaper lautet:<\/p>\n
\u201cSoftware, die f\u00fcr Menschen entwickelt wurde, erfasst, was wahr ist. Software, die f\u00fcr Agenten entwickelt wurde, muss erfassen, wie es dazu kam, dass es wahr wurde.\u201d<\/em> \u2013 Florence Benezit, Partnerin bei Artefact<\/strong><\/p>\nOhne diese Ebene ist ein KI-Agent ein zustandsloser Denker, der bei jedem Aufruf v\u00f6llig von vorne beginnen muss. Mit einem Kontextgraphen kann der Agent wie ein erfahrener Mitarbeiter argumentieren: Er kann auf historische Pr\u00e4zedenzf\u00e4lle verweisen, nachvollziehen, warum in der Vergangenheit eine Ausnahme gemacht wurde, und die Auswirkungen auf nachfolgende Prozesse vorhersehen.<\/p>\n
Um sich in diesem neuen Umfeld zurechtzufinden, m\u00fcssen F\u00fchrungsteams klar zwischen drei grundlegenden Ebenen des handlungsorientierten Unternehmens unterscheiden:<\/p>\n
\n- Wissensgraphen:<\/strong> Erfassen Sie das Wissen des Unternehmens (Kunden, Produkte, Vorschriften, Abh\u00e4ngigkeiten). Es handelt sich dabei um das gemeinsame, stabile Modell des Unternehmens.<\/li>\n
- Speicherdiagramme:<\/strong> Erfassen Sie, woran sich ein Agent erinnert (Benutzereinstellungen, fr\u00fchere Interaktionen, episodische und semantische Erkenntnisse). Dadurch wird sichergestellt, dass der Agent nicht bei Null anfangen muss.<\/li>\n
- Kontextgraphen:<\/strong> Erfassen Sie, wie die Organisation Entscheidungen trifft (Entscheidungsabl\u00e4ufe, Pr\u00e4zedenzf\u00e4lle, angewandte Richtlinien und Argumentationswege). Auf diese Weise l\u00e4sst sich die Argumentation der Organisation rechnerisch erfassen.<\/li>\n<\/ul>\n
Im Zusammenspiel schaffen diese drei Ebenen ein Umfeld, in dem sich Entscheidungen im Laufe der Zeit verst\u00e4rken. Letztendlich erm\u00f6glicht dies einem Unternehmen, \u00fcber die blo\u00dfe Erfassung von Abl\u00e4ufen hinauszugehen und einen echten \u201cSimulator\u201d zu schaffen, der das Verhalten der Organisation und die daraus resultierenden Auswirkungen aktiv vorhersagen kann.<\/p>\n
Fazit: Wo sollten Unternehmen ansetzen?<\/h2>\n
Angesichts der Vielzahl an theoretischen Aspekten, die es zu behandeln gilt, stellt sich f\u00fcr 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 zun\u00e4chst ausschlie\u00dflich auf den Arbeitsablauf konzentrieren.<\/p>\n
Identifizieren Sie eine wiederkehrende, folgenreiche Entscheidung, bei der die richtige Antwort derzeit stark von der impliziten Erfahrung erfahrener Mitarbeiter abh\u00e4ngt, die die L\u00fccken zwischen fragmentierten Systemen \u00fcberbr\u00fccken. Wenn der Engpass in verstreuten Informationen liegt, beginnen Sie mit der Erstellung eines Wissensgraphen. Wenn die Herausforderung in der Kontinuit\u00e4t zwischen KI-Interaktionen besteht, konzentrieren Sie sich auf das Ged\u00e4chtnis. Wenn die H\u00fcrde darin besteht, vergangene Entscheidungen nachzuvollziehen und die Argumentation zu \u00fcberpr\u00fcfen, erstellen Sie einen Kontextgraphen.<\/p>\n
Wir treten in eine \u00c4ra ein, in der sich die KI eindeutig von der Beantwortung von Fragen hin zur Ausf\u00fchrung realer Vorg\u00e4nge entwickelt. Wer in dieser neuen \u00c4ra erfolgreich sein wird, h\u00e4ngt nicht allein von der Rechenleistung ab. Letztendlich werden im n\u00e4chsten Jahrzehnt der Unternehmens-KI nicht die Firmen den Sieg davontragen, die \u00fcber die besten Modelle verf\u00fcgen, sondern jene, die ihren Agenten den besten Kontext zur Verf\u00fcgung stellen.<\/p>","protected":false},"excerpt":{"rendered":"
Wir treten in eine \u00c4ra ein, in der KI-Agenten nun offiziell nicht mehr nur als passive Assistenten fungieren, sondern eigenst\u00e4ndig Entscheidungen treffen. Von der Reaktion auf Vorf\u00e4lle bis hin zur Kreditgenehmigung geben Agenten nun Empfehlungen ab und koordinieren die Arbeit \u00fcber komplexe Unternehmenssysteme hinweg. Dieser tiefgreifende Wandel bringt jedoch einen entscheidenden neuen Engpass mit sich: den Kontext. <\/p>","protected":false},"featured_media":1323628,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[],"blog-language":[2991],"class_list":["post-1323627","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1323627","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1323628"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1323627"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1323627"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1323627"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/06\/Mockup-LP-Knowledge-graph-1.png\")
<\/p>\n