Datenontologie definiert: Die Kontextebene, die Ihren KI-Agenten fehlt

Fragen Sie fünf Personen im selben Unternehmen, was „Umsatz“ bedeutet, und die Chancen stehen gut, dass Sie fünf verschiedene Antworten erhalten – jede für sich in ihrem eigenen Kontext korrekt, aber inkompatibel mit den anderen. Solange ein menschlicher Analyst zwischen dieser Unklarheit und dem finalen Bericht stand, war die Unklarheit handhabbar. Es ist implizites Wissen: die Art von Dingen, die ein guter Analyst einfach weiß.

AI-Agenten wissen das nicht. Und genau das ist das Problem.

Richard Tomlinson hat seine Karriere damit verbracht, über die Ebene der Unternehmensdaten nachzudenken, die im Schema nie so richtig auftaucht. In diesem Gespräch erläutert er, warum diese Ebene, die Ontologie, plötzlich das wichtigste Infrastrukturteil ist, das die meisten Unternehmen noch nicht aufgebaut haben, warum die letzte Generation von Versuchen, sie aufzubauen, weitgehend ins Stocken geraten ist, und was für eine Ontologie gelten muss, damit sie standhält, sobald Agenten sich auf sie verlassen.

Warum benötigen AI-Agenten einen geschäftlichen Kontext, den ein Schema nicht bieten kann?

Welche Annahme über Unternehmensdaten wird von AI-Agenten still und leise widerlegt?

Richard Tomlinson: Seit Jahrzehnten basiert die Datenarchitektur in Unternehmen auf einer impliziten Annahme: Wenn man die Daten richtig organisiert, kann ein intelligenter Benutzer herausfinden, was sie bedeuten. Tabellen, Schemata, Kataloge und Dashboards liefern die Struktur, während der Mensch den fehlenden Kontext beisteuert. Ein Analyst weiß, welcher von fünf Umsatztabellen die Finanzabteilung vertraut, was „aktiver Kunde“ in diesem Quartal bedeutet oder warum eine Berechnung einer anderen vorgezogen werden sollte.

AI-Agenten widerlegen diese Annahme, da möglicherweise kein sachkundiger Mensch mehr zwischen den Daten und der Entscheidung steht. Der Agent muss die Bedeutung selbst herausfinden. Dem Agenten Zugriff auf mehr Daten zu geben, löst dieses Problem nicht. Er benötigt den geschäftlichen Kontext, den Menschen bisher im Kopf hatten: Definitionen, Beziehungen, Berechnungen, maßgebliche Quellen, Fachwissen und Berechtigungen. Deshalb wird der Unternehmenskontext für die AI-Architektur ebenso wichtig wie die Daten selbst.

Was ist eine Datenontologie und wie unterscheidet sie sich von einem Schema?

Wie definieren Sie eine Datenontologie und was erfasst sie, was ein Schema niemals erfassen könnte?

Richard Tomlinson: Ein Schema beschreibt, wie Daten strukturiert sind. Eine Ontologie beschreibt, was diese Daten im Kontext des Unternehmens bedeuten. Sie verbindet technische Assets wie Tabellen, Metriken und Abfragen mit Geschäftskonzepten: Definitionen, Beziehungen, Berechnungen, Expertenquellen und Regeln darüber, wie diese Konzepte interpretiert werden sollten.

Ein Schema sagt einem Agenten vielleicht, dass eine Tabelle net_rev, gross_rev und recog_rev enthält. Eine Ontologie kann ihm helfen zu verstehen, welche Umsatzdefinition für die Frage gilt, welche Quelle die Finanzabteilung als maßgeblich ansieht, wie die Berechnung normalerweise durchgeführt wird und ob die fragende Person überhaupt darauf zugreifen darf. Das Schema ist die Karte der Daten. Die Ontologie ähnelt eher einer Karte darüber, wie das Unternehmen diese Daten versteht und nutzt.

Warum fiel es semantischen Schichten und Knowledge Graphs so schwer, zu skalieren?

Semantische Schichten und Knowledge Graphs in Unternehmen haben vor Jahren „eine einzige Version der Wahrheit“ versprochen und wurden am Ende meist zu Ladenhütern. Was muss für eine Ontologie gelten, damit ihr nicht das gleiche Schicksal widerfährt?

Richard Tomlinson: Ich würde diese Prämisse etwas abschwächen. Semantische Schichten und Knowledge Graphs haben echten Mehrwert geliefert, insbesondere für geschäftskritische Konzepte. Das Problem entsteht, wenn Unternehmen versuchen, das gesamte Unternehmen manuell zu modellieren. Geschäftswissen ändert sich zu schnell und ist über zu viele Orte verteilt. Die wichtige Logik befindet sich vielleicht in einem Dashboard, einer SQL-Abfrage, einem Notebook, einem Ticket oder einfach in der Art und Weise, wie ein Team wiederholt arbeitet. Kein zentrales Team kann all das dokumentieren und aktuell halten.

Das skalierbarere Modell besteht darin, „den Kopf zu modellieren und den Long Tail zu lernen“. Menschen sollten die kleine Gruppe von Konzepten, bei denen keine Fehler passieren dürfen, explizit definieren und steuern – Dinge wie Umsatz, Compliance-Regeln und Kern-KPIs. Die breitere Ontologie sollte kontinuierlich den Long Tail aus der Arbeitsweise des Unternehmens lernen, während sie gleichzeitig Wissen nach Autorität einstuft und die Governance respektiert. Wenn die Pflege der Ontologie zu einem separaten Datenmodellierungsprojekt im Unternehmen wird, hinkt sie irgendwann dem Geschäft hinterher, das sie eigentlich beschreiben soll.

Was passiert, wenn einem AI-Agenten der geschäftliche Kontext fehlt?

Können Sie einen Moment beschreiben, in dem ein Agent eine selbstbewusste, aber falsche Antwort gegeben hat, weil ihm der echte geschäftliche Kontext fehlte? Was machte sie so überzeugend, dass fast jemand darauf vertraut hätte?

Richard Tomlinson: Ein Beispiel aus unseren eigenen internen Tests war die Aufforderung an mehrere AI-Systeme, ein Briefing für ein anstehendes Product Advisory Board vorzubereiten. Ein Assistent erstellte fast sofort einen ausgefeilten Bericht und gab an, dass 24 Kunden teilnehmen würden. Er enthielt genau die Details, die man in einem Executive Briefing erwarten würde, sodass die Antwort auf den ersten Blick glaubwürdig wirkte. Als wir das System aufforderten zu erklären, woher die Zahl 24 stammte, gab es zu, sie erfunden zu haben.

Das ist das gefährliche Fehlermuster. Die Antwort ist nicht offensichtlich absurd. Sie ist flüssig formuliert, spezifisch und wird zusammen mit legitimen Informationen präsentiert. Das Problem ist, dass das Modell nicht weiß, welche interne Quelle die Ground Truth enthält, also füllt es die Lücke durch logische Schlussfolgerungen. Im Bereich Enterprise-AI kann eine plausible Antwort gefährlicher sein als gar keine Antwort.

Woran erkennen Sie, ob Ihrem Unternehmen eine Kontextebene fehlt?

Wenn eine Datenführungskraft wissen möchte, ob das eigene Unternehmen dieses Problem hat, worauf sollte sie achten? Gibt es ein klares Anzeichen dafür, dass die Kontextebene fehlt?

Richard Tomlinson: Das deutlichste Signal ist, wie oft eine einfache geschäftliche Frage von einer sachkundigen Person übersetzt werden muss, bevor die Daten sie beantworten können. Wenn jemand fragt: „Wie hoch war der Umsatz im letzten Quartal?“ und der Analyst sofort mit „Welcher Umsatz?“ oder „Für welchen Geschäftsbereich?“ antwortet, dann ist dieser Übersetzungsschritt der geschäftliche Kontext. Dasselbe gilt, wenn Analysten wissen, welchem Dashboard sie vertrauen können, welche Tabelle veraltet ist oder welche Definition ein Team im Vergleich zu einem anderen verwendet.

Weitere Anzeichen: duplizierte Dashboards, widersprüchliche KPI-Definitionen, Analysten, die immer wieder dieselben Fragen beantworten, und Geschäftsanwender, die dem Self-Service misstrauen, weil verschiedene Tools unterschiedliche Antworten liefern. Das zugrunde liegende Problem ist oft nicht, dass es dem Unternehmen an Daten mangelt. Es liegt vielmehr daran, dass das zur Interpretation der Daten erforderliche Wissen in implizitem Wissen, isolierten Artefakten und den Köpfen einzelner Experten verankert ist und nicht in einer Kontextebene, die von AI zuverlässig genutzt werden kann.

Was kostet fehlender geschäftlicher Kontext Unternehmen heute?

Was kostet das Unternehmen heute, noch bevor sie Agenten in großem Maßstab eingeführt haben? Sind es langsamere Entscheidungen, doppelte Arbeit für Analysten, verloren gegangenes Vertrauen in Dashboards?

Richard Tomlinson: All das. Unternehmen zahlen bereits eine „Kontextsteuer“. Analysten verbringen Zeit damit, Definitionen neu zu suchen, maßgebliche Quellen ausfindig zu machen, widersprüchliche Berichte abzugleichen und eine Geschäftslogik zu erklären, die an anderer Stelle im Unternehmen bereits existiert. Verschiedene Teams erstellen dieselbe Semantik in unterschiedlichen BI-Tools neu. Geschäftsanwender warten auf Analysten, weil der Self-Service nicht mehr funktioniert, sobald eine Frage nuancierter wird.

AI macht dieses bestehende Problem noch sichtbarer. Ohne Kontext wiederholen Agenten einen Großteil desselben Suchprozesses rechnerisch: Sie untersuchen Schemata, lesen Dokumente, testen Abfragen und überdenken Annahmen. Das führt zu zusätzlicher Latenz, Token-Verbrauch und Kosten, ohne eine korrekte Antwort zu garantieren. Die größeren Kosten entstehen jedoch beim Vertrauen. Sobald Benutzer feststellen, dass ein Dashboard oder ein AI-Assistent selbstbewusst eine falsche Zahl liefern kann, wenden sie sich wieder an einen Menschen.

Was ändert sich, wenn man AI-Agenten zutrauen kann, zu handeln und nicht nur zu berichten?

Was ändert sich für ein Unternehmen in dem Moment, in dem man seinen Agenten zutrauen kann, selbstständig zu handeln und nicht nur Berichte zu erstellen?

Richard Tomlinson: Der Wert von AI verändert sich drastisch. Berichte sparen jemandem die Zeit, die für die Suche nach einer Antwort erforderlich ist. Vertrauenswürdiges Handeln kann ganze Schritte aus einem Workflow eliminieren. Ein Agent kann die neuesten Zahlen berechnen, den wöchentlichen Geschäftsbericht vorbereiten, eine Anomalie untersuchen, ein Ticket aktualisieren, die richtigen Personen kontaktieren und diesen Prozess jeden Montag wiederholen, ohne dass jemand jeden Schritt manuell koordinieren muss.

Das verändert auch die Ökonomie des Fachwissens. Ein Finanzexperte, Produktmanager oder Betriebsleiter kann kritische Methoden einmalig codieren und sie mit einem Agenten kombinieren, der den breiteren geschäftlichen Kontext versteht. Ihr Fachwissen kann dann auf weitaus mehr Entscheidungen und Workflows angewendet werden, als diese Person persönlich unterstützen könnte. Die entscheidende Einschränkung ist „vertrauenswürdig“: Autonomie wird erst dann nützlich, wenn der Agent das Geschäft gut genug versteht und streng genug gesteuert wird, um innerhalb angemessener Grenzen zu agieren.

Wie fängt man am besten an, eine Datenontologie aufzubauen?

Was ist der falsche Weg – der Instinkt, der zu einem weiteren Ladenhüter-Projekt führt –, und was ist der richtige erste Schritt?

Richard Tomlinson: Der falsche Instinkt lautet: „Bevor wir AI nutzen können, müssen wir das gesamte Unternehmen modellieren.“ Das macht den geschäftlichen Kontext zu einem mehrjährigen Dokumentationsprojekt. Bis jeder Begriff, jede Beziehung und jede Regel modelliert ist, sind große Teile des Modells bereits veraltet.

Der bessere Ansatz ist, mit dem Wissen zu beginnen, das Sie bereits haben. Verwalten Sie die wenigen Konzepte, die absolut fehlerfrei sein müssen, wie kritische KPIs und Geschäftsdefinitionen, und lassen Sie dann die breitere Kontextschicht aus den Dashboards, Abfragen, Notebooks, Dokumenten und operativen Aktivitäten lernen, die Ihre Teams bereits erstellen. Verlangen Sie vom Unternehmen nicht, alles zu dokumentieren, bevor AI nützlich werden kann. Lassen Sie die tatsächliche Nutzung dabei helfen, das Geschäftsverständnis, das die Agenten nutzen, aufzubauen und kontinuierlich zu verbessern.

Wie sollten Data Leader die Datenarchitektur für AI-Agenten neu überdenken?

Wie sollte ein Data Leader anders über seine Datenarchitektur nachdenken, jetzt, da es sich lohnt, in Kontext und nicht nur in Struktur zu investieren?

Richard Tomlinson: Jahrelang konzentrierte sich die Datenarchitektur stark darauf, Daten zugänglich, verlässlich und kontrolliert zur Verfügung zu stellen. Das bleibt auch weiterhin wichtig, aber AI fügt eine weitere Anforderung hinzu: Die Architektur muss auch die geschäftliche Bedeutung zugänglich machen. Ein Agent muss nicht nur wissen, wo Daten liegen, sondern auch, wie das Unternehmen sie interpretiert, welche Beziehungen wichtig sind, welche Definitionen maßgeblich sind und welche Belege sie stützen.

Das bedeutet, dass Assets, die bisher hauptsächlich als Governance- oder Analyse-Infrastruktur betrachtet wurden, zu strategischen AI-Assets werden. Metrikdefinitionen, Dokumentation, Lineage, Zertifizierungen, Nutzungsmuster und Business-Glossare vermitteln der AI gemeinsam, wie das Unternehmen funktioniert. Die entstehende Architektur ist daher nicht nur eine Datenebene plus ein AI-Modell. Sie benötigt auch eine gemeinsame Kontextschicht, die vielen Agenten und Anwendungen dasselbe Geschäftsverständnis bereitstellen kann.

Verbessert eine Datenontologie tatsächlich die Genauigkeit von Agenten?

Richard Tomlinson: Eine Ontologie allein macht einen Agenten nicht wie von Zauberhand präzise. Was die Genauigkeit verbessert, ist die Bereitstellung des richtigen, maßgeblichen Kontexts an dem Punkt, an dem der Agent seine Schlüsse zieht. Wenn die Ontologie dem Agenten sagen kann, welche Definition gilt, wo die vertrauenswürdigen Daten liegen und welche Beziehungen oder Berechnungen wichtig sind, verbringt der Agent weniger Zeit mit Raten und dem Verfolgen falscher Pfade.

Wir haben Belege für diesen Effekt mit der Genie Ontology, der automatischen Kontextschicht unter Genie One und Genie Agents von Databricks. In einem internen Databricks-Benchmark mit 28 realen Fragen zur Unternehmensdatenanalyse beantwortete Genie mit Ontology 84,5 % im ersten Versuch korrekt. Der stärkste Allzweck-Coding-Agent in derselben Evaluierung erreichte 52,4 %. Genie war zudem etwa doppelt so schnell wie dieser Agent. Das ist zwar ein interner Benchmark und keine universelle Genauigkeitsgarantie, aber es verdeutlicht das Grundprinzip: Ein besserer Unternehmenskontext kann genauso wichtig oder sogar wichtiger sein, als dem Modell einfach mehr Zeit zum Nachdenken zu geben.

Müssen Sie eine formale Ontologie von Grund auf neu erstellen?

Richard Tomlinson: Nein, und das zu verlangen, würde genau das Skalierbarkeitsproblem wieder aufwerfen, das wir zu lösen versuchen. Die meisten Unternehmen haben bereits einen großen Teil ihres Geschäftsverständnisses erarbeitet. Es steckt in Metrikdefinitionen, zertifizierten Daten, Dashboards, Abfragen, Notebooks, Dokumentationen und der Art und Weise, wie Teams diese Assets wiederholt nutzen.

Das Ziel sollte sein, die menschliche Kontrolle über die wichtigsten Konzepte zu behalten und gleichzeitig einen Großteil des Long Tails automatisch zu erlernen. Bei der Genie Ontology bedeutet dies, kritische KPIs und Geschäftsbegriffe explizit zu modellieren, während die abgeleitete Schicht zusätzliche Definitionen, Regeln, Beziehungen und maßgebliche Quellen aus der bestehenden Arbeit lernt. Sie ziehen Wert aus dem Wissen, das im Unternehmen bereits vorhanden ist, anstatt darauf zu warten, dass ein separates Ontologieprojekt abgeschlossen wird.

Welche Rolle spielt Governance bei einem ontologiebasierten AI-Agenten?

Wie fügt sich Governance in einen ontologiebasierten Agenten ein?

Richard Tomlinson: Governance hat zwei Aufgaben. Die offensichtliche ist der Zugriff: Die Ontologie darf niemals zu einer Hintertür für die Umgehung bestehender Berechtigungen werden. Wenn ein Benutzer keinen Zugriff auf die Quellinformationen hat, sollte der Agent auch keine daraus abgeleiteten Kontexte abrufen können. Bei der Genie Ontology werden Berechtigungen während des Abrufs erzwungen, wobei die Governance der zugrunde liegenden Quellen genutzt wird, einschließlich Unity Catalog. Zwei Mitarbeiter können daher dieselbe Frage stellen und erhalten je nach ihrer jeweiligen Berechtigung unterschiedliche Antworten.

Die zweite Aufgabe ist ebenso wichtig: Governance hilft der AI zu verstehen, worauf sie vertrauen kann. Zertifizierungen, maßgebliche Definitionen, Lineage, Nutzung, Fachwissen und die Herkunft von Quellen werden zu Signalen, die dabei helfen, die offizielle Umsatzdefinition von einer einmaligen Berechnung zu unterscheiden, die jemand vor sechs Monaten erstellt hat. Im Zeitalter der AI geht es bei Governance nicht mehr nur um die Kontrolle von Daten. Sie ist zunehmend Teil des Mechanismus, der der AI vermittelt, welches Geschäftswissen Autorität besitzt.

Warum wird die Datenontologie zur AI-Infrastruktur?

Das Wort „Ontologie“ gehörte früher in den Bereich von Teams für semantische Modellierung und Taxonomie-Debatten. Es entwickelt sich schnell zu etwas, das eher einer Infrastruktur gleicht: der Schicht, die darüber entscheidet, ob die Antwort eines Agenten widerspiegelt, wie das Unternehmen tatsächlich funktioniert, oder ob es sich nur um eine plausible Vermutung handelt, die sich als fundierte Antwort tarnt. Unternehmen, die Kontext als etwas betrachten, das verwaltet und kontinuierlich gelernt werden muss – und nicht als etwas, das einmal dokumentiert wird und dann veraltet –, werden diejenigen sein, deren Agenten man vertrauen kann, dass sie handeln und nicht nur berichten.

Erfahren Sie, wie die Genie-Ontologie AI-Antworten in der tatsächlichen Bedeutung Ihres Unternehmens verankert. Genie erkunden.

Als Nächstes lesen:

• Einführung von OfficeQA: Ein Benchmark für End-to-End Grounded Reasoning
• Einführung von OfficeQA Pro V2: Ein neuer Benchmark für Enterprise Grounded-Reasoning
• Genie One-Produktseite
• Genie Ontology – Übersicht

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag