{"id":130712,"date":"2025-07-31T11:36:01","date_gmt":"2025-07-31T11:36:01","guid":{"rendered":"https:\/\/barc.com\/?p=130712"},"modified":"2025-08-27T07:04:13","modified_gmt":"2025-08-27T07:04:13","slug":"knowledge-graph","status":"publish","type":"post","link":"https:\/\/barc.com\/de\/knowledge-graph\/","title":{"rendered":"Braucht mein Unternehmen einen Knowledge Graph f\u00fcr die Zukunft mit Agentic AI?\u00a0"},"content":{"rendered":"\n

Der neue Kollege und das Zollproblem<\/strong> <\/h2>\n\n\n\n

Alex startet als Junior Supply-Chain-Analyst. In der ersten Woche wartet bereits eine Krise auf ihn. Ein Lieferant meldet Zollprobleme bei einem dringend ben\u00f6tigten Bauteil. Die Standard-Checkliste im Wiki schweigt zu diesem Fall, das Onboarding-Handbuch ebenso. Ein alter Slack-Thread liefert widerspr\u00fcchliche Tipps. Alex fragt zwei erfahrene Kollegen und durchforstet parallel das ERP-System nach \u00e4hnlichen F\u00e4llen \u2013 verstreut \u00fcber Jahre, mit kryptischen Kommentaren. <\/p>\n\n\n\n

Alex klaubt sich das Wissen m\u00fchsam zusammen: aus Dokumenten, Gespr\u00e4chen und verschiedenen Systemen. Er baut ein mentales Netz aus Fakten und L\u00f6sungsans\u00e4tzen auf. Erst als die Zusammenh\u00e4nge einigerma\u00dfen klar sind, schl\u00e4gt er eine L\u00f6sung vor. Seine Vorgesetzte stimmt sofort zu. <\/p>\n\n\n\n

Das ist beeindruckend und typisch f\u00fcr viele wissensintensive Prozesse \u2013 aber es ist auch ein Flaschenhals. Solche Arbeitsweisen brauchen Zeit, Erfahrung und Intuition, lassen sich aber kaum skalieren. <\/p>\n\n\n\n

Was w\u00e4re, wenn ein KI-Agent diese Arbeit \u00fcbernimmt? <\/strong><\/p>\n\n\n\n

Warum klassische Datenhaltung versagt<\/strong><\/h2>\n\n\n\n

Ein Agent w\u00fcrde \u00e4hnlich wie Alex vorgehen: verschiedene Wissensformen miteinander kombinieren. Strukturierte ERP-Daten mit unstrukturierten Dokumenten verbinden, standardisierte SOPs mit chaotischen Chatverl\u00e4ufen verkn\u00fcpfen, vergangene Entscheidungen mit ihren Auswirkungen in Beziehung setzen. <\/p>\n\n\n\n

Hier sto\u00dfen klassische Systeme jedoch an ihre Grenzen. Relationale Datenbanken liefern zwar exakte Antworten auf klar definierte Fragen \u2013 sie wissen beispielsweise, dass eine Bestellung gestoppt wurde, aber nicht warum. Sie verstehen nicht, was diese Daten im gr\u00f6\u00dferen Zusammenhang bedeuten. <\/p>\n\n\n\n

Das wertvolle Erfahrungswissen der Kollegen bleibt f\u00fcr Systeme unsichtbar. Es existiert nur in K\u00f6pfen und Gespr\u00e4chen, ohne die n\u00f6tige Struktur f\u00fcr nachhaltige Erfassung. <\/p>\n\n\n\n

Semantische Suche: Gut, aber nicht genug<\/strong> <\/h2>\n\n\n\n

Um sowohl strukturierte Daten als auch das verteilte Erfahrungswissen nutzbar zu machen, setzt die g\u00e4ngige L\u00f6sung auf semantische Suche mit Vektordatenbanken, die \u00e4hnliche Textstellen in Dokumenten findet. Chatbots erreichen damit durchaus respektable 80 – 90 % korrekte Antworten. <\/p>\n\n\n\n

Die verbleibenden 10 – 20 % sind jedoch das eigentliche Problem. Semantische Suche arbeitet letztendlich auf der \u00c4hnlichkeitsebene \u2013 sie erkennt zwar, wenn zwei SOPs das gleiche Thema behandeln, aber nicht unbedingt, ob sie inhaltlich aufeinander aufbauen oder sich in wichtigen Details widersprechen. <\/p>\n\n\n\n

Den fehlenden Kontext \u00fcberlassen wir dann den Sprachmodellen: Sie sollen aus den gefundenen Textfragmenten die logischen Zusammenh\u00e4nge erschlie\u00dfen und widerspr\u00fcchliche Informationen erkennen. Doch genau dieser \u00fcbergreifende Kontext \u2013 welche Dokumente sich erg\u00e4nzen, welche sich widersprechen, welche Priorit\u00e4t verschiedene Quellen haben \u2013 fehlt den Modellen oft, da er nicht explizit in den Texten steht. <\/p>\n\n\n\n

Graphen: Das fehlende Verbindungselement<\/strong> <\/h2>\n\n\n\n

Seit Jahren propagieren Experten Graphdatenbanken als L\u00f6sung f\u00fcr dieses Problem. Sie speichern nicht nur einzelne Datenpunkte, sondern vor allem die Beziehungen zwischen ihnen \u2013 und genau diese Beziehungen machen Wissen greifbar und handlungsf\u00e4hig. <\/p>\n\n\n\n

Zur\u00fcck zu Alex‘ Zollproblem:<\/strong> Die Information \u00fcber den gestoppten Auftrag liegt in der relationalen Datenbank, der Grund (fehlendes Ursprungszeugnis) steckt in einem PDF-Anhang, die Eskalation wurde per E-Mail dokumentiert, und die Lieferantensperre ist im ERP als Status\u00e4nderung vermerkt. Was fehlt, ist das verbindende Element. <\/strong><\/p>\n\n\n\n

Ein Graph kann alle diese Fragmente verkn\u00fcpfen und in Kontext setzen: Der Artikel geh\u00f6rt zu einem sicherheitskritischen Produkt, die Eskalation erfolgte nach R\u00fccksprache mit der Qualit\u00e4tsabteilung, ein \u00e4hnlicher Fall trat 2022 auf \u2013 mit Expressversand als L\u00f6sung \u2013, und eine kaum bekannte SOP im Wiki regelt genau diesen Ausnahmefall. <\/p>\n\n\n\n

Ein Agent kann diese Beziehungen systematisch durchwandern, kombinieren und abgleichen \u2013 genau wie Alex, nur automatisch, schneller und beliebig skalierbar. <\/p>\n\n\n\n

\"\"
Abbildung 1: Features von Graphen sind zun\u00e4chst abstrakt, k\u00f6nnen aber unmittelbar im Zeitalter von agentischer KI in monet\u00e4ren Wert \u00fcbersetzt werden  <\/em><\/figcaption><\/figure>\n\n\n\n

Graphen versprechen echte Semantik. Bedeutung liegt in den Beziehungen zwischen Entit\u00e4ten. Halten wir dieses Wissen formal fest, k\u00f6nnen KI-Anwendungen es nutzen. Halluzinationen lassen sich zwar nicht ausschlie\u00dfen, aber vermeiden. <\/p>\n\n\n\n

Der Markt f\u00fcr Graphdatenbanken: \u00dcbersicht der Hauptakteure<\/strong> <\/h2>\n\n\n\n

Der Graphdatenbank-Markt ist zwar spezialisiert, aber durchaus etabliert mit einer Marktgr\u00f6\u00dfe von rund 1 Milliarde USD ARR (j\u00e4hrlicher globaler Umsatz mit Lizenzen). Dar\u00fcber hinaus gibt es weitere Spezialanbieter, die L\u00f6sungen on top auf Graphdatenbanken entwickeln, sowie Open-Source-Alternativen wie JanusGraph oder NebulaGraph. Viele der hier gelisteten kommerziellen Anbieter haben zudem eigene Open-Source-Varianten ihrer Produkte. <\/p>\n\n\n\n

Die wichtigsten Player im \u00dcberblick: <\/p>\n\n\n\n

Graphdatenbanken<\/a><\/strong><\/h3>\n\n\n\n