Was ist die Ontologie von Databricks Genie?

Databricks Genie Ontology, angekündigt auf dem Data + AI Summit 2026 von Databricks, ist ein lebender, fortlaufend gelernter Context Layer in der Plattform Databricks, der Genie in der fachlichen Bedeutung hinter Ihren Daten erdet. Statt ein Modell zu bitten, rohe Tabellen zu deuten, lernt Databricks ein sich entwickelndes Modell Ihrer Organisation, und zwar aus Daten, Dashboards, Abfragen und verbundenen Apps in Databricks, und nutzt es, um die Antworten von Genie genauer zu machen. Diese Ontologie ist die Antwort von Databricks auf dasselbe Problem, das gerade die ganze Branche benennt: KI ist nur so gut wie der gesteuerte Kontext dahinter.

Für alle, die die Idee des Context Layer verfolgen, ist Genie Ontology eine bemerkenswerte Bestätigung: Eine der größten Datenplattformen hat ihren eigenen Context Layer gebaut und ins Zentrum ihrer agentischen Strategie gestellt. Zu verstehen, was diese Ontologie leistet und wo ein Context Layer über eine einzelne Plattform hinausreichen muss, ist für das gute Erden von KI im Unternehmen zentral.

Was ist die Ontologie von Genie?

Databricks beschreibt Genie Ontology als „a continuously learned enterprise context layer in the Databricks Platform“, also als einen fortlaufend gelernten Context Layer für das Unternehmen in der Plattform Databricks. Diese Ontologie baut und verfeinert ein Modell davon, wie Ihr Unternehmen zusammenhängt, also der Konzepte, Begriffe, Kennzahlen und Beziehungen in Ihren Daten, indem sie aus den Beständen innerhalb von Databricks lernt (Tabellen, Dashboards, Abfragen) und aus den damit verbundenen Apps. Databricks sagt, diese Erdung lasse Genie genauere Antworten schneller und zu geringeren Kosten an Token liefern, weil der Agent über kuratierte fachliche Bedeutung schließt, statt sie jedes Mal aus rohen Schemata neu herzuleiten.

Das entscheidende Wort ist lebend. Genie Ontology soll besser werden, während Menschen Databricks nutzen: Signale wie die Frage, welche Spalten am häufigsten abgefragt werden, fließen zurück in diese Ontologie und schärfen ihren Sinn dafür, welche Daten beim Schließen über Ihre Tabellen zählen. Gemeint ist ein Context Layer, der sich durch Nutzung verbessert, und nicht ein starres Modell, das jemand von Hand pflegen muss.

Wie der Unity Catalog sie speist

Genie Ontology entsteht nicht aus dem Nichts: Diese Ontologie wird von einem semantischen Fundament gespeist, das Nutzer im Unity Catalog modellieren. Auf dem Summit 2026 hat Databricks dem Unity Catalog drei semantische Fähigkeiten hinzugefügt, die unmittelbar in sie einfließen:

• Glossary (Preview in Kürze): maßgebliche Konzepte, Begriffe und Taxonomien für das fachliche Verständnis, gemeinsam kuratiert von Menschen und Genie Code, mit der Möglichkeit, bestehende Definitionen zu importieren.
• Domains (Public Preview): ordnet Bestände an Daten und KI in fachlich ausgerichtete Kategorien, sodass Agenten eingegrenzten Kontext bekommen statt des ganzen Katalogs.
• Metrics (Kernfunktionen in Public Preview): steuert KPIs einmalig als wiederverwendbare Objekte, abfragbar über SQL, BI-Werkzeuge, APIs und Agenten.

Das Verhältnis ist geradlinig: Je mehr Ihrer Semantik Sie im Unity Catalog modellieren, desto mehr hat Genie Ontology zu lernen. Diese Ontologie ist die verbrauchende Seite; das Glossar, die Domains und die Kennzahlen des Unity Catalog sind die kuratierten Eingaben. Das ist die Architektur, die ein Context Layer immer hat: eine gesteuerte Quelle der Bedeutung, die eine Schnittstelle speist, über die KI schließt.

Ontologie, Knowledge Graph oder Context Layer?

Der Name lädt zu einer nützlichen Klärung ein. Eine förmliche Ontologie ist ein strenges Modell aus Konzepten, Eigenschaften und Beziehungen, über das eine Maschine mit Logik schließen kann. Genie Ontology verhält sich der Beschreibung nach eher wie ein Knowledge Graph und ein Context Layer: ein fortlaufend gelerntes Geflecht aus Konzepten, Kennzahlen und Beziehungen, aus echter Nutzung gezogen und darauf getrimmt, einen Agenten zu erden, statt förmliches Ableiten zu tragen. Das ist kein Vorwurf: Es spiegelt, was KI im Unternehmen tatsächlich braucht, nämlich gesteuerte Bedeutung und vertrauenswürdige Beziehungen und nicht notwendig förmliche Logik.

Die Unterscheidung lohnt es, klar zu halten, denn „Ontologie“, „Semantic Layer“, „Knowledge Graph“ und „Context Layer“ werden im Marketing oft gleichbedeutend verwendet. Genie Ontology sitzt am praktischen Ende: ein gesteuerter, gelernter Context Layer, der einen Agenten das Unternehmen verstehen lässt. (Zur tieferen Unterscheidung siehe Ontologie und Semantic Layer im Vergleich.)

Die Lücke über Plattformen hinweg

Genie Ontology ist ein starker Context Layer, innerhalb von Databricks. Diese Ontologie lernt aus den Daten in Databricks und den damit verbundenen Apps, und sie erdet die eigenen Agenten von Databricks. Für den Anteil der Bedeutung einer Organisation, der in Databricks liegt, ist das genau richtig. Die Frage ist, was den Rest steuert.

Zwei Grenzen lohnt es zu benennen, und in keiner geht es darum, dass Databricks „Kontext fehlt“, denn den hat es offensichtlich:

• Sie ist auf eine Plattform begrenzt. Die meisten Unternehmen betreiben auch Snowflake, dbt, BI-Werkzeuge, CRM-Systeme und operative Systeme. Ein Konzept wie „Nettoumsatz“ und seine Lineage spannen sich üblicherweise über mehrere davon. Ein Context Layer, der innerhalb von Databricks gelernt wird, modelliert den Ausschnitt Databricks; das ganze Bild braucht einen, der Plattformen umspannt.
• Sie bedient die Agenten von Databricks. Diese Ontologie erdet Genie. Copiloten, eigene Agenten und Assistenten, die auf anderen Stapeln gebaut sind, brauchen dieselbe gesteuerte Bedeutung, zugestellt über einen offenen Standard, nämlich das Model Context Protocol (MCP), statt an die Agenten eines Herstellers gebunden zu sein.

Das Risiko ist ein vertrautes in neuer Gestalt: Jede Plattform baut einen ausgezeichneten Context Layer für sich, und die Organisation endet mit mehreren unverbundenen davon, also mit Inseln des Kontexts, der Fassung der KI-Zeit von Datensilos. Die Lösung ist nicht, diese Ontologie aufzugeben; sie ist, sicherzustellen, dass gesteuerte fachliche Bedeutung einmal festgelegt und überall erreichbar ist.

Wie Dawiso sich einfügt

Dawiso ist der herstellerneutrale Context Layer über Plattformen hinweg, der die Ontologie von Genie ergänzt, mit Databricks als erstklassiger Quelle darin und nicht als Rivalen. Er steuert fachliche Bedeutung über die gesamte Landschaft und stellt sie jedem Agenten zu:

• Eine Definition, über Plattformen hinweg gesteuert. Das Business Glossary legt jedes Konzept einmal fest und verbindet es mit den Daten, wo immer sie liegen, in Databricks, Snowflake, dbt oder BI, sodass Bedeutung einheitlich ist statt je Plattform neu gelernt.
• Lineage und Klassifizierung über Plattformen hinweg. Die interaktive Data Lineage und die Klassifizierung folgen den Daten über Systeme hinweg und ergänzen die native Lineage des Unity Catalog, statt sie zu verdoppeln.
• Jedem Agenten über offenes MCP zugestellt. Die Schicht der Metadaten für KI liefert gesteuerten Kontext über den MCP Server an jeden MCP-fähigen Agenten, sodass dieselbe fachliche Bedeutung Genie und jedem anderen Agenten der Organisation zur Verfügung steht.

Die Ontologie von Genie hält die Agenten von Databricks in der Bedeutung von Databricks geerdet; Dawiso stellt sicher, dass diese Bedeutung einmal festgelegt, über jede Plattform hinweg gesteuert und jedem Agenten zugestellt wird, sodass Kontext ein Bestand des Unternehmens ist und keine Insel je Plattform.

Fazit

Genie Ontology ist Databricks, das den Kontext ins Zentrum seiner agentischen Plattform stellt: ein lebender, sich selbst verbessernder Context Layer, gespeist vom Glossar, den Domains und den Kennzahlen des Unity Catalog, der Genie in fachlicher Bedeutung erdet. Diese Ontologie bestätigt die breitere Verschiebung: Die Fessel für KI im Unternehmen ist der gesteuerte Kontext, nicht das Modell. Offen bleibt die Reichweite. Bedeutung lebt über viele Plattformen hinweg, und die Agenten stammen nicht alle von einem Hersteller. Ein herstellerneutraler Context Layer legt fachliche Bedeutung einmal fest, steuert sie über die ganze Landschaft und stellt sie jedem Agenten über offenes MCP zu. Bauen Sie Kontext in Databricks mit Genie Ontology, und sorgen Sie dann dafür, dass dieser Kontext nicht darin gefangen bleibt.