Was ist ein Knowledge Graph?

Ein Knowledge Graph ist eine strukturierte Darstellung realer Entitäten und der Beziehungen zwischen ihnen, so gebaut, dass Menschen wie Maschinen über Bedeutung schließen können und nicht nur Datensätze abrufen. Wo eine relationale Tabelle Zeilen mit Daten speichert, speichert ein Knowledge Graph Fakten: Ein Kunde gehört zu einem Segment, ein Bericht stammt aus einem Datensatz, eine Kennzahl wird verantwortet von einem Team.

In der KI im Unternehmen des Jahres 2026 sind Knowledge Graphs aus der Nische der Semantic-Web-Forschung in den üblichen Technologiestack gerückt. Sie sind das Bindegewebe von Retrieval-Augmented Generation, das Rückgrat von Semantic Layers und der Mechanismus, über den KI-Agenten die Datenlandschaft verstehen, in der sie arbeiten. Ohne Knowledge Graph sieht ein LLM, das Unternehmensdaten abfragt, einen Haufen unverbundener Tabellen. Mit einem sieht es ein Unternehmen.

Was einen Graphen zu „Wissen“ macht

Jeder Graph ist eine Menge von Knoten, die durch Kanten verbunden sind. Zu einem Wissensgraphen wird er dadurch, dass Knoten und Kanten semantische Bedeutung tragen, verankert in einem gemeinsamen Vokabular. Drei Eigenschaften trennen einen Knowledge Graph von einer gewöhnlichen Datenstruktur:

• Typisierte Entitäten und Beziehungen, jeder Knoten hat einen Typ (Person, Datensatz, Bericht, Richtlinie) und jede Kante eine benannte Beziehung (ownedBy, derivedFrom, governedBy). So unterscheidet der Graph „Alice verantwortet Bericht X“ von „Alice hat Bericht X bearbeitet“, obwohl beide dieselben zwei Knoten verbinden.
• Eine Ontologie oder ein Schema, die erlaubten Typen, Beziehungen und Einschränkungen sind förmlich festgelegt. Die Ontologie ist es, die eine Maschine „Zeig mir alle Datensätze, die einem Mitglied des Finanzteams gehören“ beantworten lässt, ohne fest verdrahtetes SQL.
• Ableitung und Schlussfolgern, weil der Graph Bedeutung kodiert, lassen sich aus vorhandenen Fakten neue ableiten. Verantwortet Alice die Domäne Finanzen, und gehört Bericht X zu Finanzen, kann der Graph ableiten, dass Alice Governance-Verantwortung für Bericht X trägt, ohne dass jemand diesen Fakt ausdrücklich hinterlegt hat.

Diese Eigenschaften machen Knowledge Graphs grundlegend anders als Dokumentspeicher wie als relationale Datenbanken. Sie sind kein schnellerer Weg, Datensätze abzurufen, sie sind eine Art, Beziehungen zwischen Dingen darzustellen, und das ist die Voraussetzung für jedes System, das Kontext verstehen muss.

Wie Knowledge Graphs entstehen

Einen Knowledge Graph im Unternehmen zu bauen heißt, ein Fachgebiet zu modellieren und dieses Modell dann mit echten Daten zu füllen. Die Bestandteile sind weitgehend vereinheitlicht, die meisten Umsetzungen nutzen Varianten derselben drei Bausteine.

Entitäten, Beziehungen und Eigenschaften

Die kleinste Einheit eines Knowledge Graph ist das Tripel, eine Aussage der Form (Subjekt, Prädikat, Objekt). Zum Beispiel (DatasetX, ownedBy, FinanceTeam) oder (Alice, memberOf, FinanceTeam). Ein Knowledge Graph ist im einfachsten Fall eine Sammlung von Millionen solcher Tripel, und jede Abfrage dagegen ist am Ende ein Mustervergleich über Tripel.

Entitäten (Subjekte und Objekte) können Eigenschaften tragen, also Literalwerte an einem Knoten, etwa das Anlagedatum eines Datensatzes oder die E-Mail-Adresse einer Person. Beziehungen (Prädikate) können ihrerseits typisiert und eingeschränkt sein: ownedBy ist vielleicht nur zwischen einem Datenbestand und einer Person oder einem Team gültig.

Ontologien und Schemata

Die Ontologie legt das erlaubte Vokabular fest. Sie bestimmt, welche Entitätstypen es gibt (Person, Datensatz, Bericht, Richtlinie, Domäne und so fort), welche Beziehungen welche Typen verbinden dürfen und welche Einschränkungen gelten müssen. Standardontologien wie schema.org, FOAF und DCAT liefern wiederverwendbare Bausteine, aber die meisten Unternehmen legen eine eigene fachliche Ontologie darüber und kodieren darin die Begriffe, auf die es in ihrem Geschäft ankommt.

Eine gut entworfene Ontologie ist der Unterschied zwischen einem Knowledge Graph, der mitwächst, und einem, der unpflegbar wird. Zu locker, und der Graph sammelt beiläufige Beziehungen an, die niemand einheitlich abfragen kann. Zu streng, und jede neue Quelle verlangt eine Überarbeitung der Ontologie, bevor Daten geladen werden können.

Triple Stores und Graphdatenbanken

Knowledge Graphs liegen in spezialisierten Datenbanken, die auf das Durchlaufen von Beziehungen ausgelegt sind. Zwei Familien beherrschen das Feld:

• RDF Triple Stores (GraphDB, Stardog, Virtuoso, AWS Neptune), sie speichern Daten von Haus aus als Tripel aus Subjekt, Prädikat und Objekt, halten sich an die W3C-Standards (RDF, OWL, SPARQL) und sind am stärksten beim Schließen und Ableiten. Sie tauschen Bequemlichkeit beim Abfragen gegen förmliche Semantik.
• Property Graphs (Neo4j, TigerGraph, Memgraph), sie speichern Knoten und Kanten mit beliebigen Eigenschaften und werden über Sprachen wie Cypher oder Gremlin abgefragt. Sie sind entwicklerfreundlicher und meist schneller bei Lasten mit vielen Durchläufen, zum Preis schwächerer förmlicher Semantik.

Die Wahl zählt weniger, als die meisten Vergleichsartikel auf Käuferseite nahelegen. Worauf es ankommt, ist, ob der Graph aus gesteuerten Quellen gefüllt wird, ob er gepflegt wird, während sich die darunterliegende Datenlandschaft ändert, und ob er in den Rest der Datenplattform eingebunden ist.

Knowledge Graph und relationales Modell

Knowledge Graphs ersetzen relationale Datenbanken nicht, sie ergänzen sie. Jedes Modell ist für andere Fragen gebaut.

Ein relationales Schema ist stark, wenn Sie genau wissen, wonach Sie fragen: „Gib mir die Summe des Umsatzes im dritten Quartal nach Region“. Die Tabellen stehen fest, die Verknüpfungen sind vorhersehbar, der Abfrageplan ist optimiert. Sobald Sie aber fragen „Wer wäre betroffen, wenn sich dieser Datensatz ändert?“, also eine Frage, die beliebig viele Beziehungen durchlaufen muss, werden relationale Abfragen zu teuren rekursiven Verknüpfungen oder verlangen vorberechnete Materialisierungen, die veralten.

Ein Knowledge Graph behandelt Beziehungen als gleichrangige Bürger. Von einer Spalte über alle nachgelagerten Berichte, Verantwortlichen, Richtlinien und Dashboards zu laufen ist die natürliche Form einer Graphabfrage, keine umständliche Übersetzung. Deshalb laufen Folgenabschätzung, Data Lineage und Anwendungsfälle rund ums Auffinden auf Graphmodelle zu.

Der Preis: Graphen sind bei analytischen Verdichtungen weniger berechenbar. Monatliche Umsatzberichte fahren Sie nicht auf einem Knowledge Graph. Die fahren Sie auf einem Warehouse, und den Graphen nutzen Sie, um zu verstehen, woher die Zahlen kommen und was sie bedeuten.

Knowledge Graphs für KI und RAG

Der folgenreichste Wandel für Knowledge Graphs in den Jahren 2025 bis 2026 war ihre Übernahme als strukturelles Rückgrat für KI im Unternehmen. Rein vektorbasierter Abruf, der Standardweg früher RAG-Systeme, liefert Passagen, die der Frage ähnlich sehen. Knowledge Graphs liefern Fakten, die logisch zusammenhängen. Beides zu verbinden ist zur vorherrschenden Architektur geworden.

LLMs mit strukturiertem Kontext verankern

Ein Knowledge Graph gibt einem LLM einen strukturierten Blick auf das Fachgebiet, zu dem es Fragen beantwortet. Fragt ein Agent „Wer verantwortet derzeit den Datensatz zur Kundenabwanderung?“, liefert ein Blick in den Graphen eine genaue, überprüfbare Antwort, keinen Absatz aus einer Wiki-Seite, die überholt sein kann. Das ist gemeint, wenn die Branche von „Verankerung“ spricht: Ausgaben eines LLM an sachlichen, maschinell überprüfbaren Aussagen festzumachen.

In der Praxis heißt das: KI-Systeme fragen den Knowledge Graph nach strukturierten Fakten ab (Verantwortliche, Lineage, Qualitätskennzahlen, Richtlinien) und nutzen die Vektorsuche für unstrukturierten Kontext (Dokumentation, Entscheidungen, Diskussionen). Der Graph liefert das Skelett, die Vektoren das Fleisch.

GraphRAG und hybrider Abruf

„GraphRAG“ ist das Muster, das Durchlaufen eines Graphen mit vektorbasiertem Abruf in einer einzigen RAG-Strecke zu verbinden. Der Graph beantwortet „Welche Entitäten sind für diese Frage einschlägig“, der Vektorspeicher beantwortet „Welche Dokumente beschreiben diese Entitäten“. Der hybride Zugang schlägt reines Vektor-RAG in Prüfläufen im Unternehmen durchgängig, besonders bei mehrstufigen Fragen (Fragen, für die Fakten aus mehreren Quellen zusammenkommen müssen) und bei Fragen zu Entitäten, die häufig, aber in verschiedenen Bedeutungen vorkommen (Auflösung von Mehrdeutigkeit).

Knowledge Graphs für Agentic AI

Für Systeme mit Agentic AI ist der Knowledge Graph die Landkarte des Geländes. Plant ein Agent eine mehrstufige Aufgabe, fragt er den Graphen ab, um herauszufinden, welche Datensätze es gibt, wer für sie einsteht, wie sie zusammenhängen und welche Richtlinien gelten. Ohne Graph bleibt dem Agenten nichts, als die Datenlandschaft blind abzutasten, und dieses Muster trägt nicht über Spielzeugbeispiele hinaus.

Auch deshalb ist die Verbindung von Model Context Protocol (MCP) und Knowledge Graphs zu einem Referenzmuster geworden: MCP liefert das Protokoll, mit dem Agenten externe Systeme aufrufen, und der Knowledge Graph liefert das strukturierte Modell dessen, was diese Systeme enthalten.

Governance und der Knowledge Graph im Unternehmen

Ein Knowledge Graph ist nur so vertrauenswürdig wie die Prozesse, die ihn pflegen. Ein ungesteuerter Knowledge Graph wird zu einer selbstbewussten Quelle falscher Fakten, schlimmer als gar kein Graph, weil nachgelagerte Systeme seiner Struktur vertrauen. Drei Governance-Disziplinen tragen die Last:

Verantwortung und Stewardship

Jeder Entitätstyp in der Ontologie sollte eine festgelegte Verantwortung haben. Wer sorgt dafür, dass Datensatz-Entitäten korrekt bleiben? Wer pflegt die Ontologie selbst? Die Praktiken der Data Stewardship gelten unmittelbar: Der Graph braucht dieselben Rollendefinitionen, Abläufe und Eskalationswege wie die Datenbestände darunter.

Lineage, Herkunft und Aktualität

Jeder Fakt im Graphen sollte auf seine Quelle zurückführbar sein. Ist (CustomerDataset, ownedBy, FinanceTeam) ein Fakt, hat ihn jemand oder etwas behauptet: ein Katalog-Crawler, der Eintrag eines Stewards von Hand, eine abgeleitete Regel. Ohne Herkunft ist der Graph eine Blackbox. Mit ihr kann jeder nachgelagerte Nutzer, ob KI-Agent, Analystin oder Compliance-Team, jeden Fakt bestätigen oder anfechten.

Änderungen führen

Die Ontologie wird sich weiterentwickeln. Neue Entitätstypen kommen hinzu, Beziehungen werden umbenannt, Einschränkungen werden verschärft. Ohne geordnetes Änderungsmanagement zerbrechen diese Entwicklungen jede nachgelagerte Abfrage und jede Anbindung. Knowledge Graphs profitieren von denselben Mustern der Freigabesteuerung wie jedes gemeinsam genutzte Schema: Versionierung, Fristen für Abkündigungen, Folgenabschätzung.

Wie Dawiso Knowledge Graphs nutzt

Bei Dawiso ist ein Knowledge Graph keine Produktfunktion, er ist das Fundament der Plattform. Jedes Objekt in Dawiso (Datensätze, Berichte, Fachbegriffe, Richtlinien, Verantwortliche, Systeme) ist ein Knoten. Jede Beziehung (Verantwortung, Lineage, Governance, Zugehörigkeit) ist eine typisierte Kante. Jede KI-Fähigkeit auf der Plattform fragt diesen Graphen ab, bevor sie eine Antwort erzeugt.

Das Business Glossary ist der Semantic Layer über diesem Graphen: Fachbegriffe werden zu Knoten, über typisierte Beziehungen auf physische Datenbestände abgebildet, sodass Fragen wie „Was heißt aktiver Kunde und wo wird das berechnet?“ eine einzige, nachvollziehbare Antwort haben. Der Data Catalog füllt den Graphen mit Datensätzen und Spalten, angereichert durch KI-gestützte Metadatenfunktionen. Interactive Data Lineage macht den Teilgraphen der Beziehungen sichtbar, damit Stewards und Analystinnen das Unternehmen als zusammenhängendes System durchlaufen können statt als Ansammlung von Silos.

Für den Zugang durch KI stellt der Dawiso MCP Server diesen Knowledge Graph über das Model Context Protocol für externe Agenten bereit. Ein Agent kann den Graphen von Dawiso nach dem Kontext abfragen, den er braucht, also Verantwortung für Datensätze, Qualitätsbewertungen, Definitionen aus dem Glossar, Lineage, und dann auf diesem Kontext handeln, in der Gewissheit, dass er mit gesteuerten, aktuellen Fakten arbeitet.

Fazit

Knowledge Graphs machen aus Daten statt einer Ansammlung von Silos ein zusammenhängendes Modell des Unternehmens. Der Wert liegt nicht in der Datenstruktur Graph, sondern in der Ontologie, die dem Graphen Bedeutung gibt, und in der Governance, die ihn über die Zeit vertrauenswürdig hält. Für KI-Systeme ist der Knowledge Graph der Unterschied zwischen einem LLM, das plausibel klingende Antworten improvisiert, und einem, das über eine überprüfbare Landkarte des Unternehmens schließt.

Für Organisationen, die Agentic AI, semantische Suche oder irgendeine Form des Wissensabrufs im Unternehmen einführen, lautet die praktische Botschaft durchgängig: Investieren Sie in die Ontologie und die Governance, bevor Sie in die KI-Schicht investieren. Ein gut gesteuerter Knowledge Graph ist kein Ergebnis eines einzelnen Projekts, er ist ein Bestand, dessen Wert sich über jede KI- und Analytikinitiative hinweg verzinst, die Geschäftsdaten berührt.