Was ist eine Ontologie in der KI?

Eine Ontologie ist ein förmliches, ausdrückliches Modell der Konzepte einer Domäne, ihrer Eigenschaften und, entscheidend, der Beziehungen zwischen ihnen, ausgedrückt so, dass Menschen wie Maschinen es deuten können. Wo ein Glossar Begriffe in Prosa festlegt, legt eine Ontologie sie strukturell fest: Sie sagt, dass ein Kunde eine Bestellung platziert, dass eine Bestellung Produkte enthält und dass ein Kunde eine Art von Partei ist. Damit kodiert sie nicht bloß, was jedes Konzept ist, sondern auch, wie es sich verbindet und welche Regeln dafür gelten. In der KI ist eine Ontologie die geteilte, maschinenlesbare Karte der Bedeutung, die ein System über eine Domäne schließen lässt, statt nur Fakten über sie zu speichern.

Das zählt, weil Schließen Struktur verlangt. Ein großes Sprachmodell, das auf dem offenen Web trainiert wurde, hat breites Allgemeinwissen, aber kein förmliches Modell der Konzepte und Regeln Ihres Unternehmens. Es kann daher nicht verlässlich ableiten, dass eine erstattete Bestellung nicht zum Umsatz zählen darf oder dass ein „ruhender“ Kunde ein früher „aktiver“ ist. Eine Ontologie liefert genau dieses strukturierte Wissen über die Domäne, und sie ist für verlässliche KI im Unternehmen zentral geworden: Sie ist das Rückgrat von Knowledge Graphs, die Struktur hinter GraphRAG und ein wichtiger Weg, LLMs in den tatsächlichen Beziehungen einer Domäne zu erden, statt sie raten zu lassen.

Ontologie im Überblick

Die klassische Definition stammt von Tom Gruber und lautet, eine Ontologie sei „an explicit specification of a conceptualization“, also eine ausdrückliche Spezifikation einer Begriffsbildung. Aufgeschlüsselt: Sie macht ein geteiltes Verständnis (die Begriffsbildung) einer Domäne ausdrücklich, indem sie es förmlich aufschreibt. Eine Ontologie legt üblicherweise Klassen fest (die Arten von Dingen: Kunde, Bestellung, Produkt), Eigenschaften (Merkmale dieser Dinge: Ein Kunde hat einen Namen und eine Stufe), Beziehungen (wie Klassen sich verbinden: Kunde platziert Bestellung) und oft auch Regeln oder Axiome (Bedingungen und Logik: Jede Bestellung muss mindestens ein Produkt enthalten).

Die bestimmende Eigenschaft ist, dass all das maschinell deutbar ist. Weil die Konzepte und Beziehungen förmlich festgelegt sind, kann Software sie durchlaufen, gegen sie prüfen und aus ihnen neue Fakten ableiten, etwa dass ein Kunde mit einer Region verbunden ist, wenn er eine Bestellung platziert und diese Bestellung in dieser Region liegt, auch wenn das niemand unmittelbar gesagt hat. Diese Fähigkeit zum Ableiten unterscheidet eine Ontologie von einem bloßen Datenlexikon.

Ontologie und Taxonomie

Ontologien werden oft mit Taxonomien verwechselt, doch eine Ontologie ist streng genommen reicher:

• Eine Taxonomie ordnet Konzepte in eine Hierarchie: Eltern und Kind, weiter und enger, „ist eine Art von“. Sie beantwortet Fragen der Einordnung (eine Limousine ist eine Art Auto, das eine Art Fahrzeug ist). Sie ist ein Baum.
• Eine Ontologie enthält die Hierarchie und ergänzt beliebige typisierte Beziehungen und Regeln, also nicht nur „ist ein“, sondern auch „platziert“, „gehört“, „hängt ab von“, „steuert“. Sie beantwortet Fragen nach Beziehung und Ableitung. Sie ist ein Graph und nicht bloß ein Baum.

Einfach gesagt: Eine Taxonomie sagt Ihnen, was etwas ist; eine Ontologie sagt Ihnen, was etwas ist und wie es sich zu allem anderen verhält. Genau dieser zusätzliche Reichtum an Beziehungen ist das, was das Schließen einer KI braucht.

Ihre Rolle in der KI

Ontologien gehören zur KI, lange bevor es LLMs gab: Sie sind das Fundament der „symbolischen“ oder wissensbasierten Linie, in der Intelligenz aus ausdrücklichem, beschließbarem Wissen kommt. Heute spielen sie in der modernen, um LLMs herum gebauten KI drei einander verstärkende Rollen:

• Erdung in der Domäne. Eine Ontologie gibt einem Allzweckmodell die bestimmten Konzepte, Beziehungen und Regeln Ihrer Domäne, sodass es richtig über Ihr Unternehmen schließt und nicht aus allgemeinem Wissen aus dem Web.
• Struktur für den Abruf. Wissen, das von einer Ontologie strukturiert ist, trägt GraphRAG: Statt unverbundene Textbrocken abzurufen, durchläuft die KI festgelegte Beziehungen und stellt daraus verbundenen, einschlägigen Kontext zusammen.
• Einheitlichkeit und Prüfung. Weil eine Ontologie Regeln kodiert, kann sie Ausgaben begrenzen und prüfen und damit Antworten abfangen, die der Logik der Domäne widersprechen (etwa eine stornierte Bestellung als Umsatz zu behandeln).

Der breite Trend heißt „neuro-symbolische“ KI: die Sprachgewandtheit neuronaler Modelle mit der Strenge symbolischer Ontologien verbinden, sodass das System zugleich beredt und richtig ist.

Ontologien und Knowledge Graphs

Ontologien und Knowledge Graphs hängen eng zusammen und werden oft verwechselt. Am klarsten sieht man das Verhältnis so: Die Ontologie ist das Schema, der Knowledge Graph sind die Daten. Die Ontologie legt die Arten von Dingen und Beziehungen fest, die es geben kann (die Klassen Kunde und Bestellung, die Beziehung platziert); der Knowledge Graph ist mit den tatsächlichen Instanzen gefüllt (dieser bestimmte Kunde hat diese bestimmten Bestellungen platziert). Eine Ontologie ohne Instanzen ist ein leeres Modell; ein Knowledge Graph ohne Ontologie ist ein Haufen Kanten ohne vereinbarte Bedeutung. Zusammen geben sie der KI eine strukturierte, abfragbare, zum Schließen bereite Darstellung einer Domäne, und genau deshalb sind beide für das Erden von KI im Unternehmen zentral.

Wie Dawiso sie nutzt

Dawiso holt die Idee der Ontologie für die Data Governance auf den Boden: Die Konzepte und Beziehungen, die eine Ontologie förmlich fasst, sind genau das, was ein gesteuertes Business Glossary und ein verbundener Katalog festhalten. Fachliche Begriffe sind die Konzepte; die Beziehungen zwischen Begriffen und zwischen Begriffen und den physischen Daten, die sie umsetzen, bilden das strukturierte Modell; und eine KI-gestützte Anreicherung hilft beim Bauen, indem sie diese Beziehungen vorschlägt, statt zu verlangen, dass alle von Hand modelliert werden. Das Ergebnis ist eine verbundene, maschinenlesbare Karte der Bedeutung Ihrer Domäne, also die praktische, gesteuerte Gestalt einer Ontologie, die der Context Layer den Agenten der KI über MCP zustellt. Ein Agent, der über Ihre Daten schließt, tut das damit mit den Konzepten und Beziehungen Ihrer Domäne und nicht bloß mit allgemeinem Wissen: Struktur auf dem Niveau einer Ontologie, geliefert aus dem Katalog, den Sie ohnehin steuern.

Fazit

Eine Ontologie ist das strukturierte Rückgrat der Bedeutung: ein förmliches, maschinenlesbares Modell der Konzepte, Beziehungen und Regeln einer Domäne, das KI schließen lässt statt bloß erinnern. Sie geht über die Hierarchie einer Taxonomie hinaus und hält fest, wie alles zusammenhängt, und sie bildet mit Knowledge Graphs ein Paar (Schema und Daten), das der KI eine verbundene, zum Ableiten fähige Sicht auf eine Domäne gibt. In einer Zeit, in der sprachgewandte Modelle immer noch kein geerdetes Wissen über eine Domäne haben, liefert die Ontologie genau das Fehlende. Sie brauchen dafür kein Forschungsprojekt: Halten Sie Ihre Konzepte und ihre Beziehungen in einem gesteuerten Glossar und Katalog fest, und Sie haben die arbeitende Ontologie, die Ihre KI braucht, um Ihr Unternehmen zu verstehen.