Ontologie und Semantic Layer im Vergleich

Eine Ontologie und ein Semantic Layer legen beide eine Schicht der Bedeutung über die rohen Daten, und die beiden Begriffe werden zunehmend in einem Atemzug genannt, besonders in Debatten über KI, was einen echten und nützlichen Unterschied verwischt. Ein Semantic Layer legt fachliche Kennzahlen und Dimensionen fest, damit die Analyse einheitlich ist: Er sagt, wie „Umsatz“ berechnet wird und was „Kunde“ als abfragbare Entität bedeutet. Eine Ontologie modelliert Konzepte, ihre Beziehungen und Regeln, damit Systeme schließen können: Sie sagt, dass ein Kunde Bestellungen platziert, dass eine Bestellung sich auf Produkte und eine Region bezieht, und was daraus logisch folgt.

Der Unterschied zählt, weil die beiden verschiedene Aufgaben lösen und KI beides braucht. Der Semantic Layer beantwortet „was ist die vereinbarte Zahl?“, was für vertrauenswürdige Kennzahlen unverzichtbar ist. Die Ontologie beantwortet „wie hängt diese Domäne zusammen, und was lässt sich daraus ableiten?“, was für das Schließen unverzichtbar ist. Beide für dasselbe zu halten führt dazu, dass Teams das eine bauen und annehmen, sie hätten das andere; den Unterschied zu verstehen erlaubt Ihnen, eine Schicht der Bedeutung zu bauen, die zugleich einheitlich (Semantic Layer) und verbunden (Ontologie) ist.

Beide im Überblick

Ein Semantic Layer sitzt zwischen den physischen Daten und den nutzenden Werkzeugen und bildet technische Strukturen auf fachlich verständliche Kennzahlen und Dimensionen ab. Seine Einheit ist die Kennzahl (oder das Maß) und die Dimension: Er legt fest, dass „monatlicher Umsatz“ auf eine bestimmte Weise berechnet wird und sich nach Region oder Produkt schneiden lässt. Sein Zweck ist Einheitlichkeit: Jedes Werkzeug und jeder Nutzer bekommt dieselbe Definition derselben Zahl. Er ist im Kern ein Konstrukt der Analyse.

Eine Ontologie sitzt über den Daten als förmliches Modell der Domäne selbst. Ihre Einheit ist das Konzept (die Klasse) und die Beziehung: Sie legt fest, was ein Kunde ist, was eine Bestellung ist und dass ein Kunde eine Bestellung platziert, dazu Regeln darüber, was gültig ist. Ihr Zweck ist das Schließen: Menschen und Maschinen sollen die Struktur der Domäne durchlaufen und aus ihr ableiten können. Sie ist im Kern ein Konstrukt des Wissens.

Der Kern des Unterschieds

Am schärfsten sieht man den Unterschied daran, was sich mit jedem fragen lässt:

• Ein Semantic Layer lässt Sie fragen: „Wie hoch war der monatliche Umsatz je Region, einheitlich definiert?“, also eine Messung, gerechnet auf die vereinbarte Weise.
• Eine Ontologie lässt Sie fragen: „Wie hängt ein Kunde über Bestellungen mit einem Produkt zusammen, und was lässt sich über Kunden ableiten, die es gekauft haben?“, also eine Beziehung und eine Ableitung.

Kurz: Beim Semantic Layer geht es um Maße (einheitliche Quantifizierung), bei der Ontologie um Bedeutung und Beziehungen (verbundenes Schließen). Ein Semantic Layer ist näher an einem strukturierten Satz vereinbarter Berechnungen; eine Ontologie ist näher an einem Graphen davon, wie die Welt zusammenpasst. Es sind verschiedene Gestalten von Bedeutung für verschiedene Aufgaben.

Gegenüberstellung

Entlang der Dimensionen, die die beiden unterscheiden:

• Kerneinheit. Semantic Layer: Kennzahlen und Dimensionen. Ontologie: Konzepte und typisierte Beziehungen.
• Hauptzweck. Semantic Layer: einheitliche Messung. Ontologie: Schließen und Ableiten.
• Leitfrage. Semantic Layer: „was ist die vereinbarte Zahl?“ Ontologie: „wie hängt die Domäne zusammen, und was folgt daraus?“
• Gestalt. Semantic Layer: ein strukturierter Satz von Berechnungen. Ontologie: ein Graph aus Konzepten und Beziehungen.
• Nutzen für KI. Semantic Layer: erdet Antworten zu Kennzahlen und Text-to-SQL einheitlich. Ontologie: erdet GraphRAG, Knowledge Graphs und das Schließen über Beziehungen.
• Förmlichkeit. Semantic Layer: fachlich verständliche Definitionen. Ontologie: förmlich, regeltragend, zum Ableiten fähig.

Sie sind keine Rivalen: Sie beantworten verschiedene Fragen über dieselben Daten, und eine reife Schicht der Bedeutung enthält zunehmend beides.

Brauchen Sie beides?

Für klassisches BI reicht ein starker Semantic Layer oft aus: Die meisten Bedürfnisse der Analyse lauten „rechne diese Kennzahl einheitlich“. Doch sobald Organisationen zu Agentic AI und zu Oberflächen in natürlicher Sprache vorstoßen, zeigen sich die Grenzen einer Bedeutung, die nur aus Kennzahlen besteht: Ein Agent, dem eine offene Frage gestellt wird, muss Beziehungen durchlaufen („welche Produkte kaufen abwandernde Kunden der ersten Stufe?“) und nicht bloß ein vordefiniertes Maß holen, und das ist die Aufgabe einer Ontologie oder eines Graphen. Umgekehrt lässt eine Ontologie ohne vereinbarte Kennzahlen „Umsatz“ weiterhin mehrdeutig, wenn jemand die Zahl will. Die beiden decken die Lücken des jeweils anderen: Der Semantic Layer verbürgt, dass die Maße einheitlich sind; die Ontologie verbürgt, dass die Beziehungen verbunden und schließbar sind. Für vertrauenswürdige KI im Unternehmen wollen Sie zunehmend beides, und hilfreicherweise lassen sich beide aus derselben Quelle gesteuerter Bedeutung bauen.

Wie Dawiso es angeht

Dawiso baut beides aus einem gesteuerten Fundament, statt sie als getrennte Projekte zu behandeln. Das Business Glossary ist die Heimat des Semantic Layer: vereinbarte Definitionen jeder Kennzahl und jedes Begriffs, abgebildet auf die physischen Daten, damit die Zahlen über Werkzeuge und KI hinweg einheitlich bleiben. Dasselbe Glossar liefert, verbunden, die Ontologie: Begriffe werden zu Konzepten, und die Beziehungen zwischen ihnen (und zu den Daten, die sie umsetzen) bilden den Graphen, den eine KI durchlaufen und über den sie schließen kann, wobei eine KI-gestützte Anreicherung diese Beziehungen vorschlägt, sodass das Modell wächst, ohne reine Handarbeit zu sein. Die interaktive Lineage ergänzt beides um die Herkunft. Und der Context Layer stellt diese doppelte Bedeutung, nämlich einheitliche Maße und verbundene Beziehungen, den Agenten der KI über MCP zu. Sie wählen nicht Ontologie oder Semantic Layer; Sie bauen eine gesteuerte Schicht der Bedeutung, die beides ist.

Fazit

Ontologie gegen Semantic Layer ist eine falsche Wahl im Gewand eines Vergleichs. Ein Semantic Layer macht Ihre Zahlen einheitlich, indem er Kennzahlen und Dimensionen festlegt; eine Ontologie macht Ihre Domäne schließbar, indem sie Konzepte, Beziehungen und Regeln modelliert. Sie beantworten verschiedene Fragen, nämlich „was ist das vereinbarte Maß?“ gegen „wie hängt die Domäne zusammen?“, und KI braucht zunehmend beides: einheitliche Maße, um den Zahlen zu trauen, und verbundene Beziehungen, um über sie zu schließen. Die gute Nachricht ist, dass beide aus derselben Wurzel wachsen, nämlich einem gesteuerten Glossar und Katalog der Bedeutung, sodass das Ziel nicht die Wahl ist, sondern eine Schicht der Bedeutung, die zugleich einheitlich und verbunden ist.