Was ist die semantische Lücke?

Die semantische Lücke ist der Bruch zwischen der Art, wie Daten gespeichert sind, also als technische Strukturen wie Tabellen, Spalten und Codes, und dem, was diese Daten fachlich und für Menschen tatsächlich bedeuten. Eine Spalte namens cust_t1_rev_ltm ist für die Maschine, die sie speichert, vollkommen klar und für alle anderen nahezu bedeutungslos; der Abstand zwischen dieser kryptischen technischen Form und dem fachlichen Konzept „Umsatz von Tier-1-Kunden über die letzten zwölf Monate“ ist die semantische Lücke. Sie ist der alltägliche Grund dafür, dass Daten so oft falsch gelesen, falsch genutzt oder nicht geglaubt werden.

Das zählt, weil fast jedes Datenproblem, das technisch aussieht, darunter ein Problem der semantischen Lücke ist. Zwei Analysten berechnen „Umsatz“ verschieden, weil die Daten ihre Bedeutung nicht mit sich tragen; ein Dashboard ist falsch, weil jemand die falsche kryptisch benannte Tabelle verknüpft hat; eine Führungskraft misstraut einer Zahl, weil niemand erklären kann, wofür sie steht. Und in der Ära der KI wird die Lücke akut: Ein LLM, das rohe Schemata liest, hat nur die technische Form zur Verfügung, rät also ohne eine Brücke die Bedeutung, und zwar selbstbewusst. Die semantische Lücke zu schließen, ist der eigentliche Zweck des Business Glossary, des Semantic Layer und letztlich eines Context Layer für KI.

Die semantische Lücke im Überblick

Der Begriff stammt aus der Informatik und der KI-Forschung, wo er den Unterschied zwischen den niedrigen Repräsentationen benennt, mit denen eine Maschine arbeitet, und den hohen Konzepten, die ein Mensch versteht. Im Datenmanagement nimmt er eine konkrete Form an: die Lücke zwischen den physischen Daten (wie sie in der Datenbank strukturiert und benannt sind) und den begrifflichen Daten (wofür sie in der Welt und im Geschäft stehen).

Die Lücke besteht, weil Daten auf Speicherung und Verarbeitung hin optimiert sind und nicht auf menschliches Verstehen. Spaltennamen sind knapp, Codes sind kodiert, Strukturen spiegeln den Entwurf der Datenbank statt der fachlichen Logik, und das Wissen darüber, was das alles bedeutet, lebt in den Köpfen der wenigen Menschen, die es gebaut haben. Die Daten sind vollständig und korrekt, und doch fehlt ihre Bedeutung in den Daten selbst. Diese fehlende Bedeutung ist die Lücke.

Wo sie sich zeigt

Die semantische Lücke kündigt sich selten an; sie zeigt sich als eine Reihe vertrauter Ärgernisse:

• Uneinheitliche Kennzahlen. Ohne gemeinsame Bedeutung definiert jedes Team „Umsatz“ oder „aktiver Nutzer“ anders, die Wurzel der endlosen Debatte darüber, wessen Zahl stimmt.
• Falsch genutzte Daten. Eine Analystin greift zu einer plausibel aussehenden Spalte, die etwas fein anderes bedeutet als angenommen, und die Auswertung ist still falsch.
• Langsames Finden. Menschen verbringen Stunden damit, die richtigen Daten zu suchen und Kollegen zu fragen, was Felder bedeuten, weil die Bedeutung nicht an den Daten hängt.
• Schwindendes Vertrauen. Wenn niemand erklären kann, wofür eine Zahl steht und woher sie kommt, bricht das Vertrauen in die Daten zusammen.

Jedes davon wird meist als eigenes Problem behandelt; alle sind Symptome derselben semantischen Lücke.

Warum sie für KI zählt

Für Menschen ist die semantische Lücke eine Reibungssteuer: langsamere Arbeit, gelegentliche Fehler, wiederkehrende Streitgespräche. Für KI ist sie gefährlicher, denn eine KI hat nichts von dem impliziten Wissen, auf das ein Mensch zurückgreift. Eine erfahrene Analystin, die cust_t1_rev_ltm sieht, kann raten, eine Kollegin fragen oder das Ergebnis auf Plausibilität prüfen. Ein LLM, das dasselbe Schema liest, hat nur den buchstäblichen Text, füllt die Lücke mit einer plausiblen Annahme und liefert eine selbstbewusste, sprachgewandte und womöglich falsche Antwort, ohne jedes Signal, dass es geraten hat.

Das ist das zentrale Problem beim Erden von KI im Unternehmen: Das Modell ist eloquent, aber ohne Kontext zu Ihrem Geschäft, und die semantische Lücke ist genau dieser fehlende Kontext. Deshalb enttäuscht es, ein LLM einfach auf eine Datenbank zu richten, und deshalb hängt verlässliche KI im Unternehmen daran, Bedeutung zuerst ausdrücklich und maschinenlesbar zu machen, also die semantische Lücke zu schließen, damit das Modell über gesteuerter Bedeutung schließt, statt sie zu erraten.

Wie man sie schließt

Die semantische Lücke schließt sich nur auf einem Weg: indem man Bedeutung ausdrücklich macht und an die Daten heftet, statt sie in den Köpfen der Menschen zu lassen. Die Werkzeuge, die das leisten und sich gegenseitig verstärken, sind die Bausteine der Data Governance:

• Business Glossary. Vereinbarte, verantwortete Definitionen jedes Begriffs und jeder Kennzahl, also die kanonische Aussage darüber, was die Dinge bedeuten.
• Semantic Layer. Diese Definitionen, abgebildet auf die physischen Daten, sodass die Bedeutung für jedes Werkzeug einheitlich berechnet wird.
• Metadaten und Lineage. Die Beschreibungen, die Verantwortung und die Herkunft, die jedem Bestand Kontext und Vertrauen geben.
• Ontologie. Ein formales Modell der Konzepte und ihrer Beziehungen, sodass Bedeutung nicht nur definiert, sondern strukturiert und für das Schließen bereit ist.

Zusammen machen sie aus implizitem Wissen einzelner Gruppen eine ausdrückliche, gesteuerte Bedeutung, die mit den Daten mitreist.

Wie Dawiso sie schließt

Die semantische Lücke zu schließen, ist im Grunde die ganze Aufgabe eines gesteuerten Katalogs, und genau dafür ist Dawiso gebaut. Das Business Glossary hält die vereinbarte Bedeutung jedes Begriffs und jeder Kennzahl fest und verknüpft sie mit den physischen Daten, die sie umsetzen, sodass die kryptische Spalte und das fachliche Konzept endlich verbunden sind. Die interaktive Data Lineage ergänzt den Kontext und die Herkunft, die erklären, woher eine Zahl stammt, und die von KI gestützte Anreicherung macht aus rohen, undokumentierten Metadaten fachlich lesbare Beschreibungen in großer Zahl und greift die Lücke damit über Tausende von Beständen an, die sich von Hand nie dokumentieren ließen. Und weil Dawiso diese gesteuerte Bedeutung über den Context Layer und MCP an KI-Agenten ausliefert, schließt es die Lücke nicht nur für Menschen, die einen Katalog durchsehen, sondern auch für die Modelle, die über Ihren Daten schließen, sodass die KI sie so liest, wie das Geschäft sie meint.

Fazit

Die semantische Lücke ist die stille Wurzel eines überraschend großen Teils der Datenprobleme: Die Bedeutung der Daten lebt in den Köpfen der Menschen und nicht in den Daten selbst, und so driften die kryptische technische Form und das echte fachliche Konzept auseinander. Für Menschen ist das Reibung; für KI, die auf kein implizites Wissen zurückgreifen kann, ist es der Unterschied zwischen einer geerdeten Antwort und einer selbstbewussten Halluzination. Das Mittel ist immer dasselbe: Bedeutung ausdrücklich machen und über ein Glossar, einen Semantic Layer, Metadaten und eine Ontologie an die Daten heften. Schließen Sie die semantische Lücke, und der Gewinn ist groß und sofort spürbar: einheitliche Kennzahlen, verlässliche Daten, schnelleres Finden und eine KI, die endlich versteht, was Ihre Daten bedeuten.