LPGs sind keine Ontologien: Warum Ihre KI formale Semantik braucht

Zusammenfassung

Labeled Property Graphs (LPGs) und herstellerspezifische Ontologiesprachen sind nützlich, um Daten zu modellieren und zu visualisieren, doch sie liegen in einem Mittelfeld zwischen einfachen semantischen Schichten und echten, formalen Ontologien.

Sie bieten zwar mehr Struktur als traditionelle BI, doch ihnen fehlen die formale Logik, die Konsistenzprüfung und die Interoperabilität von Standards wie RDF, OWL und SHACL.

Damit Generative AI und autonome Agenten zuverlässiges, erklärbares Reasoning über komplexe Geschäftsdomänen hinweg leisten können, brauchen sie die maschineninterpretierbare Bedeutung, die nur formale Ontologien liefern können.

Proprietäre Lösungen erzeugen einen Vendor-Lock-in und behindern den Aufbau eines einheitlichen, systemübergreifenden Wissensgewebes.

Der Schlüssel liegt darin, formale Ontologien als stabiles semantisches Rückgrat zu nutzen und LPGs als performante Datenstruktur einzusetzen – nicht als Ersatz für echte Wissensrepräsentation.

Einleitung

Im Wettlauf um den Aufbau intelligenter, KI-getriebener Unternehmen wenden sich Teams zu Recht den Graphentechnologien zu. Labeled Property Graphs (LPGs) von Anbietern wie Neo4j sowie die proprietären „Ontologie"-Schichten in Plattformen von Palantir bis Snowflake bieten einen flexiblen und intuitiven Weg, um unterschiedliche Daten zu verbinden. Sie stellen explizite Knoten und Beziehungen bereit – ein bedeutender Fortschritt gegenüber der impliziten Semantik traditioneller BI- und Datenplattformen.

Diese Ansätze sind jedoch unvollständige Bausteine. Sie bieten eine nützliche Struktur für Daten, bleiben aber hinter echtem, maschineninterpretierbarem Wissen zurück. Damit Generative AI, LLMs und autonome Agenten über das einfache Abrufen von Daten hinausgehen und komplexes, zuverlässiges Reasoning leisten können, brauchen sie mehr als nur beschriftete Verbindungen. Sie brauchen formale Semantik.

Die zentrale Unterscheidung: Daten modellieren vs. Wissen modellieren

Der grundlegende Unterschied liegt darin, was modelliert wird.

• LPGs modellieren Datengraphen. Sie eignen sich hervorragend, um bekannte Verbindungen zwischen konkreten Datenpunkten abzubilden und zu durchlaufen. Sie beantworten die Frage: „Wie sind diese Instanzen verbunden?"
• Formale Ontologien (mit RDF/OWL/SHACL) modellieren Weltwissen. Sie definieren die Klassen, Eigenschaften, Regeln und Constraints, die eine Domäne bestimmen. Sie beantworten die Frage: „Was bedeutet es, ein ‚Customer' zu sein, und welche Beziehungen sind möglich?"

Ein LPG kann Ihnen sagen, dass Knoten A isConnectedTo Knoten B. Eine Ontologie kann Ihnen sagen, dass Knoten A eine Instanz der Klasse Service Ticket ist, Knoten B eine Instanz der Klasse Product, und dass ein Service Ticket mit genau einem Product in Beziehung stehen muss. Das erlaubt einem KI-Agenten, über die Verbindung zu schließen, sie zu validieren und über sie zu reasonen – nicht nur, ihr zu folgen.

Wo LPGs glänzen (und wo sie nicht ausreichen)

LPGs sind leistungsstarke Werkzeuge für:

• schnelle, flexible Modellierung realer Domänen;
• hochperformante Graph-Traversierungen und Pfadsuche;
• Speicherung und Abfrage semistrukturierter Daten;
• explizite Struktur, die LLMs hilft, Beziehungen zu erkennen, und so jene Art von Halluzinationen reduziert, die bei rein textbasiertem RAG auftritt.

Doch für KI im Enterprise-Maßstab werden ihre Beschränkungen kritisch. LPGs fehlt es an:

• Formaler Logik und Inferenz: Sie können weder logisch neue Fakten ableiten noch automatisch auf Inkonsistenzen prüfen.
• Standardisierter Bedeutung: Die Bedeutung eines Labels ist informell und kontextabhängig, nicht in einer gemeinsamen, maschinenlesbaren Definition verankert.
• Interoperabilität: Ein Graphmodell des einen Anbieters lässt sich nicht ohne Weiteres mit dem eines anderen zusammenführen, was den Aufbau eines einheitlichen Enterprise-Knowledge-Layer behindert.

Die Falle proprietärer „Ontologien"

Viele Plattformanbieter bieten inzwischen eigene „Ontologie"-Modellierungsdialekte an. Diese sind ein Fortschritt gegenüber einfachen Metadaten und stellen eigene Typen und Beziehungen bereit, die gut in ihre Produkt-Ökosysteme integriert sind. Sie bringen jedoch einen entscheidenden Nachteil mit sich: den Vendor-Lock-in.

Diese proprietären Modelle sind:

• nicht auf offenen Standards basierend, was ihren Export oder die Integration mit anderen Systemen erschwert;
• außerhalb der Toolchain des Anbieters nicht formal verifizierbar;
• eine Hürde für den Aufbau einer wahrhaft interoperablen Multi-Agenten-Landschaft, in der verschiedene KI-Systeme ein gemeinsames Verständnis des Geschäfts teilen und darüber schließen können.

Sie sind semantisch reichhaltiger als eine einfache BI-Schicht, aber weit schwächer und weniger portabel als eine echte Ontologie, die auf W3C-Standards wie OWL und RDF aufbaut.

Warum das für Generative AI und Agenten wichtig ist

Für ein LLM oder einen KI-Agenten ist der Unterschied tiefgreifend.

• Mit einem LPG sieht der Agent eine hilfreiche Datenstruktur. Er kann von Punkt zu Punkt navigieren, was besser ist, als Joins aus Tabellennamen zu erraten. Aber er versteht die Bedeutung der Knoten oder die Regeln, die ihre Verbindungen bestimmen, nicht vollständig.
• Mit einer formalen Ontologie verfügt der Agent über einen maschinenlesbaren Bedeutungsvertrag. Er kann „Schema-RAG" durchführen: Wissen über die Struktur der Domäne abrufen (die Klassen, Eigenschaften und Constraints), bevor er überhaupt die Daten abfragt. Das versetzt ihn in die Lage, Nutzerfragen zu disambiguieren, Annahmen zu validieren und Abfragen zu konstruieren, die garantiert semantisch korrekt sind.

Das ist der Unterschied zwischen einem Assistenten, der Daten findet, und einem, der Wissen versteht.

Fazit: Wenn Sie sich nur eines merken \ldots

Labeled Property Graphs und proprietäre Ontologiedialekte sind wertvolle Werkzeuge im Daten-Stack, aber sie sind kein Ersatz für formale, standardbasierte Ontologien. Sie liefern nützliche semantische Strukturen, doch ihnen fehlen die logische Formalität, die Interoperabilität und die systemübergreifende Bedeutung, die Enterprise AI für zuverlässiges, erklärbares und skalierbares Reasoning benötigt.

LPGs sind gute Datenstrukturen, aber eine formale Ontologie ist das Fundament eines echten Wissenssystems. Für Unternehmen, die es mit dem Aufbau eines dauerhaften, intelligenten Datengewebes (Data Fabric) ernst meinen, ist das architektonische Prinzip klar: Agilität auf der Datenschicht, Stabilität auf der semantischen Schicht.