Wo LLMs scheitern und warum Ontologien es nicht tun

Executive Summary

• Fragmente sind keine Antworten: Large Language Models (LLMs) können heute bereits Datenbanken und kleine Graphen abfragen, scheitern aber, sobald sich die Semantik weitet und „Kunde“, „Vertrag“, „Auftrag“ und „Fahrzeug“ in einer konsistenten Logik zusammenkommen. Aluna, die Semantic-Intelligence-Engine von digetiers innerhalb von d.AP, wurde genau für diese Grenze gebaut: Sie bewahrt Bedeutung, statt sie in Tabellen flachzuklopfen.
• Ontologie-gegründet, nicht Schema-gemappt: Aluna schlussfolgert direkt auf einem ontologie-gegründeten Knowledge Graph und interpretiert Fragen gegen die Entitäten, Beziehungen und Constraints des Unternehmens – nicht gegen das Schema einer einzelnen Anwendung. Aluna löst Bedeutung auf, erzeugt eine Live-SPARQL-Query und liefert eine Antwort, die in Ihrem Modell verankert ist, samt sichtbarer Logik dahinter.
• Der eigentliche Engpass ist Verständnis: Nicht die Query-Generierung ist das schwierige Problem, sondern das Verstehen von Ontologien, die Dutzende Domänen umspannen. Alunas Orchestrierungsschicht übernimmt Schema-Exploration, Vokabularerkennung und Taxonomie-Traversierung, damit das Modell mit globalem Kontext arbeitet statt mit isolierten Fragmenten.
• Grounding für jedes KI-System: Aluna ist nicht nur eine Schnittstelle für Menschen. Über offene Protokolle wie MCP und A2A stellt Aluna dasselbe Verständnis auch externen Copilots und Agenten als dauerhaften Grounding-Service bereit – so schlussfolgert jedes System im Unternehmen auf derselben Semantik.
• Von der Analyse zur Aktion: Aluna ist heute das analytische Herz von d.AP. Dieselbe semantische Grundlage ist darauf ausgelegt, sich in Richtung konfigurierbarer Mikro-Operationen zu erweitern: validierte, erklärbare Aktionen, ausgelöst durch dasselbe Verständnis, das auch der Analyse zugrunde liegt.

Einleitung

„Chat with your data“ ist zum Kürzel dafür geworden, Analytics dialogfähig zu machen. Und ja: Heutige Large Language Models können bereits Datenbanken abfragen, über MCP-Server mit APIs interagieren und sogar kleine graphbasierte Datenbestände verarbeiten. Doch sobald sich der semantische Rahmen weitet – wenn „Kunde“, „Vertrag“, „Auftrag“ und „Fahrzeug“ in einer konsistenten Logik koexistieren müssen –, beginnen diese Systeme zu scheitern. Sie beantworten Fragmente einer Frage, nicht die Frage selbst.

Bei digetiers haben wir Aluna genau für diese Grenze gebaut. Aluna ist keine weitere Oberfläche zum Abfragen strukturierter Daten. Aluna ist die Semantic-Intelligence-Engine unserer Plattform d.AP – eine Orchestrierungsschicht, die mit sehr großen Unternehmensontologien interagiert und semantisch korrekte Analysen in natürlicher Sprache liefert. Wo andere Bedeutung in Tabellen flachklopfen, bewahrt Aluna sie.

Aluna verstehen

Aluna ist die Konvergenz dreier Disziplinen, die selten in einem Produkt zusammentreffen: Knowledge-Graph-Reasoning, Ontologieverständnis und Orchestrierung von Sprachmodellen. Aluna sitzt zwischen Nutzerin und Daten und übersetzt natürlichsprachliche Absicht in faktenbasierte Logik.

Anders als herkömmliche „Semantic Layer“ (semantische Schichten), die häufig auf festen SQL-Mappings oder engen Metadatenmodellen beruhen, arbeitet Aluna direkt auf einem ontologie-gegründeten Knowledge Graph. Das heißt: Jede Frage wird gegen das konzeptuelle Modell des Unternehmens interpretiert – gegen seine Entitäten, Beziehungen und Constraints – und nicht durch die begrenzte Linse eines einzelnen Anwendungsschemas.

Das Ergebnis ist Präzision. Fragt jemand „Welche Kunden haben aktive Verträge, aber offene Service-Tickets?“, näht Aluna weder Text-Embeddings noch vorgefertigte Joins zusammen. Aluna schlussfolgert durch den Graphen, löst Bedeutung auf, erzeugt eine optimierte SPARQL-Query und führt sie live aus. Das Ergebnis ist keine Näherung, sondern eine Antwort, die in Ihrem Modell verankert ist.

Und jede Antwort trägt ihre Begründung mit sich: woher die Daten stammen, welche Filter, Joins und Aggregationen angewendet wurden, wie Aluna zum Ergebnis gekommen ist – alles nachvollziehbar. Das ist kein Reporting-Feature. Das ist es, was eine Antwort in einem Umfeld nutzbar macht, in dem irgendwann jemand fragen wird, warum die Zahl das aussagt, was sie aussagt.

Nicht nur für Menschen

Ein Assistent, der Fragen in natürlicher Sprache beantwortet, ist die sichtbare Hälfte von Aluna. Die andere Hälfte: Dasselbe Verständnis wird als Service bereitgestellt.

Über offene Protokolle wie MCP und A2A verbinden sich externe Copilots, Agenten und agentenbasierte Systeme direkt mit Aluna und erhalten das semantische Grounding, das sie für verlässliches Reasoning brauchen. Anwendungen konsumieren dasselbe Wissen über REST-APIs, Analytics-Plattformen als aggregierte Datenprodukte. Ein governtes Verständnis, konsistent ausgeliefert – ob der Konsument nun ein Mensch ist oder eine andere KI.

Das ist deshalb relevant, weil die Alternative genau das ist, was die meisten Unternehmen heute bauen: Jeder neue KI-Use-Case rekonstruiert Geschäftswissen von Grund auf, jeder Agent ist in einem System sprachfähig und für das nächste unverständlich. Aluna ist als gemeinsame Schicht darunter konzipiert – nicht als ein weiterer Endpunkt daneben.

Die Sprachmodelle, die Aluna orchestriert, werden in Europa gehostet und als modulare Komponente behandelt: verfeinert und ersetzt, sobald bessere Optionen verfügbar sind. Das Verständnis lebt im Semantic Layer, nicht in einem einzelnen Modell.

Warum Aluna skaliert, wo andere aufhören

Die eigentliche Herausforderung semantischer Intelligenz auf Unternehmensmaßstab ist nicht die Query-Generierung, sondern das Verstehen von Ontologien. Herkömmliche Systeme bewältigen kleine Graphen aus einer einzelnen Domäne; Aluna wurde für Ontologien entworfen, die Dutzende Domänen umspannen.

Dafür haben wir eine Orchestrierungsschicht entwickelt, die dem zugrunde liegenden Modell hilft, große Schemata zu verstehen, bevor es darüber schlussfolgert. Dazu gehören eigene Mechanismen für Schema-Exploration, Vokabularerkennung und Taxonomie-Traversierung. So erkennt Aluna, welche Teile der Ontologie für eine konkrete Frage relevant sind, ohne den globalen Kontext zu verlieren.

Diese Instruktionsschichten bringen dem Modell bei, zwischen verschiedenen Query-Mustern zu wählen, Reasoning-Pfade effizient zu kombinieren und den Rechenaufwand zu minimieren, ohne die Interpretierbarkeit aufzugeben. Nichts davon ist für Nutzerinnen und Nutzer sichtbar – aber jede Antwort spiegelt es wider.

Das ist der Unterschied zwischen einem Semantic Layer, der Daten mappt, und einem, der Bedeutung versteht. Die meisten Plattformen können Metadaten offenlegen; Aluna legt Verständnis offen.

Von Fragen zu Operationen

Aluna ist heute das analytische Herz von d.AP: ein Assistent, der Sprache in Analysen auf Live-Daten übersetzt. Doch dieselbe Grundlage eröffnet den Weg zu etwas Mächtigerem – dem Schließen der Lücke zwischen Erkenntnis und Handlung.

Dieselbe semantische Grundlage ist darauf ausgelegt, sich in Richtung konfigurierbarer Mikro-Operationen zu erweitern: Aufgaben, die auf demselben semantischen Verständnis handeln, das sie analysieren – stets validiert, stets erklärbar.

Wir sind zurückhaltend damit, wie viel dieser Roadmap wir preisgeben. Eines ist jedoch klar: Die Richtung geht zu einer KI, die Fragen nicht nur beantwortet, sondern versteht, was mit ihnen zu tun ist.

Fazit

In einem Markt voller „Semantic Layer“ und „Chat-with-Data“-Tools beruhen die meisten Lösungen weiterhin auf vordefinierten Mappings oder begrenzten Graphfragmenten. Sie machen Daten zugänglich, aber nicht wirklich verständlich. Aluna wurde für eine andere Problemklasse gebaut: für Reasoning über komplexe, vernetzte Ontologien, in denen Kontext, Hierarchie und Geschäftslogik ebenso zählen wie die Daten selbst.

Diese Fähigkeit entsteht nicht aus einem einzelnen Algorithmus. Sie entsteht aus der tiefen Verbindung von ontologischer Modellierung, Orchestrierungsdesign und Expertise im Sprach-Reasoning. Genau diese Synthese erlaubt es Aluna, zu skalieren, mit wachsenden Graphen präzise zu bleiben und Bedeutung im gesamten Unternehmen operativ nutzbar zu machen.

Wo andere Syntax übersetzen, versteht Aluna Semantik. Und das macht den Unterschied.