KI ist dumm!

Unternehmen verfügen heute über mehr Daten als je zuvor, doch der Transfer hin zu echtem, maschinenverwertbarem Wissen stagniert. Während Large Language Models (LLMs) beeindruckende Texte generieren, agieren sie ohne fundierte Wissensorganisation oft als “statistische Taschenspieler”, die Fakten raten, anstatt Bedeutung zu verstehen. Die Herausforderung für die Digitalisierungs-Roadmap 2026 besteht darin, eine semantische Schicht einzuziehen, die Informationen nicht nur speichert, sondern ihre konzeptionellen Zusammenhänge explizit macht. Nur durch dieses Fundament aus Ontologien und Knowledge Graphs können KI-Systeme in komplexen Domänen wie dem Engineering oder der Medizin verlässliche Ergebnisse liefern.

Moderator Felix Lerche diskutiert diese technologische Tiefe mit drei Experten für Wissensrepräsentation. Dr. Oliver Karras forscht an der Schnittstelle von Requirements Communication und maschineller Zugänglichkeit von Wissen und zeigt auf, wie Semantik den Qualitätsverlust in der Wissenschaft verhindert. Dr. Oskar von Dungern bringt seine weitreichende Erfahrung in der semantischen Interoperabilität ein und treibt die internationale Standardisierung robuster Datenstrukturen voran. Dr. Alexander Nyßen, EVP Digital Engineering bei der itemis AG, ergänzt die Runde um die Perspektive des organisatorischen Nutzens und der praktischen Transformation von implizitem Expertenwissen in explizite Modelle.

Zentrale Erkenntnisse der semantischen Wissensorganisation

• Data Meaning Gap schließen: Es existiert ein Bruch zwischen der Intention des Datenerzeugers und der Interpretation durch den Konsumenten, der nur durch explizite Semantik geheilt werden kann.
• Wissen statt Dokumente: Informationen müssen aus unstrukturierten Formaten wie PDFs entkapselt und in Grafstrukturen überführt werden, um für Maschinen interpretierbar zu sein.
• Neurosymbolische KI als Ziel: Die Kombination aus statistischen Sprachmodellen (neuronal) und strukturierten Wissensgrafen (symbolisch) minimiert Halluzinationen und maximiert die Verlässlichkeit.
• Domänenspezifische Ontologien: Standardisierungen wie bei der OMG (Object Management Group) sind notwendig, um Interoperabilität über Abteilungsgrenzen hinweg zu gewährleisten.

Die Überwindung der Data Meaning Gap

Das Kernproblem moderner IT-Landschaften ist die implizite Bedeutung. Daten werden in Silos erzeugt, wobei der Kontext oft nur in den Köpfen der Experten existiert. Wenn ein Analyst oder eine KI auf diese Daten zugreift, fehlt die Beschreibung der Bedeutung (Semantik), was zu mühsamen Rücksprachen oder Fehlinterpretationen führt. Eine semantische Schicht liefert die Definitionen, Einheiten und Beziehungen direkt mit den Datenpunkten aus.

Knowledge Graphs vs. Relationale Datenbanken

Klassische relationale Datenbanken stoßen bei der Abbildung komplexer Realwelt-Beziehungen an ihre Grenzen. Wissensgrafen hingegen nutzen Knoten (Entitäten) und Kanten (Beziehungen), um Wissen so abzubilden, wie es in der Realität existiert. Ein Dokument ist hier nicht nur eine Datei, sondern ein Knoten mit Metadaten und Beziehungen zu Maschinen, Prozeduren oder Verantwortlichen. Diese Struktur ermöglicht es, Zusammenhänge über Domänengrenzen hinweg abzufragen, ohne die zugrunde liegende Software bei jeder Schema-Erweiterung ändern zu müssen.

Neurosymbolische KI: Wenn Statistik auf Logik trifft

Die aktuelle Generation der generativen KI leidet unter dem Problem, dass sie auf Wahrscheinlichkeiten basiert. In sicherheitskritischen Bereichen oder komplexen Ingenieursprozessen ist “Raten” jedoch nicht akzeptabel. Die Lösung liegt im neurosymbolischen Ansatz: Das LLM übernimmt den natürlichen Zugang und die Sprachverarbeitung, während der Knowledge Graph das exakte, validierte Fachwissen beisteuert.

Synergieeffekte in der Praxis

Indem man einer KI die Struktur einer Ontologie als “Skill” zur Verfügung stellt, verbessert sich die Qualität der Ergebnisse drastisch. Das Sprachmodell versteht durch das Schema die Grundstruktur der Domäne und kann beispielsweise präzisere Abfragen (wie SparQL) generieren, da die Property-IDs und Konzepte klar definiert sind. Der Graf dient als Korrektiv, das die “Blackbox” des Modells aufbricht und Informationen verifizierbar macht.

Reifegrad und Implementierung in der Industrie

Der Reifegrad der Wissensorganisation variiert stark zwischen den Branchen. Während Life Science und Medizin bereits seit Jahrzehnten mit etablierten Ontologien arbeiten, stecken die Ingenieurswissenschaften oft noch in den Kinderschuhen. Hier dominieren isolierte Inselflösungen und ein Mangel an interoperablen Standards.

Effizienzsteigerung durch Semantik: Das Beispiel Continental

Ein konkreter Anwendungsfall aus der Materialforschung bei Continental zeigt das Potenzial: Die Suche nach neuen Reifenmischungen basierte früher auf dem Erfahrungswissen einzelner Experten und der manuellen Sichtung von Altdaten in Excel-Tabellen. Durch die Überführung dieses Wissens in einen semantischen Graphen und die Kombination mit einem Sprachmodell konnte die Zeit für die Datenzusammenführung und Entscheidungsfindung von mehreren Tagen auf etwa 30 Minuten reduziert werden.

Qualitätskriterien für robuste Ontologien

Der Aufbau einer Ontologie darf kein Selbstzweck im “Elfenbeinturm” sein. Sie muss pragmatisch an Competency Questions ausgerichtet werden: Welche Fragen muss das Netzwerk beantworten können? Eine gute Ontologie zeichnet sich durch die Trennung von Syntax und Semantik aus. Das bedeutet, dass das Fachvokabular und die Beziehungsmodelle weiterentwickelt werden können, ohne den Programmcode der genutzten Werkzeuge anpassen zu müssen. Dies setzt ein stabiles Metamodell voraus, wie es aktuell in internationalen Standardisierungsprojekten erarbeitet wird.