Warum das AI-Problem vieler Unternehmen kein Modell-Problem ist

In der Praxis startet die Diskussion meistens beim Modell, also bei der Frage nach GPT, Claude, Gemini oder spezifischen Open-Source-Ansätzen sowie der Entscheidung zwischen API und Eigenhosting. Das sind zwar relevante Weichenstellungen, sie lösen aber das Kernproblem nicht: Ein Sprachmodell kennt das aktuelle, interne Wissen eines Unternehmens nicht von Natur aus. 

Genau hier setzt das Positionspapier „Wissen als Wettbewerbsvorteil – Wie Unternehmen ihre Daten gezielt mit AI ausschöpfen“ an. Ein zentraler Ansatz darin ist die Integration von Wissensgraphen in eine hybride AI-Architektur. 

Große Sprachmodelle glänzen bei der Verarbeitung von Sprache und der Generierung plausibler Antworten. Plausibilität darf jedoch nicht mit Verlässlichkeit verwechselt werden, da dieser Unterschied spätestens dann geschäftskritisch wird, wenn die AI Aufgaben jenseits einfacher Textzusammenfassungen übernimmt. Bei Compliance-Prüfungen, Vertragsanalysen oder operativen Prozessen muss die zugrunde liegende Datenquelle absolut transparent sein. 

Hinzu kommt die Dynamik im Unternehmen: Da sich Verträge, Richtlinien und Produkte laufend ändern, ist es wirtschaftlich und technisch unmöglich, das Modell bei jeder Datenaktualisierung neu zu trainieren. Der häufigste Denkfehler in der aktuellen Debatte liegt darin, dass wir die Intelligenz des Modells überfokussieren, während wir die Qualität und Struktur des bereitgestellten Wissens vernachlässigen.

Ein Wissensgraph organisiert Informationen nicht als isolierte Dokumente, sondern bildet die Beziehungen zwischen ihnen explizit ab. Das hilft überall dort, wo Kundendaten über Systeme verstreut sind, Lieferketten komplexe Abhängigkeiten aufweisen oder regulatorische Vorgaben mit konkreten Verantwortlichkeiten verknüpft werden müssen. 

Innerhalb der AI-Architektur fungiert der Graph als semantische Schicht zwischen den Datenquellen und der Anwendung. Das Sprachmodell bleibt damit für seine eigentliche Stärke zuständig, nämlich das Verstehen und Generieren von Sprache, während das fachliche Wissen außerhalb des Modells gepflegt wird. 

Diese architektonische Trennung bietet drei handfeste Vorteile:

Allerdings ist der Wissensgraph kein automatisches Allheilmittel. Ob Quellen sauber nachvollziehbar sind und der Modellwechsel gelingt, hängt von der gesamten Pipeline ab, angefangen vom Datenmodell über das Retrieval bis hin zur Schnittstellengestaltung. Der Wissensgraph ist daher kein bloßes Technologie-Add-on, sondern eine grundlegende Architekturentscheidung. 

Sobald AI-Anwendungen in produktive, geschäftskritische Prozesse wandern, rücken Governance-Fragen in den Fokus: Woher stammen die Daten, wer kontrolliert sie und wie steht es um die Aktualität? Gerade in regulierten Branchen sind lückenlose Nachvollziehbarkeit und Dokumentation Pflicht. Da Unternehmenswissen ein langfristiges Asset ist, ein AI-Modell dagegen eine kurzlebige Technologiekomponente, sollten beide Ebenen architektonisch sauber getrennt werden.

Trotz des aktuellen Hypes braucht nicht jedes Unternehmen einen Wissensgraphen, denn nicht jedes Datenproblem ist ein Graph-Problem. Wenn Daten schwach vernetzt sind und eine klassische relationale Datenbank die Anforderungen erfüllt, bedeutet ein Graph nur unnötige Komplexität. Auch bei strukturierten Einzelabfragen oder extrem hohen Datenvolumina und Verarbeitungsgeschwindigkeiten sind andere Architekturen oft überlegen. 

Das Investment in einen Graphen lohnt sich erst dort, wo die Beziehungen zwischen den Daten eine eigene fachliche Relevanz besitzen, wie es bei Supply-Chain-Abhängigkeiten oder der Verknüpfung von Regulatorik und Prozessen der Fall ist. Die Entscheidung sollte immer am konkreten Anwendungsfall fallen und sich nicht an der Popularität eines Trends orientieren. 

An leistungsfähigen Modellen mangelt es derzeit nicht. Die eigentliche Hürde für Unternehmen ist die strukturierte Aufbereitung des eigenen Wissens. Solange Informationen ungesteuert in SharePoint-Ordnern, E-Mail-Postfächern und Altsystemen liegen, stößt auch die nächste Modellgeneration an Grenzen, denn bloßer Datenzugriff ist noch keine belastbare Wissensbasis. 

Das Positionspapier empfiehlt hierzu einen pragmatischen Weg: Mit einem konkreten Use Case starten, die dafür nötigen Datenbeziehungen analysieren und die Datenverantwortlichkeiten frühzeitig klären. Erst in diesem Schritt zeigt sich, ob die Lösung ein Wissensgraph, eine Kombination verschiedener Technologien oder schlicht eine konsequent aufgeräumte Bestandsarchitektur ist. Das Fundament für den produktiven AI-Einsatz liegt in der Organisation des eigenen Wissens. Das ist zwar weniger spektakulär als die nächste Modellankündigung, für den wirtschaftlichen Erfolg aber entscheidend.