Die technische Anbindung von Daten ist in der Unternehmens-KI weitgehend gelöst: Konnektoren, Data Warehouses und Abrufverfahren sind ausgereift. Die größere Herausforderung besteht heute darin, Bedeutung konsistent und skalierbar abzubilden. Ein Agent kann zwar jede Tabelle abfragen, ein Feld wie customer_status oder revenue aber trotzdem falsch interpretieren. Ontologien schaffen Abhilfe, indem sie Geschäftskonzepte, ihre Eigenschaften, Beziehungen und Axiome erfassen. So kann ein KI-System die Bedeutung von Daten erschließen, anstatt sie als unbeschriftete Tokens oder Schemaelemente zu behandeln. Das ist für nachgelagerte Entscheidungen wichtig – von der automatisierten Kreditprüfung bis hin zu Berichten für Führungskräfte –, denn programmatisch erzeugte und wiederholte Fehler summieren sich.
Dieser Artikel geht praxisnah vor und stellt konkrete Anwendungsfälle in den Mittelpunkt. Wir erläutern, welche Bestandteile eine Ontologie für Agenten nützlich machen, zeigen die Unterschiede zwischen Ontologien, Taxonomien, Wissensgraphen und semantischen Schichten und stellen konkrete Beispiele vor – etwa Kundenrisikoprofile, Umsatzkennzahlen und Versicherungsansprüche. An ihnen wird deutlich, welche Governance-, Herkunfts- und Zugriffssignale Agenten zur Laufzeit benötigen. Das Ziel ist ganz praktisch: eine KI-taugliche Ontologie zu entwickeln, die Nachvollziehbarkeit, maßgebliche Definitionen und Möglichkeiten zur Durchsetzung von Regeln bietet. So wählen Agenten die richtigen Daten und Aktionen aus, während Menschen Entscheidungen zuverlässig prüfen können.
Ontologien ermöglichen Schlussfolgerungen. Während ein Katalog oder eine Taxonomie Datenbestände klassifiziert, erlauben Axiome Agenten, nicht explizit gespeicherte Fakten abzuleiten: Ein Datensatz mit personenbezogenen Daten erhält automatisch eine Zugriffsbeschränkung; zwei Einträge mit derselben Steuer-ID verweisen auf dieselbe juristische Person; oder ein abgelaufenes Abonnement hebt die Verpflichtungen gegenüber einem Kunden nicht auf. Solche Schlussfolgerungen verringern die Zahl starrer Einzellösungen und machen Entscheidungen zur Laufzeit robuster. Dafür braucht es jedoch eine durchdachte Modellierung: Klassen, Instanzen, Eigenschaften, gerichtete Beziehungen und formale Einschränkungen, die physischen Daten, Verantwortlichen und Richtlinien zugeordnet sind.
Abschließend stellen wir ein schlankes Implementierungsmodell vor, das Sie in den ersten 4–8 Wochen anwenden können. Beginnen Sie mit einer einzelnen Entscheidung oder einem Agenten-Workflow, modellieren Sie 20–50 wichtige Konzepte, definieren Sie für Schlussfolgerungen relevante Beziehungen und Axiome und verknüpfen Sie die Konzepte direkt mit Datenherkunft, Qualitätsbewertungen und Zugriffsregeln. Messen Sie den Erfolg an der Schlussfolgerungsgenauigkeit, Nachvollziehbarkeit und Berücksichtigung von Zugriffsrechten – nicht nur an der Akzeptanz. So wird Ihre Ontologie zu einem lebendigen Governance-Baustein, der mit der Nutzung von KI mitwächst, statt in einer veraltenden Dokumentationsablage zu verschwinden.