Anwendungsfälle für Knowledge Graphs und wie Sie einen aus Text aufbauen

Die meisten Werkzeuge sagen Ihnen, was Sie haben. Ein Katalog listet Tabellen, ein Glossar listet Begriffe, ein Ordner listet Dokumente. Ein Knowledge Graph macht etwas anderes: Er zeigt Ihnen, wie diese Dinge miteinander zusammenhängen.

Die Idee ist einfach. Alles, was Ihnen wichtig ist, wird zu einem Knoten: ein Fachbegriff, ein Bericht, ein Datensatz, eine Person, eine Richtlinie. Jede sinnvolle Verbindung zwischen zwei Knoten wird zu einer benannten Kante: diese Kennzahl nutzt jenen Begriff, dieser Bericht gehört jener Person, dieses Dokument erklärt jenes Konzept. Die Verbindungen tragen so viel Bedeutung wie die Dinge, die sie verbinden, und weil jede Kante benannt ist, lässt sich der Graph wie eine Reihe einfacher Aussagen über Ihr Geschäft lesen.

Das ist schon der ganze Trick. Eine Liste beantwortet die Frage „Gibt es das?“. Ein Knowledge Graph beantwortet die Frage „Womit ist das verbunden, und was bedeutet diese Verbindung?“, und genau diese Frage stellt sich, wenn jemand Daten verstehen muss, die er nicht selbst erstellt hat. Den ausführlicheren Vergleich mit den älteren Beziehungs- und ER-Diagrammen, die ein Katalog früher zeichnete, finden Sie unter Was ein Knowledge Graph ist und warum er Beziehungsdiagramme schlägt.

Die beiden werden ständig verwechselt, weil beide Kästen und Pfeile zeichnen. Der Unterschied liegt darin, was die Pfeile bedeuten.

Data Lineage bildet den technischen Fluss der Daten ab. Sie verfolgt einen Wert vom Quellsystem über Pipelines und Transformationen bis zum Dashboard, in dem er landet, und wird größtenteils automatisch aus den Metadaten der Systeme gewonnen. Data Lineage beantwortet die Frage „Woher kommt diese Zahl, und was bricht nachgelagert, wenn sich die Quelle ändert?“. Sie ist ein spezialisierter, maschinell erzeugter Graph der Bewegung.

Ein Knowledge Graph bildet semantische und organisatorische Beziehungen ab. Seine Kanten stehen für Bedeutung und Verantwortung: was ein Begriff bedeutet, welches Synonym zu ihm gehört, wem er gehört, welches Dokument ihn erklärt, welche Richtlinie für ihn gilt. Vieles davon ist Wissen, das normalerweise nur in den Köpfen der Menschen existiert, nicht in den Metadaten einer Pipeline.

Die beiden ergänzen sich. Data Lineage ist im Grunde eine Art von Kante innerhalb des umfassenderen Knowledge Graphs. Greifen Sie zur Data Lineage, wenn die Frage technisch ist und die Bewegung der Daten betrifft, und zum Knowledge Graph, wenn es um Bedeutung, Verantwortung oder Kontext geht: die Fragen, die ein neuer Mitarbeiter oder ein KI-Agent zuerst stellt.

In einem Datenkatalog zahlt sich ein Knowledge Graph bei einer Handvoll alltäglicher Aufgaben aus. Keine davon ist exotisch. Es sind die Momente, in denen jemand Kontext braucht, der an keiner einzelnen Stelle aufgeschrieben ist.

Neue Mitarbeitende einarbeiten. Eine neue Analystin lernt das Geschäft nicht, indem sie eine Tabelle mit 300 Begriffsdefinitionen liest. Sie lernt es, indem sie Verbindungen folgt: Dieser Begriff hängt mit jenem zusammen, gehört diesem Team, taucht in jenem Bericht auf. Ein Knowledge Graph macht aus der Einarbeitung eine Erkundung, und so bauen sich Menschen tatsächlich ein Bild im Kopf auf.

Verantwortung und Zuständigkeit. Wenn Verantwortliche und Stewards Knoten im Graphen sind, ist die Frage „Wen frage ich dazu?“ keine Ausgrabung im Slack-Archiv mehr. Sie landen auf einem Begriff, sehen, wer verantwortlich ist, und sehen, wofür diese Person sonst noch zuständig ist. Verantwortung wird sichtbar, statt nur in einzelnen Köpfen zu stecken.

Synonyme und gemeinsame Terminologie. Die Finanzabteilung nennt es Umsatz, das Vertriebsteam nennt es Erlöse, und eine norwegische Tochtergesellschaft nennt es wieder anders. Im Graphen sind diese Wörter als Synonyme eines einzigen gesteuerten Begriffs verknüpft, sodass alle bei derselben Definition ankommen, egal mit welchem Wort sie begonnen haben. Genau hier verstärken sich ein mehrsprachiges Glossar und ein Knowledge Graph gegenseitig.

Dokumentation mit fachlichem Kontext. Ein Dokument ist nur nützlich, wenn man es von dem Konzept aus findet, das es erklärt. Wird die Dokumentation mit den Begriffen verknüpft, die sie behandelt, ist die Erklärung nur einen Schritt von der Stelle entfernt, an der die Frage aufkommt, statt in einem Wiki vergraben, an das sich niemand erinnert.

Abhängigkeiten über Domänen hinweg. Wird ein Datensatz in einer Domäne von Daten gespeist, die einer anderen gehören, zeigt der Graph diese Abhängigkeit über die Grenzen der Bereiche hinweg. So macht eine Änderung in einer Ecke der Organisation nicht still und leise etwas kaputt, das zwei Teams weiter liegt.

Auswirkungsanalyse. Weil die Beziehungen ausdrücklich festgehalten sind, wird die Frage „Was ist betroffen, wenn ich diesen Begriff ändere oder diese Tabelle stilllege?“ zu einer Traversierung statt zu einer Vermutung. Sie sehen den Wirkungsradius, bevor Sie irgendetwas anfassen.

Der einschüchternde Mythos über Knowledge Graphs lautet, dass sich jemand hinsetzen und jeden Knoten und jede Kante von Hand modellieren muss. In einer echten Organisation mit Hunderten von Begriffen wird das nie fertig. Der bessere Weg ist, den Graphen aus den Texten aufzubauen, die Ihre Teams bereits schreiben.

Die automatische Verlinkung erledigt den Großteil der Arbeit im Hintergrund. Während Menschen Beschreibungen im Glossar und in der Dokumentation schreiben, erkennt Dawiso Glossarbegriffe in diesem Text, auch über verschiedene Wortformen hinweg und nicht nur bei exakt gleicher Schreibweise, und legt die Beziehung automatisch an. Erwähnen Sie „Umsatz“ in der Beschreibung eines Berichts, und zwischen diesem Bericht und dem Begriff Umsatz erscheint eine Kante erwähnt. Der Graph wächst als Nebenprodukt der Dokumentation, er hält also mit der Arbeit Schritt, statt ihr hinterherzuhinken.

Sie können einen Graphen auch direkt aus einem Text erzeugen. Geben Sie Dawiso ein Dokument oder einen Textabschnitt, und es schlägt die enthaltenen Begriffe und ihre Verbindungen vor und entwirft so ein Stück des Knowledge Graphs für Sie. Ein Data Steward prüft den Vorschlag, passt ihn an und gibt ihn frei. Die Geschwindigkeit kommt aus der Automatisierung, das Vertrauen aus der menschlichen Freigabe.

Mit beidem zusammen entsteht der Graph nie in einer einzigen heroischen Modellierungssitzung. Er wächst aus gewöhnlichem Schreiben und bekommt jedes Mal einen Schub, wenn Sie Dawiso ein Dokument zum Lesen geben, und jeder automatische Vorschlag durchläuft trotzdem eine menschliche Prüfung, bevor er zur verbindlichen Wahrheit wird.

Einen Knowledge Graph aufzubauen, ist die leichte Hälfte. Die schwere Hälfte ist, ihn zutreffend zu halten, wenn sich das Geschäft weiterbewegt. Und sobald ein KI-Agent aus ihm liest, richtet ein falscher Graph echten Schaden an, weil das Modell selbstsicher aus Beziehungen antwortet, die nicht mehr gelten.

Binden Sie den Graphen an lebendige Metadaten, nicht an einen einmaligen Export. Weil die automatische Verlinkung Beziehungen neu bewertet, sobald sich Beschreibungen ändern, bleiben die Kanten im Einklang mit dem, was Menschen tatsächlich schreiben. Ein Begriff, der umbenannt oder zusammengeführt wird, aktualisiert seine Verbindungen, statt verwaiste Links zu hinterlassen.

Halten Sie Definitionen unter Governance. Stewardship und Freigabe-Workflows sorgen dafür, dass die maßgebliche Fassung eines Konzepts einer Person gehört und nicht im Moment des Imports eingefroren ist. Das unterscheidet einen Knowledge Graph, dem ein Team vertraut, von einem Diagramm, das langsam verrottet.

Stellen Sie ihn Agenten über eine gesteuerte Schicht bereit. Wenn ein KI-Agent Kontext braucht, sollte er den aktuellen, freigegebenen Graphen lesen und keine veraltete Kopie. In Dawiso ist das die Aufgabe des Context Layer, der den gesteuerten Graphen jedem MCP-kompatiblen Agenten bereitstellt. Eine KI auf den Beziehungen in einem Knowledge Graph zu verankern, ein Ansatz, der oft GraphRAG genannt wird, ist das, was sie mit echtem Kontext antworten lässt, statt aus unverbundenen Textstücken zu raten.

Das ist inzwischen ein Muster der Branche, keine Behauptung eines Anbieters. Die GraphRAG-Forschung von Microsoft hat gezeigt, dass es die Antworten auf komplexe Fragen messbar verbessert, wenn man einen Knowledge Graph aus dem Quelltext extrahiert und ein LLM darauf verankert, und dass dabei die Herkunft erhalten bleibt: die Möglichkeit, eine Aussage bis zu ihrem Ursprung zurückzuverfolgen. Eine Übersichtsarbeit von 2025 zum graphbasierten Retrieval beschreibt den Graphen aus demselben Grund als „goldene Ressource“ für RAG: Er hält die Beziehungen zwischen Fakten fest, die isolierte Textpassagen auslassen. Der Haken ist, dass das nur gilt, solange der Graph korrekt bleibt. Damit stehen die Aktualität und die Governance des Graphen im Zentrum der Arbeit, nicht der Retrieval-Kniff, der darüber liegt.

Das ist der stille Vorteil, wenn der Graph in einem gesteuerten Katalog entsteht. Dieselbe Stewardship, die ein Business Glossary für Menschen vertrauenswürdig hält, hält den Graphen für einen Agenten vertrauenswürdig. Sie müssen also keine eigene Pipeline aufbauen, um den Kontext Ihrer KI frisch zu halten: Der Katalog erledigt das bereits.

In Dawiso ist der Knowledge Graph kein eigenes Produkt, das Sie konfigurieren. Er ist die Art, wie das Business Glossary und die Dokumentation ohnehin funktionieren. Begriffe, Kennzahlen, Regeln, Verantwortliche und Dokumente werden verbunden, während Sie sie nutzen, die automatische Verlinkung baut die Kanten aus den Texten, die Sie schreiben, und Stewardship hält das Ganze gesteuert und aktuell.

Weil dieser gesteuerte Graph Ihre Plattformen übergreift, statt an ein einzelnes Warehouse gebunden zu sein, und weil er KI-Agenten über ein offenes Protokoll bereitgestellt wird, ist der Kontext, den Sie für Menschen aufbauen, derselbe Kontext, den Ihre Agenten lesen. Sie erledigen die Arbeit einmal, und Menschen wie KI bekommen eine Karte, der sie vertrauen können.