30. Juni 2026
Der aktuelle Diskurs über Agentic AI im Unternehmen zeigt, wohin sich Künstliche Intelligenz sehr wahrscheinlich entwickeln wird. Der Weg führt weg von isolierten Assistenzfunktionen, hin zu Systemen, die Aufgaben planen, Informationen bewerten, Prozesse koordinieren und Entscheidungen vorbereiten können. Wer diese Entwicklung ernst nimmt, kommt schnell zu einer zentralen Erkenntnis: Agentic AI benötigt belastbaren Unternehmenskontext und eine strukturierte Wissensbasis. Ohne diesen Kontext bleiben KI-Systeme zwar beeindruckend in der Formulierung, aber begrenzt in ihrer Verlässlichkeit.
Andreas Blumauer von Graphwise beschreibt in seinem Beitrag „How to Build a Semantic Backbone“ sehr nachvollziehbar, wie ein solcher Kontext technisch und methodisch aufgebaut werden kann: über Taxonomien, Ontologien, Knowledge Graphs (Wissensgraphen), semantische Modelle und darauf aufbauende Architekturen wie GraphRAG. Das ist ein wichtiger und richtiger Zielpfad. Wer Agentic AI und moderne KI-Anwendungen im Unternehmen einsetzen will, wird an einer solchen semantischen Wissensbasis nicht vorbeikommen.
Dass diese Diskussion inzwischen auch in der Praxis angekommen ist, wurde auf dem KI-READY Summit 2026 in Nürtingen deutlich. In vielen Gesprächen stand nicht mehr die Frage im Mittelpunkt, ob KI relevant ist, sondern wie sie verlässlich und produktiv in bestehende Unternehmensprozesse integriert werden kann. Dabei zeigte sich ein bemerkenswerter Konsens: Nicht die Modelle sind es, die die größte Hürde darstellen, sondern die Qualität, Strukturierung und Vernetzung des zugrunde liegenden Wissens.
Die Herausforderung beginnt in vielen Unternehmen also deutlich früher: Viele Unternehmen stehen gar nicht vor der Frage, ob sie Ontologien erweitern oder Wissensgraphen für Agentic AI aufbauen sollten, sondern – viel grundlegender – ob sie überhaupt die organisatorische, inhaltliche und systemische Ausgangsbasis haben, um diesen Prozess sinnvoll zu starten.
Voraussetzung für eine Wissensbasis? Das ist die Unternehmensrealität.
Der beschriebene Weg ist absolut richtig und notwendig: Zuerst werden Begriffe geordnet, dann Bedeutungen modelliert, anschließend Beziehungen aufgebaut und schließlich entsteht eine semantische Wissensbasis, die KI-Systeme zuverlässig nutzen können. Nur so kann Agentic AI Unternehmenswissen kontextbezogen und nachvollziehbar nutzen.
In der Realität stehen Unternehmen aber erst einmal vor ihren gewachsenen Systemlandschaften: vor fragmentierten Datenbeständen, historisch entstandenen Begriffswelten und einer häufig fehlenden Informationsarchitektur für KI-Anwendungen. Vor Produktinformationen, die zwar vorhanden sind, aber in unterschiedlichen Systemen unterschiedlich gepflegt werden. Vor Tausenden Dokumenten, die fachlich wertvoll sind, aber nicht konsequent strukturiert oder mit den richtigen Metadaten versehen wurden. Vor Prozessen, in denen viele Zusammenhänge nur deshalb funktionieren, weil erfahrene Mitarbeitende wissen, wo welche Information steht und wie sie zu interpretieren ist.
Der Aufbau eines semantischen Fundaments setzt voraus, dass ein Unternehmen seine Informationsobjekte, Begriffe, Beziehungen und Verantwortlichkeiten zumindest so weit verstanden hat, dass daraus ein Modell entstehen kann. Eine Voraussetzung, die häufig nicht erfüllt ist. Nicht, weil Unternehmen zu wenig über KI nachdenken, sondern weil die operative Informationsrealität über Jahre nicht mit Blick auf Maschinenlesbarkeit, Wiederverwendbarkeit und semantische Vernetzung gestaltet wurde.
Viele Unternehmen haben Wissen, aber keine belastbare Wissensbasis für KI
Fast jedes Unternehmen verfügt über große Mengen an Wissen: Produktwissen, Servicewissen, Vertriebswissen, technisches Wissen, Prozesswissen, Erfahrungswissen. Das Problem ist, dass es nicht in einer Form vorliegt, die systematisch vernetzt, automatisiert ausgewertet und für KI-Anwendungen, RAG oder GraphRAG genutzt werden kann.
Es gibt einen Unterschied zwischen vorhandenen Informationen und einer belastbaren Wissensbasis. Vorhandene Informationen können in PDFs, Tabellen, PIM-Systemen, ERP-Feldern, Tickets, SharePoint-Strukturen, Handbüchern oder Fachabteilungen liegen. Eine Wissensbasis entsteht erst dann, wenn klar ist, welche Informationen gültig sind, wie sie strukturiert sind, in welchem Zusammenhang sie stehen, welche Begriffe verwendet werden, welche Quelle führend ist und wer für Qualität und Aktualität verantwortlich ist.
Diese Aspekte bilden die Grundlage für Wissensmanagement für KI, Data Governance und den Aufbau eines Knowledge Graphs.
Für Menschen ist diese Situation anstrengend, aber oft noch handhabbar. Sie fragen Kolleginnen und Kollegen, kennen historische Sonderfälle, interpretieren Begriffe aus dem Kontext und gleichen Informationen manuell ab. KI-Systeme aber können nicht zuverlässig mit Wissen arbeiten, das nur durch menschliche Erfahrung zusammengehalten wird.
Informationsreife als Voraussetzung für Wissensgraphen und GraphRAG
In vielen KI-Initiativen wird schnell über Tools, Modelle und Use Cases gesprochen. Das ist verständlich, weil dort der sichtbare Fortschritt entsteht. Ein Prototyp lässt sich zeigen. Ein Chatbot lässt sich testen. Ein RAG-System kann erste Antworten auf interne Dokumente geben.
Der Aufbau einer tragfähigen Informationsbasis für KI beginnt jedoch mit weniger sichtbarer Arbeit, wie der Klärung von Fragen wie diesen:
- Welche Informationen sind geschäftskritisch?
- Welche Objekte müssen überhaupt beschrieben werden?
- Was ist ein Produkt, eine Variante, eine Komponente, ein Ersatzteil, ein Dokument, ein Anwendungsfall, ein Markt, ein Prozessschritt?
- Welche Beziehungen zwischen diesen Objekten sind relevant?
- Welche Begriffe sind verbindlich?
- Welche Systeme führen welche Informationen?
- Welche Qualität ist ausreichend?
- Wer darf Begriffe definieren?
- Wer entscheidet bei Widersprüchen?
Die Herausforderung besteht darin, die Informationsreife des Unternehmens zu erhöhen und eine gemeinsame fachliche Sprache zu schaffen. Erst dann können Taxonomien, Ontologien und Wissensgraphen auf einer belastbaren Grundlage entstehen.
Diese Phase ist wichtig und darf nicht unterschätzt werden. Wer sie überspringt, wird auch mit modernen semantischen Technologien keine stabile Wissensbasis schaffen. Dann wird aus dem semantischen Fundament vielleicht nur ein anspruchsvolles Projekt, das an der Realität der Informationslandschaft scheitert.
Informationsreife ist eine Führungsaufgabe
In vielen Unternehmen wurden Informationen lange funktional gedacht. Der Vertrieb brauchte andere Informationen als der Service. Die technische Dokumentation hatte andere Anforderungen als das Produktmanagement. Marketing, Engineering, E-Commerce und Compliance arbeiteten mit eigenen Ausschnitten derselben Realität. Diese Spezialisierung führt heute dazu, dass KI- und Automatisierungsinitiativen auf eine Landschaft treffen, die fachlich reich, aber strukturell fragmentiert ist.
Informationsreife bedeutet, diese Fragmentierung nicht nur technisch zu integrieren, sondern fachlich zu ordnen. Es reicht nicht, Systeme miteinander zu verbinden, wenn unklar bleibt, ob gleiche Begriffe dasselbe meinen oder unterschiedliche Begriffe dieselbe Sache beschreiben. Es reicht nicht, Daten verfügbar zu machen, wenn ihre Gültigkeit, Qualität und Beziehung zu anderen Informationen nicht eindeutig sind. Und es reicht nicht, Inhalte in ein neues System zu migrieren, wenn die zugrunde liegende Bedeutung nicht geklärt wurde.
Soll eine semantische Wissensbasis aufgebaut werden, muss oft abteilungsübergreifend gearbeitet werden. Es braucht:
- Fachbereiche, die Bedeutung definieren
- Verantwortliche für Informationsqualität
- Data-Governance-Strukturen
- Personen, die Architekturentscheidungen über einzelne Systeme hinaus treffen
Auch wenn ein Knowledge-Graph-Projekt als Proof of Concept in einem kleineren Rahmen z. B. einem Produkt startet, braucht es Commitment im Unternehmen. Die Informationsbasis muss als strategische Infrastruktur verstanden werden.
Fazit: GenAI, RAG und GraphRAG machen die Qualität der Wissensbasis sichtbar
Generative AI, Retrieval-Augmented Generation (RAG) und GraphRAG machen sichtbar, wo Unternehmen heute tatsächlich stehen. Generative KI kann Inhalte erzeugen, RAG kann bestehendes Wissen zugänglich machen und GraphRAG verspricht ein tieferes Verständnis fachlicher Zusammenhänge. Doch alle diese Ansätze sind nur so gut wie die zugrunde liegende Wissensbasis für KI, die Qualität der Metadaten und die Konsistenz der verwendeten Begriffe.
Für Unternehmen beginnt der Weg zu einer semantischen Wissensbasis daher nicht erst mit Ontologien oder Wissensgraphen, sondern mit einem ehrlichen Blick auf die eigene Informationslandschaft. Erst wenn diese Grundlagen geklärt sind, können Taxonomien, Ontologien, Knowledge Graphs und GraphRAG ihre Wirkung entfalten und zur belastbaren Grundlage für Agentic AI, Automatisierung und digitale Geschäftsmodelle werden.
Der von Andreas Blumauer beschriebene „Semantic Backbone“ ist ein notwendiger Zielzustand. Der entscheidende Punkt ist jedoch: Viele Unternehmen müssen zunächst die Voraussetzungen schaffen, um diesen Weg erfolgreich gehen zu können.
Sandy Hedig
Marketing Manager | PANTOPIX
Wir informieren Sie gerne regelmäßig über neue Artikel, Videos oder Podcast-Folgen.
Knowledge
Erfahren Sie mehr über das Vernetzen von Informationen
