Schluss mit Halluzinationen: LLMs in der Faktenwelt der Ontologien verankern

Zusammenfassung

Das LLM-Paradox: Generative KI bietet eine revolutionäre, intuitive Schnittstelle zu Information („Thinking Fast"), doch ihre Einführung im Unternehmen wird durch Halluzinationen, Undurchsichtigkeit und einen grundlegenden Mangel an überprüfbarem Reasoning gebremst.

Die symbolische Lösung: Die „alte KI" – Symbolic AI – liefert die Lösung. Formale Ontologien und Knowledge Graphs schaffen eine bewusste, maschinenlesbare Bedeutungsschicht, die als vertrauenswürdige Reasoning-Engine dient („Thinking Slow").

Eine hybride Architektur: Die Zukunft der Enterprise AI ist hybrid. Sie nutzt LLMs für das, was sie am besten können – natürliche Sprache verstehen –, verankert sie aber in einem symbolischen Knowledge Graph für faktisches Retrieval und Erklärbarkeit. Das ist der Kern unserer d.AP-Plattform.

Von Rätselraten zu Gewissheit: Diese Architektur geht über einfaches „Chat with your Data" hinaus. Statt ein LLM über Tabellen-Joins und Bedeutungen raten zu lassen, nutzt sie die Ontologie, um per Schema-RAG über das formale Modell des Geschäfts zu schließen – und so präzise, auditierbare und korrekte Antworten zu erzeugen.

Einleitung: die zwei Denkweisen der KI

Die Begeisterung rund um generative KI ist berechtigt. Zum ersten Mal haben wir eine flüssige, intuitive Möglichkeit, mit komplexen Systemen zu interagieren. Doch wie der KI-Pionier Ora Lassila in einem aktuellen Vortrag betonte, bringt dieses mächtige „schnelle Denken" ernste Nachteile im Unternehmenskontext mit sich: Es halluziniert, sein Reasoning ist undurchsichtig, und seine Antworten sind probabilistisch, nicht faktisch. Wir sehen bereits die Grenzen, wenn diese Technologie auf geschäftskritische Fragen angewandt wird, die Korrektheit und Auditierbarkeit verlangen.

Wie Lassila hervorhebt, ist das kein neues Problem. Die Geschichte der KI war stets ein Wechselspiel verschiedener Ansätze. Der robusteste Weg nach vorn liegt heute darin, ein hybrides System zu schaffen, das die intuitive Kraft der neuen KI mit der rigorosen Logik der alten verbindet. Das ist eine Architektur zweier Denkweisen: eine „schnelle" sprachliche Schnittstelle, angetrieben von einem LLM, und eine „langsame", bewusste Reasoning-Engine, verankert in einem Symbolic-AI-Knowledge-Graph.

Die zentrale Unterscheidung: emergente Vermutungen vs. intentionale Bedeutung

Eine Kernherausforderung für LLMs im Unternehmenskontext ist ihr Mangel an echtem Verständnis. Wie Lassila treffend mit einem ins Finnische übersetzten JSON-Snippet zeigte, sind Daten ohne formales Modell bloß Symbole. Ein englischsprachiger Mensch kann Schlüssel wie „degree" oder „hobbies" interpretieren, eine Maschine jedoch nicht – sie sieht nur bedeutungslose Zeichenfolgen. Ein LLM stellt auf dieselbe Weise statistische Vermutungen darüber an, wie customer in einer Tabelle mit client in einer anderen zusammenhängt. Das ist eine Architektur emergenter Bedeutung – und sie ist grundlegend brüchig.

Symbolic AI verfolgt über eine Ontologie den entgegengesetzten Ansatz: Sie schafft eine Architektur intentionaler Bedeutung.

Eine Ontologie ist ein formaler, maschinenlesbarer Vertrag, der die Konzepte, Eigenschaften und logischen Constraints einer Geschäftsdomäne definiert. Sie stellt explizit fest, dass ein Customer (aus dem CRM) und ein Debitor (aus dem ERP) dieselbe Entität sind. Sie legt fest, dass ein Pet nur einen Owner haben kann und dieser Owner ein Human sein muss.

Das ist nicht bloß Metadaten; es ist ein berechenbares Modell Ihrer Geschäftsrealität. Wo das „Wissen" einer Datenplattform implizit über SQL-Abfragen und Pipeline-Code verstreut ist, macht eine Ontologie dieses Wissen explizit, stabil und bereit für automatisiertes Reasoning.

Die Bausteine des Vertrauens: RDF, OWL und die Open World

Um diese intentionale Schicht zu bauen, stützen wir uns auf globale Standards, die Langlebigkeit und Interoperabilität sichern.

• RDF (Resource Description Framework): eine einfache, graphbasierte Sprache, um Aussagen über Dinge zu treffen (z. B. :Wally :isA :Dog).
• OWL (Web Ontology Language): eine ausdrucksstärkere, auf RDF aufbauende Sprache, die komplexe logische Constraints erlaubt – etwa die Definition eines :BlackPoodle als :Poodle, dessen :fur-color:Black ist.
• SHACL (Shapes Constraint Language): eine Sprache, um zu validieren, dass Graphdaten einer Menge von Regeln oder „Shapes" entsprechen.Entscheidend: RDF und OWL operieren unter einer Open-World-Annahme (Open World Assumption, OWA). Anders als eine traditionelle Datenbank, die annimmt, dass alles Nicht-Vorhandene falsch ist (Closed-World-Annahme), geht die OWA davon aus, dass Wissen unvollständig ist. Nur weil wir nicht ausgesagt haben, dass Wally ein Säugetier ist, heißt das nicht, dass er keines ist; es heißt nur, dass wir es noch nicht wissen. Ein Reasoner kann diese Tatsache auf Basis der Regel ableiten, dass alle Hunde Säugetiere sind. Diese Fähigkeit, implizite Informationen aufzudecken, macht einen Knowledge Graph so mächtig.

  Beispiel-Durchlauf: von der mehrdeutigen Frage zum überprüfbaren Fakt

  Stellen Sie sich vor, ein Nutzer fragt unsere d.AP-Plattform: „Zeige mir alle offenen Support-Tickets für Connect-Services."Ein Standard-Werkzeug für „Chat with your Data" würde hier wahrscheinlich scheitern oder eine fehlerhafte Antwort liefern. Es könnte den Text der Ticket-Beschreibungen nach den Wörtern „Connect" oder „Services" durchsuchen und ein unvollständiges, unzuverlässiges Ergebnis zurückgeben. Denn die Begriffe existieren nicht als Literale in den Daten.Ein in einer Ontologie verankertes System folgt hingegen einem präzisen, erklärbaren Pfad:
  1. Schema-RAG: Das LLM fragt zunächst die Ontologie selbst ab, um die konzeptionelle Nachbarschaft der Frage zu verstehen.
  2. Disambiguierung: Es entdeckt, dass „Connect services" zwar nicht existiert, es aber eine Klasse ProductType mit einer Instanz namens Connected gibt. Es erkennt außerdem, dass SupportTicket-Entitäten mit ProductType-Instanzen verknüpft sind.
  3. Abfrageerzeugung: Das System leitet die Absicht des Nutzers korrekt ab und erzeugt eine präzise SPARQL-Abfrage, um alle offenen Tickets zu finden, die mit dem Produkttyp Connected verknüpft sind.
  4. Faktische Antwort: Die Abfrage wird gegen den Live-Graph ausgeführt und liefert eine vollständige, korrekte und vollständig nachvollziehbare Antwort.
  Der Reasoning-Pfad ist keine Blackbox; er ist eine auditierbare Folge logischer Schritte auf Basis des expliziten Modells des Geschäfts. Das LLM wird als Übersetzer natürlicher Sprache eingesetzt, nicht als probabilistischer Antwortgenerator.

  Der architektonische Gewinn: Warum das für das Unternehmen zählt

  Ein symbolisches Fundament zu übernehmen, ist keine akademische Übung; es liefert konkrete architektonische Vorteile, die die größten Probleme eigenständiger GenAI lösen.
  • Korrektheit & Vertrauen: Antworten werden aus einem kuratierten, auditierbaren Knowledge Graph abgerufen, was faktische Halluzinationen beseitigt. Das System liefert nachweislich faktische Informationen.
  • Erklärbarkeit by Design: Jede Antwort lässt sich über die Reasoning-Schritte und Datenquellen zurückverfolgen. Wenn ein Versicherungsanspruch abgelehnt wird, kann das System das Warum erklären, indem es die exakten Regeln und Datenpunkte zeigt, die zur Entscheidung führten.
  • Recheneffizienz: Wie Lassila anmerkt, ist das Abfragen eines Knowledge Graph um mehrere Größenordnungen effizienter, als ein LLM zu bitten, eine ähnliche Berechnung durchzuführen. Bei häufigen oder komplexen Abfragen bedeutet das massive Einsparungen bei Kosten und Energie.
  • Architektonische Stabilität: Der Semantic Layer bietet einen stabilen Anker in einer sich ständig verändernden IT-Landschaft. Zugrunde liegende Systeme können migriert oder ersetzt werden, doch die Geschäftslogik in der Ontologie bleibt konstant. Das liefert Agilität auf der Datenschicht und Stabilität auf der semantischen Schicht – ein entscheidender Vorteil für jedes wachsende Unternehmen.

  Fazit: Wenn Sie sich nur eines merken…

  Generative KI hat uns eine mächtige neue Schnittstelle für die Interaktion mit Daten gegeben. Doch eine Schnittstelle ist keine Architektur. Für den Unternehmenseinsatz, in dem Korrektheit, Erklärbarkeit und Effizienz nicht verhandelbar sind, müssen wir diese mächtigen Modelle in einem Fundament formaler, symbolischer Logik verankern.Die Zukunft der Enterprise AI ist hybrid. Sie verbindet die „schnelle" Intuition der LLMs mit dem „langsamen", bewussten Reasoning eines Knowledge Graph. Bauen Sie nicht bloß Systeme, die mit Daten chatten können. Bauen Sie Systeme, die verstehen, was diese Daten bedeuten.