Was ist ein Knowledge Graph (Wissensgraph)?

Ein Knowledge Graph (Wissensgraph) bildet Wissen als Netzwerk ab: Entitäten sind Punkte, Beziehungen zwischen ihnen Kanten. Statt nur den Satz „Vertrag 14/2024 betrifft den Subunternehmer Kowalski und endet am 2026-12-31“ zu speichern, kann ein Graph die Entitäten Vertrag und Subunternehmer, ihre Beziehung sowie das Enddatum als Attribut speichern — und diese Elemente damit explizit abfragbar machen.

Der Unterschied wirkt akademisch, bis Sie eine Frage stellen, die eine Abschnittssuche nicht beantworten kann.

Wann die Suche in Abschnitten nicht mehr genügt

RAG kann Abschnitte abrufen, die zu einer Frage passen. Das eignet sich gut für Fragen wie „Wie lautet unser Reklamationsprozess?“. Die Suche in Abschnitten allein reicht jedoch möglicherweise nicht aus, wenn die Antwort nicht an einer Stelle steht, sondern aus der Verbindung mehrerer Fakten entsteht:

• „Welche Verträge mit Subunternehmern enden vor dem nächsten Audit?“
• „Wer im Unternehmen hat an Projekten für Kunden aus der Transportbranche gearbeitet?“
• „Welche Systeme hängen von dieser einen Integration ab, die wir abschalten möchten?“

Wenn die Antwort nicht in einem Abschnitt vorkommt, müssen mehrere Fakten verbunden werden. Ein Graph ist eine der Architekturen, die diesen Weg erleichtern und sichtbar machen.

Wissensgraph und Vektordatenbank

	Vektordatenbank (RAG)	Knowledge Graph
Speichert	Textabschnitte und ihre Bedeutung	Entitäten und Beziehungen zwischen ihnen
Beantwortet	„Wo steht etwas dazu?“	„Wie hängt das zusammen?“
Mehrstufige Frage	hängt von Suchmethode und Werkzeugen ab	unterstützt das Durchlaufen von Beziehungen auf natürliche Weise
Vorbereitungsaufwand	hängt von Quellen und Evaluation ab	zusätzliches Beziehungsmodell und Vereinheitlichung von Entitäten
Aktualisierung	Dokument hinzufügen	in das Schema einpassen
Erklärbarkeit	„Das stammt aus diesem Dokument“	„Das folgt aus diesem Beziehungspfad“

Diese Ansätze lassen sich verbinden, aber das ist nicht automatisch die beste Wahl. Ein Graph hilft bei Beziehungen und Aggregationen, während Textsuche zitierfähige Abschnitte liefert. Eine Implementierung dieses Musters ist Microsoft GraphRAG, das aus Text Entitäten, Beziehungen und Aussagen extrahiert. Die Kosten für Indexierung und Pflege des Graphen müssen jedoch durch Fragen gerechtfertigt sein, die ein einfacheres RAG nicht abdeckt.

Woraus ein Wissensgraph besteht

Drei Begriffe, dann ist die Theorie erledigt:

1. Entität — das, worüber Sie sprechen: Kunde, Vertrag, Produkt, Person, Projekt, System. Sie hat einen Typ und eine Kennung.
2. Beziehung — eine benannte Verbindung: „Vertrag betrifft Kunden“, „Person arbeitete im Projekt“, „System hängt von Integration ab“. Eine Beziehung hat eine Richtung.
3. Attribut — eine Eigenschaft einer Entität: Datum, Betrag, Status.

Ein wesentlicher Teil der Arbeit liegt in der Entscheidung, was Entität, Beziehung und Attribut ist. Diese Grenzen müssen mit Personen geklärt werden, die das Fachgebiet kennen, und anschließend an echten Fragen geprüft werden; eine korrekte Graphsyntax allein schafft noch keinen Nutzen.

Wie ein Graph aus Dokumenten entsteht

Die Reihenfolge, die wir verwenden:

1. Fachmodell. Wir notieren Entitätstypen und zulässige Beziehungen. Ohne ausdrückliche Regeln wächst das Risiko uneinheitlicher Namen, doppelter Einträge und von Abfragen, deren Ergebnis schwer zu deuten ist.
2. Extraktion. Ein Sprachmodell kann Dokumente lesen und Entitäten sowie Beziehungen passend zum Modell vorschlagen. Automatisierung senkt den Aufwand manueller Arbeit bei großen Beständen, ihr Ergebnis braucht aber weiterhin Qualitätskontrolle.
3. Vereinheitlichung von Entitäten. „Jan Kowalski“, „J. Kowalski“ und „Kowalski Jan“ können dieselbe Person meinen. Eine Zuordnungsregel benötigt Kennungen und einen Umgang mit Unsicherheit, damit nicht zwei verschiedene Personen zusammengeführt werden.
4. Verifikation. Eine Stichprobe von Beziehungen wird von Menschen geprüft, ergänzt um Konsistenzregeln („Ein Vertrag darf nicht vor seinem Beginn enden“).
5. Abfragen. Graphabfragen plus eine Sprachschicht, die die Nutzerfrage in eine Graphabfrage übersetzt.

Wann ein Knowledge Graph nicht geeignet ist

Fairerweise: Dieses Werkzeug lässt sich leicht überziehen.

• Wenn die Fragen einfach und faktisch sind. „Wie lautet Verfahren X?“ braucht keinen Graphen. RAG allein genügt und ist günstiger.
• Wenn das Fachgebiet instabil ist. Ein Graph braucht ein Schema. Wenn sich jeden Monat ändert, was überhaupt als Entität gilt, ist das Schema ständig veraltet.
• Wenn niemand das Fachmodell entscheiden kann. Ohne eine Person, die weiß, wie das Unternehmen tatsächlich arbeitet, entsteht ein Graph, der zu den Dokumenten passt, aber nicht zur Realität.
• Wenn die Daten verstreut und widersprüchlich sind. Ein Graph repariert kein Chaos — er verfestigt es in einer Form, die präzise aussieht. Das ist schlimmer als sichtbares Chaos.

Was das in der Praxis bringt

Drei Effekte, für die es sich lohnt, einen Graphen zu erwägen und an realen Fragen zu prüfen:

• Antworten auf Fragen „über mehrere Schritte“, ohne Ordner durchsuchen zu müssen.
• Nachvollziehbarkeit der Grundlage. Der für die Abfrage verwendete Beziehungspfad ist sichtbar. Bei risikobehafteten Entscheidungen erleichtert das die Prüfung des Ergebnisses, ersetzt aber keine Kontrolle der Daten- und Regelrichtigkeit.
• Bessere Kontrolle der Antwortgrundlage. Ein Graphpfad und ein Zitat erleichtern die Verifikation, garantieren jedoch nicht die Korrektheit von Extraktion oder Generierung.

Was es kostet

Ein Graph ist gewöhnlich ein Modul eines größeren Projekts für ein Second Brain, kein eigenständiger Kauf. Nach unseren Richtwerten vom August 2026 kostet ein Pilot 12.000–30.000 PLN netto, ein produktives System 30.000–120.000 PLN netto. Der Graph erweitert den Umfang um Fachmodell, Vereinheitlichung von Entitäten und Tests der Beziehungen.

Häufige Fragen

Brauchen wir eine spezielle Datenbank?

Nicht immer. Bei kleineren Graphen passen Beziehungen in ein normales PostgreSQL. Eine dedizierte Graphdatenbank wählen wir, wenn Abfragen tief werden und Performance wichtig wird.

Wer pflegt den Graphen nach der Einführung?

Die Extraktion neuer Dokumente lässt sich automatisieren, aber jemand muss Zweifelsfälle und Änderungen am Fachmodell entscheiden. Verantwortliche Person und Prüffrequenz werden nach Risiko und Änderungstempo festgelegt.

Kann man ohne Graphen beginnen und ihn später ergänzen?

Ja, und das empfehlen wir meist. Mit RAG beginnen, messen, bei welchen Fragen das System scheitert, und erst dann einen Graphen dort ergänzen, wo Beziehungen tatsächlich fehlen. Die umgekehrte Reihenfolge ist Bauen nach Gefühl.

---

Wir entwickeln Wissensgraphen auch für uns selbst — unsere Knowledge-Graph-Werkzeuge beschreiben wir im Labor. Das ist keine fremde Implementierung, über die wir gelesen haben, sondern etwas, das wir praktisch betreiben. Wenn Ihre Fragen Beziehungen und nicht nur Suche erfordern, sprechen wir darüber.