Wissensgraphen: Die Geheimwaffe für intelligentere KI-Anwendungen

Als ich zum ersten Mal von einem “Wissensgraphen” hörte, stellte ich mir diese Verschwörungstheoretiker-Boards vor, auf denen rote Fäden Fotos und Zeitungsartikel verbinden. Es stellt sich heraus, dass das keine schlechte Analogie ist — außer, dass Wissensgraphen organisiert, maschinenlesbar und tatsächlich nützlich sind.

Meine Einführung in Wissensgraphen war zufällig. Ich baute ein RAG-System für eine Anwaltskanzlei — du weißt schon, die Art, bei der man Dokumente in eine KI einspeist und sie Fragen dazu beantwortet. Das System funktionierte gut für einfache Fragen. Aber als ein Anwalt fragte: “Welche unserer Klienten waren an Streitigkeiten mit Unternehmen beteiligt, die später von unseren anderen Klienten übernommen wurden?”, kam das RAG-System ins Stocken. Es konnte die Verbindungen zwischen mehreren Beziehungen nicht herstellen.

Da kamen die Wissensgraphen ins Spiel. Zwei Wochen später lieferte die gleiche Frage eine Liste von sieben relevanten Situationen, jede mit der Reihe von Beziehungen, die sie verband. Der Senior Partner nannte es “wirklich nützlich”, was von einem 30-jährigen Anwalt praktisch einer standing ovation gleichkommt.

Warum sie für KI wichtig sind

LLMs sind gut im Umgang mit Sprache. Sie sind jedoch nicht gut im strukturierten Schlussfolgern über Beziehungen hinweg. Frag ChatGPT nach einem Dokument — großartig. Frag es, den Eigentumspfad zwischen fünf Unternehmen über drei Fusionen in zehn Jahren zurückzuverfolgen — katastrophal.

Wissensgraphen schließen diese Lücke. Sie organisieren Informationen als Entitäten (Menschen, Unternehmen, Konzepte), die durch Beziehungen miteinander verbunden sind (“arbeitet bei,” “erworben von,” “befindet sich in”). Diese Struktur macht mehrstufiges Denken natürlich: Beginne bei Entität A, folge den Beziehungen, komme zu Entität D und erkläre den Weg.

RAG wird dramatisch besser. Standard-RAG ruft Textpassagen ab, die semantisch ähnlich zu deiner Frage sind. Wissensgraph-verbessertes RAG ruft verwandte Entitäten und deren Verbindungen ab. Der Unterschied: Standard-RAG findet relevante Absätze. Graph-verbessertes RAG findet relevante Fakten und die Beziehungen zwischen ihnen.

Ich sah einen 40%igen Anstieg der Antwortqualität bei komplexen, beziehungsreichen Fragen, nachdem ich einen Wissensgraphen zu einem RAG-System hinzugefügt hatte. Bei einfachen Faktenfragen war die Verbesserung gering. Der Wissensgraph zeigt seinen Wert, wenn Fragen Verbindungen betreffen.

Halluzinationen nehmen messbar ab. Wenn die KI eine Behauptung mit einem Wissensgraphen von verifizierten Fakten abgleichen kann, ist sie weniger geneigt, etwas zu erfinden. “Einstein arbeitete in Princeton” — prüfe den Graphen, ja, diese Beziehung existiert. “Einstein arbeitete am MIT” — prüfe den Graphen, so eine Beziehung gibt es nicht. Markiere es.

Einen Wissensgraphen bauen (Es ist einfacher als du denkst)

Neo4j ist der Ausgangspunkt für die meisten Leute, und das aus gutem Grund. Es ist das PostgreSQL der Graphdatenbanken — ausgereift, gut dokumentiert und hat die größte Community. Die Cypher-Abfragesprache liest sich fast wie Englisch: MATCH (p:Person)-[:WORKS_AT]->(c:Company) WHERE c.name = "Acme" RETURN p.name

Ich habe Neo4j in drei Produktionsprojekten verwendet. Die Lernkurve beträgt etwa eine Woche, um produktiv zu sein, und einen Monat, um sich wohlzufühlen. Die kostenlose Stufe (Neo4j Aura) reicht für Entwicklung und kleine Projekte aus.

Für schnelles Prototyping funktioniert pgvector + PostgreSQL überraschend gut, wenn du bereits Postgres verwendest. Du erhältst nicht die vollständigen Graphdurchlauf-Funktionen von Neo4j, aber für einfache Entität-Beziehungs-Abfragen mit vektorähnlicher Suche ist es ausreichend und man muss eine Datenbank weniger verwalten.

Die KI-unterstützte Abkürzung

Hier ist der Teil, der mir Wochen hätte sparen können, wenn jemand mir das früher gesagt hätte: Du kannst LLMs verwenden, um deinen Wissensgraphen automatisch zu erstellen.

Füttere deine Dokumente in ein LLM mit einem Prompt wie: “Extrahiere alle Entitäten (Menschen, Organisationen, Technologien) und Beziehungen aus diesem Text. Ausgabe als JSON-Triple: {Subjekt, Prädikat, Objekt}.” Das LLM macht einen überraschend guten Job — vielleicht 85% Genauigkeit bei der Entitätserkennung und 70% bei den Beziehungen. Bereinige die verbleibenden 15-30% manuell, und du hast einen Wissensgraphen in Stunden statt Monaten erstellt.

Ich habe diesen Ansatz verwendet, um einen Wissensgraphen mit 50.000 Entitäten aus einem Korpus von 10.000 Dokumenten zu erstellen. Es dauerte zwei Tage Rechenzeit und einen Tag manuelle Bereinigung. Die Alternative — manuelle Wissensengineering — hätte ein Team Monate gekostet.

Wohin ich die Wissensgraphen sehe

Die Kombination aus Wissensgraphen und LLMs ist noch früh. Die meisten KI-Anwendungen heute sind reines RAG — Text rein, Text raus. Aber die Teams, mit denen ich spreche und die ernsthafte Unternehmens-KI aufbauen, fügen alle Wissensgraphen hinzu. Sie haben erkannt, dass strukturierte Beziehungen das fehlende Puzzlestück sind, das KI-Anwendungen in komplexen Domänen tatsächlich zuverlässig macht.

Gesundheitsunternehmen bauen Wissensgraphen und verbinden Gene, Proteine, Krankheiten, Medikamente und Nebenwirkungen. Finanzunternehmen kartieren Unternehmensbeziehungen, Eigentumsstrukturen und regulatorische Verbindungen. Legal Tech verbindet Fälle, Gesetze, Richter und Präzedenzfälle.

Die Werkzeuge sind ausgereift. Neo4j gibt es seit 15 Jahren. Die KI-Integrationsmuster sind bewährt. Die Lücke besteht im Bewusstsein — die meisten Entwickler, die KI-Anwendungen bauen, haben einfach nicht daran gedacht, einen Wissensgraphen hinzuzufügen.

Wenn deine KI-Anwendung Fragen zu Beziehungen zwischen Dingen beantworten muss, wird ein Wissensgraph sie dramatisch verbessern. Wenn sie nur faktische Fragen aus Dokumenten beantworten muss, reicht standardmäßiges RAG aus. Kenne den Unterschied und wähle entsprechend.

🕒 Published: March 29, 2026