Plattform · Konzepte · Geschäftsontologie
Ihre KI benötigt ein Weltmodell Ihres Unternehmens. Das ist eine Ontologie.
Eine Geschäftsontologie ist eine lebendige Karte dessen, was Ihr Unternehmen Ist — die Objekte (Mitglieder, Bestellungen, Produkte), die Bedeutung der einzelnen Felder, ihre Beziehungen zueinander — und was möglicherweise ErledigtGesteuerte Aktionen mit Vorbedingungen, Autorisierung und Prüfung. Keine Kopie Ihrer Daten. Eine Bedeutungsebene, die Ihren vorhandenen Daten hinzugefügt wird und die sowohl von Menschen als auch von KI für das Unternehmen genutzt wird.
Dynamikschicht · die Verben
Gesteuerte Aktionen – jede mit Vorbedingungen, Autorisierungsmechanismus und Prüfprotokoll.
Semantische Schicht · die Substantive
Mitglied
Tier · Zustimmung · Tags
Befehl
Gesamt · Filiale · Datum
Produkt
Kategorie · Preis
Objekte, ihre Eigenschaften und die Beziehungen zwischen ihnen – die Karte des Bestehenden.
Die bereits vorhandenen Daten
Profile · Bestellungen · Ereignisse · Katalog – nichts kopiert, nichts verschoben
Was es ist
Ein digitaler Zwilling des Unternehmens, in zwei Schichten.
Jedes Unternehmen hat bereits eine implizite Ontologie: Alle wissen ungefähr, was ein „Mitglied“ ist, was eine „Bestellung“ enthält und welche Aktionen zulässig sind. Das Problem liegt im Wort implizit: Dieses Wissen steckt in den Köpfen, in teaminternem SQL und in sechs Werkzeugen mit sechs unterschiedlichen Definitionen. Eine explizite Ontologie hält es einmalig als maschinenlesbares Modell mit zwei Ebenen fest:
Schicht 1 · Semantik – die Substantive
Objekte, Eigenschaften, Beziehungen
Die Entitäten, auf denen Ihr Unternehmen läuft – Mitglied, Bestellung, Produkt, Coupon, Kampagne, Shop – jede mit benannten, beschriebenen Eigenschaften, verbunden durch echte Beziehungen: Ein Mitglied gibt eine Bestellung auf, eine Bestellung enthält Produkte, ein Coupon gehört einem Mitglied. Fragen Sie: „Was ist dieser Kunde?“ und es gibt eine Antwort, mit der Bedeutung jedes Feldes.
Ebene 2 · Dynamik — die Verben
Gesteuerte Aktionen
Was könnte sein Erledigt Diesen Objekten werden Aktionen zugeordnet: einen Coupon ausstellen, Punkte vergeben, ein Tag zuweisen, eine Notiz hinzufügen – jede Aktion hat ihre Vorbedingungen (wann sie gültig ist), ihre Autorisierung (wer oder was sie ausführen darf und auf welchem Gerät) und ihren Prüfpfad (was geschah und warum). Genau das unterscheidet eine Ontologie von einem passiven Wörterbuch: Sie modelliert Veränderungen, nicht nur Zustände.
Dieses Muster ist nicht unsere alleinige Erfindung. Palantir hat es in der Unternehmenswelt etabliert – die Foundry-Ontologie kombiniert eine semantische Objektschicht mit einer kinetischen Schicht gesteuerter Aktionen für ganze Unternehmen. Wir wenden dieselbe Architektur auf einen Bereich an, und zwar tiefgreifend: den Kunden.
Was es nicht ist
Ordnen Sie die bereits vorhandenen Daten übersichtlich zu.
Am schnellsten versteht man eine Ontologie, indem man betrachtet, was sie nicht von einem verlangt: keine neue Datenbank, keine Migration, kein Crawling- und Katalogisierungsprojekt.
Kein Datenkatalog
Ein Katalog erfasst Datensätze zu Personen – wo Tische stehen und wem sie gehören. Eine Ontologie modelliert das Geschäft selbst für Maschinen und Menschen: Was ein Kunde ist, wie eine Bestellung mit einem Produkt zusammenhängt und was in beiden Fällen unternommen werden kann. Ein Katalog beschreibt Lagerbestände; eine Ontologie beschreibt die Welt.
Keine weitere Datenbank
Es werden keine Daten kopiert oder migriert. Die Ontologie ist eine Metadatenebene, die Ihre vorhandenen Daten abbildet – Ihre Profile, Bestellungen, Ereignisse und Ihr Katalog bleiben unverändert. Neu hinzugekommen sind Bedeutungen: Namen, Definitionen, Beziehungen und Regeln, die den darunterliegenden Daten zugeordnet sind.
Nicht nur eine semantische Ebene
Metrische semantische Ebenen definieren aggregierte Zahlen – Umsatz, Kundenbindung – auf eine zertifizierte Weise. Eine Ontologie geht noch zwei Schritte weiter: Sie ordnet die Objekte selbst als erstklassige Objekte ein (dieses Mitglied, diese Bestellung) und fügt eine dynamische Ebene mit gesteuerten Aktionen hinzu. Substantive und Verben, nicht nur Messgrößen.
Eine semantische Schicht
Sie verfügen bereits über drei semantische Assets. Was fehlt, ist die Nomentabelle.
Eine Plattform wie unsere kommt nicht mit leeren Händen zur Ontologie. Drei Bedeutungsebenen sind bereits aufgebaut, zertifiziert und geregelt – jede für sich stark:
Antworten „Wie viel?“
Metriken
Die zertifizierte quantitative Ebene. GMV, Abwanderung, Kundenbindung – jede Geschäftszahl hat genau eine maßgebliche Definition, die von der semantischen Engine berechnet wird. Wenn zwei Dashboards Einnahmen anzeigen, zeigen sie dieselben Einnahmen.
Die semantische Metrikschicht →Antworten „Welche Art?“
Tags
Die gesteuerte Klassifizierungsebene. Lebenszyklusphasen, Wertstufen – erklärbare Labels, die gemäß Richtlinie angewendet werden: einwilligungsbasiert, mit TTLs, Exklusivitätsregeln und einem Audit-Trail. Die Mitgliedschaftszugehörigkeit wird dokumentiert.
Regulierte Tags →Antworten „was ist passiert“
Verhalten → Absicht
Die Zeitleiste. Was ein Kunde tatsächlich getan hat – gestöbert, gekauft, eingelöst, inaktiv – und die Absicht, die die KI aus diesem Verhalten ableitet: Hypothesen wie „Abwanderungsgefahr“, die bestätigt werden, bevor jemand handelt.
Ereignisse, Verhalten & Absicht →Bei genauerer Betrachtung sind alle drei jedoch im Grunde gleich: abgeleitete Semantiken hängen an Objekten, die nie explizit gemacht wurden. Metriken beschreiben Mengen von von etwas; Tags beschreiben Arten von von jemandem; Verhaltensweisen beschreiben Ereignisse, die zwischen und Entitäten stattfinden. Die Adjektive und Verbphrasen sind alle vorhanden – es fehlt die Nomentabelle. „Mitglied“, „Bestellung“ und „Gutschein“ haben keine einheitliche Definition; jedes Asset beschreibt die Entitäten in eigenen Begriffen, und keines verweist auf die anderen.
Die Aufgabe der Ontologie besteht darin, diese Nomentabelle bereitzustellen – als Rückgrat, nicht als viertes Silo. Die abgeleiteten Eigenschaften eines object referenzieren die zertifizierten Metrikdefinitionen; nichts wird neu berechnet, und die Metrikschicht bleibt die alleinige Autorität für jedes number. Tags erscheinen als Klassifizierungseigenschaften des object, weiterhin angewendet gemäß ihren eigenen Zustimmungs- und TTL-Richtlinien. Der Verhaltensstrom wird zur beobachteten Zeitleiste des object – Identität an einem Ort, Beobachtung an einem anderen. Und die kinetische Schicht fügt hinzu, was keine der drei leisten konnte: die Verben – die gesteuerten Aktionen, die auf jedem object ausgeführt werden können.
KI-Agenten und die Konsole
Was ist dieser Kunde? Was ist passiert? Was kann getan werden?
Ontologie · eine semantische Schicht
Objekte · Links · Aktionen
Metriken
Zertifizierte Maßnahmen
Besitzer: semantische Engine
Tags
geregelte Etiketten
Eigentümer: Tag-Richtlinien
Verhalten → Absicht
Beobachteter Zeitablauf
Eigentümer: Ereignisstrom
Die bereits vorhandenen Daten
Profile · Bestellungen · Veranstaltungen · Katalog
Metriken, Tags und Verhaltensweisen beantworten die Fragen Wie viel, Welche Art und Was ist passiert. Die Ontologie sorgt dafür, dass sie sich um dasselbe Wer und Was drehen – und fügt Was kann getan werden hinzu.
Das Ergebnis ist eine vollständige semantische Ebene: Wenn eine KI fragt, was dieser Kunde ist (Eigenschaften = Metriken + Tags), was passiert ist (Verhalten → Absicht) und was er tun könnte (Aktionen), teilen die drei Antworten erstmals dasselbe Nomensystem. Jede Ebene behält ihren Besitzer; die Ontologie-Referenzen sind niemals dupliziert.
Erfahren Sie mehr: So funktioniert die eine semantische Ebene →Warum es wichtig ist
Künstliche Intelligenz (KI) versagt bei der Verarbeitung von Rohdaten stillschweigend. Die Beweise dafür sind nun messbar.
Die fehlende Nomentabelle ist kein kosmetischer Mangel. Wenn eine KI Geschäftsfragen zu Daten beantwortet, deren Objekte nie explizit definiert wurden, gibt sie keine Fehlermeldung aus – sie antwortet selbstbewusst, aber falsch. Die Kosten wurden ermittelt:
16.7% → 54.2%
Genauigkeit der LLM-Analyse zur Beantwortung von Geschäftsfragen anhand von Unternehmensdaten
In einem kontrollierten Benchmark anhand eines realen Versicherungsschemas beantwortete ein LLM-Modell, das auf die rohe SQL-Datenbank zugriff, 16,7 % der Geschäftsfragen korrekt. Dasselbe Modell, basierend auf denselben Daten, dargestellt als Wissensgraph mit Ontologie, erreichte 54,2 % – also etwa das Dreifache –, noch bevor ein Modell größer oder intelligenter wurde. Die Repräsentation, nicht das Modell selbst, war der Flaschenhals.
data.world Benchmark (Sequeda et al.), arXiv 2311.07509 ↗→ 72%
Mit ontologiebasierter Abfrageprüfung und -korrektur
Eine Folgestudie nutzte die Ontologie selbst, um die vom LLM generierten Anfragen zu validieren und fehlerhafte Anfragen zu korrigieren. Dadurch konnte die Gesamtgenauigkeit auf 72 % gesteigert werden, und weitere 8 % der Antworten wurden von einer selbstsicheren Annahme zu einem ehrlichen „Ich weiß es nicht“. Die Ontologie ist nicht nur Kontext, sondern ein überprüfbarer Vertrag.
„Ontologien zur Rettung!“ (Allemang & Sequeda), arXiv 2405.11706 ↗+17–23 Punkte
Aus einem 4 KB großen semantischen Dokument, über drei Frontier-Modelle hinweg
Ein gepaarter Benchmark führte drei innovative LLMs zweimal für dasselbe Einzelhandelslager durch: einmal nur mit Schema, dann mit Schema plus einem ca. 4 KB großen Dokument, das Kennzahlen, Konventionen und Disambiguierungsregeln beschreibt. Die Genauigkeit stieg für jedes Modell um 17–23 Prozentpunkte – und die drei Modelle waren statistisch nicht mehr zu unterscheiden. Die Semantik, nicht die Modellwahl, war ausschlaggebend.
Cube Paired Benchmark, arXiv 2604.25149 ↗60 % werden scheitern
Agentische Analyseprojekte, die bis 2028 allein auf MCP basieren (Gartner)
Auf dem Data & Analytics Summit 2026 warnte Gartner davor, dass 60 % der agentenbasierten Analyseprojekte, die ausschließlich auf MCP basieren, bis 2028 aufgrund fehlender konsistenter semantischer Schichten scheitern werden. Die Infrastruktur, die einen Agenten mit Ihren Systemen verbindet, ist zwar notwendig, aber ohne ein Modell dessen, was das Unternehmen damit meint, nicht ausreichend.
Gartner Data & Analytics Summit 2026, wie von Atlan berichtet ↗Branchensignal
Im Juni 2026 gaben Zeta Global und Palantir eine strategische Partnerschaft zum Aufbau einer einheitlichen Daten- und KI-Infrastruktur für Marketing bekannt. Palantir Foundry steuert dabei die Ontologie, Governance und operative Infrastruktur bei, die Unternehmensdaten für die agentenbasierte Marketingausführung benötigen. Ein semantisches Modell in Kombination mit gesteuerten Aktionen entwickelt sich zur Branchenarchitektur, die es KI ermöglicht, nicht nur zu analysieren, sondern auch zu handeln.
Pressemitteilung von Zeta Global, 23. Juni 2026 ↗Der tiefgreifende Wandel
Der traditionelle Stack modelliert Daten. Er modelliert nie Entscheidungen.
Warehouses, Pipelines und Kataloge beantworten die Frage: „Was ist true?“ Sie erfassen den Zustand – Zeilen, Spalten, Momentaufnahmen. Was sie jedoch nie erfassen, ist die Entscheidung: das getroffene Urteil, die daraus resultierende Handlung, wer sie autorisiert hat und was als Nächstes geschah. Diese Schleife existierte in den Köpfen der Nutzer und in den Tickets, war also weder abfragbar noch nachvollziehbar oder steuerbar.
Sobald KI anfängt, aktiv zu werden (agieren) – und nicht nur zu berichten –, wird diese Lücke zum zentralen Problem. Agentische Systeme benötigen keine weitere Datenintegration, sondern eine Entscheidungsintegration (): Beweise → Beurteilung → autorisierte Aktion → protokolliertes Ergebnis – als gleichberechtigte, miteinander verbundene Objekte. Genau das bietet die Dynamikschicht der Ontologie – und deshalb behandeln wir jede KI-Entscheidung als Daten in einem Protokoll, das Sie filtern, wiedergeben und prüfen können.
Eine Entscheidung, wie sie die Ontologie festhält
Nachweis — die Mitgliedsdatensätze und Metriken, die die KI tatsächlich gelesen hat
Bewertung — die Begründung im Klartext zu Protokoll geben
Genehmigung — Die Hardware, auf der es lief – oder die Person, die es genehmigt hat
Aktion — Was hat sich geändert: der ausgestellte Coupon, das angebrachte Tag
Ergebnis — Das Ergebnis – es dient der nächsten Entscheidung und ist umkehrbar
Auf der Plattform
Keine bloße Präsentation. Es läuft bereits.
In SocialHub.AI ist die Ontologie kein Projekt, das Sie erstellen – sie wird mit der Plattform ausgeliefert und erstreckt sich auf die Felder und Objekte, die Sie hinzufügen. Folgendes ermöglicht es heute:
KI, die fragen kann, was existiert
Bevor eine Aktion ausgeführt wird, kann jede verbundene KI die Ontologie analysieren: Sie listet die Geschäftsobjekte Ihres Arbeitsbereichs auf, beschreibt die Felder eines object und deren Bedeutung, erkennt die Beziehungen zwischen den Objekten und listet die möglichen Aktionen auf – inklusive der Bedingungen und der aktuellen Berechtigung für jede Aktion. Felder mit personenbezogenen Daten werden beschrieben, ihre Werte jedoch niemals weitergegeben.
Die Referenz für Selbstreflexion →Handlungen, die geregelt und nicht frei gestaltet sind
Die Dynamikebene im Einsatz: Jede KI-Aktion verfügt über einen eigenen Autorisierungsmechanismus – automatisch, mit menschlicher Prüfung oder verboten –, der pro Team festgelegt wird. Vorschläge werden als Genehmigungskarten in einfacher Sprache übermittelt, die Begründung wird zum Genehmigungszeitpunkt erneut geprüft, fehlerhafte Aktionen werden automatisch zur menschlichen Prüfung weitergeleitet, und jede Aktion kann rückgängig gemacht werden.
Siehe die Governance-Konsole. →Jede Entscheidung aktenkundig
Da auch Handlungen Ontologieobjekte sind, hinterlässt jede einzelne eine vollständige Entscheidungsaufzeichnung: die Begründung, die gelesenen Beweise, wer sie autorisiert hat (ein Zahnrad oder eine Person), was sich geändert hat und das Ergebnis. KI-Aktivitäten sind keine Blackbox mehr, sondern werden zu einem Protokoll, das Sie filtern, wiedergeben und prüfen können.
Das Entscheidungsprotokoll →Ihre Erweiterungen übernehmen die Semantik
Fügen Sie Mitgliedern ein benutzerdefiniertes Feld oder ein ganzes benutzerdefiniertes Objekt hinzu – Reparaturaufträge, Servicetermine – und es wird automatisch in dieselbe Ontologie eingefügt: durch KI introspizierbar, Feld für Feld beschreibbar, in Segmenten verwendbar und personalisierbar. Keine Daten zweiter Klasse, keine separate Integration.
Benutzerdefinierte Objekte →Das Konzept ist diese Seite. Die Konsole ist das Produkt.
Bei AI Governance & Approvals wird die Dynamikschicht der Ontologie zu einem täglichen Arbeitsablauf – Genehmigungskarten, Aktionszahnräder, das Entscheidungsprotokoll, Rückgängigmachen mit einem Klick.
Häufige Fragen
Die Fragen, die Datenteams stellen.
Worin unterscheidet sich eine Ontologie von einem Datenkatalog?
Ein Datenkatalog antwortet: „Wo sind die Daten und wem gehören sie?“ – Es inventarisiert Tabellen und Dateien für Humandatenteams. Eine Ontologie antwortet: „Woraus besteht das Unternehmen und was kann getan werden?“ – Es modelliert Mitglieder, Bestellungen, Produkte, ihre Beziehungen und die gesteuerten Aktionen, die auf sie wirken, in einer Form, die sowohl Menschen als auch KI-Agenten lesen und nachvollziehen können. Viele Organisationen brauchen beides; Sie sind nicht dasselbe Werkzeug.
Wie verhält sich das zu einer semantischen Metrikschicht (wie der von dbt oder unserer)?
Sie sind komplementäre Ebenen eines Konzepts. Eine Metrikebene zertifiziert aggregierte Definitionen – was „Umsatz“ bedeutet, berechnet nach einer bestimmten Methode. Die Ontologie erweitert dies von Kennzahlen auf die Objekte selbst (dieses Mitglied, diese Bestellung, wie sie verknüpft sind) und fügt die Aktionsebene hinzu: Was kann getan werden, von wem und unter welchen Bedingungen? In SocialHub.AI verweisen die abgeleiteten Eigenschaften eines object auf die zertifizierten Metrikdefinitionen, anstatt sie neu zu berechnen – die Metrikebene bleibt die alleinige Autorität für jedes number – und die Ontologie vereinheitlicht sie mit der Klassifizierungssemantik von Tags und der Zeitleistensemantik von Verhalten und Absicht um dieselben Objekte herum.
Benötigen wir eine Graphdatenbank für eine Ontologie?
Nein. Eine Ontologie ist eine Modellierungsschicht, keine Speichertechnologie. Es bildet Ihre vorhandenen Daten ab – relationale Tabellen, Ereignisströme, einen Produktkatalog – und ordnet ihnen Namen, Beziehungen und Regeln zu. Einige Anbieter implementieren Ontologien über Graphdatenbanken; wir verwenden Metadaten über den bereits in der Plattform vorhandenen operativen Daten. Es findet keine Plattformumstellung statt.
Entspricht dies der Ontologie von Palantir?
Gleiches Konzept, anderer Umfang. Palantir hat das Ontologie-Muster – eine semantische Ebene von Objekten plus eine kinetische Ebene gesteuerter Aktionen – mit Foundry in den Unternehmensalltag eingeführt und unternehmensweit angewendet. Wir wenden dasselbe Muster auf einen Bereich an, die Kundenbindung: Mitglieder, Bestellungen, Produkte, Kampagnen und die dazugehörigen gesteuerten Marketingaktionen sind in die Plattform integriert und nicht als separates Projekt zusammengestellt.
Wie hängt das mit der Datenverwaltung zusammen?
Daten-Governance sorgt für vertrauenswürdige Daten – eine zertifizierte Definition pro number, Einhaltung der Einwilligung, Zugriffskontrolle, saubere Daten. Die Ontologie baut auf dieser Grundlage auf und fügt die Ebene hinzu, die KI zum Handeln benötigt: Was sind die Objekte und welche Aktionen sind zulässig? Vertrauenswürdige Daten sind die Basis; ein geregeltes Weltmodell ist die Grundlage für die Arbeit der KI.
Verwandte Themen: Daten-Governance · Die semantische Metrikschicht · KI-Governance & Genehmigungen
Weiterführende Informationen
Erkunden Sie weiterhin die Seiten, die am engsten mit dieser Seite verwandt sind.
Intelligente Entscheidungen
Die nächste optimale Aktion: Wer, welches Angebot, welcher Kanal, wann?
Weiterlesen FunktionConsumer World Model
Die Kerntechnologie hinter jeder Entscheidung: ein Verhaltensmodell, das lernt, wie sich Ihre Mitglieder tatsächlich verhalten – trainiert pro Marke in ihrem eigenen Event-Stream, ehrlichkeitsgesteuert anhand einer transparenten Baseline – plus ein digitaler Zwilling, der simuliert, was sie als nächstes tun würden, indem er Kampagnen durchprobt (und die Option, nichts zu tun), bevor eine Nachricht verschickt wird. Zusammen ein vollständiges, lebendiges Modell Ihrer Mitgliederbasis.
Weiterlesen FunktionArmaturenbrett
Echtzeit-Scan-to-Redemption-Daten als KPI-Trends, Funnel-Diagnostik und ein Regel- und LLM-Panel für die jeweils beste nächste Aktion – plus Retention-Kurven nach Anmeldekohorte und ein 14-Tage-Umsatzausblick, der transparent als Prognose und nicht als verbindliche Zusage gekennzeichnet ist.
Weiterlesen FunktionGeschäftsziele
Verwandeln Sie jeden geregelten KPI in ein Betriebsziel, das jemandem gegenüber verantwortlich ist. Brechen Sie ein Ziel in einem einzigen übergeordneten/untergeordneten Baum auf zwei Achsen auf – Zeit (Jahr → Quartal → Monat) und Organisation (Unternehmen → Filialregionen → Filiale) – und lassen Sie dann die Ist-Werte automatisch aus echten Bestellungen auf derselben Kaliberebene aufsummieren, die Ihr Dashboard anzeigt, mit Rot/Gelb/Grün-Status, einer Tempoprojektion und einer Warnung, sobald ein Ziel aus der Bahn gerät.
Weiterlesen FunktionSoTag für Slack
Der Agent Slack, der kontrollierte und geprüfte Nummern an Claude im Thread weiterleitet: tägliche Anomalieprüfung + manuell freigegebener Couponversand. Früher Zugriff.
Weiterlesen FunktionSoClaw — Stellen Sie Ihre KI-Mitarbeiter ein
Setzen Sie KI-Mitarbeiter für Ihr Treueprogramm ein – autonome Agenten mit jeweils einer realen Aufgabe: ein Loyalty Manager, der gefährdete Kunden zurückgewinnt, ein Order Manager, der die Warteschlange für Beleg- und Bestellprüfungen abarbeitet, ein Risk Manager, der Punkte vor Betrug schützt, und ein Marketing Manager, der ein Ziel in eine fertige Kampagne umsetzt. Jeder bearbeitet jeweils einen Fall innerhalb der von Ihnen festgelegten Grenzen und protokolliert jede Entscheidung. Sie verwalten sie wie ein Team mit Zielen, Budgets, Aufgaben und Feedback. Standardmäßig deaktiviert, begrenzt, jederzeit pausierbar. Früher Zugriff.
Weiterlesen