Am 26. Juni fand in Guangzhou ein nichtöffentliches Seminar über Unternehmensagenten unter dem Thema „Ontologisches Denken und angewandte Praxis“ statt. Mehr als ein Dutzend Führungskräfte aus Finanzwesen, Energie, Fertigung, Handel und öffentlichen Diensten nahmen teil, ebenso Entscheiderinnen und Entscheider der intelligenten Transformation. Geleitet wurde die Sitzung von Jackson Chen, Vizepräsident von AHS, entlang einer zentralen These – die KI soll das Unternehmen verstehen und Intelligenz soll an dessen Führung teilhaben. Er führte die Teilnehmenden aus dem Flachwasser der Technologieeinführung in ein systematisches Verständnis des Wesens des Geschäfts und der ontologischen Betriebslogik.
Kernerkenntnis: Die Wasserscheide der Unternehmens-KI liegt nicht darin, wie stark das Modell oder wie groß die Rechenleistung ist, sondern darin, ob ein Unternehmen die impliziten „Weil … also …“-Ketten seines Geschäfts explizit machen kann – als ausführbare, prüfbare und weiterentwickelbare Ontologie.
1. Hintergrund: von der Sackgasse der Data Governance zur Frage nach der Geschäftslogikkette
Die Tagesordnung zielte direkt auf den entscheidenden Engpass heutiger Unternehmens-KI: Warum tut sich KI nach Jahren von Data-Governance-Projekten und erheblichen Investitionen noch immer schwer, das Geschäft wirklich zu verstehen und Entscheidungen im Sinne seiner Logik zu treffen?
Im Tagesgeschäft beruhen viele wesentliche Urteile auf impliziter Logik nach dem Muster „weil X, also Y“ – warum wurde die Kreditlinie dieses Kunden abgelehnt? warum lief dieser Auftrag über eine Sondergenehmigung? Hinter jeder dieser Entscheidungen steht eine klare Geschäftslogikkette. Doch diese Ketten überdauern meist nur als Erfahrung, Gewohnheit oder verstreute Dokumente innerhalb der Organisation. Sie entziehen sich der systematischen Formulierung und werden so zu „dunklem Wissen“, das für KI unerreichbar bleibt.
Damit tritt der Kern des Problems hervor: Was einem Unternehmen fehlt, sind womöglich nicht die Daten, sondern die interne Fähigkeit, die Beziehungen zwischen Daten und die Geschäftsregeln strukturiert auszudrücken – jene implizite Logikkette, die sich durch sämtliche Geschäftsprozesse zieht.
Im Mittelpunkt dieses geschlossenen Treffens stand genau die Frage, wie sich diese „Kette“ vom Impliziten ins Explizite überführen lässt – von unscharfer Erfahrung zu berechenbaren, ausdrückbaren, strukturierten Geschäftswerten, auf die sich Unternehmensagenten stützen können, um das Geschäft zu verstehen und an Entscheidungen mitzuwirken.
2. Der Vortrag: Ontologie – die technische Entwicklung von Datensilos zu semantischen Netzen
Chen eröffnete mit einem Bild: „Vergleicht man ein Unternehmen mit einem lebenden Organismus, sind Daten das Blut und Rechenleistung die Muskulatur – die Ontologie aber ist Gehirn und Nervensystem. Sie legt fest, wie das Unternehmen sich selbst erkennt und wie es mit seiner Umwelt umgeht.“
Anschließend zeigte er in einer Demo, wie sich aus heterogenen internen Systemen – ERP, CRM, OA – zentrale Geschäftsobjekte wie „Kunde“, „Auftrag“ und „Vertrag“ herauslösen und zu einem Netz semantischer Beziehungen verknüpfen lassen.
„Dass Data-Lake- und Datenplattform-Projekte nicht den erhofften ROI der intelligenten Transformation gebracht haben“, so Chen, „liegt im Kern daran, dass Daten für Menschen gemacht sind. Es fehlt die semantische Schicht, die KI verstehen kann. Was die KI sieht, ist nur ein Haufen isolierter, bedeutungsloser Zahlen und Zeichenketten.“ Er zeichnete den Entwicklungspfad der Unternehmens-KI nach: von RAG (retrieval-augmentierte Generierung), das auf externes Wissen angewiesen ist, über GraphRAG, das interne Wissensgraph-Beziehungen einbezieht, bis hin zu OAG (ontologie-augmentierte Generierung), in deren Zentrum die eigene Geschäftslogik des Unternehmens steht.
Die Ontologie ist der eigene Burggraben eines Unternehmens. Sie hängt nicht von den Fähigkeiten eines externen großen Modells ab, sondern macht das implizite, mündlich weitergegebene Know-how im Inneren explizit – als strukturiertes Gut, das sich weitergeben, optimieren und ausführen lässt.
Eine Ontologie beschreibt nicht nur, was das Geschäft „ist“ – sie kann steuern, was das System „tut“.
Er verwies auf Qiaoyin, das erste an Chinas A-Aktienmarkt notierte Unternehmen für städtische Dienstleistungen. Mit dem Agentrix-System baute es eine Geschäftsontologie auf, die die Betriebslogik hinter komplexer Echtzeitdisposition, Prozesskoordination, frühzeitigem Risikoeingriff und vorausschauender Störungswarnung explizit macht. Auf Basis dieser Geschäftsontologie und eines World Behavior Model gelang eine dynamische Entscheidungsoptimierung: deutlich höhere Betriebseffizienz, geringere Betriebskosten und eine Reaktionszeit der Disposition, die von Stunden auf Minuten sank.
Nach Chens Auffassung durchläuft die Unternehmenstransformation aufeinanderfolgende Stufen: von der Informatisierung (Aufbau der IT-Systeme) über die Digitalisierung (datengetriebene Prozesse) bis zur KI-Werdung (Agenten wirken am Geschäftsbetrieb mit) – und die Ontologie ist die entscheidende Infrastruktur dieser letzten Stufe.
3. Fragen aus dem Plenum
Den Abschluss bildete der offene Austausch mit den anwesenden Unternehmen. Ihr Verständnis von Ontologie blieb längst nicht mehr an der Oberfläche der Begriffe; die Fragen drangen bis ins Gewebe von technischer Umsetzung und wirtschaftlichem Ertrag vor.
1. Semantische Vereinheitlichung: Wenn verschiedene Systeme im Haus dieselbe Sache unterschiedlich benennen – wie versteht die KI das korrekt und validiert es?
Frage aus dem Plenum: „Unser ERP läuft seit vielen Jahren, und für zahlreiche Tabellenfelder gibt es überhaupt kein einheitliches Datenlexikon. Nehmen Sie den ‚Bestand‘: Aus Sicht der Finanzabteilung, der Produktion und des Lagers bedeutet er jeweils etwas anderes. Wie soll die KI ohne Datenlexikon allein aus Tabellen- und Feldnamen erkennen, was ein Feld fachlich wirklich bedeutet?“
Qi Xiaoxi, Produktexpertin bei AHS: „Wir arbeiten mehrschichtig. Zunächst nutzt Agentrix ein vorhandenes Datenlexikon vorrangig als maßgebliche Quelle. Fehlt es, leitet ein großes Modell aus Tabellenstruktur, Benennungsmustern, Beziehungen zwischen Tabellen und dem fachlichen Kontext die mutmaßliche Semantik der Felder ab und erzeugt Annotationen. Anschließend prüfen und korrigieren Fachexperten die Schlussfolgerungen der KI – so schließt sich ein semantischer Annotationskreis in Mensch-Maschine-Zusammenarbeit. Ein doppelter Sicherungsmechanismus.“
Frage aus dem Plenum: „In ERP und CRM unterscheiden sich sowohl die Felder als auch die Bezeichnungen für ‚Kunde‘. Wie stellt man nach der Bereinigung fest, dass es sich um dasselbe Objekt handelt?“
Qi Xiaoxi, Produktexpertin bei AHS: „Über Regeln zur semantischen Vereinheitlichung und einen Mechanismus zur Quellengruppierung. Das System findet die Zuordnung zwischen unterschiedlichen Benennungen – etwa client_code und customer_id – automatisch und validiert sie über eine Data-Lineage-Analyse. Im Kern baut Agentrix eine einheitliche kognitive Schicht der Geschäftsobjekte auf, die über der Benennung des einzelnen Systems liegt.“
2. Regelwerk: Wenn eine Ausnahme außerhalb der internen Vorschriften eintritt – wie erkennt die KI sie und verbessert die bestehenden Regeln?
Frage aus dem Plenum: „Wir haben viele Mietverträge für Filialen, in denen die Mietberechnung in Fließtext beschrieben ist. Müssen die Regeln von Hand einzeln angelegt werden, oder kann das System den Vertragstext lesen und daraus automatisch strukturierte Berechnungsregeln ableiten? Lässt sich eine Formulierung wie ‚Vorgehen bei Beträgen über fünf Millionen‘ in eine von der KI ausführbare strukturierte Regel überführen?“
Qi Xiaoxi, Produktexpertin bei AHS: „Unser System kann unstrukturierte Dokumente – Word, PDF, Scans, Excel – automatisch analysieren und strukturierte Geschäftsregeln extrahieren. Aus einem Mietvertrag erkennt es beispielsweise die Logik ‚Grundmiete plus Umsatzbeteiligung‘. Manuelles Definieren und Pflegen wird ebenfalls unterstützt. Darüber hinaus lassen sich implizite Muster in historischen Vorgangsdaten aufspüren: Überschreitet eine bestimmte Art von Kostenantrag stets das Budget und wird dennoch stets genehmigt, lernt das System diese ‚stillschweigende Regel‘ und schlägt vor, sie explizit zu machen.“
Frage aus dem Plenum: „Eine Betriebsvorschrift kann nicht jeden Einzelfall aufzählen. Für Reisekosten gibt es einen Standardtarif, aber bei einem dringenden Projekt bleibt vielleicht nur ein Vollpreisticket. Wie kommen die Regeln mit solchen Ausnahmen zurecht?“
Guo Lin, CTO von AHS: „Unsere DataOS-Regel-Engine arbeitet mit einem dreischichtigen hybriden Schlussfolgerungsmechanismus. Erstens verarbeiten OWL-Constraint-Regeln deterministische, ausdrücklich geregelte Anforderungen durch logische Inferenz. Zweitens erkennen Verfahren des maschinellen Lernens in historischen Genehmigungsdaten ‚stillschweigende Regeln‘ – Muster, die nirgends festgeschrieben sind, in der Praxis aber stets genehmigt werden – und schlagen deren Formalisierung vor. Drittens sorgt das große Modell für die flexible Anpassung an Ausnahmen, die keine Vorschrift aufzählen kann, etwa einen Reisekostenantrag über dem Standard aufgrund eines kurzfristigen Projekts.“
Jackson Chen, Vizepräsident von AHS: „Eine Schlüsselfähigkeit der Ontologie ist die Selbstentwicklung. Auf Grundlage historischer Vorgangsdaten lernt das System fortlaufend und kann neue Regeln vorschlagen oder bestehende verbessern – so entwickelt sich das Regelwerk eines Unternehmens dynamisch mit dem Geschäft weiter.“
3. Entscheidungslogik: Wie lässt sich das Schlussfolgern der KI in geschäftskritischen Szenarien so streng und nachvollziehbar machen wie ein mathematischer Beweis?
Frage aus dem Plenum: „Unser Vergabegremium besteht aus sieben Personen, und wir sorgen uns ständig, dass die Verlässlichkeit des Ergebnisses sinkt, sobald das Urteil der Mehrheit beeinflusst wird. Könnte die KI die endgültige Entscheidung treffen? Und daran schließt sich die Frage an: Wie stellt man sicher, dass ihr Urteil nicht bloß geraten ist?“
Qi Xiaoxi, Produktexpertin bei AHS: „KI kann Bewertung und Prüfung übernehmen, doch bei kritischen Schritten wie Vertragsverhandlungen bleibt der Mensch nötig. Der Kernwert der KI-Unterstützung liegt nicht in einer Blackbox-Antwort, sondern in einer vollständigen, nachvollziehbaren Beweiskette des Schlussfolgerns. Bei einer Lieferantenbewertung zeigt das System nicht nur, dass ein Preis überhöht sein könnte, sondern auch, worauf sich das stützt: Vergleich mit früheren Verträgen, Abweichung von Branchenbenchmarks oder ausgelöste Regelprüfungen. Jeder Urteilsschritt ist durch Daten oder Regeln gedeckt und durchgängig rückverfolgbar. Sobald ein Mensch klar definieren kann ‚weil dies, deshalb jenes Urteil‘, kann die KI diese Entscheidungskette lernen und wiederverwenden.“
Jackson Chen, Vizepräsident von AHS: „Im Kern ist das der Unterschied zwischen logischer Determiniertheit und probabilistischer Zuordnung. Ein großes Modell arbeitet mit Wahrscheinlichkeiten – heute richtig, morgen falsch. Ontologisches Schließen rechnet dagegen auf definierten logischen Regeln und Daten; sind Regeln und Daten korrekt, ist das Ergebnis deterministisch und wiederholbar. Die Ontologie macht den Denkweg der KI so klar wie einen mathematischen Beweis.“
Frage aus dem Plenum: „Ich würde die KI gern mit den Lieferantenverträgen der vergangenen zehn Jahre trainieren, damit sie beim Angebot eines neuen Lieferanten automatisch überhöhte Preise markiert. Ist das machbar?“
Guo Lin, CTO von AHS: „Eine Preisanalyse auf historischen Daten der eigenen Domäne ist unkompliziert. Doch Vertragspreise lassen sich nicht allein aus internen Daten ablesen – sie werden auch vom Marktumfeld und von Konjunkturzyklen beeinflusst, weshalb eine Analyse aus mehreren Quellen entscheidend ist. Wenn der Einkaufsleiter die Grundlage seiner Entscheidung ausdrücklich benennen kann – ‚weil die Stahlpreise zuletzt um 15 Prozent gestiegen sind, stimme ich diesem Angebot zu‘ –, merkt sich die KI diese Kausallogik und wendet sie beim nächsten vergleichbaren Marktumfeld automatisch an. Der Kern bleibt, ob die Beweiskette vollständig ist.“
Frage aus dem Plenum: „In der Wasser- und Energiewirtschaft gibt es viele komplexe Geschäftsregeln – etwa die Sauerstoffzufuhr im Belebungsbecken der Abwasserbehandlung. Braucht es dafür eigens trainierte Prognosemodelle?“
Guo Lin, CTO von AHS: „Man muss die Fälle unterscheiden. Ein einfacher Angebotsvergleich oder eine Compliance-Prüfung lässt sich auf eine klare Beweiskette zurückführen: Der Mensch entscheidet einmal, die KI führt danach aus. Die komplexe Prozesssteuerung in der Produktion hingegen, in die Erfahrungsmodelle von Fachleuten und Sensordaten in Echtzeit einfließen, erfordert tatsächlich eigens trainierte Prognosemodelle. Unser Ontologiesystem kann solche Spezialmodelle kapseln und aufrufen und schließt so den Kreis von der Geschäftsregel bis zur Regelungsstrategie.“
4. PaaS-Architektur: unabhängig vom großen Modell ist Agentrix’ Schließen über die Ontologie eine geschäftlich determinierte logische Ausführung
Frage aus dem Plenum: „Große Modelle unterscheiden sich in ihren allgemeinen Fähigkeiten. Wenn wir viel Mühe in eine hervorragende Ontologie stecken, das angeschlossene ‚Gehirn‘ – also das große Modell – aber selbst nicht klug genug ist: was dann?“
Guo Lin, CTO von AHS: „Wir setzen auf eine modellunabhängige PaaS-Architektur. Die zentrale Entscheidungslogik des Systems trägt vollständig die Ontologieschicht; sie definiert, unter welchen Bedingungen welche Aktion ausgeführt wird. Das große Modell dient vor allem als effiziente Schnittstelle für natürliche Sprache und als Ausführungsinstanz für Aufgaben. Deshalb läuft das System auch mit einem kleineren Modell stabil. Wichtiger noch: Ein Unternehmen, das vollständig von den Fähigkeiten eines externen Modells abhängt, hat keinen eigenen Burggraben gebaut. Die wirkliche, nicht kopierbare Wettbewerbsfähigkeit liegt in den eigenen Geschäftsdaten, in vielfach erprobten Geschäftsregeln und in dem Netz kausaler Beziehungen, das tief im Branchen-Know-how wurzelt. Erst durch die Ontologie strukturiert, bilden sie die eigentliche Barriere der Unternehmensintelligenz.“
Risiken eines Wegs mit starker Abhängigkeit vom großen Modell: Die Modellfähigkeit wird zur Decke, das Ergebnis bleibt an die allgemeinen Fähigkeiten des gewählten Modells gebunden. Eine eigene Barriere fehlt, denn Wettbewerber können dasselbe Modell nutzen – die Angebote gleichen sich stark an. Kosten und Risiken sind schwer zu steuern, da API-Kosten mit der Preisgestaltung schwanken und Lieferkettenrisiken bestehen. Und die Geschäftslogik verschwindet in einer Blackbox, wodurch sich komplexe Entscheidungen kaum prüfen oder erklären lassen.
Stärken des ontologiegetriebenen, modellunabhängigen Wegs: Die Geschäftslogik wird autonom, da die zentralen Entscheidungsregeln von der eigenen Ontologie getragen werden – mit hoher Determiniertheit. Es entsteht ein exklusiver Burggraben, denn die Wettbewerbsfähigkeit speist sich aus einem einzigartigen, schwer kopierbaren Geschäftswissensgraphen. Kosten und Architektur bleiben flexibel, weil sich jeweils das wirtschaftlichste Modell wählen lässt, ohne Bindung an einen Anbieter. Und der Prozess ist transparent und prüfbar, da das Schließen auf expliziten Regeln und durchgängig rückverfolgbaren Beweisketten beruht.
Frage aus dem Plenum: „Wie sichern Sie während der Umsetzung die Genauigkeit des intelligenten Systems? Kommt es zu ‚Halluzinationen‘ wie bei großen Modellen? Und muss das ganze System neu gebaut werden, wenn sich Geschäftsregeln ändern?“
Guo Lin, CTO von AHS: „Ontologiebasiertes Schließen ist eine geschäftlich determinierte logische Ausführung und unterscheidet sich grundlegend von der probabilistischen Generierung großer Modelle. Es verhält sich wie ein geschriebenes Programm: Sind Eingaben und Regeln korrekt, muss die Ausgabe korrekt sein. Ist ein Ergebnis falsch, lässt es sich stets auf einen Fehler in einem konkreten logischen Schritt zurückführen – eine falsch definierte Regel, ein fehlerhaftes Daten-Mapping – und beheben. Das hat nichts mit der schwer auszurottenden Halluzination großer Modelle zu tun. Ändern sich Geschäftsregeln, passt eine Fachexpertin oder ein Fachexperte die entsprechenden Regeldefinitionen in der Ontologieschicht an oder ergänzt sie; ein komplexes Machine-Learning-Modell muss nicht neu trainiert werden. Wartungsaufwand und Komplexität sinken erheblich.“
Frage aus dem Plenum: „Können gewöhnliche Fachmitarbeitende unmittelbar am Aufbau der Ontologie mitwirken? Etwa Daten abfragen und das Ergebnis direkt als neue Kennzahl oder neue Ontologie festhalten, um Kosten zu senken und schneller zu werden?“
Guo Lin, CTO von AHS: „Genau dorthin entwickeln sich Systeme von Unternehmensagenten – zur Selbstiteration. Doch eine Anwendung auf Unternehmensniveau muss Flexibilität und Verbindlichkeit ausbalancieren. Wir plädieren dafür, Wissen in einer Datenbank abzulagern, insbesondere in einer Graphdatenbank, statt alles in den Kontext des Modells zu stopfen. Der entscheidende Wandel führt von ‚alle Erfahrung auf einmal hineinkippen‘ zu ‚Beziehungen schrittweise entdecken und bei Bedarf abrufen‘. Häufige und besonders wertvolle Vorgänge werden zu wiederverwendbaren Skills verfestigt. Deren Kapselung erfordert derzeit noch technisches Personal, doch das Ziel ist, dass Fachleute solche Geschäftslogikmodule allein über eine Beschreibung in natürlicher Sprache rasch erzeugen und verbessern können.“
5. Kooperationsmodell: kein ausgeliefertes Werkzeug – mit „erst die Ontologie, dann die Governance“ ist jeder Schritt an den Geschäftswert gebunden
Frage aus dem Plenum: „Wenn wir Ihr Unternehmens-KI-System einführen: Wie sieht die Zusammenarbeit konkret aus? Softwarelizenzen, Abonnement oder etwas anderes?“
Guo Lin, CTO von AHS: „Wir bevorzugen eine tiefe Partnerschaft im Sinne eines Joint Ventures – gemeinsam investieren, Risiken tragen und Erträge teilen – statt standardisierte Software zu verkaufen. Der Aufbau einer Ontologie verlangt ein tiefes Verständnis des Geschäfts; mit der Übergabe eines Werkzeugs ist es nie getan. Wir orientieren uns dabei am Prinzip des Forward Deployed Engineer (FDE) aus dem Silicon Valley: Wir entsenden Fachleute für längere Zeit vor Ort, die gemeinsam mit den Fachbereichen arbeiten. Der Einsatz gehört in die Kategorie der strategischen digitalen Transformation. Wir empfehlen, mit einem Piloten in einem konkreten Szenario zu beginnen und erst nach sichtbaren Ergebnissen schrittweise auf die Kernprozesse auszuweiten. Dieser Weg – ‚erst die Ontologie, dann die Governance‘ – stellt sicher, dass jede Investition unmittelbar auf den Geschäftswert zielt, und durchbricht den Teufelskreis herkömmlicher Datenprojekte, die mit der Übergabe zum Stillstand kommen.“
Das nächste geschlossene Seminar zur Unternehmensontologie ist in Vorbereitung. Wenden Sie sich an AHS, um eine maßgeschneiderte Lösung für Unternehmensagenten zu erhalten oder einen Platz für die nächste Sitzung zu reservieren.
