Symbolische KI und LLMs waren nie Rivalen. Die Ontologie ist der Ort, an dem sie sich treffen.

Dreißig Jahre lang stritt das Fach darüber, welche Art von Intelligenz die echte sei. Symbolische KI mit ihren Ontologien, ihrer Logik und ihren Regeln konnte jeden Schritt ihres Schließens erklären, wusste aber nichts, was ihr nicht von Hand mitgeteilt worden war. Neuronale Netze, und heute große Sprachmodelle, lernten alles aus Daten und erklärten nichts. In einem Unternehmen geht der Streit am Thema vorbei. Eine Bank braucht keine Philosophie des Geistes. Sie braucht ein System, das hunderttausend Verträge liest, ihren Inhalt als Fakten festhält und über diese Fakten so schließt, dass ein Prüfer folgen kann. Keine der beiden Traditionen schafft das allein. Gemeinsam schon.

Was ein Sprachmodell Ihnen nicht geben kann

Ein Sprachmodell ist ein hervorragender Leser und ein unzuverlässiger Zeuge. Fragen Sie es, was eine Hypothekenurkunde besagt, und es antwortet flüssig, und meist richtig. Stellen Sie morgen dieselbe Frage in leicht anderer Formulierung, und die Antwort kann abweichen. Bitten Sie es, das in der Urkunde Gelesene mit dem im Gutachten und im Grundbuch Gelesenen zu verbinden, und es liefert einen plausiblen Absatz statt eines verifizierten Fakts. Es hat keine dauerhafte Repräsentation des Kreditnehmers, der Immobilie oder der Belastung, nur Text darüber. Es kann Ihnen nicht sagen, welcher von drei widersprüchlichen Werten richtig ist, denn es hat keine Vorstellung davon, dass ein Wert richtig ist, außer dass er richtig klingt.

Das ist die Wurzel der beiden Gewohnheiten, die Unternehmens-KI bisher geprägt haben: Felder aus Dokumenten extrahieren und über sie chatten. Beide enden beim Text. Extraktion liefert Zahlen ohne die Beziehungen, die ihnen Bedeutung geben; Chat liefert Prosa ohne die Struktur, die sie überprüfbar machen würde. Keine von beiden hinterlässt Wissen, auf dem ein Prozess aufbauen kann.

Was symbolische KI nie befüllen konnte

Die symbolische Tradition hatte das gegenteilige Problem. Eine Ontologie sagt präzise, was eine Hypothek ist: eine Belastung, gehalten von einem Gläubiger, auf einer durch ein Katastertripel identifizierten Immobilie, die einen Kredit mit einem Restkapital besichert, im Rang gegenüber anderen Belastungen. Aus dieser Definition folgen Regeln: welche Belastung zuerst vollstreckt wird, wann eine Forderung verjährt, wie eine gültige Sicherheitenposition aussieht. Das Schließen ist exakt, und jede Schlussfolgerung hat einen Beweis. Die Schwierigkeit war immer dieselbe: Jemand musste die Fakten eintippen. Knowledge Engineering skalierte nicht auf die 130 Millionen Seiten eines Servicers, und so blieben Ontologien elegant und leer.

Die Ontologie als Treffpunkt

Bringt man beide zusammen, heilt jede die andere. Das Sprachmodell liest; die Ontologie entscheidet, was als Fakt zählt und wie Fakten zusammenhängen. Das Modell befüllt; die Ontologie begrenzt, validiert und schließt. Genau das ist Altilias semantische Schicht: eine ontologiebasierte Repräsentation von Geschäftsprozessdaten, geteilt von jeder KI-Anwendung der Organisation, erstellt und befüllt von Agenten statt von Hand.

• Die Ontologie definiert die Entitäten, ihre Attribute, ihre Beziehungen und die Regeln, die sie steuern. Sie ist deklarativ, sodass Fachexperten sie ohne Code schreiben, und sie ist versioniert, sodass jeder Fakt zu der Definition rückverfolgbar ist, die ihn erzeugt hat.
• Constrained Decoding zwingt das Modell, nur Ausgaben zu erzeugen, die zur Grammatik der Ontologie passen. Ein Wert, der nicht passt, kann nicht erzeugt werden; ein erzeugter Wert hat immer einen Typ, eine Quellspanne oder eine Bounding Box.
• Agenten befüllen die Ontologie im großen Maßstab: Sie klassifizieren Dokumente, extrahieren Entitäten und hierarchische Objekte, gleichen sie über Quellen hinweg ab und schreiben sie mit Konfidenzwert und Herkunftslink in den Knowledge Graph.
• Agenten erstellen auch Ontologien. Aus einer Dokumentenstichprobe und einer Prozessbeschreibung entwirft ein Agent die Entitäten und Beziehungen, ein Experte korrigiert sie, und der Entwurf wird zu einer versionierten Ontologie, die die nächsten Agenten befüllen.

Schließen über Fakten, nicht über Text

Sobald die Fakten im Graphen sind, beginnt der interessante Teil. Ein Agent, der gefragt wird, welche Belastungen in einem Portfolio vor denen des Servicers rangieren, sucht nicht nach Absätzen, die wie die Antwort klingen. Er durchläuft die Ontologie: vom Portfolio zu den Krediten, von jedem Kredit zu seiner Immobilie, von der Immobilie zu ihren Belastungen, von jeder Belastung zu ihrem Rang und Eintragungsdatum, und wendet die Regel an, die den Vorrang definiert. Die Antwort ist eine Menge von Fakten mit einem Pfad, und der Pfad ist die Erklärung. GraphRAG ist der Name für dieses durchlaufbasierte Retrieval; die Ontologie macht es möglich.

Dasselbe gilt für die Regeln, die ein Sprachmodell zu verwischen neigt. Ob eine Forderung verjährt ist, ist keine Auslegungsfrage, sobald die Ontologie die Unterbrechungsereignisse definiert und der Agent ihre Daten aus den Zustellungen befüllt hat. Ob eine Sicherheitenposition gültig ist, ist eine Prüfung, keine Meinung. Die Rolle des Modells ist zu lesen und zu entwerfen; die Rolle der Ontologie ist, die Schlussfolgerung deterministisch, wiederholbar und in einem Kreditausschuss zulässig zu machen.

„Das Sprachmodell liest. Die Ontologie entscheidet, was ein Fakt ist. Gemeinsam erzeugen sie Wissen, dem ein Prüfer folgen kann.“

Warum das anders ist als Extraktion oder Chat

Extraktion endet beim Feld: 330 Datenpunkte pro Fall, unverbunden. Chat endet bei der Antwort: ein Absatz, der nicht überprüft werden kann. Das Befüllen einer Ontologie erzeugt ein Drittes, eine dauerhafte, typisierte, verknüpfte Repräsentation des Geschäfts, die jeder nachfolgende Agent, jede App und jeder Prozess nutzen kann. Das Kreditmemo zitiert sie. Die Abgleichansicht liest sie. Der Regulierungsassistent antwortet aus ihr. Das destillierte Modell wird auf ihr trainiert. Und weil sie explizit ist, kann das Compliance-Team nachvollziehen, wie jede Schlussfolgerung zustande kam.

Das ist auch der Grund, warum kleine Modelle tragfähig werden. Ein auf einer Ontologie destilliertes Modell mit wenigen Milliarden Parametern erreicht auf dieser Aufgabe ein Frontier-Modell, weil die Ontologie den Großteil der Mehrdeutigkeit beseitigt hat, für die das Frontier-Modell seine Kapazität aufwendete. Die Intelligenz wandert von den Gewichten in die Struktur, wo sie besessen, versioniert und geprüft werden kann.

Wo man anfängt

Wählen Sie einen Prozess, dessen Dokumente Sie bereits verstehen, und notieren Sie die zwanzig Entitäten, die dafür zählen. Lassen Sie einen Agenten den Rest aus einer Stichprobe entwerfen und Ihre Experten ihn korrigieren. Befüllen Sie den Graphen aus echten Dateien, mit menschlicher Prüfung dort, wo das Risiko liegt. Dann stellen Sie eine Frage, die weder Extraktion noch Chat beantworten könnten, eine, die das Verfolgen von Beziehungen über Dokumente hinweg erfordert. Kommt die Antwort mit einem Pfad zurück, dem Sie folgen können, haben sich die beiden Traditionen getroffen.