Knowledge Graph

Was ist ein Knowledge Graph?

Ein Knowledge Graph ist eine strukturierte Darstellung realer Entitäten und ihrer Beziehungen zueinander, gespeichert als Netzwerk aus Knoten (Entitäten) und gerichteten, beschrifteten Kanten (Beziehungen). Formal betrachtet ist ein Knowledge Graph eine Menge semantischer Tripel in der Form (Subjekt, Prädikat, Objekt), etwa (Order #12345, has_status, Shipped) oder (Customer, purchased, Product_X). Dank dieser Graphstruktur können Maschinen Verbindungen durchlaufen, neue Fakten ableiten und komplexe Abfragen beantworten, an denen flache Datenbanken und Keyword-Suche scheitern.

Im Kundenservice verknüpfen Knowledge Graphs Produkte, Richtlinien, Kundendaten, Troubleshooting-Schritte und Dokumentation zu einem einheitlichen Informationsnetz, das KI-Agents in Echtzeit abfragen können. Statt in einem Wissensdatenbank-Artikel nach Keywords zu suchen, kann ein KI-Agent den Graphen durchlaufen und feststellen, dass ein bestimmtes Produkt einen bekannten Defekt hat, der eine bestimmte Rückgaberichtlinie auslöst, die wiederum ein bestimmtes Formular erfordert.

So funktionieren Knowledge Graphs

Am Anfang eines Knowledge Graphs steht eine Ontologie: ein Schema, das die Entitätstypen (Kunden, Produkte, Tickets, Richtlinien) und die Beziehungstypen zwischen ihnen (purchased, filed_ticket_about, resolved_by) definiert. Daten aus verschiedenen Quellen wie CRMs, Helpdesks, Produktdatenbanken und Dokumentation werden anschließend erfasst und auf diese Ontologie abgebildet – so entsteht ein vernetztes Geflecht aus Tripeln.

Ist der Graph aufgebaut, unterstützt er mehrere Operationen. Graph-Traversierung folgt Kanten, um Multi-Hop-Fragen zu beantworten („Welche Garantie gilt für das Produkt, das dieser Kunde letzten Monat gekauft hat?“). Graph-Inferenz wendet Regeln oder Machine Learning an, um Fakten abzuleiten, die nicht explizit gespeichert sind. Graph-Abfragen nutzen Sprachen wie SPARQL oder Cypher, um bestimmte Teilgraphen abzurufen. Laut dem Stanford AI Lab macht genau diese Kombination aus expliziter Struktur und Inferenzfähigkeit Knowledge Graphs so geeignet für Enterprise-KI.

Microsoft Research (2025) stellte fest, dass die Kombination aus Knowledge-Graph-Retrieval und RAG die faktische Genauigkeit im E-Commerce-Kundensupport um rund 23 % verbesserte und eine Nutzerzufriedenheit von 89 % erreichte – verglichen mit rein textbasiertem Retrieval.

Zentrale Komponenten eines Knowledge Graphs

Entitäten und Knoten: Die im Graphen dargestellten Objekte, etwa Kunden, Produkte, Support-Artikel, Agents und Richtlinien. Jeder Knoten hat einen in der Ontologie definierten Typ und kann Attribute tragen (Name, Datum, Status).

Beziehungen und Kanten: Gerichtete, beschriftete Verbindungen zwischen Entitäten. Die Beschriftung beschreibt die Art der Beziehung („reported_issue“, „resolved_by“, „related_to“). Beziehungen verleihen dem Graphen seine Stärke, weil sie Kontext abbilden, den flache Datensätze nicht erfassen können.

Ontologie und Schema: Das formale Vokabular, das festlegt, welche Entitäts- und Beziehungstypen existieren. Eine durchdachte Ontologie sorgt für Konsistenz über Datenquellen hinweg und ermöglicht aussagekräftige Abfragen. Standards wie RDF und OWL bieten formale Frameworks für die Definition von Ontologien.

Ingestion und Verknüpfung: Der Prozess, Entitäten aus Quellsystemen (CRM, Ticketing, Produktkatalog) zu extrahieren, Duplikate aufzulösen und sie über Kanten zu verbinden. Die Entity Resolution zählt zu den größten technischen Herausforderungen beim Aufbau eines Graphen.

Reasoning-Engine: Die Ebene, die Regeln und Machine Learning anwendet, um neue Beziehungen abzuleiten oder bestehende zu validieren – etwa um einen Ersatz vorzuschlagen, wenn ein Produkt eingestellt wird.

Warum Knowledge Graphs für die Customer Experience wichtig sind

Kundenservice-Anfragen sind von Natur aus relational. Kunden stellen keine isolierten Fragen, sondern fragen nach ihrer Bestellung, ihrem Konto, ihrem Produkt. Wer präzise antworten will, muss Informationen systemübergreifend verknüpfen. Knowledge Graphs liefern genau dieses Bindeglied. Eine 2025 von LinkedIn veröffentlichte Studie berichtete von einer um 28,6 % kürzeren medianen Lösungszeit, nachdem Knowledge-Graph-gestütztes Retrieval in Support-Workflows eingeführt worden war.

Knowledge Graphs reduzieren außerdem KI-Halluzinationen, indem sie LLM-Ausgaben in verifizierten, strukturierten Fakten verankern. Ruft ein KI-Agent einen Teilgraphen verbundener Entitäten statt eines Blocks unstrukturierten Texts ab, verfügt er über eine verlässliche Faktenbasis für seine Antwort. Deshalb entwickeln sich Knowledge Graphs zum semantischen Rückgrat von RAG-Architekturen in Unternehmen.

Der Maven-Vorteil

Die Plattform von Maven AGI erfasst und verknüpft Daten aus über 100 Unternehmenssystemen und baut so eine umfassende Kontextebene auf, die für jede Kundeninteraktion als Knowledge Graph dient. Wendet sich ein Kunde an den Support, durchläuft der KI-Agent von Maven diese Verbindungen und zieht den passenden Kontext heran: Kontohistorie, Produktdetails, frühere Interaktionen und relevante Richtlinien. Dieses strukturierte Retrieval ist der Grund, warum Maven-Kunden durchgehend hohe Lösungsraten erzielen.

Enumerate, eine Plattform für Immobilienverwaltung, erreichte mit Maven AGI eine Lösungsrate von 91 %, indem das Unternehmen sein komplexes Geflecht aus Immobiliendaten, Mieterdatensätzen und Wartungs-Workflows zu einer einheitlichen, für KI zugänglichen Wissensebene verknüpfte.

Für tiefergehende technische Grundlagen lesen Sie, wie sich KI-gestützte Wissensdatenbanken weiterentwickeln, um moderne Support-Abläufe zu unterstützen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem Knowledge Graph und einer Wissensdatenbank?

Eine Wissensdatenbank ist in der Regel eine Sammlung von Artikeln, Dokumenten oder FAQ-Einträgen, die flach oder nur leicht strukturiert gespeichert sind. Ein Knowledge Graph geht weiter: Er bildet die Entitäten innerhalb dieser Inhalte und ihre Beziehungen zueinander als strukturierten Graphen ab. Dadurch können KI-Systeme über verknüpfte Fakten hinweg schlussfolgern, statt nur nach Keyword-Treffern in einzelnen Artikeln zu suchen.

Wie reduzieren Knowledge Graphs KI-Halluzinationen?

Knowledge Graphs verankern KI-Ausgaben in verifizierten, strukturierten Daten. Ruft ein Conversational-AI-System einen Teilgraphen verbundener Entitäten ab (product > warranty > return_policy), generiert das LLM Antworten auf Basis faktischer Tripel statt durch probabilistische Textvervollständigung. Dieses Muster aus erst Abrufen, dann Generieren senkt die Wahrscheinlichkeit erfundener oder fehlerhafter Antworten deutlich.

Sind Knowledge Graphs schwer aufzubauen und zu pflegen?

Ein produktiver Knowledge Graph erfordert ein durchdachtes Ontologie-Design, zuverlässige Datenpipelines und kontinuierliche Entity Resolution. Die Anfangsinvestition ist beträchtlich, doch der Nutzen für KI-Genauigkeit und systemübergreifende Vernetzung wächst mit der Zeit. Enterprise-Plattformen wie Maven AGI nehmen Ihnen einen Großteil dieser Komplexität ab, indem sie Daten aus integrierten Systemen automatisch erfassen und verknüpfen.

Funktionieren Knowledge Graphs auch mit unstrukturierten Daten?

Ja. NLP-Techniken wie Named Entity Recognition und Relation Extraction können unstrukturierte Texte (Support-Tickets, E-Mails, Chatprotokolle) analysieren und daraus Entitäten und Beziehungen für einen Knowledge Graph extrahieren. Dieser hybride Ansatz verbindet die Flexibilität unstrukturierter Daten mit der Präzision strukturierter Graph-Abfragen.