Kernpunkte & Schnellleser-Modus
- Beziehungen als Information: Weder PageRank noch die Transformer-Architektur bewerten isolierte Datenpunkte – erst durch Verbindungen und Kontext entsteht Bedeutung.
- Der Weg vom Datenpunkt zur Handlung: Über die Kette Daten → Beziehungen → Kontext → Wissen → Handlung werden strukturierte Wissensräume für Agenten nutzbar.
- „Mit Daten sprechen“: Unternehmen müssen lernen, Datenbestände relational und ontologisch zu verknüpfen, statt nur punktuelle Fakten abzufragen.
Zusammenfassung Wie wird aus einer unüberschaubaren Flut an Daten verlässliches, handlungsfähiges Wissen? Ein Blick auf die Meilensteine der digitalen Informationsverarbeitung – von Googles PageRank über die Transformer-Architektur bis hin zu modernen Ontologien – offenbart ein durchgehendes Muster: Nicht die isolierten Datenpunkte erzeugen den eigentlichen Wert, sondern das Netzwerk ihrer Beziehungen. Wer Künstliche Intelligenz und agentische Systeme in der Praxis erfolgreich einsetzen will, muss lernen, „mit Daten zu sprechen“.
Am 15. März 2015 hielt ich im Rahmen meiner Vortragsreihe bei der VHS Frankfurt und Rüsselsheim den Vortrag „Von Googol zu Google – Eine Reise in das Herz der Suchmaschine“. Im Mittelpunkt stand das grundlegende Konzept von Sergey Brin und Larry Page aus dem Jahr 1998: „The Anatomy of a Large-Scale Hypertextual Web Search Engine“, entstanden am Computer Science Department der Stanford University.
Damals beschäftigte mich vor allem eine Kernfrage: Wie kann eine Maschine aus der gewaltigen Menge an Informationen im World Wide Web genau diejenigen Inhalte herausfiltern, die wirklich relevant sind?
Die Antwort von Brin und Page war von grundlegender Natur: Eine Webseite wird nicht allein anhand des Textes auf der Seite bewertet. Vor allem ihre Beziehungen zu anderen Webseiten (die Verlinkungsstruktur) enthalten entscheidende Information. Mit dem Algorithmus PageRank wurde die Struktur des Webs selbst zu einem integralen Bestandteil der Relevanzbewertung.
Das Web wurde damit nicht mehr als bloße Ansammlung isolierter Dokumente betrachtet, sondern als ein dynamisches Netzwerk von Beziehungen.
Ein Punkt aus dem Jahr 2015 trifft auf 2017
Jahre später stieß ich bei meiner Recherche auf ein Paper, das auf den ersten Blick aus einer völlig anderen Welt zu stammen schien: „Attention Is All You Need“ von Ashish Vaswani und dem Google-Brain-Team (2017).
Das Paper beschreibt die Transformer-Architektur, die zur technologischen Grundlage heutiger großer Sprachmodelle (LLMs) und Anwendungen wie ChatGPT, Claude und Gemini wurde.
Beim vertieften Studium stellte sich mir eine fundamentale Frage:
Gibt es zwischen dem Google-Konzept von 1998 und dem Transformer von 2017 eine tiefere Verbindung?
Dabei geht es ausdrücklich nicht um eine direkte historische oder kausale Abstammung: PageRank hat nicht den Transformer hervorgebracht. Aber lässt sich innerhalb der Makrostruktur der digitalen Informationsverarbeitung ein gemeinsames Muster erkennen?
Die Antwort lautet: Ja.
Connecting the Dots: Das gemeinsame Strukturmuster
Steve Jobs sprach 2005 in seiner legendären Stanford-Rede vom Prinzip „Connecting the Dots“: Einzelne Erfahrungen und Erkenntnisse erscheinen im Moment ihres Entstehens unabhängig voneinander. Erst im Rückblick wird sichtbar, wie die Punkte zusammengehören.
Genau diese Erfahrung zeigt sich beim Vergleich von Suchmaschine und Sprachmodell:
- 1998 (Brin & Page): Es geht um Beziehungen zwischen Dokumenten.
- 2017 (Transformer): Es geht um Beziehungen zwischen sprachlichen Elementen (Tokens).
Obwohl die mathematischen und technischen Verfahren grundverschieden sind, verfolgen beide Ansätze denselben methodischen Paradigmenwechsel:
Sie behandeln Beziehungen nicht als Nebensache, sondern als primäre Information.
- Bei PageRank bestimmt die Relation einer Webseite zu allen anderen Seiten im Graphen ihre Relevanz.
- Beim Transformer (Self-Attention) bestimmt die Relation eines Tokens zu allen anderen Tokens im Satz seinen semantischen Kontext.
Damit verschiebt sich die Perspektive grundlegend: Nicht nur das isolierte Element ist entscheidend, sondern mit welchen anderen Elementen es in Beziehung steht.
Die Evolution: Vom Web über die Sprache zur Handlung
Betrachtet man diesen roten Faden, wird die Entwicklungslinie der Informationsverarbeitung der letzten drei Jahrzehnte greifbar:
1998: Dokument → Beziehung → Relevanz (Das Web als Graph)
2017: Token → Beziehung → Kontext (Sprache als Beziehungsraum)
Heute:
Daten → Beziehungen → Kontext → Wissen → Handlung
Heute stehen wir mit RAG (Retrieval Augmented Generation), Unternehmens-Wissensgraphen und agentischen KI-Systemen vor dem nächsten logischen Entwicklungsschritt:
Finden → Kontextualisieren → Generieren → Handeln
Informationen werden aus internen Datenbeständen gesucht, miteinander relational verknüpft, in den aktuellen Geschäftskontext gesetzt und von KI-Agenten in operative Entscheidungen oder Handlungen überführt.
Was bedeutet eigentlich „Mit Daten sprechen“?
Seit einiger Zeit verwende ich für meine Beratungs- und Entwicklungsarbeit – unter anderem in der Fortbildungsreihe für den Gewerbeverein Rüsselsheim – den Begriff:
Damit ist weit mehr gemeint als das bloße Absetzen einer Frage in natürlicher Sprache an eine Datenbank.
„Mit Daten sprechen“ bedeutet: Herauszufinden, was die Daten einander und uns zu erzählen haben.
| Klassische Datenbank-Abfrage | „Mit Daten sprechen“ (Relationaler Wissensraum) |
|---|---|
| „Welcher Kunde hat Auftrag X erteilt?“ | „Welche Lieferantenverzögerungen beeinflussen ähnliche Aufträge?“ |
| Zeigt isolierte Datensätze | Verknüpft Mitarbeiter, Produkte, Lieferketten & Zeitmuster |
| Statischer Faktenabruf | Deckt bislang unsichtbare Kausalitäten und Muster auf |
| Liefert eine Tabelle | Erzeugt handlungsrelevantes Kontextwissen |
Aus einzelnen, verstreuten Datenpunkten entsteht erst durch strukturierte Relationen ein lebendiger Wissensraum.
Die Ontologie: Die operative Schicht zwischen Daten und Handlung
An dieser Stelle gewinnt das Konzept der Ontologie – wie es etwa im Unternehmenskontext von Palantir eingesetzt wird – zentrale Bedeutung.
Eine Ontologie ist weit mehr als ein relationales Datenbankschema. Sie verbindet Rohdaten mit den realen Objekten, Prozessen und Handlungsoptionen einer Organisation:
- Objekte (Objects): Was existiert im Betrieb? (Kunden, Maschinen, Verträge, Aufträge)
- Eigenschaften (Properties): Welche Merkmale besitzen sie? (Status, Kapazität, Fristen)
- Verknüpfungen (Links): Wie hängen sie miteinander zusammen? (Wer liefert an wen? Was blockiert welchen Prozess?)
- Aktionen (Actions): Was kann getan werden? (Auftrag umrouten, Wartung auslösen, Angebot freigeben)
Eine einfache Datenbank sagt: „Hier liegen die Daten.“
Eine Ontologie sagt: „Das sind die realen Dinge, ihre wechselseitigen Beziehungen, ihre operative Bedeutung und die Schnittstellen, um direkt auf sie einzuwirken.“
Damit bildet die Ontologie das semantische Fundament für autonome KI-Agenten, die nicht nur Text generieren, sondern fundierte Prozessschritte in Unternehmen und Verwaltungen ausführen sollen.
Der rote Faden im Überblick
Führt man diese Meilensteine zusammen, schließt sich der Kreis:
- Google Search (1998): Welche Dokumente stehen wie miteinander in Beziehung?
- Transformer (2017): Welche Sprachelemente stehen in welchem semantischen Kontext?
- Ontologie (Gegenwart): Welche realen Objekte und Prozesse stehen wie in Beziehung?
- KI-Agenten (Zukunft): Welche dieser Beziehungen sind für die aktuelle Aufgabe relevant – und welche Handlung folgt daraus?
Vom Datenpunkt zur Beziehung.
Von der Beziehung zum Kontext.
Vom Kontext zum Wissen.
Vom Wissen zur Handlung.
Methodik: Wie „Connecting the Dots“ in der Praxis gelingt
Muster zu erkennen ist wertvoll – birgt jedoch die Gefahr von Scheinkorrelationen. Erkenntnisgewinn entsteht erst dann, wenn vermutete Zusammenhänge einer methodischen Prüfung unterzogen werden:
- Beobachten: Ein struktureller Zusammenhang zwischen zwei Technologien oder Konzepten fällt auf.
- Hypothese bilden: Es wird eine systematische Parallele vermutet.
- Kritisch prüfen: Handelt es sich um eine direkte Kausalität, eine technologische Verwandtschaft oder eine strukturelle Analogie?
- Einordnen & Anwenden: Welche praktischen Handlungsoptionen und strategischen Vorteile für den KI-Einsatz lassen sich daraus ableiten?
Fazit: Beziehungen schaffen Erkenntnis
Wenn ich auf meinen Vortrag aus dem Jahr 2015 zurückblicke, lautete die Leitfrage:
„Wie kann eine Maschine das Wissen des Webs finden und ordnen?“
Heute stehen wir an einem anderen Punkt:
„Wie kann ein KI-System Beziehungen im unternehmenseigenen Wissensraum verstehen und daraus zielgerichtete Handlungen ableiten?“
Für Unternehmer, IT-Verantwortliche und Kommunen ergibt sich daraus eine klare Leitlinie für die digitale Transformation:
Wer nur Daten sammelt, häuft Silos an.
Wer nach Beziehungen fragt, erkennt Zusammenhänge.
Wer Zusammenhänge strukturiert, schafft handlungsfähiges Wissen.
Über den Autor
Achim Weidner ist zertifizierter Social Media Manager (IHK) und Absolvent des Zertifizierungsprogramms „Rechtliche Aspekte der IT- und Internet-Compliance“ an der Carl von Ossietzky Universität Oldenburg mit Datenschutzrecht, Internetrecht und Computerstrafrecht. Seit 2017 befasst er sich intensiv mit Künstlicher Intelligenz, Wissensinfrastrukturen und praxisnahen Agentensystemen.
Achim Weidner
Haßlocher Straße 73
65428 Rüsselsheim am Main
E-Mail: post@achim-weidner.de
Telefon: 06142 796066
LinkedIn: achimweidner
