Ernüchterung bei KI Warum die Wissensstruktur in Unternehmen zur Kernfrage wird

Anbieter zum Thema

MicroConsult Academy GmbH

Comsol Multiphysics GmbH

IBR Leiterplatten GmbH & Co. KG

Nach einem weiteren Jahr im KI-Hype driften Investitionen und messbarer Nutzen auseinander. Neo4j hält ein leistungsfähiges Modell allein für keine Erfolgsgarantie. Der Graphdatenbank-Anbieter sieht die entscheidenden Themen für 2027 bei Daten, Wissenskontext und Governance.

Laut einer McKinsey-Studie vom August 2026 berichten 80 Prozent der Befragten von individuellen Produktivitätsgewinnen durch künstliche Intelligenz. Nur 37 Prozent sehen einen positiven Beitrag zum EBIT auf Unternehmensebene. Agentic AI verschärft die Kostenfrage: Agenten arbeiten mehrstufige Workflows in Schleifen ab, bis ein Ergebnis steht, und verbrauchen dafür ein Vielfaches an Rechenleistung. Neo4j beschreibt daher ein „Inference Paradox“: Die Gesamtkosten steigen, obwohl die Preise pro Token sinken.

Daten als Engpass

Laut einer Accenture-Studie verfügen nur sieben Prozent der Unternehmen über die nötigen Datenmanagement-Fähigkeiten für fortgeschrittene KI im großen Maßstab. KI kann bei der Datenaufbereitung helfen, ersetzt aber keine Datenqualität, keine klaren Prozesse und keine sauberen Datenmodelle.

Datenkontrolle ist außerdem eine Frage der digitalen Souveränität. Unternehmen müssen wissen, wo ihre Daten liegen, wem sie gehören und wer sie nutzen darf. Ein Serverstandort in der EU reicht dafür nicht aus. Entscheidend ist auch, den Anbieter wechseln zu können, ohne das aufgebaute Wissen zu verlieren. Der EU Data Act soll hierfür zumindest den regulatorischen Rahmen schaffen.

Kontext statt Datenflut

Unternehmenswissen liegt oft in getrennten Systemen oder als implizites Wissen bei Mitarbeitern. Ein KI-Agent kann nicht wie ein Mensch nachfragen, wenn ihm etwas unklar ist. Schickt man ihm große Datenmengen ohne Auswahl, verliert er sich darin. Entscheidend ist, welche Informationen er tatsächlich braucht, nach welchen Regeln und Berechtigungen er arbeiten darf und wie eine Aufgabe bisher gelöst wurde. Neo4j empfiehlt dafür eine zentrale Wissensschicht (Knowledge Layer), die Anwendungen und Agenten wiederverwenden können, statt für jedes Projekt neuen Kontext zusammenzutragen.

Graphen als Struktur für Zusammenhänge

Graphdatenbanken bilden Beziehungen zwischen Objekten ab, etwa zwischen Informationen, Abhängigkeiten, Prozessen und Kontrollinstanzen. Gartner beschreibt sogenannte Context Graphs als nächste Entwicklungsstufe von Knowledge Graphs. Sie sollen zusätzlich Entscheidungslogik, Workflows, Event-Tracing und Zustandsmanagement abbilden. Das ist eine Architekturentscheidung mit erheblichem Aufwand für Modellierung und Pflege. Ob sich der Ansatz 2027 breit durchsetzt, ist offen.

Kleinere Modelle für konkrete Aufgaben

Neben großen generativen Modellen kommen spezialisierte Modelle zum Einsatz, etwa in der Wetter- und Klimaforschung, der Materialwissenschaft oder der Genomik. Andere unterstützen Entscheidungen durch schnelle Bewertungen oder Klassifikationen. Neo4j nennt für diese Modelle Kostenvorteile „teilweise um das 100- bis 1.000-Fache“ gegenüber LLMs. Diese Angabe ist nicht belegt und benötigt eine klare Vergleichsbasis. Auch leistungsfähige Open-Weight-Modelle sind laut Neo4j für viele Aufgaben ausreichend.

Agenten mit Gedächtnis

Das größte Potenzial sieht Neo4j in der Ausführung komplexer Aufgaben durch Agenten, vor allem dort, wo hoher Effizienzgewinn auf geringes Risiko trifft. Ein Schlüsselthema ist das Agenten-Gedächtnis (Memory). Erfahrungen sollen mit ihren Quellen und ihrer zeitlichen Relevanz verknüpft werden. Dafür braucht es klare Regeln für Verifizierung, Korrektur und Vergessen, damit fehlerhafte Erkenntnisse nicht gespeichert und weitergegeben werden.

Laut Gartner werden bis 2027 rund 40 Prozent der Unternehmen KI-Agenten wegen Governance-Problemen zurückstufen oder abschalten. Das ist eine Prognose. Neo4j argumentiert, dass sich Kontrolle vom Entwicklungsprozess in den laufenden Betrieb verlagert. Observability müsse den gesamten Agenten-Workflow erfassen und nicht nur einzelne Modellaufrufe. Ein Agent könne technisch fehlerfrei laufen und trotzdem falsche Geschäftsentscheidungen treffen.

Offene Standards und Geschäftsmodelle

Das Model Context Protocol (MCP) hat sich nach Angaben von Neo4j schnell verbreitet und steht unter dem Dach der Linux Foundation. Auch bei Agentenfunktionen (Agent Skills) setzt sich Interoperabilität durch.

Vorstände werden laut Neo4j zunehmend fragen, wie KI das eigene Geschäftsmodell verändert. Der Begriff „SaaSpocalypse“ beschreibt die Sorge, dass KI-Agenten Aufgaben direkt über APIs erledigen und klassische SaaS-Angebote an Wert verlieren. Ob sich das alles im Jahr 2027 bestätigen wird, ist offen. (heh)

Rechenzentren auf hoher See

Rechenleistung aus Wellen

Graph- und KI-Trends 2026

Warum eine KI läuft, aber noch nicht liefert

KI und Graphdatenbanken

Auf der Spur seltener Kinderkrankheiten

(ID:51009065)