McKinsey: Wissensgraph verbindet Unternehmensdaten mit KI

Die meisten Unternehmen speichern ihre Daten in großen relationalen Datenbanken. Diese Systeme kommen gut mit Transaktionen zurecht, tun sich aber schwerer damit, zu erklären, wie ein Kunde, ein Produkt und ein Prozess zusammenhängen. McKinsey & Company argumentiert, dass Wissensgraphen diese Lücke schließen und Unternehmens-KI den geschäftlichen Kontext liefern können, der ihr oft fehlt.

James Kaplan, Distinguished Partner bei McKinsey, legte seine Argumente in einem Interview mit John Furrier von theCUBE Research dar. Das Gespräch war Teil der Reihe theCUBE + NYSE Wired: AI Luminaries auf theCUBE, dem Livestreaming-Studio von SiliconANGLE Media. Neo4j, ein Anbieter von Graphdatenbanken, hat die Berichterstattung von theCUBE über die Veranstaltung gesponsert. Laut SiliconANGLE haben Sponsoren keinen redaktionellen Einfluss auf die Inhalte.

Eine Technik, die viele schon täglich nutzen

Kaplan zufolge sind Graphen den meisten Menschen bereits vertraut, auch wenn sie sie nicht als solche erkennen. LinkedIn, Wikipedia und soziale Netzwerke basieren alle auf Graphstrukturen. Aus seiner Sicht haben Technologiekonzerne aus dem Verbrauchergeschäft den Wert dieses Ansatzes früher erkannt als die meisten Unternehmen.

Er stellte Graphen den relationalen Datenbanken gegenüber, auf die sich die meisten Firmen stützen. Diese Datenbanken seien "wunderbar, wenn man Transaktionsdaten verarbeitet", sagte er, aber "viel weniger gut bei mehrdeutigen oder komplizierten Daten". Ein Graph sei "viel intuitiver", so Kaplan, weil er Dinge über ihre Verbindungen zu anderen Dingen beschreibt. Das kann ein Kunde sein, ein Produkt, ein Prozess oder ein einzelner Schritt innerhalb eines Prozesses.

Aus chaotischen Daten werden Regeln

Der entscheidende Wandel liegt laut Kaplan darin, was KI inzwischen mit unstrukturierten Informationen anfangen kann. Früher brauchte es Business-Analysten oder Data Scientists, um verstreute Dokumente und Datensätze in eine nutzbare Struktur zu bringen. Diese Arbeit war langsam und teuer, und die Ergebnisse waren oft unvollkommen.

Heute kann KI nach Kaplans Worten komplizierte Prozesse analysieren und programmatisch deterministische Geschäftsregeln erzeugen. Sie kann "chaotische, unzusammenhängende, unstrukturierte Daten" nehmen und in strukturierte Daten umwandeln, die häufig in einem Graphen abgelegt werden. "Das eröffnet ganz neue Möglichkeiten", sagte er.

Zudem sollten nach seiner Ansicht die geschäftlichen Prioritäten bestimmen, wohin diese KI-Gewinne fließen. Als Beispiel nannte er ein Unternehmen, das seine KI-Verbesserungen auf das Kundenerlebnis statt auf die Produktivität ausrichtet. Der Wert des Graphen wachse mit seinen Verbindungen, sagte er: "Je dichter die Knoten miteinander verknüpft sind, desto mehr Intelligenz steckt im Graphen und desto mehr kann man daraus ableiten."

Ein Blick in EcliptOS

McKinsey setzt diesen Gedanken in EcliptOS um, das die Beratungsfirma als KI-Betriebssystem bezeichnet. Erklärtes Ziel ist es, die Strategie der Chefetage über agentische Workflows mit der täglichen Umsetzung zu verbinden, also mit KI-Agenten, die mehrstufige Aufgaben erledigen. Die Grundlage bildet eine semantische Datenschicht, die Daten zusammen mit den Beziehungen zwischen ihnen organisiert, und diese Schicht unterstützt Anwendungen der generativen KI.

Kaplan beschrieb das Ergebnis als "einen Graphen aus Datenbanken". Graphen hätten flexiblere Datenschemata als herkömmliche Systeme, sagte er. Diese Flexibilität mache es leichter, einen virtuellen Graphen aufzubauen, der viele getrennte Datenbanken umspannt, ohne sie zu einer einzigen zusammenzuführen. Das sei "unglaublich leistungsfähig".

Unsere Einschätzung

Das Interview formuliert ein altes Datenproblem in KI-Begriffen neu. Unternehmen halten große Mengen an Informationen in getrennten Systemen, und KI-Modelle können nur mit dem Kontext arbeiten, den sie erhalten. Kaplans Argument lautet, dass ein Großteil der Bedeutung in den Beziehungen zwischen Datenpunkten steckt und Graphen diese Beziehungen für das Modell verfügbar halten.

Das passt zu einem größeren Trend bei Unternehmenssoftware. Anbieter präsentieren Agenten zunehmend als Schicht, die über bestehenden Anwendungen liegt, so wie SAP mit Joule als agentischer Arbeitsschicht und Google Cloud mit seinem einheitlichen Assistenten Gemini Agent. McKinseys "Graph aus Datenbanken" verfolgt dasselbe Ziel von der Datenseite her: Vorhandenes verbinden, statt es zu ersetzen.

Leser sollten den Rahmen im Blick behalten. Es handelte sich um eine gesponserte Interviewreihe, und der Sponsor der Veranstaltung verkauft Graphtechnologie. Die Quelle nennt keine Zahlen zu Verbreitung, Kosten oder Ergebnissen von EcliptOS, die Aussagen bleiben also die Sicht einer Unternehmensberatung und keine gemessenen Belege.

Es lohnt sich zu beobachten, ob KI-generierte "deterministische Geschäftsregeln" in der Praxis bestehen. Regeln, die automatisch aus chaotischen Daten gewonnen werden, müssen womöglich trotzdem von Menschen geprüft werden, bevor Agenten danach handeln. Zwei weitere offene Fragen sind, wie Unternehmen einen virtuellen Graphen steuern, der viele Datenbanken umspannt, und ob sich der von Kaplan beschriebene Fokus auf das Kundenerlebnis in realen Einsätzen tatsächlich zeigt.