2026 künstliche Intelligenz, der Kampf um die „richtigen Daten“ beginnt… Semantikbasierte Gestaltung wird den Ausgang bestimmen

2025年 ist das Jahr, in dem generative künstliche Intelligenz(AI) zum Kernthema der Branche wird und die “Datenkunstrenaissance” einläutet. Doch bis 2026 hat sich die Bedeutung über die reine Beschaffung hochwertiger Daten hinaus ausgeweitet, und die Frage, wie KI-Modelle wirklich die Bedeutung und Nutzung “richtiger” Daten auf den semantischen Ebenen(semantic layers) verstehen und anwenden können, tritt umfassend in den Vordergrund. Dies markiert den offiziellen Beginn des Zeitalters der semantischen Datenentwicklung, das Wissensgraphen und Ontologien umfasst, die den Datenkontext, die Semantik und die geschäftliche Identität klar definieren.

Im vergangenen Jahr hat der “Intelligent Agent”-Hype(AI) die gesamte Branche erfasst, und viele Unternehmen hoffen, dadurch Geschäftsautomatisierung und Entscheidungsoptimierung zu erreichen. Doch die meisten intelligenten Agenten(AI) haben die Erwartungen nicht erfüllt, und die Qualität der verwendeten Daten sowie die Kontextangemessenheit werden zunehmend als Grundursache gesehen. Forschungen der Carnegie Mellon University zeigen, dass heutige intelligente Agenten(AI) noch nicht ausreichend trainiert sind, um komplexe Aufgaben zu bewältigen, und dass Schlussfolgerungsfehler, die durch den Datenkontext verursacht werden, die Gesamtleistung beeinträchtigen.

Vor diesem Hintergrund werden die DatenqualitätData Quality und das Governance-SystemData Governance zu wichtigen Themen, ob sie sich bereits zu einem ausgereiften Niveau entwickelt haben. Obwohl große Cloud-Anbieter wie Amazon Web ServicesAWS weiterhin umfangreiche Datenökosysteme bereitstellen, sind ihre neuen Daten-Technologien und Plattforminnovationen im Vergleich zum Vorjahr begrenzt. Im Gegensatz dazu symbolisieren Ereignisse wie die Übernahme von Confluent durch IBM oder die Veröffentlichung von HorizonDB auf PostgreSQL-Basis durch Microsoft die Tendenz zur Umgestaltung des Daten-Technology-Stacks.

Zero-ETL-Architekturen und Techniken des Datenaustauschs sind 2025 zum Mainstream geworden. Dies ist ein Versuch, komplexe und fragile Datenpipelines zu vereinfachen, beispielsweise durch Plattformen wie Snowflake und Databricks, die durch die Unterstützung der Datenanbindung an SAP oder Salesforce die Zugänglichkeit von Geschäftsdaten deutlich verbessern.

Ein weiterer Trend ist die Verbreitung der Vektor-Datenverarbeitungstechnologie. Die meisten führenden Datenplattformen haben die Funktionen für Vektorsuche und -analyse erweitert, Oracle hat eine Abfragefunktion für strukturierte und unstrukturierte Daten integriert, und AWS hat eine vektoroptimierte S3-Speicherebene eingeführt. Dies schafft die Grundlage für den umfassenden Einsatz von Dokumenten, Bildern und sogar verteilten Unternehmensdaten durch KI.

Die bedeutendste Veränderung ist die Neubewertung des Werts der semantischen Ebene. Ursprünglich für BI-Tools oder ERP-Systeme genutzt, standardisiert diese Ebene die Bedeutung und Interpretation von Daten rund um Kernkonzepte wie “Indikatoren”, “Dimensionen” und “Details”. Tableau, Databricks, Snowflake, Microsoft und andere beschleunigen die Einführung semantischer Ebenen, wobei Microsoft Fabric IQ sogar die Unternehmensontologie in die bestehende semantische Ebene integriert, um die Genauigkeit des Kontexts bei Echtzeit-KI-Analysen zu gewährleisten.

In diesem Trend zielt die von Snowflake initiierte offene Semantik-Austauschinitiative darauf ab, einen universellen Standard für die Interoperabilität der Semantikebenen zwischen verschiedenen KI- und Datenplattformen zu schaffen. Dieses Architekturmodell basiert auf dbt Labs’ MetricFlow, das durch YAML-Konfigurationsdateien Indikatoren und Dimensionen umfassend definiert. Ob Open-Source-Projekte jedoch in der Lage sind, wertvolle semantische Assets zu verwalten, insbesondere in Bezug auf die Bereitschaft der Anbietersharing, bleibt abzuwarten.

Weiterhin gewinnen unabhängige Wissensgraphen und Technologien wie GraphRAG an Bedeutung als Infrastruktur für die präzise Kontextverständnis von KI. Neo4J, Google Vertex AI RAG-Engine, Microsoft LazyGraphRAG und andere arbeiten daran, die technologische Basis für die Aktivierung solcher Muster zu schaffen, und die Zahl der praktischen Anwendungsfälle wächst allmählich. Unternehmen wie Deloitte und AdaptX setzen bereits umfassend auf wissensgraphgesteuerte KI-Anwendungen in komplexen Bereichen wie Medizin und Sicherheit.

Das größte Problem bleibt jedoch der Fachkräftemangel im Bereich Ontologiemodellierung. Da KI derzeit kaum in der Lage ist, semantische Strukturen eigenständig zu entwerfen, steigt die Nachfrage nach Knowledge Engineers und Semantic Architects. Dies erinnert an die Herausforderungen der “Wissensmanagement”-Praxis vor Jahrzehnten. Im aktuellen Trend sind präzise semantische Interpretationen und geschäftliche Verknüpfungen wichtiger als reine Datensammlung.

Letztlich ist das Kernmerkmal des KI-Zeitalters nicht die reine Datensammlung, sondern die Fähigkeit, Bedeutung und Kontext präzise zu verstehen. Es wird erwartet, dass 2026 ein Wendepunkt wird, an dem die Einflusskraft der Semantik wächst und Plattformen sowie Anwendungen um die Vorherrschaft konkurrieren. Das Kooperationsmodell von Unternehmen wie Snowflake, Databricks und SAP, das auf Standards und Ökosysteme setzt, formt die Wettbewerbslandschaft und zeigt, dass Unternehmen, die “richtige” Daten für KI bereitstellen können, letztlich die Kontrolle übernehmen werden.