Was ist ein Knowledge Graph? Das Gehirn der KI Suche

1. Einführung: Was ist ein Knowledge Graph?

Der Google Knowledge Graph kennt 500 Milliarden Fakten über 5 Milliarden Dinge dieser Welt: Personen, Orte, Produkte, Unternehmen. Die wichtigere Frage betrifft Ihr Marketing. Ist Ihre Marke eines dieser Dinge? Denn genau dieser Wissensgraph entscheidet mit, welche Antworten Google, Gemini und ChatGPT über Sie geben.

Die Antwort beginnt bei einem Begriff, der sperriger klingt, als er ist.

Ein Knowledge Graph (deutsch Wissensgraph) ist eine Wissensdatenbank, die Informationen als Netz aus Entitäten und deren Beziehungen speichert. Knoten stehen für reale Dinge wie Personen, Orte oder Marken, Kanten für ihre Verbindungen. So erfasst ein KI-System Bedeutung und Kontext einer Sache, nicht nur Zeichenketten. Auf diesem Fundament beruht auch das Prinzip der semantischen Suche.

Die englische Suchanfrage what is a Knowledge Graph gehört inzwischen zum Standardrepertoire von Entwicklern wie Marketing-Verantwortlichen. Zu Recht: Wissensgraphen sind vom Datenbank-Nischenthema zur Infrastruktur der KI Suche geworden. Wer als Marke als Entität erkannt werden will, sollte verstehen, wie dieses Netz funktioniert und wie es gefüllt wird.

Was das für Sie heißt: Findet eine KI-Suchmaschine Ihre Firma nicht als eindeutigen Eintrag, verwechselt sie Ihre Marke leicht mit einem Namensvetter oder lässt sie ganz weg. Anfragen, die eigentlich zu Ihnen gehören, laufen dann ins Leere. Der erste Schritt benötigt keine Technik: Geben Sie Ihren Firmennamen in eine Suchmaschine ein und prüfen Sie, ob rechts ein korrekter Kasten mit Ihren Daten erscheint.

2. Aufbau: Knoten, Kanten und Ontologie (den Spielregeln des ganzen Netzes)

Knowledge Graphs bestehen aus drei Bausteinen: Knoten für die Dinge, Kanten für die Beziehungen und einer Ontologie als Regelwerk. Diese Struktur erklärt, warum KI-Systeme mit Graphen schlussfolgern können, statt nur zu suchen. Der Reihe nach.

Woraus besteht ein Knowledge Graph?

Ein Wissensgraph besteht aus Knoten, Kanten und Eigenschaften. Ein Knoten ist eine Entität, etwa Ihre Marke, Ihr Standort oder Ihre wichtigste Leistung. Eine Kante beschreibt die Beziehung dazwischen: „bietet an“, „hat den Sitz in“, „gehört zur Branche“. Im Englischen sprechen Entwickler von Nodes, Edges und Connections, wenn sie Knoten, Kanten und Verbindungen meinen. Eigenschaften ergänzen Details wie Gründungsjahr oder Adresse. Mehr Bausteine braucht es nicht.

Damit dieses Netz nicht wuchert, braucht es eine Ontologie: ein Schema, das festlegt, welche Typen von Entitäten es gibt und welche Beziehungen erlaubt sind. Eine Ontologie funktioniert wie die Spielregeln von Monopoly. Sie bestimmt, was eine Straße, was ein Bahnhof ist und welche Züge zulässig sind. Erst durch dieses Regelwerk kann das Datenmodell logische Schlüsse ziehen: Wenn A in B liegt und B in C, dann liegt A auch in C.

Was unterscheidet einen Wissensgraphen von einer Datenbank?

Eine klassische relationale Datenbank ist ein Telefonbuch: Sie listet Einträge in Tabellen, Zeile für Zeile. Ein Knowledge Graph ist ein Stadtplan: Er zeigt, was neben was liegt, was wohin führt und wie alles zusammenhängt. Graph Datenbanken wie Neo4j speichern Beziehungen deshalb direkt als Daten, statt sie bei jeder Abfrage aus Tabellen zusammenzusetzen. Abfragesprachen wie SPARQL oder Cypher fragen dieses Netz gezielt ab.

Einer der bekanntesten Anbieter solcher Datenbanken definiert das Konzept so. „A knowledge graph is a design pattern for storing, organizing, and accessing interrelated data entities, including their semantic relationships.“
(„Ein Knowledge Graph ist ein Entwurfsmuster, um miteinander verbundene Datenobjekte einschließlich ihrer semantischen Beziehungen zu speichern, zu organisieren und abzurufen.“). So beschreibt es Neo4j, dessen Tools intelligente Applikationen von der Betrugserkennung bis zur semantischen Suche antreiben.

Wichtig für die Begriffshygiene: Nicht jede Graphdatenbank ist automatisch ein Knowledge Graph. Erst die semantische Schicht, also Ontologie plus eindeutige Entitäten, macht aus Graph Data ein maschinenlesbares Abbild der Wirklichkeit. Ein Wissensgraph ist damit eine besonders strukturierte Form der Knowledge Base, die Wissen nicht nur ablegt, sondern verknüpft.

3. Beispiele: Vom Google Knowledge Graph bis Wikidata (der freien Wissensdatenbank hinter Wikipedia)

Die bekanntesten Knowledge Graphs stammen von Google, Wikidata und großen Unternehmen. Ihre Größenordnungen zeigen, warum Wissensgraphen zur Basisinfrastruktur der Suche geworden sind.

Wie groß ist der Google Knowledge Graph?

Als Google seinen Knowledge Graph 2012 vorstellte, umfasste er mehr als 500 Millionen Objekte und über 3,5 Milliarden Fakten. Der damalige Suchchef Amit Singhal beschrieb das Ziel als

„an intelligent model […] that understands real-world entities and their relationships to one another: things, not strings“
(„ein intelligentes Modell […], das reale Entitäten und ihre Beziehungen zueinander versteht: Dinge, nicht Zeichenketten“)

Das Zitat stammt aus der Google-Ankündigung des Knowledge Graph. In einer Bestandsaufnahme von 2020 meldete Google bereits 500 Milliarden Fakten über 5 Milliarden Entitäten. Sichtbarstes Produkt ist das Knowledge Panel (die Infobox neben den Suchergebnissen). Sie ist die Visitenkarte, die Google für eine Marke ausfüllt, ob die Marke mitarbeitet oder nicht.

Welche Wissensgraphen nutzen KI-Systeme noch?

Neben Google pflegen offene Projekte wie Wikidata und DBpedia riesige, frei verfügbare Knowledge Bases. Sie bilden die Linked Open Data Cloud, aus der sich viele KI-Systeme bedienen. Wie stark dieses Wissen in KI-Antworten durchschlägt, zeigt eine Analyse des AI-Visibility-Anbieters Profound über 680 Millionen Zitate.

Eine Zahl daraus nennen wir oft, weil sie sitzt: 7,8 Prozent aller ChatGPT-Zitate entfallen auf Wikipedia, mehr als auf jede andere Quelle. Wikipedia ist die menschenlesbare Schwester von Wikidata, demselben Entitäten-Netz in Textform. Was diese Zitate für die AI Visibility Ihrer Marke bedeuten, erklärt unser Definitionsbeitrag.

Auch abseits der Suche investieren Unternehmen in Enterprise Knowledge Graphs für Knowledge Management, Kundenanalysen und Lieferketten. Laut MarketsandMarkets wächst der Markt von 1,90 Milliarden US-Dollar auf 9,88 Milliarden bis 2032, ein Plus von 31,6 Prozent pro Jahr.

Das nennt man keinen Hype-Zyklus, sondern Infrastrukturausbau.

4. Knowledge Graphs und KI: Das Gehirn hinter den Antworten

Knowledge Graphs sind für KI-Systeme das, was ein geprüftes Nachschlagewerk für einen eloquenten Redner ist: die Absicherung gegen selbstbewussten Unsinn. Large Language Models, kurz LLM, sind Programme, die aus großen Textmengen Antworten formulieren. Sie erzeugen Sprache, Wissensgraphen liefern Fakten. Erst durch die Kombination können KI-Antworten belastbar werden.

Wie nutzen Large Language Models einen Knowledge Graph?

Ein Large Language Model lernt Sprachmuster aus Trainingsdaten, kein geprüftes Wissen. Fehlt ein Fakt, rät das Model. Genau dort entstehen Halluzinationen. Abhilfe schafft RAG (das Nachschlagen in externen Quellen vor jeder Antwort): Die KI schlägt vor der Antwort in externen Quellen nach, die ins Context Window geladen werden. Eine NAACL-Studie von Agrawal et al. bilanziert, dass gerade Wissensgraphen als externe Quelle vielversprechende Ergebnisse gegen Halluzinationen zeigen.

Microsoft Research treibt das seit 2024 mit GraphRAG auf die Spitze: Das System lässt die KI aus Dokumenten selbst einen Wissensgraphen bauen und beantwortet Fragen dann entlang seiner Verbindungen. Die Begründung der Forscher fällt deutlich aus:

„Baseline RAG struggles to connect the dots.“
(„Klassisches RAG tut sich schwer, die Punkte zu verbinden.“)

So formuliert es Microsoft Research. Ein Retrieval-System ohne Graph ist ein Bibliothekar, der Bücher nur nach dem Einband aussucht. Mit Graph kennt er den Katalog und weiß, welche Bücher aufeinander verweisen. Für Fragen über viele Dokumente hinweg ist das der entscheidende Unterschied.

Was bedeutet der Knowledge Graph für Ihre Sichtbarkeit?

Für Marken ist der Knowledge Graph die Eintrittskarte in KI-Antworten. Semrush sagt es klar. „Google’s Gemini AI model is trained on the Knowledge Graph, which means how you’re represented in Google’s database influences whether and how you’re discussed in responses that appear in AI Overviews and AI Mode.“
(„Googles KI-Modell Gemini ist auf dem Knowledge Graph trainiert. Wie Sie in Googles Datenbank repräsentiert sind, beeinflusst also, ob und wie Antworten in AI Overviews und AI Mode über Sie sprechen.“) Nachzulesen im Semrush-Leitfaden.

Was würden Sie eigentlich tun, wenn ChatGPT Ihre Firma mit einem Namensvetter verwechselt? Genau dieses Risiko steigt, wenn Ihre Entität unscharf bleibt. In unseren Knowledge-Graph-Projekten sehen wir regelmäßig denselben Befund: Die Website ist gepflegt, doch Name, Beschreibung und Profile laufen im Netz auseinander, und für KI-Systeme existiert die Marke nicht als eindeutige Entität. Solche Lücken können von einem GEO-Audit als Status quo Ihrer KI-Sichtbarkeit aufgedeckt werden, bevor sie Umsatz kosten.

5. Praxis: So kommt Ihre Marke in den Knowledge Graph

In den Knowledge Graph kommt eine Marke durch konsistente, maschinenlesbare und extern bestätigte Signale. Vier Hebel haben sich bewährt:

• Konsistente Entitäten-Daten: Name, Beschreibung, Branche und Adresse überall identisch, von der Website über Verzeichnisse bis zu Social-Profilen. Widersprüche sind für KI-Systeme Rauschen.
• Strukturierte Daten: schema.org-Markup (Organization, Person, Product) übersetzt Ihre Inhalte in das Format, das Suchsysteme direkt in ihre Wissensgraphen übernehmen.
• Offene Wissensbasen pflegen: Ein sauberer Wikidata-Eintrag verankert Ihre Marke in der Datenquelle, aus der viele KI-Systeme schöpfen.
• Externe Bestätigung aufbauen: Erwähnungen in verlässlichen Medien belegen, dass die Entität real und relevant ist. Genau hier zahlt digitale PR für KI-Sichtbarkeit direkt auf den Graphen ein.

Ein messbarer Lohn ist zu erwarten. Präzisere KI-Antworten, ein korrektes Knowledge Panel und eine Marke, die das Datenmodell der Suchsysteme nicht mehr verwechseln kann.

6. Fazit: Dinge statt Zeichenketten

Ein Knowledge Graph ist kein Nischenwerkzeug für Datenarchitekten mehr. Er ist das Gedächtnis, aus dem Google, Gemini und ChatGPT ihre Gewissheiten beziehen: Knoten, Kanten, Ontologie, gefüllt mit Milliarden geprüfter Fakten. Wer dort als klare Entität steht, wird zitiert. Wer fehlt, wird verwechselt oder übergangen.

Wie steht es um Ihren eigenen Eintrag?

Tippen Sie Ihren Firmennamen in die Suche und sehen Sie hin: Erscheint rechts ein Knowledge Panel mit Logo, sauberer Beschreibung und korrekten Fakten, hat der Graph Ihre Marke verstanden. Bleibt die Spalte leer, wissen Sie seit diesem Beitrag, woran das liegt und welche vier Hebel es ändern. In der KI-Suche sichtbar werden beginnt mit diesem einen Eintrag.

7. Anhang: Checkliste für Ihren Einstieg

Am besten prüft man diese sechs Punkte, bevor Budget in KI-Sichtbarkeit fließt:

• Knowledge Panel: Existiert für Ihre Marke eine Infobox in der Google-Suche, und stimmen die Angaben?
• Namens-Eindeutigkeit: Führt die Suche nach Ihrem Markennamen zu Ihnen oder zu Namensvettern?
• Strukturierte Daten: Liefert Ihre Website schema.org-Markup für Organisation, Personen und Angebote aus?
• Wikidata: Gibt es einen Eintrag mit korrekten Basisdaten, und wird er gepflegt?
• Konsistenz: Sind Beschreibung und Kerndaten auf allen Profilen wortgleich abgestimmt?
• KI-Check: Fragen Sie ChatGPT, Perplexity und Gemini nach Ihrer Marke: Stimmen Fakten, Leistungen und Einordnung?

Häufige Fragen zum Knowledge Graph

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. KI-Systeme und Wissensgraphen entwickeln sich schnell; genannte Zahlen sind den verlinkten Quellen entnommen und können sich ändern.