Knowledge Graphs für AI-Agenten und Enterprise-Wissen
Wir bauen das Rückgrat eurer KI: einen sauberen, abfragbaren Graph aus euren Daten – Quelle, Beziehung, Bedeutung. Damit aus „chatte mit deinen PDFs" eine ernstzunehmende Plattform für Agenten wird.
Drei Probleme, die ohne Graph nicht zu lösen sind
Datensilos statt Antworten
CRM, Ticketing, Verträge, E-Mails – jedes System kennt nur einen Ausschnitt. Eure Nutzer fragen über Grenzen hinweg, die Tools können das nicht.
5+ Systeme pro FrageHalluzinierende Agenten
Vector RAG liefert plausibel klingende, aber unbegründete Antworten. Multi-Hop-Fragen scheitern reproduzierbar. Vertrauen lässt sich so nicht aufbauen.
~60 % Multi-Hop-FailureKeine Auditierbarkeit
EU AI Act, ISO 42001, SOC 2 verlangen Nachvollziehbarkeit. „Das hat das LLM so gesagt" ist keine Antwort, die ein Audit besteht.
Pflicht ab 2026Was wir bauen
Eine durchgängige Pipeline – von der Datenquelle bis zur agentenfähigen Abfrage. Hybrid aus Graph und Vector, damit ihr beides bekommt: Reasoning und semantische Tiefe.
So sieht ein Mini-Graph in Aktion aus
Klickt auf eine Entität – genau so „denkt" ein Agent, wenn er eine Multi-Hop-Frage beantwortet.
Mini Knowledge Graph zum Anklicken
Wählt eine Entität aus, um zu sehen, welche Beziehungen und Attribute sie im Graph hat. Genau so „denkt" ein Agent, wenn er Multi-Hop-Fragen beantwortet.
Tipp: Klickt auf einen Knoten.
- Branche
- Manufacturing
- MRR
- €12.400
- ←betreutAnna Becker
- →nutztmonday.com CRM
- →unterzeichnetMSA #4471
- →meldetTicket #8821
„Was nutzt Acme, was wurde unterschrieben, was läuft schief?"
Zwei Tracks, ein Stack
Egal ob ihr aus der Architektur-Abteilung kommt oder mit einem Agenten in Production sitzt – wir holen euch dort ab, wo ihr steht.
Enterprise & IT-Entscheider
Wenn ihr Wissen über Systemgrenzen hinweg auditierbar zugänglich machen müsst.
- Ontologie-Workshops mit Fachabteilung und IT
- Datenresidenz in der EU, DSGVO-konforme Architektur
- EU AI Act / ISO 42001 / SOC 2 Vorbereitung
- Migration von Legacy-Wissenssystemen (SharePoint, Confluence, Drives)
- RBAC, Audit-Trails, Source-Attribution auf jeder Kante
- Integration mit bestehenden IAM-, Logging- und Compliance-Stacks
AI-Builder & Product Teams
Wenn euer RAG nicht skaliert und der nächste Agent endlich mehr können soll als chatten.
- GraphRAG-Implementierung (LlamaIndex, LangChain, Microsoft GraphRAG)
- Entity-Extraction-Pipelines mit Structured Outputs
- Neo4j-/Kuzu-/Memgraph-Setup inkl. Cloud-Deployment
- Hybrid Retrieval: Subgraph-Traversal + Vector + Reranking
- Agent-Anbindung via MCP, LangGraph oder eigener Runtime
- Eval-Pipelines: Multi-Hop-Accuracy, Provenance-Coverage
Unser Prozess in vier Schritten
Discovery
Use Cases, Datenquellen, Erfolgskriterien. Wir bringen eine fertige Eval-Matrix mit, ihr bringt die Fachabteilungen.
Ontologie & Architektur
Welche Entitäten, welche Beziehungen, welche Attribute? Welche Graph-DB? Welches Modell für Extraction? Ergebnis: ausführbarer Architektur-Plan.
Prototyp
End-to-End-Pipeline auf einem realen Datenausschnitt. Inkl. Hybrid Retrieval, Agent-Anbindung und ersten Eval-Runs.
Production-Rollout
CI/CD für die Extraction, Monitoring, Incremental Updates, Re-Indexierung. Begleitung als Retainer oder Übergabe an euer Team.
Drei Wege, mit uns zu starten
Discovery Sprint
Wir machen aus „wir sollten was mit Knowledge Graphs machen" einen ausführbaren Architektur-Plan inkl. Use-Case-Priorisierung, Tool-Empfehlung und Aufwandsschätzung.
- Use-Case-Matrix
- Architektur-Skizze
- Tool-Empfehlung
- Aufwand & Roadmap
Prototype Build
End-to-End-Prototyp auf euren realen Daten. Funktionierende Extraction-Pipeline, Graph-DB, Hybrid Retrieval, Agenten- oder API-Anbindung. Inkl. Eval-Setup.
- Lauffähige Pipeline
- Graph-DB (Self-Hosted oder Cloud)
- Agent-/API-Layer
- Eval-Reports
Production Partnership
Wir begleiten den Produktivbetrieb: Monitoring, Re-Indexierung, neue Quellen, Schema-Evolution, Wissenstransfer ans interne Team. Klar gepreiste Retainer-Slots.
- On-Call für Pipeline
- Quartals-Reviews
- Schema-Evolution
- Team-Enablement
Mehr zum Thema lesen
Häufige Fragen
Brauchen wir wirklich einen Knowledge Graph oder reicht uns Vector RAG?
Wenn 90 % eurer Fragen „wo steht das?" sind, reicht Vector RAG. Sobald Fragen Multi-Hop werden („welche Kunden von X haben Y und Z"), bricht Vector zusammen. Im Discovery Sprint klären wir das mit einer konkreten Eval-Matrix auf euren echten Fragen.
Welche Graph-DB empfehlt ihr?
Default für Enterprise ist Neo4j (Aura EU). Für embedded und Prototypen Kuzu. Für Streaming-Use-Cases Memgraph. Wir treffen die Entscheidung im Ontologie-Schritt anhand eurer realen Anforderungen, nicht anhand von Benchmarks.
Wie lange dauert ein erster lauffähiger Graph?
Ein Prototyp auf einem realen Datenausschnitt: 4–6 Wochen. Ein Production-Setup mit Eval, Monitoring und Incremental Updates: 3–4 Monate. Discovery Sprint liefert die belastbare Schätzung für euren Fall.
Was kostet das?
Discovery Sprint: Fixpreis im niedrigen fünfstelligen Bereich. Prototype Build: T&M, je nach Datenkomplexität 30–80k EUR. Retainer ab 3 Monaten mit festen Slots. Wir geben euch nach dem ersten Call eine belastbare Range.
Wo laufen unsere Daten?
Per Default in der EU – Neo4j Aura EU, Frankfurt oder Dublin. Self-Hosted on-prem oder in eurer eigenen Cloud (AWS, Azure, GCP) ist möglich. LLM-Calls für Extraction lassen sich über EU-Modelle oder On-Prem-Inferenz (vLLM, llama.cpp) abdecken.
Wie integriert ihr euch in unseren bestehenden Stack?
Wir bauen den Graph als ergänzende Schicht, nicht als Ersatz. Anbindung über API, MCP, Event-Streams oder klassische ETL. RBAC, Audit-Logging und Quellen-Attribution sind von Beginn an Teil der Architektur.
Können wir den Graph später selbst weiterbauen?
Ja, das ist das Standard-Setup. Wir bauen mit eurem Team, übergeben sauber dokumentiert und stehen als Retainer für Eskalationen zur Verfügung. Kein Lock-in auf uns als Agentur.
Habt ihr Referenzen?
Wir bauen aktuell Knowledge-Graph-Setups für Mittelstand und Scale-Ups in DACH. Konkrete Referenzen besprechen wir im Erstgespräch – einige Projekte sind unter NDA, andere stellen wir gern vor.
Lasst uns über euren Graph reden
Erstgespräch ist kostenlos, dauert 30 Minuten und liefert mindestens drei konkrete Use Cases. Kein Pitch-Deck, kein Sales-Call.