Palantir entwickelt diese KI-Hand bereits seit zwanzig Jahren.

Ontologie (Ontology) – eine Sprache, die für die Unternehmenswelt geschaffen wurde.

Dieses Wort ist inzwischen so überstrapaziert, dass man kaum daran vorbeikommt, wenn man sich auch nur ein bisschen mit Unternehmens-KI oder FDE befasst. Dennoch betrachten die meisten Menschen es immer aus der Perspektive der Gegenwart, indem sie zurückschauen.

Um es vollständig zu verstehen, muss man die Richtung wechseln und zu dem Ausgangspunkt vor mehr als zwanzig Jahren zurückkehren.

01

Die Probleme, die sie damals lösen sollte, gibt es heute in allen Unternehmen: Derselbe Kunde wird im CRM als „GmbH & Co. KG“ bezeichnet, im ERP als „Aktiengesellschaft“ und im Lagersystem als „Konzern“.

Die Systeme nennen die Dinge jeweils unterschiedlich, und bei der Zusammenfassung treten sofort Fehler auf – die Zahlen stimmen nicht überein. Noch alltäglicher sind Besprechungen: Das, was die Marketingabteilung als „Kunde“ bezeichnet, ist nicht dasselbe wie das, was die Finanzabteilung als „Kunde“ versteht.

Beide Seiten haben Auswertungen, beide Seiten haben recht – aber nach der Besprechung kommt kein Projekt voran.

Dinge, die im Unternehmen real existieren, sind für Menschen sichtbar, aber für Software nicht sichtbar. In der Software gibt es nur Tabellen und Felder, die jeweils für sich stehen – genau das ist das Problem, das sie lösen soll.

Ihre Lösung besteht darin, eine eigene Sprache für die Unternehmenswelt zu schaffen.

Es gibt nur drei Arten von Wörtern: Substantive sind Objekte – Kunden, Bestellungen, Bohrstellen, Flugzeuge, alles, was es in der Realität gibt, wird erfasst. Präpositionen sind Verknüpfungen. Verben sind Handlungen.

Klingt abstrakt? Nennen wir sie einfach Substantive, Präpositionen und Verben.

Eine Sprache zu erfinden, klingt nicht nach typischer Arbeit eines Silicon-Valley-Unternehmens. Der CEO von Palantir, Karp, hat Philosophie studiert und bis zum Doktorgrad promoviert – in dem Titel seiner Dissertation tauchte das Wort „Fachjargon“ auf.

Sehen wir uns zuerst die Substantive an, also die Objekte.

Öffnet man die Software, sieht man Tabellen mit hundert Datenzeilen. Die Ontologie verwandelt diese hundert Zeilen in hundert eigenständige Kunden, wobei jeder Kunde seine eigenen Bestellungen und Geräte mitbringt.

Dieser Schritt wirkt trivial, ist aber im Grunde eine Übersetzung. Computer speichern Daten in Zeilen und Spalten, das menschliche Gehirn aber nicht: Menschen nehmen die Welt als Dinge und die Beziehungen zwischen diesen Dingen wahr. Weil das nicht übereinstimmt, haben Programmierer für diese Fehlstelle einen Namen geprägt: Impedanzfehlanpassung.

Die Ontologie soll diese Fehlstelle schließen, sodass die Software die Welt neu erfasst – genau so, wie Menschen sie wahrnehmen.

Als Nächstes kommen die Präpositionen, also die Verknüpfungen.

Mit nur Substantiven bleibt die Welt zersplittert: Was ist die Beziehung zwischen Kunde und Bestellung? In welches Flugzeug ist ein Bauteil eingebaut? Über welche Linie verfolgt man Fehler im Notfall? Das alles bleibt unklar. Genau das regeln die Verknüpfungen: Wem gehört was, wovon hängt was ab.

Ist diese Ebene aufgebaut, wird das Unternehmen zu einem begehbaren Graphen: Wenn man nach einem Bauteil sucht, kann man dem Pfad folgen bis zum Flugzeug, zum Lieferanten und zu der Warnung von gestern.

Substantive und Präpositionen machen die Welt sichtbar. Der echte Wendepunkt liegt bei der letzten Wortart: den Verben.

Viele Menschen haben schon versucht, Unternehmen zu modellieren – Wissensgraphen, Kennzahlensysteme, semantische Ebenen. Die Ansätze sind unterschiedlich, aber das Ziel ist ähnlich: Die Welt wird aufbereitet und für Menschen sichtbar gemacht.

Ein Graph kann dir sagen, dass ein bestimmter Kunde mit einem Unternehmen verbunden ist, und dieses Unternehmen wiederum mit einem Vorstandsmitglied. Und dann? Dann ist Schluss, die Abfrage endet hier – sie bleibt bei den Substantiven stehen.

Palantir hat einen Schritt weitergemacht: Es hat die Verben erfunden.

Eine „Zuweisung einer Lieferung an einen Fahrer“ kann definiert, ausgelöst und nachverfolgt werden. Wenn die Handlung umgesetzt wird, löst sie eine ganze Kette von Vorgängen aus: Bei der Wareneingangskontrolle im Lager ändern sich der Lagerbestand, die Belege und die Produktionsplanung für den nächsten Tag.

Die Bedeutung dieses Satzes wird klarer, wenn man ihn anders formuliert: Man kann „die Zuweisung einer Lieferung an einen Fahrer“ nicht auf einer Kennzahlenebene modellieren. In den offiziellen Dokumenten steht es noch direkter:

Die Ontologie ist keine semantische Ebene. Sie begnügt sich nicht damit, dass die Auswertungen übereinstimmen – sie soll die Arbeit auch erledigen.

Der ehrgeizigste Versuch der vorherigen Generation war das Semantische Web: Man wollte das gesamte Wissen der Welt in ein einziges Modell packen, um Maschinen Schlussfolgerungen ziehen zu lassen.

Nach mehr als zehn Jahren Entwicklung kam es nicht voran. Der teuerste Fehlschlag war IBMs Watson: Es versuchte sich im Gesundheitswesen und im Finanzwesen, konnte aber in keinem Bereich Fuß fassen. Bei der Nachanalyse gab es einen Konsens: Diese Welten waren nur ansehbar, aber nicht veränderbar.

Es gibt noch eine weitere Lektion: Das Wissen wurde künstlich eingefüllt, aber es entsprach nicht der tatsächlichen Arbeitsweise von Ärzten.

Die Umsetzung von Verben hat ihren Preis: Wenn man im Modell einen Klick macht, fährt im echten Leben ein Fahrzeug los, eine Bestellung wird geändert, eine Produktionslinie wird gedrosselt. Die Person, die die Handlung ausführt, muss die Verantwortung dafür übernehmen.

Das ist auch der Grund, warum viele Lösungen bei der „Ansicht“ stehenbleiben: Wenn man die KI handeln lassen will, muss man zuerst eine ganze Reihe von Fragen beantworten: Wer ist berechtigt, Änderungen vorzunehmen? Wer trägt die Verantwortung bei Fehlern? Kann man diese Fragen nicht beantworten, lassen sich die Verben nicht umsetzen.

Deshalb werden vor der Umsetzung von Verben zuerst klare Regeln festgelegt.

Jede Handlung ist mit Berechtigungen verknüpft: Wer darf sie durchführen? Unter welchen Bedingungen ist sie erlaubt? Jede ausgeführte Handlung wird protokolliert: Wer hat sie ausgelöst, zu welcher Uhrzeit – das lässt sich später jederzeit nachvollziehen.

Der wichtigste Punkt aber: Das System lässt dem „Menschen“ seinen Platz. Das Cleveland Clinic Center in den USA nutzt es, um die Betten im gesamten Krankenhaus zu verwalten: Das System gibt nur Vorschläge aus, die Entscheidungskompetenz liegt immer noch bei den Menschen. Erst wenn ein Mensch bestätigt, wird die Maßnahme umgesetzt.

In der Branche gibt es einen halb scherzhaften Spruch: Führungskräfte wagen es nicht, für die Vorschläge der KI die Verantwortung zu übernehmen – geschweige denn, für die von der KI ausgeführten Aktionen zu unterschreiben. Genau dieses Design soll das ändern.

Statt dem Menschen vorschnell Entscheidungen abzunehmen, wird das System so gestaltet, dass es auch in Bereichen eingesetzt werden kann, in denen Fehler am teuersten sind: Krankenhäuser, Fabriken, das Pentagon. Ein einziger Fehler kostet Menschenleben oder Milliarden an Schaden – und genau dort hat sich das System bewährt.

02

Diese Sprache ist nach und nach gewachsen, der Inhalt wurde Stück für Stück ergänzt – und bis heute wird sie ständig weiterentwickelt.

Lass mich dir eine Geschichte erzählen:

2006 war das Unternehmen erst drei Jahre alt, und bis zur Veröffentlichung des ersten offiziellen Produkts blieben noch zwei Jahre. Da wurde bereits eine Patentanmeldung eingereicht, in deren Titel das Wort „dynamic ontology“ – dynamische Ontologie – stand.

Der Name war zuerst festgelegt. Das mag abstrakt wirken, aber es war wie ein Pfahl, der für die Arbeit der folgenden zwanzig Jahre eingeschlagen wurde.

Und was stand eigentlich in diesem Patent? Im Klartext: Das Unternehmen wollte die Datenmodelle von Unternehmen flexibler machen. Bei herkömmlichen Unternehmenssoftware war die Tabellenstruktur fest verdrahtet – wenn sich das Geschäft änderte, musste das gesamte Modell von Grund auf neu erstellt werden.

In dem Patent stand: Wir wollen es anders machen. Objekte, Eigenschaften und Beziehungen lassen sich jederzeit hinzufügen und ändern, ohne das gesamte Grundgerüst zu zerstören.

Zu dieser Zeit war die übliche Praxis in der Branche genau umgekehrt: Das gesamte Modell musste von Anfang an fertig entworfen werden, jede Änderung war ein riesiger Aufwand. Palantir ging den entgegengesetzten Weg: Was auch immer im Geschäft entsteht, das System wächst einfach mit.

Unter den Erfindern standen drei Namen: Gettings, Jain, McGrew. Der erste davon ist einer der Mitbegründer des Unternehmens. Diese Anmeldung wurde später zum Grundgerüst für alle Produkte des Unternehmens.

Später haben Menschen die Patentaufzeichnungen durchgesehen und festgestellt, dass diese Patentfamilie über Jahre hinweg fortgeführt wurde – bis 2025 wurden immer neue Versionen genehmigt. Ein Wörterbuch, das fast zwanzig Jahre lang geschrieben wurde. Die erste Seite stammt aus dem Jahr 2006, als kaum jemand dieses Wort kannte.

Aber selbst wenn das Wort festgelegt ist: Wenn es niemand nutzt, bleibt es nur ein Stück Papier. Wie löst man dieses Problem? Um das zu lösen, muss man an die Front gehen, auf das Schlachtfeld – stimmt das nicht?

2010 wurde ein Team von Ingenieuren in einen geheimen Serverraum geschickt. Man kann das als die härteste Prüfung in der frühen Geschichte des Unternehmens bezeichnen: Sie sollten das System den Geheimdienstanalytikern vorführen.

Ursprünglich waren zwei Wochen geplant, aber sie arbeiteten 14 Tage lang, 19 Stunden am Tag. Tagsüber passten sie die Funktionen an die Wünsche der Analytiker an, nachts schickten sie das Feedback an die Zentrale zurück – im Serverraum war es verboten, die Freisprechfunktion zu nutzen.

Der Leiter des Teams, Sankar, band das Telefon mit einem Gummiband an seinen Kopf: Mit einer Hand tippte er Code, mit einem Ohr hörte er das Feedback vor Ort, mit dem anderen Ohr die Anweisungen aus der Zentrale.

Zwei Wochen später sagten die Analytiker, dass das System nützlich ist. Sankar rief die Zentrale an und sagte: Das funktioniert nicht, es ist zu anstrengend, wir halten das nicht durch. Am anderen Ende lachte Karp ununterbrochen und sagte: Wenn es nicht funktioniert – wie soll es dann sonst funktionieren?

Nun, keine Eile, die Geschichte hat gerade erst angefangen.

Im selben Jahr reiste ein anderes Team zum Luftwaffenstützpunkt Balad im Irak. Sie passten ihren Tagesrhythmus dem der Patrouillen an: Die Soldaten zogen tagsüber auf Missionen und trugen feldtaugliche Laptops mit der installierten Software bei sich. Abends gaben sie ihr Feedback zurück. Während die Soldaten schliefen, schrieben die Ingenieure Code.

Am nächsten Tag, wenn die Soldaten wieder auf Mission gingen, war das System schon ein bisschen benutzerfreundlicher geworden.

Als sie gerade ankamen, murmelten einige im Lager: Wer sind diese Jungs, warum sollen wir ihnen Betten zur Verfügung stellen? Zwei Wochen später hatte sich die Meinung geändert – man sagte, diese Leute sind Gold wert.

Ein General erinnerte sich später: Diese Leute haben uns zum ersten Mal geholfen, das gesamte Netzwerk zu kartieren. Wir konnten klar sehen, wie Menschen, Geld, Waffen und Drogen in diesem Netzwerk fließen.

Was wurde da eigentlich Stück für Stück eingetragen? Zuerst die Menschen: Wer ist wo aktiv? Mit wem hat er gesprochen. Dann die Objekte: Fahrzeuge, Waffen, Geld. Dann die Ereignisse: Wann? Wo? Was ist passiert? Die Einträge sind nicht besonders ausgefallen, aber sie funktionieren.

Und genau so wurden die Wörterbucheinträge Stück für Stück erstellt. Einige Jahre später verließ das Wörterbuch das Schlachtfeld und fand den Weg in Fabriken.

In Toulouse, dem Hauptsitz von Airbus, besteht ein A350 aus fünf Millionen Bauteilen. Vier Länder, acht Fabriken und Hunderte von Teams waren jeweils für einen Teil zuständig. Die Ingenieure erfassten Flugzeug, Bauteile, Arbeitsplätze und Teams nacheinander in das Wörterbuch – und damit sprachen all diese Teams zum ersten Mal dieselbe Sprache.

Danach stieg die Geschwindigkeit der Flugzeugproduktion um mehr als 30 Prozent. Später wurde das System auch in Krankenhäusern eingeführt: Ein System lief ein ganzes Jahr lang intern, bis es reibungslos funktionierte, bevor es offiziell angekündigt wurde.

Erst laufen lassen, dann ankündigen – das ist die Mentalität des Unternehmens, und das ist auch die Mentalität dieses Wörterbuchs.

Bis heute ist dieses Wörterbuch noch nicht fertig. Eine Zeitlang wurde es als semantische Ebene bezeichnet, später hat sich die offizielle Bezeichnung mehrfach geändert. Die neueste Version heißt „Entscheidungszentrale für Mensch-Maschine-Teams“.

Im letzten Jahr haben sie dem Wörterbuch eine neue Version hinzugefügt, die auf Smartphones läuft und von Drohnen und Robotern mitgetragen werden kann.

Diesen September hat das Unternehmen eine Partnerschaft mit NVIDIA geschlossen, um diese Sprache in die KI-Lieferkette einzubringen. Alle Entscheidungen und Ergebnisse werden zurück im Wörterbuch gespeichert und dienen als Grundlage für die nächste Runde der Verbesserungen.

Das Wörterbuch wird immer dicker, und die Leute, die Einträge schreiben, haben sich mehrfach gewechselt. Es wächst ständig, es wird nie ein „Veröffentlichungstag“ geben.

Inzwischen wird es in mehr als 50 Branchen eingesetzt. Aber die ganze Welt hat diese Sprache erst ab 2023 richtig wahrgenommen – seitdem ist sie plötzlich zu einem äußerst wertvollen Gut geworden.

03

Warum? Weil es jetzt KI gibt. Und dann? Alle haben festgestellt, dass man mit diesen KI-Modellen über alles reden kann – aber sobald man sie eine Aufgabe erledigen lassen will, stockt sie. Wo liegt das Problem?

Das Problem ist, dass sie den Fachjargon des Geschäfts nicht versteht, und auch nicht die ungeschriebenen Regeln, die in den Arbeitsabläufen seit Jahren gelten.

Das hat wenig damit zu tun, wie intelligent das Modell ist. Es kennt das Wort „Kunde“ – aber es kennt nicht DEINEN Kunden. Es hat hunderte Millionen Dokumente gelesen – aber es hat noch nie den Lieferschein gesehen, der heute in deinem Lager liegt.

Man hat schon die besten KI-Modelle mit echten Unternehmensdatenbanken gefüttert – mit Tabellen, die T