Wissensgraph statt Prompt: Kontext für Agenten — ABIS-Graph, Fabric IQ, Graph RAG.

Ein Prompt ist eine Liste. Sie beantwortet eine Frage, einmal, und sie ist so vollständig wie die Person, die sie geschrieben hat. Ein Graph ist ein Modell des Modells: Jedes Objekt des Semantikmodells wird zu einem Knoten mit Eigenschaften, jede Abhängigkeit zu einer Kante mit Richtung. Die Frage „Was hängt an Umsatz_alt?“ ist dann keine Recherche mehr, sondern eine Abfrage — mit derselben Antwort, egal wer sie stellt und wann.

In einem mittleren Power-BI-Modell aus einem Projekt sind das 104 Knoten und 353 Kanten. Das klingt klein, ist aber genau die Menge, die kein Mensch im Kopf und kein Prompt im Kontextfenster hält: Measure-Ketten über vier und mehr Ableitungsebenen, Filter auf Seiten, Tooltips und bedingte Formatierungen, dazu die SQL-Views und Excel-Verknüpfungen hinter dem Modell. Der Graph hält das alles in einer Struktur, die ein Agent in Millisekunden traversiert.

• Knoten: Tabelle, Spalte, Measure, Visual, Seite, Bericht, Rolle — und außerhalb von Power BI: SQL-View, Prozedur, SAS-Step, Excel-Mappe.
• Kanten: enthält, berechnet aus, verwendet in DAX, filtert, zeigt, liegt auf, sieht (Rolle), speist (Quelle).
• Eigenschaften: Formel, Beschreibung, Einheit, Verantwortlicher, Datentyp, Personenbezug, Stand.
• Nicht im Graphen: Zeilen und Werte. Der Graph entsteht aus Metadaten; Daten bleiben im Haus.

Das Schema unten ist der Auszug aus dem Modelltyp, den ABIS für Power-BI-Modelle verwendet; die Typnamen sind die, die auch in Abfragen stehen. Für Oracle, SAS oder CSV-Landschaften gibt es eigene Modelltypen mit denselben Prinzipien — ein Graph, der nur eine Quelle kennt, beantwortet die Frage „Was hängt woran?“ nur bis zur Werkzeuggrenze. Die vollständige Fassung mit allen Eigenschaften je Typ ist das Arbeitsmaterial dieses Kapitels.

Struktur allein sagt nicht, dass „Umsatz netto“ eine Netto-Kennzahl in Euro ist, die das Controlling verantwortet. Diese Bedeutung kommt als Klassifikation an den Knoten — die fünf Felder aus dem Semantic-Layer-Kapitel, dazu Klassen wie „deprecated“, „personenbezogen“ oder „Abschlusswert“. Klassifikationen entstehen aus drei Quellen: aus Metadaten, die schon da sind; aus Profiling, das nur für kategoriale Spalten echte Werte liest und für alles Personennahe nur Aggregate; und aus der Bestätigung eines Menschen.

Wie wertvoll das ist, zeigt ein Fund aus einer SAS-Migration: In einer Steuertabelle standen „NORD1“ und „REGION NORD“ als zwei verschiedene Werte mit zwei verschiedenen Zuordnungen. Weder der SAS-Code noch zwei ausgelieferte Oracle-Views noch der Graph selbst zeigten das — erst ein Profiling der Spalte. Der Befund wurde als zwei Klassifikationen im Graphen gespeichert und ist seitdem für jede Sitzung abfragbar, ohne die Datenbank erneut zu befragen. Das ist der Unterschied zwischen Wissen, das jemand hatte, und Wissen, das das Team hat.

Alle drei bauen Struktur über Daten, damit ein Sprachmodell nicht rät. Sie unterscheiden sich in dem, was sie modellieren, wo das Ergebnis liegt und wer darüber entscheidet. Für cloud-native Fabric-Landschaften ist Fabric IQ eine starke Antwort; für regulierte DACH-Unternehmen mit SAP, DATEV, Excel und Altsystemen neben Power BI bleibt die Frage, ob die Bedeutung der eigenen Zahlen im Tenant eines Anbieters liegen darf. Graph RAG beantwortet eine andere Frage — die nach Dokumenten, nicht nach Modellen.

Ein Graph ist zuerst ein Aufwand. Bei einer SAS-Migration mit rund 100 Berichtsgruppen haben wir die Tokenkosten mitgeschrieben: Die erste Frage an einen Bericht kostet mit Graph rund 18.000 Tokens — Aufbau, Abfragen, Reibung — gegen rund 12.000 für das bloße Einfügen des Codes. Wer jeden Bericht genau einmal anfasst, zahlt mit Graph mehr. Realistisch fasst ein Projekt jeden Bericht aber drei Mal an: Bau, Fehlerbehebung, Querprüfung. Dann liegt die Rechnung bei rund 2,1 Millionen Tokens mit Graph gegen 3,6 Millionen ohne — etwa 42 Prozent weniger.

Der Hebel steckt in der Wiederholung: Jede weitere Frage an denselben Bericht kostet rund 1.500 Tokens statt 12.000, weil der Graph schon da ist und gezielt abgefragt wird — ein 78 Kilobyte großer Rohauszug wird durch einen gefilterten Aufruf zu 4,4 Kilobyte. Break-even liegt bei etwa zwei Wiederholungen je Bericht. Für Teams, die Agenten über MCP täglich auf dieselben Modelle ansetzen, ist das die relevante Zahl, nicht der Preis je Token.

Ein Agent mit Graph arbeitet in einer festen Reihenfolge. Vor jeder Antwort fragt er den Graphen: Welches Measure heißt so, welche Formel hat es, worauf rechnet es, wer ist verantwortlich, was hängt daran? Nur Objekte, die der Graph kennt, dürfen in Vorschlag und Antwort vorkommen — das schließt die Bestands-Halluzination aus. Vor jeder Änderung läuft die Impact-Analyse über die Kanten; vor jedem Schreibvorgang der Regelsatz. Nach der Antwort schreibt der Agent den Beleg zurück: Measure, Tabelle, Filter, Stand. Die Antwort bleibt im Graphen abfragbar, statt in einem Chat zu verschwinden.

Für Sie heißt das: Der Graph ist nicht nur Kontext, sondern Grenze. Was der Agent sehen, nennen und ändern darf, steht in Knoten, Kanten und Regeln — und nicht im guten Willen des Modells. Wie er technisch an den Graphen kommt, beschreibt das MCP-Kapitel; welche drei Agenten-Wege es gibt, das nächste Kapitel.