Semantic Architecture

Von der Semantic Layer Architecture zur Semantic Governance Architecture

Warum KI nicht nur Datenbegriffe, sondern Bedeutung, Zulässigkeit und Verantwortung braucht

Die Enterprise-Welt entdeckt Semantik als Infrastruktur. Semantic Layer sollen Daten, Metriken und Geschäftsbegriffe konsistent machen, damit BI-Tools, Dashboards und KI-Agenten nicht mit widersprüchlichen Definitionen arbeiten. SGP-7/X beschreibt genau darin den „Governance Gap“: Jede neue Plattform, jedes neue BI-Tool und jeder AI Agent vergrößert die Lücke, wenn Definitionen nicht zentral und plattformübergreifend geregelt werden.

Das ist richtig. Aber es ist nur der erste Schritt.

Ein Semantic Layer beantwortet vor allem die Frage:

Was bedeuten diese Daten?

Eine Semantic Governance Architecture geht weiter und fragt:

Was darf aus dieser Bedeutung folgen?

Die erste Stufe: Semantic Layer Architecture

Semantic Layer Architecture übersetzt technische Datenstrukturen in geschäftlich verständliche Begriffe. Databricks z.B. beschreibt den Semantic Layer als Schnittstelle zwischen komplexen Datenmodellen und geschäftlichen Konzepten, damit Nutzer ohne tiefe technische Kenntnisse Daten analysieren können.

Damit wird ein zentrales Unternehmensproblem adressiert:

Ein Umsatz darf nicht im Vertrieb anders definiert sein als im Controlling. Ein Risikoindikator darf nicht im Dashboard anders gerechnet werden als im KI-Agenten. Eine Kennzahl darf nicht je nach Tool ihre Bedeutung wechseln.

Kurz gesagt:

Semantic Layer = konsistente Datenbedeutung

Das ist für KI unverzichtbar. Denn KI-Systeme übernehmen nicht nur Datenfehler. Sie verstärken sie sprachlich, plausibilisieren sie und tragen sie in Entscheidungen hinein.

Die zweite Stufe: Semantic Governance Architecture

Sobald KI nicht nur Daten abfragt, sondern Empfehlungen formuliert, Szenarien erzeugt, Risiken bewertet oder Entscheidungen vorbereitet, reicht konsistente Datenlogik nicht mehr aus.

Dann geht es nicht mehr nur um Metriken.

Dann geht es um:

• Zulässigkeit

• Herkunft

• Kontext

• Machtwirkung

• Rezeption

• Unsicherheit

• Verantwortung

• Entscheidungsfolgen

Genau hier beginnt die Semantic Governance Architecture.

Sie erweitert den Semantic Layer um eine normative, prognostische und verantwortungsbezogene Kontrollschicht.

Semantic Layer:Daten werden verständlich.Semantic Governance:Bedeutung wird prüfbar, verantwortbar und entscheidungsfähig.

Der Governance Gap wird zum Meaning Gap

Die aktuelle Debatte erkennt zunehmend, dass AI Agents ohne konsistente semantische Grundlage falsche, widersprüchliche oder unkontrollierte Antworten erzeugen können. Dremio beschreibt, dass ohne Semantic Layer jedes Tool Geschäftslogik neu definiert und dadurch widersprüchliche Definitionen und Governance-Lücken entstehen.

Doch der eigentliche nächste Bruch liegt tiefer.

KI erzeugt nicht nur Datenzugriffe. KI erzeugt Aussagen. Aussagen haben Wirkung. Wirkung erzeugt Verantwortung.

Damit entsteht ein Meaning Gap:

Daten sind definiert.Aber die daraus erzeugte Bedeutung ist nicht governancefähig kontrolliert.

Ein System kann eine korrekte Kennzahl verwenden und trotzdem eine fragwürdige Empfehlung geben. Es kann konsistente Daten verarbeiten und dennoch ein riskantes Narrativ erzeugen. Es kann formal plausibel antworten und trotzdem Kontext, Machtlogik oder menschliche Folgen verfehlen.

Warum SGP-7/X eine Ebene höher ansetzt

SGP-7/X setzt nicht erst bei der Datenbedeutung an, sondern bei der Steuerung von Bedeutung selbst.

Dazu gehören Marker wie:

::semantic::ontology::admissibility::provenance::forecast::output_gate::human_final_authority

Diese Architektur fragt nicht nur:

Ist die Kennzahl korrekt?

Sondern auch:

Ist die Aussage zulässig?Ist der Kontext tragfähig?Sind Annahmen offengelegt?Sind Gegenkräfte berücksichtigt?Welche Machtlogik wirkt?Welche Kosten entstehen?Welche Verantwortung bleibt beim Menschen?

Damit verschiebt sich der Fokus von Business Semantics zu Governance Semantics.

Von Datenarchitektur zu Entscheidungsarchitektur

Der entscheidende Unterschied liegt in der Entscheidungsebene.

Ein Semantic Layer hilft, dass ein KI-Agent dieselbe Definition von Umsatz, Risiko oder Kundensegment verwendet wie das Unternehmen.

Eine Semantic Governance Architecture hilft zusätzlich zu prüfen, ob die daraus abgeleitete Empfehlung verantwortbar ist.

Beispiel:

Ein KI-System erkennt sinkende Rentabilität in einem Marktsegment.

Semantic Layer:

Rentabilität, Kundensegment und Kosten sind korrekt definiert.

Semantic Governance:

Welche Handlung folgt daraus?Welche Risiken entstehen?Welche Menschen sind betroffen?Welche Alternativen gibt es?Welche Aussage wäre überzogen?Welche Entscheidung muss menschlich verantwortet werden?

Genau hier liegt der Sprung.

Semantic Layer ist notwendig, aber nicht hinreichend

Die neue Enterprise-Architektur wird Semantic Layer brauchen. Daran führt kaum ein Weg vorbei. KI-Systeme brauchen explizite Bedeutung, konsistente Begriffe und kontrollierte Datenmodelle. Auch aktuelle Fachbeiträge beschreiben Semantic Layer zunehmend als zentrale Infrastruktur für AI und Analytics.

Aber für verantwortbare KI reicht das nicht.

Denn KI arbeitet nicht nur mit Daten. Sie arbeitet mit Deutung.

Und Deutung braucht Governance.

Fazit

Ein Semantic Layer erklärt der KI, was Daten bedeuten.

Eine Semantic Governance Architecture prüft, ob die daraus entstehende Aussage zulässig, nachvollziehbar, verantwortbar und wirkungsbewusst ist.

Die erste Stufe macht Daten konsistent.

Die zweite Stufe macht Bedeutung verantwortbar.

Von der Semantic Layer Architecturezur Semantic Governance Architecture.

Das ist der nächste notwendige Schritt, wenn KI nicht nur rechnen, berichten und antworten soll — sondern in komplexen Entscheidungsräumen vertrauensfähig bleiben muss.