KI-Kontextplattformen: wann eine Graph-gestützte Kontextschicht Vector-Only-RAG übertrifft

Gartner gab „AI Context Platforms" am 13. August 2026 eine formale Definition: Software, die Daten- und KI-Engineering-Teams befähigt, semantisch organisiertes Wissen für KI-Agenten zu konstruieren, zu governen und bereitzustellen — und Kontext als erstklassiges Unternehmens-Asset zu behandeln statt als Konfiguration pro Agent. Zwei Anbieter unterlegten die Kategorie innerhalb von 48 Stunden mit Produkt: Neo4j lieferte sein Context Engine am 20. Oktober aus, NVIDIA die Agent Knowledge Foundation am 21. Oktober. Wenn ein Analystenhaus eine Kategorie benennt und zwei Plattformanbieter sie binnen zwei Tagen füllen, bekommen Käufer echte Optionen — und eine neue Entscheidung. Dieser Führer ordnet die Entscheidung: fünf Fragen, bei denen eine Graph-gestützte Kontextschicht den Vector-Only-RAG übertrifft, drei, bei denen Vector-Only-RAG weiter gewinnt, und die drei Kontrollen, die mehr zählen als das gekaufte Produkt — weil diese Kontrollen ohnehin in eigener Regie entstehen.

Zentrale Erkenntnisse

• 86 % gegenüber 57 % — Microsofts GraphRAG-Forschung (Edge et al., 2024) maß Graph-Retrieval gegenüber Vector-RAG auf 86 % Vollständigkeit bei komplexen Multi-Entitäts-Fragen, Vector-Only lag bei 57 %. Die Lücke zeigt sich, wann immer eine Frage Beziehungspfade geht, statt Text zu matchen.
• Gartner benannte die Kategorie am 13. August 2026 — AI Context Platforms „trennen den Lebenszyklus organisatorischen Wissens vom Lebenszyklus einzelner Agenten", so die Analysendefinition. Diese Trennung ist das Governance-Argument, kein Retrieval-Feature.
• Neo4js Business Ontology ist ein 6-schichtiges Graphmodell — Geschäftsprozess und Organisation, Domänenontologie, Datenprodukte, physische Systeme, Tools und Integration, Laufzeitwissen — gebaut, laut Neo4j, aus hunderten Enterprise-Deployments. Das Context Engine erscheint in Private Preview.
• Vector-Only-RAG gewinnt weiter bei build-Aufwand und dokumentenzentriertem Q&A — 6–8 Wochen bis Produktion gegenüber 12–16 bei Graph-Builds, und Late-Interaction-Embeddings beantworten Agentenfragen über 800 reale PDFs mit 92,4 % (MADQA) ganz ohne OCR.
• Die Deployer-Kontrollen sind Provenienz, berechtigungsgetragene Suche und Lebenszyklus-Trennung — keines der drei liefert in irgendeinem Produkt vollständig; jede lebt im MCP-Modul und der Audit-Schicht, die das eigene Team besitzt.

Die Kategorie, die einen Namen bekam

Die Gartner-Definition (Kjell Carlsson, Afraz Jaffri, Christopher Long und Radu Miclaus, 13. August 2026) lohnt zweimaliges Lesen, weil sie eine Governance-Definition ist, keine Retrieval-Definition: KI-Kontextplattformen sind „Software, die Daten- und KI-Engineering-Teams befähigt, semantisch organisiertes Wissen für KI-Agenten zu konstruieren, zu governen und bereitzustellen", und „indem sie Kontext als erstklassiges Unternehmens-Asset behandeln statt als Konfiguration pro Agent, trennen diese Plattformen den Lebenszyklus organisatorischen Wissens vom Lebenszyklus einzelner Agenten und erhöhen die Fähigkeit der Organisation, ihre KI-Agenten über verschiedene Domänen hinweg zu skalieren und zu governen".

Das Problem, das die Kategorie benennt, ist agentenspezifisch. Daten hatten jahrzehntelang zwei Konsumenten — Menschen, die die Beziehungen zwischen Datensätzen im Kopf tragen, und Anwendungen, in denen diese Bedeutung in fest verdrahteter Logik lebt. Agenten sind der dritte Konsument, und sie erben nichts davon. Neo4js Launch-Blog macht das Fehlerbild konkret: Eine Anwendung weiß, dass ein Kontostatus „2" „gesperrt bis zur Prüfung" bedeutet, weil das Mapping im Code steht; ein Agent hat keinen blassen Schimmer, und das Mapping variiert zwischen Organisationen — „Kunde" heißt im Marketing etwas anderes als in der Finanzabteilung (Neo4j-Blog).

Zwei Anbieter lieferten Antworten binnen 48 Stunden. Neo4js Context Engine paketiert eine vordefinierte 6-schichtige Business Ontology, eine Build-and-Runtime-Schicht, die die Ontologie aus Quellen wie Databricks oder Snowflake konstruiert und Orchestrierungsschichten bereitstellt, eine Context-Studio-Kontrollebene und eine graphnative Gedächtnisschicht, die Agenten-Reasoning und Entscheidungspfade protokolliert. Neo4js President of Technology und CPO brachte die Konsequenz auf den Punkt: „Alle anderen Optionen sind ein Pflaster auf dem Problem, das bricht, wenn KI-Agenten an Komplexität und Systemzugriff zunehmen" (Pressemitteilung). Zwei Ehrlichkeitsmarker zählen für Käufer: das Context Engine ist Private Preview, und sein Satz „GraphRAG ist genauer und kosteneffizienter als Vector-Only-RAG" ist eine Vendor-Behauptung — die unabhängigen Zahlen stammen aus Microsofts Forschung, nicht von Neo4j.

NVIDIA nahm am 21. Oktober die architektonische Gegenposition ein: keine Plattform, sondern Modelle und CUDA-X-Bibliotheken zum Selbstbauen. Die Agent-Knowledge-Foundation-Seite erklärt, die Komponenten „arbeiten mit bestehenden Datenplattformen, Ontologien, Vektordatenbanken und Agent-Frameworks; sie verlangen keine neue End-to-End-Plattform", und enthält einen Auto-Ontology-Generator, der nach NVIDIA-Angaben die Ontologie-Erstellungszeit in eigenen Tests um 90 % senkte — mit Fachexperten, die weiter „testen, verfeinern und zertifizieren" müssen (NVIDIA). Diese letzte Klausel ist die ehrliche Version des Ontologie-Baus: Die Software schlägt vor; der Eigentümer zertifiziert.

Was Vector-Only-RAG weiterhin gut kann

Vector-only Retrieval ist nicht der Strohmann, als den die Launch-Materialien der Kategorie es nahelegen. Drei Stärken definieren, wann es die richtige Wahl ist.

Erstens: Build-Kosten. Der GraphRAG-Implementierungsleitfaden dieser Site beziffert traditionelles RAG auf 6–8 Wochen bis Produktion gegenüber 12–16 Wochen für einen Graph-Build und schätzt, dass traditionelles RAG 85–90 % des GraphRAG-Ergebnisses mit 30 % des Aufwands erreicht, wenn das Korpus aus Textdokumenten besteht und die Fragen Einzel-Entitäts-Lookups sind. Ein schmales Team, das im November Technikerfragen aus Servicemanuals beantworten muss, bringt zuerst Vektorsuche an.

Zweitens: Die Dokument-Retrieval-Schwelle steigt weiter. Perplexitys pplx-embed-v2-late-Release (7. Oktober, MIT-lizenziert) brachte Open-Weight-Late-Interaction-Embeddings auf 92,4 % bei MADQA — Agentenfragen über 800 reale PDFs und mehr als 18.000 Seiten — mit Retrieval von Text, Bildern und vollständigen PDF-Seiten ganz ohne OCR. Auf der Achse unstrukturierter Dokumente ist Vektor-Retrieval ein bewegtes Ziel, und die Lücke, die ein Knowledge Graph schließt, ist nicht die Dokument-QA-Lücke.

Drittens: Das Vektor-Ökosystem kennt seine Schwäche bereits und kompensiert sie strukturell. Der vdf.ai-Überblick von Oktober 2026 über zehn selbst gehostete Engines zeigt Multi-Tenancy auf Index-Ebene gelöst — Qdrants tenant-basierte Partitionen, die große Tenants in eigene Shards hochstufen, Weaviates Shard-per-Tenant-Modell — und Hybrid-Retrieval innerhalb der Engine fusioniert, weil dichte Vektoren allein „exakte Tokens wie Vertragsnummern und Fehlercodes verfehlen". Berechtigungsfilterung und Keyword-Recall werden so als Engineering-Probleme innerhalb des Vektor-Stacks gelöst. Was der Vektor-Stack nie löst, ist die Semantik: Er hat keinen Ort für die Bedeutung von „Kunde", „Lieferant" oder „Risiko" in Ihrer Organisation und keine Antwort darauf, warum zwei gefundene Datensätze zusammengehören.

Was die gouvernierte Kontextschicht hinzufügt

Eine Graph-gestützte Kontextschicht fügt vier Dinge hinzu, die Vector-Only-RAG überhaupt nicht darstellen kann — und die vierte ist das Beschaffungskriterium.

Explizite Beziehungen. Gefundene Chunks implizieren Beziehungen; ein Graph erklärt sie. Microsofts GraphRAG-Zahlen — 86 % gegen 57 % Vollständigkeit bei Multi-Entitäts-Fragen — sind die gemessene Version davon: Wenn eine Frage von einem Produkt über seine Substitute bis zur Filialverfügbarkeit laufen muss, muss die Ähnlichkeitssuche jeden Sprung raten.

Ein einziger Ort für Geschäftsbedeutung. Neo4js 6-schichtige Business Ontology verlagert die Definitionen der Organisation — Prozesse, Domänenbegriffe, Datenprodukte, physische Systeme, Tools, Laufzeitwissen — in einen Graph, den alle Agenten lesen, statt dass jeder Agent sie neu lernt (Neo4j-Blog). Sanjeev Mohan, Principal bei SanjMo, benannte im Press Release den Unterschied, den der Vektor-Stack nicht überbrücken kann: „Kontext ist nicht nur mehr Daten, es geht wirklich um Beziehungen: nicht nur, dass zwei Dinge verbunden sind, sondern warum und wie. Genau das modellieren Graphen nativ."

Provenienz pro Antwort. Die Gedächtnisschicht des Context Engine „protokolliert Agenten-Reasoning und operative Pfade zu einem dauerhaften Aufzeichnungssystem für Unternehmenserfahrung" (Pressemitteilung). Eine Antwort kommt mit dem Pfad, der sie erzeugt hat. Vektor-Retrieval liefert die Chunks mit dem höchsten Ranking.

Ein Retrieval-Pfad, der Berechtigungen trägt. Neo4js Context Build and Runtime enthält eingebaute Governance „die sicherstellt, dass nur auf Daten zugegriffen wird, auf die zugegriffen werden darf" — die Policy reist mit dem Retrieval, nicht als Nachfilter. In einem Vektor-Stack ist Tenant-Filterung dagegen ein Index-Engineering-Feature der konkret gewählten Datenbank (der vdf.ai-Überblick dokumentiert, wie unterschiedlich pgvector, Qdrant und Weaviate es implementieren), und Ihre Anwendung reimplementiert die Regel.

Das Muster ist baubar, ohne auf Private-Preview-Software zu warten. In der Referenzimplementierung hinter den RFQ-Artikeln dieser Site exponiert das Quote-Desk-MCP-Modul ein einzelnes inquire_catalog-Tool, das natürlichsprachliche Fragen an eine Knowledge-Graph-Engine weiterleitet und gerankte Ergebnisse zurückgibt — Retrieval und Bedeutung in einem gouvernierten Aufruf —, während ein separates Availability-Hold-Toolset die transaktionale Seite abwickelt. Die Tool-Grenze, nicht der Retriever, macht es gouverniert: Jeder Aufruf läuft durch einen Execute-Decorator, der Status, Dauer und Payload in ein Audit-Modell in DynamoDB schreibt, und Tenant-Scoping wird über Partitionsschlüssel auf der Speicherschicht erzwungen. Ein Artikel zum Modulcode-Standard dokumentiert das Muster von Ende zu Ende.

Die Entscheidungsmatrix

Fünf Fragen trennen die beiden Architekturen in der Praxis. Bewerten Sie Ihre Workload ehrlich je Frage; zwei oder mehr Zeilen in der Graph-Spalte bedeuten, dass die Kontextschicht den 12–16-Wochen-Build rechtfertigt.

Käuferfrage	Graph-gestützter Kontext	Vector-Only-RAG genügt
Welche Form hat die Frage?	Multi-Entität, Beziehungspfade („welche freigegebenen Substitute für dieses Teil haben Stock im Boston-DC bis Freitag?") — die 86-/57-%-Lücke lebt hier	Einzel-Entitäts-Lookups über Dokumenttext („was sagt das Handbuch zu Fehlercode E-204?")
Wo lebt die Bedeutung?	Zerstreut über Systeme und Teams — „Kunde", „Lieferant", „Risiko" brauchen eine Definition, die Agenten teilen	Enthalten in Dokumenten — der Text ist die Bedeutung
Was muss Governance nachweisen?	Provenienz pro Antwort: der Entscheidungspfad, die autorisierende Policy — Gartners Lebenszyklus-Trennung	Zugriffssteuerung auf Inhalts-Ebene: Tenant-Filter und Payload-Berechtigungen am Index
Wie schnell muss der Start erfolgen?	12–16 Wochen plus laufende Ontologie-Pflege — akzeptabel, wenn Agenten auf Geschäftsdaten agieren	6–8 Wochen bis Produktion — der richtige erste Schritt, wenn der Anwendungsfall Dokument-Q&A ist
Was verändert sich pro Quartal?	Semantikänderungen (neue Produktlinien, umbenannte Tier, neue Compliance-Regeln) — den Graph bearbeiten, nicht die Agenten	Korpusänderungen — nächtliches Re-Embedding, und alles ist aktuell

Zwei Zeilen verdienen Ehrlichkeitsanmerkungen. Beim Preis pro Abfrage ist GraphRAG-Retrieval schwerer als Vektor-Ähnlichkeit — das sagt der Anbieter, der den Graph verkauft, selbst, und die Abfragemathematik des Implementierungsleitfadens (O(N) pro Ticket für Graph-Aktualisierungen gegenüber O(1) pro Dokument) erklärt, warum hochvolumige Workloads mit oberflächlichen Fragen vektorbasiert bleiben sollten. Und zur „dritte Konsument"-Rahmung: Sie ist Neo4js Launch-Erzählung, doch die zugrundeliegende Beobachtung ist älter — das Kontostatus-„2"-Problem ist real in jedem B2B-Marktmitte-Betrieb, egal welches Produkt ihn beheben soll.

Nebeneinander: Wie die beiden Architekturen die fünf Käuferfragen beantworten, mit der gemessenen Evidenz für jede Aussage.

Die Deployer-Kontrollen, die mehr zählen als das gekaufte Produkt

Die Gartner-Definition listet drei Fähigkeiten auf, die aus einem Kontext ein „Asset" machen: konstruiert, governed, bereitgestellt. Liest man die Anbieterseiten genau, liefert jede einen Teil davon — Context Studio ist eine Kontrollebene; die Build-Runtime erzwingt Autorisierung; Memory protokolliert Entscheidungen. Keine liefert alle drei von Ende zu Ende, und zwei sind strukturell Ihre.

Provenienz ist eine Kontrolle, kein Feature. Eine Antwort mit aufgezeichnetem Entscheidungspfad ist nur dann ein Audit-Artefakt, wenn der Pfad nur anfügt und den Agenten überlebt, der ihn erzeugte. In der Referenzimplementierung schreibt jeder MCP-Tool-Aufruf Status, Dauer und bereinigte Payloads in ein per-Tenant-Audit-Modell — das Muster der Agent-Governance-Architektur. Ob Context Engine von Neo4j oder ein eigener Graph: Die Aufzeichnung darüber, was der Agent abgerufen und ausgeführt hat, gehört an Ihre Grenze.

Berechtigungs­transport muss den letzten Hop überleben. Eine Kontextplattform, die im Graphen filtert, verbindet Agenten trotzdem über eine Tool-Grenze. Trägt diese Grenze keine Identität — ein authentifizierter Principal je Aufruf, nach Tenant und Rolle gescoped —, bleibt die Autorisierung der Beratung. Das Gouverned-Modules-Muster legt die Verifikation in Middleware, die jede Anfrage abfängt (MCP-Sicherheitsartikel); so lässt sich die Policy, die Neo4j im Graphen erzwingt, nicht über einen unskalierten Tool-Aufruf umgehen.

Lebenszyklus-Trennung ist Ihre Architekturwahl. Die Kernbehauptung der Kategorie — Organisationswissen überlebt einzelne Agenten — hält nur, wenn Agenten Konsumenten eines Kontextdienstes sind statt Einbetten ihres eigenen Kontexts. Praktisch: Agenten referenzieren Kontext per Abfrage, nie per fixierter Snapshot; die Außerbetriebnahme eines Agenten entfernt Agenten-Zustand, nicht Graph-Zustand; und die Kurz/Lang-Trennung des Agent-Memory-Musters-Artikels landet exakt auf der graphnativen Gedächtnisschicht, die Anbieter heute verkaufen.

Eine praktische Sequenz für ein Mid-Market-Team: zuerst Vector-Only-RAG auf jenen Dokumentfragen ausliefern, auf denen es stark ist; eine schmale Business-Ontologie aufbauen (eine Domäne — Produkte, Lieferanten oder Konten) mit dem von NVIDIA beschriebenen Zertifisierungsschritt; sie über ein bis zwei gouvernierte MCP-Tools exponieren, wo Provenienz zählt; die Ontologie erst erweitern, wenn ein Anwendungsfall eine Beziehungsfrage stellt, die Vektorsuche falsch und teuer beantwortet hat.

Verwandte Lektüre

• GraphRAG-Implementierungsleitfaden: von Textdokumenten zu produktivem Knowledge-Graph-Retrieval — die fünfphasige Build-Pipeline und die Kostenfallen, wenn Sie die Graph-Seite wählen
• Der Agenten-Produktionsstack ist ausgeliefert: im Inneren der NVIDIA-Referenzarchitektur der GTC Berlin — wo die Modelle und Bibliotheken der Agent Knowledge Foundation in einem vollen Produktionsstack sitzen
• Agent-Memory-Design: drei Fehlermodi und der Enforcement-Boden — die Kurz-/Langzeit-Aufteilung, die die graphnative Gedächtnisschicht implementiert

Gescoped Build anfragen

Ein repräsentativer Build: ein Industriedistributor mit seinem Quote Desk auf NetSuite, Staffelpreisen in Postgres und Substitutwissen in den Köpfen von vier erfahrenen Kalkulatoren. Wir bauen einen Knowledge Graph über Produkte, Substitute, Preis-Tier und Filialverfügbarkeit, verpacken ihn als MCP-Modul mit Audit-Protokollierung je Aufruf, Availability-Holds und Cancellation-Snapshot-Tools in Team-Eigentum — und lassen das Agent-Framework austauschbar. Quote-Antworten kommen mit dem Pfad zurück, der sie erzeugte — welches Substitute, welches Tier, welcher Filialstock — in Stunden statt Tagen.

Gescoped Build anfragen: einwöchige Discovery. Sie erhalten ein Systeminventar, einen Workflow-Chart und festen Scope — ob Sie mit uns bauen oder nicht.