Warum dieses Thema gerade jetzt zählt
Eine Renaissance ist die Rückkehr zu etwas, das viele schon abgeschrieben hatten. Genau das passiert mit Ontologien im Systems Engineering. Der Auslöser ist nicht akademisches Interesse, sondern eine Vertrauenskrise: Generative KI ist mächtig, aber sie erfindet Fakten. Für alle, die Systeme bauen, auf denen Menschenleben hängen, ist das keine theoretische Diskussion. Die gute Nachricht: Das Werkzeug gegen dieses Problem existiert seit Jahrzehnten. Es wurde nur zur falschen Zeit erfunden.
Was ist eine Ontologie?
Eine Ontologie definiert ein sprach- und werkzeugunabhängiges Modell der Konzepte einer Domäne und der Eigenschaften, die beschreiben, wie diese Konzepte zusammenhängen. Anders gesagt: Die Ontologie gehört Ihrer Fachdomäne, nicht Ihrem Werkzeug. Sie ist nicht DOORS-spezifisch und nicht CAMEO-spezifisch.
Die Standardsprache dafür heißt OWL (Web Ontology Language), ein W3C-Standard seit 2004. OWL ist keine Programmiersprache, sondern formale Logik. Das Besondere daran: Ein sogenannter Reasoner kann OWL lesen und neue Fakten ableiten, die nie jemand eingetragen hat. Ein Beispiel: Ist Sensor A Teil von Modul B, und Modul B Teil von System C, dann schlussfolgert der Reasoner selbstständig, dass Sensor A auch Teil von System C ist. Das ist kein Trick, sondern formale Logik, und genau diese Inferenzfähigkeit unterscheidet eine echte Ontologie von einem bloßen Datenschema.
Die akademische Kerndefinition von Gruber (1993) und Studer (1998) lautet: „A formal, explicit specification of a shared conceptualization." Formal, explizit, geteilt, Konzeptualisierung, fehlt eines dieser Merkmale, haben Sie vielleicht etwas Nützliches, aber keine Ontologie.
Drei Phasen einer Idee: vom Versprechen zur Renaissance
Phase 1 — Das Versprechen (ISO 15926)
Ontologien im Engineering sind nicht neu. ISO 15926, die Ontologie für Anlagen in Öl, Gas und Prozessindustrie, wurde 1992 von Shell angestoßen. Das Problem dahinter: Eine Raffinerie läuft 50 Jahre. In dieser Zeit kommen zehn Werkzeuge, fünf Hersteller und drei Ingenieursgenerationen zusammen. Irgendwann weiß niemand mehr, warum Ventil 4711 so gebaut wurde. Die Antwort war ein formaler Standard, der weltweit definiert, was eine Pumpe ist und was ein Rohr ist, für den gesamten Lebenszyklus, für alle Tools, für alle Firmen. Konzeptionell absolut richtig. Doch 30 Jahre später nutzt es kaum jemand: zu komplex, von keinem Softwarehersteller eingebaut, und ohne Möglichkeit zu prüfen, ob man konform ist. Das Problem war richtig, die Welt war noch nicht bereit.
Phase 2 — Die Technologie (Semantic Web)
2001 beschrieb Tim Berners-Lee ein Web, das Maschinen wirklich verstehen: Jedes Ding hat Bedeutung, Paris ist eine Stadt und keine Zeichenkette. Die Technologie war da, RDF, OWL, SPARQL. Aber kein Webentwickler annotierte freiwillig, weil es zu komplex war und keinen unmittelbaren Nutzen brachte. Dann kam Google mit schema.org: ein einfaches Vokabular und ein klarer Anreiz, wer mitmacht, rankt besser. Heute steckt semantische Struktur in Milliarden Webseiten, und Googles Knowledge Graph ist eine der größten Wissensbasen der Welt. Das ursprüngliche Versprechen autonomer Agenten blieb damals aber unerfüllt, und dieser Teil wurde als Scheitern der gesamten Idee wahrgenommen. Zu Unrecht. Der eigentliche Bedarf dafür heißt heute GPT, Claude und Gemini.
Phase 3 — Die Renaissance (2026)
Heute treffen drei Dinge zusammen: leistungsfähige KI, die Kontext braucht; reife Standards; und ein Markt, der den Schmerz spürt. 2025 war das Jahr der Erkenntnis, 2026 ist das Jahr der Umsetzung.
Warum Ontologien beim ersten Anlauf scheiterten
Die Fehler von damals sind genau die, die wir heute wieder machen können. Der erste ist der inflationäre Gebrauch des Begriffs: Jedes YAML-Schema, jede Taxonomie, jedes Glossar wurde zur „Ontologie" erklärt, obwohl ein Schema ohne Reasoning-Fähigkeit keine Ontologie ist, sondern nur ein Label. Der zweite ist die Master-Ontologie-Falle: Eine Ontologie, die alles für alle Domänen und für alle Zeit abdecken soll, bricht zuverlässig, dasselbe Muster wie SysML-Modelle, die nach dem CDR niemand mehr anfasst. Und der dritte ist schlichte Überkomplexierung: Wenn niemand die Ontologie versteht, nutzt sie niemandem.
Die KI-Vertrauenskrise in Zahlen
Hier liegt der eigentliche Treiber der Renaissance. Das Suprmind-Benchmarking vom März 2026 zeigt: GPT-5.2 halluziniert in 10,8 Prozent der Fälle, Claude Opus in 12,2 Prozent, Grok 4.1 in 20,2 Prozent. Die Pointe: Das ältere, kleinere GPT-4.1 liegt bei nur 5,6 Prozent. Mehr Parameter bedeuten nicht weniger Fehler. Stanford HAI hat 2025 bei komplexen Aufgaben sogar Raten über 33 Prozent gemessen. Rechnen Sie das hoch: Bei 10.000 Entscheidungen täglich und 5 Prozent Fehlerrate sind das 500 falsche Outputs, jeden Tag, lautlos, während alle Dashboards grün zeigen.
„More capable AI agents demand the precise definitions provided by an ontology, because they reduce the risk of hallucination."
— KPMG, 2026
Schema vs. Ontologie: von 63 % auf 1,7 %
André Lindenberg formuliert die Kernidee treffend: Schemas capture structure, but ontologies capture meaning. Es lohnt sich, vier Ebenen zu unterscheiden:
| Ebene | Was sie kann | Was ihr fehlt |
|---|---|---|
| Schema | Struktur abbilden | Bedeutung, Inferenz |
| Taxonomie | Hierarchie ordnen | Logik, Axiome |
| Ontologie (OWL) | Konzepte, Beziehungen, Axiome, Reasoner zieht Schlüsse | – |
| Wissensgraph | Ontologie plus echte Daten, auditierbar | – |
Die Zahlen dahinter sind eindeutig: In einer klinischen QA-Studie halluzinierte ein Baseline-LLM in 63 Prozent der Fälle. Dasselbe System mit ontologischem Grounding kam auf 1,7 Prozent. Das ist keine Prompt-Magie, sondern Architektur. Microsoft Research berichtet für seinen Ansatz OG-RAG von 55 Prozent mehr Fact Recall und 40 Prozent höherer Korrektheit gegenüber Standard-RAG.
Das Praxisproblem: eine Anforderung, fünf offene Fragen
Stellen Sie sich eine typische Anforderung vor: Das Fahrzeug soll bei aktiviertem ACC automatisch bremsen, um einen Zeitabstand von 1,8 Sekunden einzuhalten. Der Freitext beantwortet fünf entscheidende Fragen nicht: Welches ASIL-Level gilt? Welche Sensorfusion ist gemeint? Gilt das für alle Fahrzeugmodelle gleich? Welcher Test verifiziert es? Welche Regulierung steht dahinter? Für eine Maschine ist dieser Text vollständig blind. Solange Anforderungen in DOORS, Word, Excel und E-Mails als Freitext liegen, kann kein Werkzeug zuverlässig beantworten, was von einer Änderung betroffen ist. Eine Anlage läuft Jahrzehnte, Software hat alle zwei Jahre eine neue Version, beides verbindet nur eine werkzeugunabhängige Semantik.
Ist SysML v2 eine Ontologie?
Kurze Antwort: nein, aber es ist näher dran als alles zuvor. KerML, das Fundament von SysML v2, trägt echte ontologische Substanz: Es basiert auf Tarski-Semantik (derselben mathematischen Grundlage wie OWL), hat ein 4D-Weltbild und explizite Disjunktheitsaxiome. Die ESA stellte 2022 fest, dass KerML im OWL2-Stil aufgebaut ist, nur in einer anderen Sprache ausgedrückt.
Der entscheidende Unterschied: KerML hat keine Open World Assumption, keinen nativen
Reasoner wie HermiT oder Pellet und keinen SPARQL-Endpoint. Das OSLC-Team verzichtete
bewusst darauf, owl:Ontology zu deklarieren, um nicht den falschen
Eindruck zu erwecken, eine OWL-Ontologie zu veröffentlichen. SysML v2 ist also ein
großartiges Authoring-Werkzeug mit formaler Basis, reicht aber für KI-Grounding und
Reasoning allein nicht aus. Der pragmatische Weg: SysML v2 zum Modellieren, OWL als
Analyse- und KI-Schicht, entweder als explizite Schicht obendrauf (JPL- und
VPATH-Ansatz) oder per Transformation, wie openCAESAR sie baut.
Die Industrie baut bereits die Brücke
Diese Bewegung ist keine Theorie, sie passiert heute. Mit CASCaRA (Collaborative Artifact, Specification, Context and Resource Access) läuft eine aktive Standardisierungsinitiative für Digital-Engineering-Interoperabilität, an der sich Airbus, LOTAR, INCOSE und prostep ivip beteiligen. Verschiedene Quellformate, ReqIF, SysML v1/v2, STEP, AutomationML, werden in ein gemeinsames, ontologiebasiertes Paketformat überführt, und ein eigenes Work Package widmet sich allein der Semantik.
„The graph world is fragmented, not actionable, and of low data value. We need a new standard."
— Airbus Amber, OMG Europe Information Day 2025
Die OMG reagierte darauf: Sie gründete die Enterprise Knowledge Graph Platform Task Force, und mit DPROD (Data Product Ontology) entsteht ein Standard, der Daten als actionable Produkte mit eingebauter Semantik versteht.
Föderation statt einer Master-Ontologie
Aus den Diskussionen in der Industrie kristallisiert sich ein ehrlicheres Bild heraus, als viele erwarten: Die Graph-Welt ist bereits einsatzfähig, nur nicht in der Form, auf die viele warten. Es wird keine einzige Ontologie geben, die ein Produkt über alle Domänen hinweg abdeckt. Der realistische Weg heißt Föderation: tiefe, domänenspezifische Graphen, Mechanik, Elektronik, Software, Safety, verbunden über geteilte Semantik. Genau diese Brücke bauen CASCaRA, openCAESAR und die OMG Enterprise Knowledge Graph Platform Task Force.
Das schwierigere Problem ist struktureller Natur und bislang ungelöst: Ein großer Teil des Wissens liegt bei den Zulieferern, als geschütztes geistiges Eigentum. Semantik zu teilen, ohne dabei das eigene Know-how offenzulegen, ist die eigentliche offene Frage dieser Renaissance. Wer auf eine fertige, alles umfassende Lösung wartet, wartet zu lange; wer mit einem föderierten Subsystem beginnt, kann heute liefern.
Wenn formale Semantik Leben rettet
Zwei Beispiele zeigen, was auf dem Spiel steht. Der Mars Climate Orbiter ging 1999 verloren, 327 Millionen Dollar, weil Newton-Sekunden auf Pfund-Sekunden trafen. Kein Programmfehler, ein semantischer Fehler. Ein Reasoner hätte die inkompatiblen Einheiten als Widerspruch markiert, noch vor dem Start. Bei der Boeing 737 MAX hing ein sicherheitskritisches System an einem einzigen Sensor, ein Single Point of Failure, der 346 Menschen das Leben kostete. Eine Ontologie mit Redundanz-Constraint hätte diese Verletzung sichtbar gemacht, bevor das Flugzeug gebaut wurde. Anforderungen als formale Axiome, mit Einheit, ASIL-Level und Sensor-Constraint, lassen sich von einem Reasoner prüfen, bevor irgendetwas gefertigt wird.
Architektur in der Praxis: der Product Knowledge Graph
Der typische Einstieg ist ein YAML-Schema, das intern „Ontologie" genannt wird, weil es sich gut anfühlt. Sobald aber ein Knowledge Graph darauf aufsetzen soll, zeigt sich: Ein Schema ist keine Ontologie. Kein Reasoner kann mit schönen Labels ohne Transitivität und Disjunktheit etwas anfangen.
Eine tragfähige Antwort ist eine geschichtete Architektur. Im Kern steht die OWL-Ontologie als Motor. Darüber liegen die Requirements aus dem ALM-Tool, ontologisch verlinkt, gefolgt von der funktionalen Dekomposition und den Komponenten, die mit den Funktionen verknüpft sind. So entsteht ein durchgängiger Golden Thread bis hinunter zur einzelnen Codezeile, und die Testfälle sind formal mit den Requirements verbunden.
Handlungsempfehlungen: fünf Fragen und erste Schritte
Nehmen Sie diese fünf Prüffragen mit in Ihre Projekte:
- Kann ein Reasoner auf meinem Modell arbeiten, oder ist es nur ein visuelles Artefakt?
- Weiß mein System bei einer geänderten Anforderung automatisch, was betroffen ist?
- Woher kommt der Kontext meiner KI, und halluziniert sie?
- Sind meine Ontologien wirklich Ontologien, oder Schemata mit gutem Namen?
- Haben meine Beziehungen formale Semantik, oder sind es Labels?
Der pragmatische Start gelingt mit frei verfügbaren Werkzeugen: Eclipse SysIDE für SysML v2, COVESA VSS als fertige Fahrzeugsignal-Ontologie und openCAESAR für die Brücke zwischen OWL2 und SysML. Beginnen Sie mit einem einzelnen Subsystem und drei SPARQL-Abfragen, der Mehrwert wird sofort spürbar.
Fazit
Häufige Fragen (FAQ)
Was ist eine Ontologie?
Eine Ontologie ist ein formales, sprach- und werkzeugunabhängiges Modell der Konzepte einer Domäne und ihrer Beziehungen. Sie wird in der Sprache OWL ausgedrückt und erlaubt es einem Reasoner, neue Fakten logisch abzuleiten.
Was ist der Unterschied zwischen einem Schema und einer Ontologie?
Ein Schema bildet Struktur ab, eine Ontologie erfasst Bedeutung. Schemas haben keine Inferenzfähigkeit, eine Ontologie hat Axiome, aus denen ein Reasoner neue Zusammenhänge ableiten kann. Ein YAML-Schema ohne Reasoning ist daher keine Ontologie.
Ist SysML v2 eine Ontologie?
Nein. SysML v2 basiert mit KerML auf einer formalen, ontologienahen Grundlage, hat aber keinen nativen Reasoner, keine Open World Assumption und keinen SPARQL-Endpoint. Für KI-Grounding wird eine ergänzende OWL-Schicht empfohlen.
Wie reduzieren Ontologien KI-Halluzinationen?
Sie liefern der KI einen formal geprüften Kontext (ontologisches Grounding). In einer klinischen Studie sank die Halluzinationsrate dadurch von 63 auf 1,7 Prozent; Microsoft Research berichtet von 55 Prozent mehr Fact Recall gegenüber Standard-RAG.
Wie steige ich pragmatisch in Ontologien ein?
Mit einem einzelnen Subsystem statt einer Master-Ontologie. Kostenlose Werkzeuge wie Eclipse SysIDE, COVESA VSS und openCAESAR ermöglichen einen schnellen Start; drei SPARQL-Abfragen reichen oft, um den Nutzen zu zeigen.
Gibt es eine einzige Ontologie für ein ganzes Produkt?
Nein, und es wird sie voraussichtlich nicht geben. Der realistische Ansatz ist Föderation: mehrere tiefe, domänenspezifische Graphen (Mechanik, Elektronik, Software, Safety), die über geteilte Semantik verbunden sind. Eine ungelöste Herausforderung bleibt dabei, Semantik domänen- und firmenübergreifend zu teilen, ohne geschütztes Zulieferer-Know-how offenzulegen.