Im Nakoa Brain führen wir Daten aus Werbe- und Handelsplattformen zusammen, analysieren sie und leiten daraus Empfehlungen und Maßnahmen ab, die nach Freigabe auch ausgeführt werden. Je weiter diese Kette trägt, desto deutlicher wird, an welcher Stelle der Wert entsteht und an welcher die Arbeit am schwersten ist. Beides fällt zusammen: in der Mitte, wo aus Daten und Kontext eine Empfehlung wird. Die Plattformen für KI-gestützte Analyse, die wir uns in den letzten Wochen angesehen haben, bleiben meist vor dieser Mitte stehen.
Die Unsicherheitskurve
Die Kette beginnt und endet in sicherer Technik. Am Anfang werden Daten über Konnektoren geholt, am Ende wird eine Maßnahme als API-Aufruf ausgeführt. Hinein in die Mitte führt eine Semantik, die beschreibt, was die Daten bedeuten. Heraus führt wieder eine, die festlegt, was ein Entschluss wie „Kampagne pausieren” als Aufruf an einer Schnittstelle bedeutet. Dazwischen liegen die Fragen, was gerade gilt, welche Fragen zu stellen sind und welche Schlüsse daraus folgen. Dort ist die Unsicherheit am größten, und dort liegt die Urteilsarbeit.
Semantik, Ontologie und Kontext
Die drei Begriffe fallen im Gespräch oft zusammen. Wir trennen sie über die Frage, die jeder beantwortet.
Semantik beantwortet: Was bedeutet dieses Feld? Sie beschreibt einzelne Datenfelder, was sie messen, in welcher Einheit und wie sie sich mit anderen kombinieren lassen. Für Werbe- und Handelsplattformen ist das öffentlich dokumentiert, wir halten es als Katalog je Quelle fest. Dieselbe Frage stellt sich am Ausgang für Aktionen: was ein Entschluss wie „Kampagne pausieren” als Aufruf an einer Schnittstelle bewirkt.
Ontologie beantwortet: Wie hängt das zusammen? Sie beschreibt die Begriffe einer Domäne und ihre Beziehungen. Davon gibt es zwei. Die Marktontologie beschreibt, wie ein Marktplatz funktioniert, etwa welche Werbeformate es bei Amazon gibt und worauf sie wirken; sie ist für alle Kunden in diesem Markt gleich. Die Unternehmensontologie beschreibt, wie ein Kunde seinen Markt und sein Geschäft gliedert, etwa nach Marken oder Produktphasen.
Kontext beantwortet: Was gilt gerade für diesen Kunden? Dazu gehören seine Ziele, seine Taktik und seine Grenzen, etwa ein maximaler ACoS von 35 Prozent. Kontext wird in den Begriffen der Ontologie formuliert, ändert sich aber laufend und hat einen Ablauf.
| beantwortet | ändert sich | wer kann es lösen | |
|---|---|---|---|
| Semantik | Was bedeutet dieses Feld, diese Aktion? | selten | wir allein, einmal je Quelle |
| Marktontologie | Wie funktioniert der Markt? | gelegentlich | wir, mit Fachwissen aus dem Markt, einmal für alle Kunden |
| Unternehmensontologie | Wie gliedert der Kunde sein Geschäft? | selten | nur mit dem Kunden, einmal |
| Kontext | Was gilt gerade für diesen Kunden? | laufend | nur mit dem Kunden, fortlaufend |
Auf der Kurve sitzt die Semantik an beiden Flanken, der Kontext in der Mitte, und die Ontologie liefert die Begriffe, in denen beide zusammenkommen. Am Ausgang prüft sie zusätzlich, ob eine Aktion zu dem passt, was gerade gilt. Bei uns gibt es deshalb keinen allgemeinen Schreibpfad zu den Plattformen, nur benannte Aktionen, die vorgeschlagen und bestätigt werden (siehe Reversibilität als Leitplanke für Autonomie).
Ein Semantic Layer, wie ihn BI-Plattformen anbieten, deckt in diesem Bild die Semantik und Teile der Unternehmensontologie ab. Er ist ein Vertrag: stabil, intern und mit einem Eigentümer. Kontext hat andere Eigenschaften. Er kommt zu einem großen Teil von außen, veraltet schnell und hat oft niemanden, der ihn pflegt.
Warum der Kontext der Hebel ist
Eine Empfehlung ohne Ziele und Grenzen des Kunden bleibt generisch. Ob ein ACoS von 40 Prozent ein Problem ist, hängt an der Grenze, die sich der Kunde gesetzt hat, und an der Phase, in der sich das Produkt befindet. Semantik und Marktontologie machen eine Analyse richtig, der Kontext macht sie für diesen Kunden relevant.
Ein einzelnes Ziel reicht dafür selten. Für eine Entscheidung braucht es ein Zielsystem: Unterziele, Grenzen und eine Regel, welches Ziel bei einem Konflikt Vorrang hat. Die Strategie begründet, warum die Unterziele zum Oberziel führen. Viele Unternehmen haben dieses Zielsystem nicht ausformuliert, und es gemeinsam zu erarbeiten, ist Beratungsarbeit. Je Markt lässt sich eine Vorlage mitbringen, in die der Kunde seine Werte einträgt. Ein System kann auch mit einem lückenhaften Zielsystem starten, solange es meldet, wo es nicht entscheiden kann.
Drei Aufgaben in der Mitte
Bei genauerem Hinsehen besteht die Mitte aus drei Aufgaben, die jeweils eine eigene Lösung brauchen:
- Bestand: Was steht gerade im Kontext, und woher weiß das System es? Für den Nutzer bedeutet das Transparenz.
- Lebenszyklus: Wie kommt etwas in den Kontext, wie lange gilt es, und wer nimmt es wieder heraus? Für den Nutzer bedeutet das Anpassbarkeit.
- Auswahl: Welcher Teil des Kontexts ist für eine bestimmte Frage relevant? Für den Nutzer wird das in der Begründung einer Empfehlung sichtbar. Für die SQL-Generierung haben wir diese Auswahl gerade umgesetzt (siehe Minimaler Kontext für die SQL-Generierung).
Dazu kommt, dass Kontext aus drei Quellen stammt, die sich verschieden verhalten. Was der Nutzer sagt, etwa dass eine Marke Priorität hat, gilt bis zum Widerruf. Was sich im Unternehmen ändert, wie Budget, Sortiment oder Ziele, zeigt sich in internen Daten oder wird von einem Menschen gemeldet. Was sich im Markt und auf den Plattformen ändert, etwa eine neue Kampagnenlogik bei Amazon, bemerkt niemand automatisch. Für diese dritte Quelle gibt es in den eigenen Daten kein Signal, hier muss etwas aktiv nach außen schauen.
Unsere Arbeitshypothese ist, jedes Stück Kontext als einzelne Aussage zu führen, mit Herkunft, Geltungsbereich, Datum, Ablauf und Status, also vorgeschlagen, bestätigt oder widerlegt. Ergänzt um eine Erwartung, die sich gegen die Daten prüfen lässt, kann das System selbst feststellen, ob eine Aussage noch trägt. So wird Kontext auflistbar, anfechtbar und kann veralten. Jede der drei Quellen liefert Vorschläge, die jemand bestätigt.
Was wir als Nächstes prüfen
Bevor wir eine Struktur für Kontext bauen, wollen wir messen, ob sie sich lohnt. Dafür schreiben wir für einen Kunden, dessen Findings regelmäßig bewertet werden, das Zielsystem von Hand auf, mit Zielen, Grenzen, Vorrang und Gültigkeit, und lassen das System zwei Wochen damit laufen. Verglichen werden der Anteil relevant bewerteter und verworfener Findings und der Anteil der Empfehlungen, die gegen eine der neuen Grenzen verstoßen hätten. Zeigt sich ein Unterschied, begründet er den Bau. Zeigt sich keiner, ist viel Bau erspart.
Offen bleibt die Frage der Vermittlung: Muss der Nutzer den gesamten Kontext sehen und pflegen, reicht ihm zu jeder Empfehlung die Begründung mit den Annahmen dahinter, oder will er nur gefragt werden, wenn das System unsicher ist? Unsere Vermutung ist, dass viele Nutzer Kontrolle über Annahmen und Ergebnis wollen, ohne sich mit dem Werkzeug selbst zu beschäftigen. Dann wäre der Kontext der Ort, an dem sie steuern.
Der Kontext ist im Das Doppelschleifenmodell für agentische Operations das, was die operative Schleife parametrisiert und nur die Lernschleife verändert. Die Unsicherheitskurve zeigt, warum genau dort die Kernaufgabe einer Plattform liegt, die zu Entscheidungen führen soll.