Genie Ontology und Unity Catalog Semantics: Der Kontextlayer kommt in die Plattform

Stand: August 2026. Feature- und Preview-Angaben gemäss Databricks-Ankündigungen zum Data + AI Summit 2026 und den öffentlichen Docs.

Zwei Teams stellen demselben Lakehouse dieselbe Frage: «Wie hoch war der aktive Kundenbestand im letzten Quartal?» Beide bekommen eine flüssige Antwort. Beide Antworten klingen autoritativ. Sie unterscheiden sich um 18 Prozent.

Kein Modellfehler. Kein Datenfehler im engeren Sinn. Finance zählt Accounts mit bezahlter Rechnung. Product zählt Sessions über 30 Sekunden auf einer Kernfunktion. Beide Definitionen standen irgendwo: in einem Genie Space, in einem Dashboard-Kommentar, in einer Slack-Antwort von vor acht Monaten. Die Plattform hatte Daten. Die Organisation hatte keinen gemeinsamen Kontext.

Genau diese Diagnose hat Databricks auf dem Data + AI Summit 2026 in den Mittelpunkt gestellt. CEO Ali Ghodsi brachte sie auf den Punkt, den wir seit dem Beitrag Daten AI-ready machen als Leitmotiv führen: AI hat kein Intelligenzproblem, sondern ein Kontextproblem. Die Antwort der Plattform heisst nicht «besserer System Prompt». Sie heisst Unity Catalog Semantics und Genie Ontology – kuratierte Semantik als Fundament, darüber ein living knowledge graph, der Agenten, BI und Apps mit derselben Bedeutung versorgt.

Dieser Beitrag ordnet die Ankündigungen auf Solution-Architecture-Niveau ein. Er zeigt, welche Bausteine was leisten, wie sie zu unserem Kontextlayer passen, und wo die Grenze liegt zwischen besserem Retrieval und einer Entscheidung, die Sie morgen noch verteidigen können.

1. Warum längere Prompts das Problem vergrössern

Die meisten Enterprise-Teams lösen Kontext heute so, wie man vor dem Semantic Layer SQL gelöst hat: per Kopie.

In jedem Genie Space, jedem Agenten, jedem RAG-Bot stehen Varianten derselben Regeln:

• Was «Umsatz» bedeutet,
• welche Tabelle führend ist,
• welche Synonyme gelten,
• welche Ausnahmen die Fachabteilung «schon immer» kennt.

Databricks berichtet von mehr als einer Million Genie Spaces. Das ist ein Erfolg der Self-Service-Idee – und gleichzeitig ein strukturelles Risiko. Jeder Space kann seine eigene Wahrheit mitführen. Wenn der Autor das Unternehmen verlässt oder das Business die Definition ändert, altert der Prompt still. Das Modell antwortet weiter selbstbewusst. Niemand bekommt einen Fehler. Man bekommt Drift.

Das ist dieselbe Logik, die wir unter Evidence-first AI kritisieren: Sprachliche Plausibilität ist noch keine belastbare Entscheidungsgrundlage. Ein Assistent, der Bedeutung, Berechnung, Zugriff und Formulierung in einem Schritt vermischt, erzeugt Antworten, die klingen, als seien sie belegt – ohne dass jemand sagen kann, welche Definition und welcher Scope verbindlich waren.

Der historische Parallelfall hilft: Früher lag dieselbe Kennzahl als leicht abweichendes SQL in fünfzig Dashboards. Die Lösung war nicht Disziplin beim Copy-Paste. Es war ein Semantic Layer: einmal definieren, überall konsumieren. Genie Ontology und Unity Catalog Semantics sind der Versuch, denselben Sprung für AI-Kontext zu machen – mit dem Unterschied, dass Databricks einen Teil des Kontexts automatisch aus der Organisation lernen will, statt alles von Hand zu pflegen.

2. Was Databricks angekündigt hat – und wie die Teile zusammenspielen

Drei Produktlinien gehören zusammen, auch wenn Marketing sie getrennt verkauft:

Offizielle Einstiege: Introducing Genie One, Genie Ontology, and Genie Agents, Unified context: The missing layer for enterprise AI coworkers, Unity Catalog Semantics und What’s new with Unity Catalog at DAIS 2026.

Die Architekturlogik ist klar:

1. User-defined Semantics in Unity Catalog liefern die Hoch-Autoritäts-Inputs (zertifizierte Begriffe und Kennzahlen, fachlich geschnittene Domains).
2. Genie Ontology lernt zusätzlich aus Nutzung und weiteren Quellen und verbindet das zu einer business-aware map.
3. Agenten und BI konsumieren denselben Kontext – inklusive Permissions aus Unity Catalog.

Databricks formuliert das als «decision-ready context»: nicht bloss Daten an einem Ort, sondern eine geteilte Karte, auf der Zahlen, Definitionen und Zusammenhänge zusammenpassen. Ohne diese Karte versanden Forecast-Calls und Steering Committees in der Rekonstruktion, welche Pipeline, welches Usage-Signal und welche Account-Historie gerade gemeint sind.

3. Unity Catalog Semantics: Glossary, Metrics, Domains

3.1 Business Glossary – Bedeutung ausserhalb des Modells

Das Glossary in Unity Catalog soll verbindliche Konzepte, Begriffe und Taxonomien halten – importierbar aus bestehenden Definitionen, verknüpfbar mit Datenassets und untereinander. Genie Code kann Entwürfe vorschlagen und Drift markieren; Ownership und Freigabe bleiben beim Team. Preview war zur DAIS 2026 als «coming soon» angekündigt.

Fachlich ist das Schicht eins unseres Kontextlayers: Bedeutung muss ausserhalb des Modells definiert werden. Ein LLM darf Vorschläge liefern. Es darf nicht entscheiden, ob «aktiver Kunde» die Finance- oder die Product-Sicht ist. Genau dort scheitern viele AI-Demos: Sie wählen still eine Variante und verkaufen sie als Klarheit.

3.2 Metrics / Metric Views – Berechnung als Plattformobjekt

Metric Views sind die harte Kante der Semantik. Eine Kennzahl wird einmal als wiederverwendbares Objekt modelliert: Quellen, Dimensionsfelder, Measures, optional Joins, Synonyme und Formatierung für Agenten. Im Unterschied zu klassischen Views sind Aggregation und Gruppierung nicht ein für alle Mal eingefroren. Die Definition bleibt deklarativ; die Engine erzeugt die passende Berechnung zur Laufzeit.

Zur DAIS 2026 hat Databricks die Modellierung erweitert: Multi-Fact-Beziehungen, Level-of-Detail-Berechnungen, parametrisierte Metrics, bessere Window-Measures, Materialisierung für schnellere Dashboard- und Agentenabfragen, Importpfade aus Power BI und Tableau (Beta). Metrics sind zudem als offene Semantik positioniert – mit Apache-Spark-/Unity-Catalog-OSS-Pfad und OSI-Readiness.

Das ist Schicht zwei: Berechnung braucht eine verbindliche Logik. Das Modell darf den Wert erklären. Es sollte ihn nicht aus Schema und Bauchgefühl rekonstruieren. Dieselbe Frage in SQL Editor, AI/BI Dashboard und Genie Agent muss dieselbe Metric treffen – sonst haben Sie den Prompt-Drift nur in drei Oberflächen kopiert.

3.3 Domains – Scope bevor Kontext

Domains (Public Preview) schneiden Daten- und AI-Assets in business-aligned Kategorien. Agenten und Menschen bekommen damit nicht den ganzen Katalog, sondern einen fachlich begrenzten Horizont, mit Certification- und Stewardship-Signalen.

Das klingt organisatorisch. Es ist architektonisch. Ein Agent, der «alles» sehen darf, was technisch im Metastore liegt, wird unsicher oder übergriffig. Domains sind der Einstieg in Schicht vier – Agentenkontext – noch bevor Permissions im Detail greifen: Welcher Ausschnitt der Welt ist für diese Frage überhaupt relevant?

4. Genie Ontology: living graph, OntoRank, Benchmarks

Genie Ontology ist die Schicht, die Databricks als unified context layer verkauft. Sie extrahiert Knowledge-Snippets aus Tabellen, Queries, Dashboards, Pipelines und verbundenen Apps und organisiert Begriffe, Metrics, Entitäten und Beziehungen in einem fortlaufend aktualisierten Graphen. Genie One und Genie Agents sollen darüber wissen, wohin sie schauen, was sie vertrauen und wie die Organisation ihre Daten tatsächlich benutzt.

4.1 OntoRank: Autorität statt Ähnlichkeit

Der entscheidende Mechanismus heisst in der Berichterstattung OntoRank – ein Ranking analog zu PageRank, angewandt auf Business-Definitionen über heterogene Asset-Typen. Databricks und die Keynote-Berichterstattung nennen als Signale unter anderem:

• Herkunft und relative Autorität der Quelle bzw. des Autors,
• Nutzungsbreite (wie oft Teams und Queries darauf zugreifen),
• Bindung an zertifizierte und weit genutzte Assets,
• Aktualität.

Dann antwortet Genie bevorzugt aus den Quellen mit dem höchsten Gewicht – und nur mit Inhalten, die die anfragende Person sehen darf. Permissions werden also nicht «im Prompt erbeten», sondern über source-native ACLs bzw. Unity Catalog erzwungen.

Das ist der qualitative Sprung gegenüber klassischem Vector-RAG: RAG fragt Was ähnelt der Frage? OntoRank fragt Was gilt in dieser Organisation als autoritativ? Ähnlichkeit und Autorität sind verschiedene Währungen. Wer nur Ähnlichkeit hat, findet den richtigen Wiki-Absatz von 2021. Wer Autorität hat, bevorzugt die zertifizierte Metric View von Controlling.

4.2 Was Databricks an Performance behauptet

Im Ankündigungsblog nennt Databricks einen internen Benchmark (28 real-world Data-Analysis-Fragen, Juni 2026): Genie mit Ontology beantwortete 84,5 % der Fragen im ersten Versuch korrekt; der stärkste general-purpose Coding-Agent kam auf 52,4 %, der schwächste auf 25 %, bei zugleich niedrigerer Latenz (rund 2× schneller als der stärkste Coding-Agent). Das sind Herstellerzahlen, kein unabhängiger Audit – aber die Richtung der These ist klar: Kontext schlägt Rohintelligenz, sobald die Frage unternehmensspezifisch wird.

4.3 Was Genie Ontology nicht ist

Hier trennt sich Marketing von Architecture. Ein Databricks Employee hat in der Community im Juli/August 2026 klargestellt: Genie Ontology ist heute keine volle formale, queryable Ontology im Sinne von OWL/SPARQL. Sie rankt und konfliktlöst Snippets automatisch. Citations zeigen, welche Quellen eine konkrete Antwort speisten. Ein dedizierter Export, Snapshot oder Changelog aller neu «gelernten» Kanten ist öffentlich noch nicht dokumentiert.

Das ist keine Kleinigkeit für regulierte Häuser. Ein Semantic Layer, der sich ohne reviewbaren Diff weiterentwickelt, bleibt für viele Governance-Boards ein Adoptionsblocker – auch wenn jede Einzelantwort Citations mitliefert. Analysten bei InfoWorld formulieren denselben Vorbehalt: Ontologien verbessern Kontext, sie garantieren keine korrekte Ausführung; ohne Ownership, Lineage und bereinigte Definitionen beschleunigen sie nur das bestehende Chaos.

Unsere Lesart: Genie Ontology ist eine leistungsfähige Context Layer – kein Ersatz für fachliche Freigabe. Automatische Induktion erzeugt Vorschläge und Verbindungen. Verbindlichkeit entsteht erst, wenn Glossary und Metrics Ownership haben und Konflikte sichtbar behandelt werden.

5. Genie One, Genie Agents und der Weg in die Tools

Genie begann als conversational Analytics in AI/BI. Genie One ist der nächste Schritt: ein data-smart AI coworker, der über Lakehouse Federation, Lakeflow Connect und Integrationen (Slack, Teams, Gmail, Mobile, MCP) nicht nur antwortet, sondern Arbeit fortsetzt – Briefings, Dokument-Updates, Schedules, Skills.

Genie Agents erweitern das Modell der Genie Spaces: aus kuratierten, domain-spezifischen Chat-Erlebnissen werden shareable Agents, die strukturierte und unstrukturierte Quellen nutzen und über MCP und Workflows handeln können. Erzeugung aus einem Prompt, Scoping, Benchmarking, Teilen.

Für die Architektur zählt weniger die Oberfläche als die Invariante: Viele Agents, ein Kontext. Ohne shared Semantics und Ontology reproduzieren Sie den 18-Prozent-Konflikt – nur diesmal zwischen Revenue-Agent und Churn-Agent, beide in Produktion.

Governance sitzt dabei bewusst in Unity Catalog und dem Unity AI Gateway: Modelle, Agents, Tools und MCP-Services unter einer Runtime-Governance; Contextual Service Policies (Beta) für Allow/Deny/Approval von Aktionen; Budgets und Tracing. Das ist die plattformseitige Antwort auf «Governance im Prompt».

6. Mapping auf den Kontextlayer von beyond chaotic analytics

Wir beschreiben zwischen Rohdaten und vertrauenswürdiger AI-Antwort vier Schichten – später um die Datenplattform als Fundament ergänzt. Auf Databricks greifen sie so:

Drei Schichten liefert die Plattform zunehmend nativ. Die dritte bleibt anspruchsvoll: Genie Ontology lernt Beziehungen und Kontext; für Fragen, die über mehrere Ecken laufen und einer Belegpflicht unterliegen, reicht ein gelernter Kontext-Graph oft nicht. Dann brauchen Sie modellierte Kanten mit Ownership – das Thema von Knowledge Graph im Unternehmen, inklusive Neo4j-Connector und GraphRAG-Referenz auf dem Mosaic AI Agent Framework.

Und die Evidence-first-Regel bleibt unverändert: Bedeutung ist nicht Berechnung. Berechnung ist nicht Zugriff. Zugriff ist nicht Formulierung. Das LLM kommt ans Ende der Kette. Details im Beitrag Das LLM darf antworten. Es darf nicht entscheiden, was wahr ist..

7. Entscheidungslandschaft: RAG, Metrics, Ontology, Graph

Nicht jede Frage verdient denselben Stack. Die Werkzeugwahl folgt dem Fragetyp – nicht dem Featurekatalog:

Genie Ontology ersetzt weder Metric Views noch einen formal modellierten Graphen. Sie reduziert die Kosten, Kontext über Spaces und Agents hinweg zu teilen – und sie priorisiert, was die Organisation bereits als vertrauenswürdig signalisiert. Wo Popularität und fachliche Korrektheit auseinanderlaufen, brauchen Sie weiterhin Owner und Freigabe, nicht nur Ranking.

8. Kritische Einordnung: was sich verbessert – und was bleibt

Was sich verbessert

• Weniger Prompt-Silos zwischen Spaces und Agents.
• Zertifizierte Metrics und Glossary-Einträge als Hoch-Autoritäts-Anker.
• Permission-aware Antworten statt «bitte nur erlaubte Daten».
• MCP-adressierbare Semantics: Kontext als Infrastruktur, nicht als Einmal-Instruction.
• Citations pro Antwort – ein Schritt Richtung Nachvollziehbarkeit.

Was nicht automatisch gelöst ist

• Falsche, aber populäre Definitionen (Popular ≠ Correct).
• Konflikte zwischen zwei hochautoritativen Quellen – Algorithmus nicht öffentlich spezifiziert.
• Fehlende Ownership und ungeklärte Domänengrenzen.
• Formale Action-Guardrails vor riskanten Schreibaktionen (dafür AI Gateway Policies – und fachliche Regeln ausserhalb des Modells).
• Auditierbarkeit der Ontology-Evolution (Changelog/Diff noch dünn dokumentiert).
• Beziehungsfragen mit Belegpflicht ohne explizites Graph-Modell.

Die realistische These lautet deshalb nicht: «Ontology heilt Halluzinationen.» Sie lautet: Unity Catalog Semantics und Genie Ontology verschieben Teile der Agentenlogik aus probabilistischen Prompts in plattformeigene, berechtigungsgebundene Kontextobjekte. Das ist erheblich. Es ist keine universelle Wahrheitsmaschine.

Dieselbe Massgabe, die eine Entscheidungsvorlage für den Vorstand an die Faktenbasis stellt, gilt hier: Führt dieselbe Frage nächste Woche zur selben Zahl – und wer im Raum kann die Herleitung erklären?

9. Realistisches Einführungsmodell

Nicht «Ontology für den gesamten Katalog». Sondern ein geführter Aufbau, der Ownership erzwingt:

1. Drei bis fünf Steuerungskennzahlen mit dem höchsten Streit- oder Haftungsrisiko als Metric Views – inkl. Synonyme und Agent Metadata.
2. Glossary für genau diese Begriffe: Definition, Abgrenzung, Beispiel, Owner, Verknüpfung zu Assets.
3. Domain um den betroffenen Fachbereich schneiden; Certification-Signale setzen.
4. Genie One / einen ersten Genie Agent darauf aufsetzen und Antworten gegen die zertifizierten Assets benchmarken.
5. Erst dann Breite: weitere Domains, Docs, verbundene Apps, MCP-Consumers.
6. Für Beziehungsfragen mit Belegpflicht separat entscheiden: reicht Ontology-Kontext, oder braucht es einen modellierten Graphen?

So entsteht Compound Interest statt Space-Archäologie. Jede neue Metric und jeder Glossary-Eintrag verbessert alle Agents – nicht nur den einen Bot, in den jemand die Instruction geschrieben hat.

Quellen und Weiterlesen

• Databricks: Introducing Genie One, Genie Ontology, and Genie Agents
• Databricks: Unified context: The missing layer for enterprise AI coworkers
• Databricks: What’s new with Unity Catalog at Data + AI Summit 2026
• Databricks: Unity Catalog Semantics · Metric Views Docs
• Einordnung: InfoWorld – From RAG to ontology
• beyond chaotic analytics: Whitepaper Kontextlayer · Clarity Audit

Revisionsvermerk: Erstfassung August 2026. Preview- und GA-Stände können sich ändern; vor Produktiventscheidungen aktuelle Databricks Docs und Account-Team prüfen.