Fliegender Start ins Gen-AI-Zeitalter mit Nemo

Der Beitrag zeigt, warum Nemo beim Einsatz von Gen AI vielen voraus ist – nicht durch Hype, sondern durch früh getroffene Architekturentscheidungen mit flachen Datenstrukturen und semantischen KPIs.

Nemo gibt es seit Oktober 2021. ChatGPT seit November 2022. Dass wir mit Nemo fast ein ganzes Jahr vorher gestartet sind, hätte auch ein Risiko sein können: Falsche Architekturentscheidungen in einer frühen Phase führen oft zu technischem Ballast, der sich später nur schwer korrigieren lässt.

Genau das ist bei Nemo nicht passiert. Im Gegenteil: Zwei grundlegende Designentscheidungen, die wir von Beginn angetroffen haben, ermöglichen uns heute einen fliegenden Start in das Gen-AI-Zeitalter – ohne technische Altlasten und ohne nachträgliche Kompromisse.

Zwei Designentscheidungen mit strategischer Wirkung

1. Flache Datenstrukturen von Anfang an

Eine der zentralen Architekturentscheidungen bei der Entwicklung von Nemo war der konsequente Einsatz flacher Datenstrukturen. Was damals eine bewusste Vereinfachung war, hat sich heute als Schlüsselvoraussetzung für den produktiven Einsatz von Gen-AI erwiesen.

Flache Datenstrukturen gelten inzwischen als:
„Extrem bedeutend. Nicht optional, sondern ein Schlüssel-Enabler für Enterprise-Gen-AI.“

Large Language Models arbeiten nicht mit komplexen relationalen Modellen, sondern mit:

• Text,
• Sequenzen,
• und klaren Key-Value-Strukturen.

Je einfacher, objektzentrierter und flacher Daten bereitgestellt werden, desto besser können

• • Retrieval-Mechanismen (RAG),
  • Copilots und
  • AI-Agenten

Nemo ist hier deutlich weiter als viele klassische Enterprise-Architekturen. Während beispielsweise SAP erst beginnt, LLMs für relationale Datenmodelle nutzbar zu machen, stellt sich bereits heute die Frage, ob diese Ergebnisse jemals die gleiche Qualität erreichen können wie auf konsequent flachen Datenstrukturen.

2. Semantische KPIs statt reiner Zahlenwerte

Die zweite grundlegende Designentscheidung betrifft den Umgang mit Kennzahlen.
Nemo arbeitet von Beginn an mit semantischen KPIs – also Kennzahlen, die nicht nur einen Wert liefern, sondern auch ihre fachliche Bedeutung explizit beschreiben.

Oder anders formuliert:
„Ohne semantische KPIs bleiben Agenten blind für die Bedeutung von Zahlen.
Mit semantischen KPIs werden sie zu echten, vertrauenswürdigen Business-Assistenten.“

Semantische KPIs enthalten neben dem Zahlenwert:

• die Berechnungslogik,
• die fachliche Interpretation,
• Schwellenwerte,
• sowie den geschäftlichen Kontext.

Erst dadurch sind Gen-AI-Agenten in der Lage, Kennzahlen nicht nur darzustellen, sondern:

• korrekt zu bewerten,
• Ursachen zu analysieren,
• und fundierte Handlungsempfehlungen abzuleiten.

Klar gesagt: Zwei Voraussetzungen für zuverlässige Gen-AI

Etwas zugespitzt bedeutet das: 

• Ohne flache Datenstrukturen kein zuverlässiger Einsatz von Gen-AI
• Ohne semantische KPIs kein zuverlässiger Einsatz von Gen-AI-Agenten

Diese beiden Prinzipien sind keine nachträglichen Erweiterungen, sondern architektonische Grundlagen von Nemo.

Warum flache Datenstrukturen für Gen-AI so entscheidend sind

In nahezu allen Enterprise-Szenarien wird Gen-AI nicht durch neues Modelltraining genutzt, sondern über:

• Retrieval Augmented Generation (RAG),
• Agenten,
• und semantische Suche.

Dabei werden Daten:

• aus Quellsystemen extrahiert,
• in einzelne Objekte oder Datensätze zerlegt,
• in Vektoren transformiert,
• und vom Modell interpretiert.

LLMs lesen dabei keine relationalen Joins, sondern klar strukturierte Objekte. Flache Datenstrukturen ermöglichen:

• präziseres Retrieval,
• besseren Kontext,
• deutlich weniger Halluzinationen,
• und auditierbare Ergebnisse – insbesondere in ERP-, MDM- und Governance-kritischen Bereichen.

Agenten brauchen einfache, verständliche Datenmodelle

Sobald Gen-AI-Agenten eingesetzt werden, zeigt sich dieser Effekt besonders deutlich. Typische Fragestellungen sind etwa:

• „Analysiere alle Datensätze mit widersprüchlichen Statusinformationen“
• „Finde fehlerhafte Attribute“
• „Erkläre mir diesen Datensatz“

Solche Aufgaben lassen sich zuverlässig nur auf flachen, objektzentrierten Datenmodellen umsetzen. Komplexe relationale Strukturen erhöhen das Risiko von Fehlinterpretationen erheblich.

Fazit: Architektur entscheidet über Gen-AI-Erfolg

Wie bedeutend sind flache Datenstrukturen für Gen-AI?
Die Antwort ist klar: Extrem bedeutend. Nicht optional, sondern ein zentraler Enabler für Enterprise-Gen-AI.

Gleiches gilt für semantische KPIs: Sie sind die Voraussetzung dafür, dass Gen-AI-Agenten Zahlen nicht nur anzeigen, sondern verstehen, erklären und bewerten können.

Nemo hat diese Prinzipien früh umgesetzt – nicht als Reaktion auf einen Trend, sondern als bewusste Architekturentscheidung. Das verschafft heute einen Vorsprung. Oder, etwas augenzwinkernd formuliert:
Wir haben dieses „Hase-und-Igel-Rennen“ bereits hinter uns.