Vier Sichtweisen auf Ontologien zwischen SysML, KI und Philosophie
Die MESCONF 2026 stand in diesem Jahr im Zeichen der Ontologien. Im Zeitalter von KI bekommen diese eine Menge Aufmerksamkeit. Ontologien können zur Lösung des Problems beitragen, das viele Unternehmen im Moment beschäftigt: Wie lassen sich Daten, Modelle, Werkzeuge und KI-Systeme so verbinden, dass daraus belastbares Wissen entsteht?
Die Beiträge reichten von Wissensgraphen in Produktionssystemen über semantische Architekturen für KI bis hin zu philosophischen Grundfragen des Seins. Diese Mischung gab der Veranstaltungen einen tollen Einstieg, denn der Begriff wird im Engineering häufig verwendet, ohne dass klar ist, woher er eigentlich stammt und welche unterschiedlichen Bedeutungen sich dahinter verbergen.
Im Folgenden eine Zusammenfassung der drei Impulsvorträge aus Forschung, Industrie und KI-Praxis, gefolgt von einer Abend-Keynote des Philosophen Jan Urbich.
Die MESCONF: Über zehn Jahre Systemmodellierung
Die MESCONF wurde vor über zehn Jahren ganz informell auf dem ESE-Kongress über ein paar Gläsern Bier und Wein gegründet, mit infineon als Gastgeber auf dem wunderschönen Campon. Die maximale Raumkapazität von 100 Personen sorgt dafür dass die Veranstaltung persönlich bleibt.
Die MESCONF schafft einen interdisziplinären Denkraum für Systems Engineering und Modellierung. Entsprechend wird ein großer Teil der Veranstaltung von den Teilnehmenden im Open Space-Format gestaltet. Es gibt natürlich auch Fachvorträge, eine Ausstellung der Sponsoren und die weiter unten beschriebenen Implulvorträge, die am Morgen des ersten Tages den Ton setzen.
Das diesjährige Schwerpunkthema Ontologien passte dazu, denn diese berühren gleich mehrere aktuelle Spannungsfelder des Systems Engineering gleichzeitig, nämlich Modellierung, AI und Datenintegration. Und sie betreffen letztlich die Frage, wie unterschiedliche Disziplinen überhaupt zu einem gemeinsamen Verständnis gelangen.
Ontologien im Systems Engineering
Im klassischen Systems Engineering entstehen große Mengen strukturierter Informationen, wie Anforderungen, Architekturen, Funktionen, Schnittstellen, Tests, Varianten, Softwareartefakte, Betriebsdaten und vieles mehr. Diese liegen meist verteilt über zahlreiche Werkzeuge und Abteilungen vor. Jedes Werkzeug besitzt eigene Datenmodelle und jede Disziplin verwendet ihre eigene Sprache. Selbst scheinbar einfache Begriffe wie „Komponente“ oder „Schnittstelle“ tragen je nach Kontext unterschiedliche Bedeutungen. Genau hier setzen Ontologien an.
Eine Ontologie beschreibt Begriffe und ihre Beziehungen in formal nachvollziehbarer Weise. Ziele sind Datenkonsistenz und ein gemeinsames semantisches Verständnis. Ontologien erlauben es damit, Zusammenhänge maschinenlesbar zu machen. Sie schaffen Struktur für Wissensgraphen und ermöglichen logische Schlussfolgerungen über Werkzeug- und Domänengrenzen hinweg.
Besonders relevant wird dieses Thema durch generative KI. Große Sprachmodelle erzeugen beeindruckend gute Antworten. Ihnen fehlt jedoch ein stabiles Verständnis fachlicher Zusammenhänge. Ontologien liefern genau diesen fehlenden Kontext. Sie definieren Begriffe, Beziehungen und Randbedingungen explizit. Dadurch entsteht eine kontrollierbare Wissensbasis, die KI-Systeme absichern kann.
Die Drei Impulsvortrage sowie die Keynote drehten sich genau um diese Verbindung aus Modellierung, Wissensgraphen und KI.
1. Vortrag: Ontologien als Kommunikationssystem zwischen Datenräumen
Den Einstieg lieferte Prof. Dr. Steffen Staab mit seinem Vortrag über Ontologien für die Systemkommunikation.
Im Mittelpunkt stand die Beobachtung, dass moderne Systeme aus vielen voneinander unabhängigen Datenräumen bestehen. In einer Fabrik für langlebige Produkte entstehen beispielsweise kontinuierlich neue Informationen über Produktion, Nutzung, Wartung oder Wiederaufbereitung einzelner Komponenten. Diese Daten verändern sich permanent. Gleichzeitig müssen sie über lange Zeiträume interpretierbar bleiben.
Ähnliche Probleme entstehen im Bauwesen. Unterschiedliche Disziplinen arbeiten mit jeweils eigenen Werkzeugen und Begriffssystemen. Trotzdem müssen Informationen übergreifend konsistent bleiben.
Staab argumentierte, dass klassische fest definierte Datenmodelle für solche Szenarien nicht mehr ausreichen. Die Strukturen verändern sich zu schnell und neue Anforderungen entstehen laufend. Ontologien ermöglichen eine flexible semantische Beschreibung der beteiligten Begriffe und Beziehungen.
Ontologien liefern uns eine Sprache, mit der wir Begriffe über lange Zeiträume relativ konstant beschreiben können, obwohl sich Systeme, Daten und Anwendungen ständig verändern.
Prof. Dr. Steffen Staab, MESConf 2026
Besonders interessant war die Einordnung von Ontologien in den größeren Kontext des semantischen Webs. Staab zeigte den bekannten Schichtenaufbau von technischen Standards bis hin zu formalen Wissensmodellen und Schlussfolgerungsmechanismen. Ontologien erscheinen darin als Teil eines größeren Ökosystems formaler Bedeutungsmodelle.
Auch die Verbindung zu SysML wurde explizit diskutiert. Staab hob hervor, dass SysML und Ontologien viele Gemeinsamkeiten besitzen, aber unterschiedliche Schwerpunkte setzen. SysML beschreibt stark das Verhalten und die Prozesse eines Systems. Ontologien konzentrieren sich stärker auf Begriffe, Bedeutungen und formale Beziehungen. Gleichzeitig fehle SysML bis heute eine standardisierte formale Logikschicht für Schlussfolgerungen.
Besonders relevant für aktuelle KI-Diskussionen war der Verweis auf sogenannte KG-RAG-Ansätze, bei denen Sprachmodelle mit Wissensgraphen kombiniert werden. Ontologien dienen dabei als strukturierende Grundlage für belastbare Antworten. Damit verschiebt sich die Rolle von Ontologien zunehmend zu einer möglichen Infrastrukturtechnologie für industrielle KI.
2. Vortrag: Ontologien als Gegenmittel gegen Halluzinationen
Der Vortrag von Alexander Krumm knüpfte direkt an diese KI-Perspektive an, ging aber deutlich stärker auf praktische Risiken ein.
Krumm formulierte eine provokante These: Für verlässliche KI im Engineering reichen reine Datenverknüpfungen nicht aus. Systeme benötigen eine „Ground Truth“, also eine belastbare semantische Grundlage, auf die sich Schlussfolgerungen beziehen können.
Das Problem ist das Halluzinieren von großen Sprachmodellen. Im allgemeinen Wissensbereich ist das oft nur ärgerlich. Im sicherheitskritischen Engineering ist das ein no-go.
Ontologien liefern den Kontext, den KI braucht, aber selbst nicht hat
Alexander Krumm, MESConf 2026
Krumm verwies auf empirische Untersuchungen, nach denen Ontologien Halluzinationsraten drastisch reduzieren können. Entscheidend sei dabei nicht nur die Existenz strukturierter Daten, sondern deren semantische Bedeutung. Ontologien beschreiben fachliche Beziehungen und Gültigkeitsbedingungen, die für wesentlich bessere Ergebnisse sorgen.
Besonders eindrucksvoll war die Darstellung eines domänenübergreifenden Wissensgraphen, der funktionale, mechanische und softwarebezogene Informationen gemeinsam abbildet. Genau diese Zusammenführung sei notwendig, um komplexe technische Zusammenhänge korrekt interpretieren zu können.
Der Vortrag griff mehrfach das Thema Systems Engineering und MBSE auf. Krumm argumentierte, dass SysML v2 eine wichtige Brücke zwischen klassischer Modellierung und semantischen Wissensmodellen schlagen könne. Damit deutete sich ein möglicher Entwicklungspfad an, bei dem Systems-Engineering-Modelle Teil maschineninterpretierbarer Wissenssysteme werden können.
Interessant war auch die historische Perspektive. Krumm erinnerte daran, dass Ontologien bereits um 2016 den Peak des Hype-Cycles verlassen hatten. Heute erscheinen dieselben Technologien plötzlich wieder hochrelevant, weil KI-Systeme ohne semantischen Kontext an ihre Grenzen stoßen.
3. Vortrag: Ontologien bei Mercedes-Benz
Während die ersten beiden Vorträge stärker konzeptionell argumentierten, zeigte Jochen Epple die praktische Realität in einem großen Industrieunternehmen. Sein Vortrag machte deutlich, warum wachsende Komplexität einer der Haupttreiber von Ontologien in großen Entwicklungsorganisationen ist.
Mercedes-Benz steht vor dem Problem, dass Engineering-Daten über zahlreiche Werkzeuge, Organisationseinheiten und Domänen verteilt sind. Anforderungen, Architekturmodelle und Entwicklungsartefakte existieren in unterschiedlichen Systemen mit jeweils eigener Semantik.
Die ersten Ontologien entstanden daraus als ein persönliches Hilfsmittel zur Orientierung. Doch mit wachsender Komplexität entwickelte sich schrittweise ein umfangreiches Metamodell mit drei Ebenen: Ontologie-, Konzept- und Realisierungsschicht.
Jochen griff den Begriffs „Komponente“ als Beispiel heraus. Innerhalb des Konzerns existieren dafür weit über zweihundert unterschiedliche Bedeutungen. Genau solche Mehrdeutigkeiten führen in großen Entwicklungslandschaften zu massiven Kommunikationsproblemen.
Diese Datensilos haben wir zuerst über Schnittstellen zu lösen versucht. Aber irgendwann merkt man: Hinter den Daten stehen Entwicklungsartefakte, und die brauchen logische Verbindungen.
Jochen Epple, MESConf 2026
Der Vortrag zeigte sehr klar, dass Ontologien in der Praxis selten als „reine“ philosophische oder formal-logische Konstrukte entstehen, sondern aus konkreten Integrationsproblemen heraus.
Der Ansatz bei Merzedes war pragmatisch und nutzte die Werkzeuge, die zur Verfügung standen. Vollständige semantische Perfektion ist in industriellen Organisationen kaum erreichbar. Bereits teilweise formalisierte Bedeutungsmodelle können jedoch große Wirkung entfalten.
Ein weiterer wichtiger Punkt war der Wartungsaufwand. Ontologien müssen kontinuierlich gepflegt und weiterentwickelt werden. Gerade bei langfristigen Unternehmensarchitekturen wird dieser Aufwand schnell erheblich.
Gleichzeitig wurde deutlich, warum Unternehmen trotzdem bereit sind, diesen Aufwand zu tragen. Ontologien schaffen eine stabile semantische Grundlage unabhängig von konkreten Werkzeugen. Damit gewinnen sie strategische Bedeutung für zukünftige Toolwechsel, Datenmigrationen und KI-Anwendungen.
Der Ausblick auf eine umfassende Graphdatenbank mit GraphQL-Zugriffsschicht für KI-Anfragen machte deutlich, wohin die Reise gehen soll: weg von isolierten Werkzeugdaten hin zu durchgängigen Wissensnetzen.
4. Vortrag: Ontologie in der Philosophie
Die Abend-Keynote von Dr. Jan Urbich setzte einen völlig anderen Akzent. Er ist Philosoph und Autor vom Handbuch Ontologie.
Nicht alles, worüber wir sprechen, muss existieren. Aber alles, was unsere Theorien wahr machen soll, verpflichtet uns ontologisch.
Jan Urbich, MESConf 2026
Urbich rückte die philosophischen Ursprünge des Ontologiebegriffs in den Mittelpunkt. Dabei wurde schnell deutlich, dass der Begriff in der Informatik oft wesentlich enger verwendet wird als in der Philosophie.
Die philosophische Ontologie fragt grundsätzlich: Was bedeutet es überhaupt, dass etwas existiert? Welche Arten von Seiendem gibt es? Welche Annahmen machen wir, wenn wir von Dingen sprechen?
Gerade dadurch entstand ein spannender Perspektivwechsel für das Systems Engineering. Viele Modellierungsentscheidungen erscheinen dort als rein technische Fragen. Philosophisch betrachtet enthalten sie jedoch implizite ontologische Annahmen.
Besonders interessant war Urbichs Diskussion von Willard Van Orman Quines berühmtem Aufsatz „On What There Is“. Quine versteht Ontologie als Frage ontologischer Verpflichtungen. Vereinfacht gesagt: Jede Theorie verpflichtet uns dazu anzunehmen, dass bestimmte Dinge existieren müssen, damit die Theorie wahr sein kann.
Diese Perspektive wirkt erstaunlich modern. Denn genau solche impliziten Annahmen entstehen auch in Modellen, Datenstrukturen oder Wissensgraphen. Jede Modellierungsentscheidung legt fest, welche Entitäten existieren dürfen, welche Beziehungen zulässig sind und welche Eigenschaften Dinge besitzen.
Urbich machte zudem deutlich, warum Ontologien nie vollständig neutral sein können. Bereits die Wahl von Kategorien und Begriffen enthält Interpretationen. Genau deshalb unterscheiden sich Ontologien oft erheblich zwischen Organisationen oder Domänen.
Die Frage der Ontologie lautet letztlich: Welche Arten von Seiendem müssen wir annehmen, damit unsere Aussagen sinnvoll und wahr sein können?
Jan Urbich, MESConf 2026
Für Systems Engineers dürfte besonders relevant sein, dass Ontologien damit nicht nur technische Modelle darstellen, sondern immer auch Entscheidungen darüber, wie Realität strukturiert wird.
Ontologien als Infrastruktur für KI und Systems Engineering
Die vier Vorträge zeigten sehr unterschiedliche Perspektiven auf Ontologien. Gleichzeitig entstand ein gemeinsames Muster.
Ontologien entwickeln sich zunehmend zu einer Infrastrukturtechnologie für komplexe Engineering-Systeme. Sie verbinden Datenräume, schaffen semantische Konsistenz und liefern Kontext für KI-Systeme. Und sie ermöglichen stabile Bedeutungsmodelle über Werkzeug- und Organisationsgrenzen hinweg.
Bemerkenswert ist dabei die Renaissance eines lange unterschätzten Themas. Über Jahre dominierten im Engineering eher pragmatische Integrationsansätze. APIs, Schnittstellen und Datensynchronisation galten als ausreichend. Mit generativer KI verschiebt sich der Fokus nun wieder stärker auf Bedeutung und Semantik.
Denn Sprachmodelle erzeugen zwar Texte. Verstehen entsteht daraus noch nicht automatisch. Genau an dieser Stelle könnten Ontologien zu einem entscheidenden Bindeglied werden.
