Semantica im Test 2026: Erklärt es jede Entscheidung eines KI-Agenten?

Semantica verdient einen kontrollierten Pilot, wenn ein KI-Agent wiederholt folgenreiche Entscheidungen trifft und ein Prüfer Monate später Nachweise, Policy und Kausalkette rekonstruieren muss. Das System speichert Entscheidungen als Graphobjekte, nicht nur als Logzeilen oder flüchtigen Modellkontext. Das ist eine andere Aufgabe als gewöhnliches Vektorgedächtnis.

Unser kommerzielles Urteil ist an Bedingungen geknüpft. Die Software steht unter MIT-Lizenz. Ein prüfbarer Betrieb braucht trotzdem Zugriffskontrollen, Aufbewahrungsregeln, Manipulationsnachweise, getestete Policies und einen verantwortlichen menschlichen Prüfer. Wir haben das öffentliche Semantica-Repository samt Dokumentation am 14. August 2026 geprüft. Das ist evidenzbasierte Kaufberatung, kein gesponserter Beitrag, keine Rechtsberatung und kein praktischer Penetrationstest.

Dieser Artikel beantwortet die Produktfrage: Solltest du Semantica für die Entscheidungsprovenienz von KI-Agenten pilotieren? Für die breitere Architekturwahl zwischen Workflow-Graph, Experiment-DAG, SQL, Vektor-RAG und Knowledge Graph lies unseren Leitfaden zu Graph Engineering für KI-Agenten. So macht ein Tool-Test nicht aus jedem Graphproblem dieselbe Kaufentscheidung.

Was ist Semantica?

Semantica ist eine selbst hostbare Python-Plattform für Context Graphs, Knowledge Graphs, deterministische Regeln und Entscheidungsprovenienz. Sie ergänzt dein bestehendes LLM, deinen Vektorspeicher und dein Agenten-Framework. Du musst die Orchestrierung nicht ersetzen, um Entscheidungen zu speichern, mit Ursachen zu verbinden, frühere Fälle als Präzedenz zu suchen oder Provenienz zu exportieren.

Warum reichen Embeddings und Logs nicht?

Ein Vektorspeicher beantwortet eine Ähnlichkeitsfrage: Welche Passagen ähneln dieser Suchanfrage? Ein Trace beantwortet eine Ausführungsfrage: Welcher Prompt, welches Modell oder welcher Tool-Aufruf lief? Ein Entscheidungsdatensatz muss eine schwierigere Geschäftsfrage beantworten: Welche Evidenz und Policy führten zum Ergebnis, welche Alternativen schieden aus, wer gab frei und was geschah danach?

Diese Ebenen ergänzen einander. Nutze Vektorsuche für unscharfe Wiederfindung und OpenTelemetry-artige Traces für Laufzeit, Fehler und Tool-Aufrufe. Ergänze einen Entscheidungsgraph nur dort, wo die Beziehung zwischen Evidenz, Policy, Entscheidung und Folge auch nach dem ursprünglichen Lauf durchsuchbar bleiben muss.

Wie zeichnet Semantica eine Agentenentscheidung auf?

Die zentrale API speichert Kategorie, Szenario, Begründungstext, Ergebnis, Konfidenz und optionale Metadaten. Weitere Beziehungen markieren eine Entscheidung als Ursache, Einfluss oder Präzedenz einer anderen. Teams können vorgelagerte Ursachen verfolgen, nachgelagerte Auswirkungen prüfen, ähnliche Entscheidungen suchen und vor der Freigabe Policy-Regeln anwenden.

Bei einem Kreditprozess könnte der Graph den Antragssnapshot, den verifizierten Einkommensnachweis, die Policy-Version, Risikoklasse, Modellversion, menschliche Prüfung und finale Ablehnungsmitteilung verbinden. Sechs Monate später sollte ein Prüfer vom Ergebnis zu den exakt versionierten Eingaben zurückgehen können, statt mit dem aktuellen Modell eine plausible Geschichte neu zu erzeugen.

1. Entscheidungsgrenze festlegen. Definiere, wann Analyse zu Empfehlung, Freigabe, Ablehnung oder Aktion wird.
2. Versionierte Evidenz erfassen. Speichere stabile Datensatz-IDs, Quellversionen, Gültigkeitszeit, Berechtigungsumfang und Prüfsummen statt unkontrollierter Textkopien.
3. Policy anhängen. Halte Regelwerksversion, passende Regel, ausgeschlossene Alternativen, Ausnahme und menschlichen Override fest.
4. Folgen verbinden. Verknüpfe die Entscheidung mit Mitteilung, Transaktion, Fall oder Folgeentscheidung.
5. Rekonstruktion testen. Ein unabhängiger Prüfer muss den Pfad ohne das ursprüngliche Kontextfenster reproduzieren.

Ist die Begründung von Semantica wirklich deterministisch?

Graphabfragen und symbolische Regelmaschinen können deterministisch sein, obwohl der gesamte KI-Workflow es nicht ist. Bei identischem Graph, Regelwerk und Query kann eine Forward-Chain oder Kausalsuche denselben Pfad ohne LLM liefern. Die Erklärung wird dann aus gespeicherten Beziehungen abgeleitet und nicht neu generiert.

Die Grenze ist entscheidend. Entitätsextraktion kann Muster, ML-Modelle oder LLMs nutzen. Auch der ursprüngliche Wert im Feld reasoning kann vom Agenten stammen. Deterministische Abfrage repariert keine falsche Quelle, veraltete Beziehung, verzerrte Policy oder erfundene Begründung. Prüfe deshalb Wiederholbarkeit der Abfrage, Treue der gespeicherten Eingaben und fachliche Gültigkeit der Regel getrennt.

Macht PROV-O ein System compliant?

Nein. Die W3C-Empfehlung PROV-O liefert interoperable Begriffe für Entitäten, Aktivitäten und Akteure. Sie kann ausdrücken, welche Aktivität eine Entität nutzte oder erzeugte und wer dafür verantwortlich war. Das ist ein nützliches Evidenzschema, aber kein Compliance-Zertifikat, keine Aufbewahrungsregel, keine Zugriffskontrolle und keine Annahmegarantie eines Regulators.

Die rechtliche Pflicht hängt vom Anwendungsfall ab. Der EU AI Act verlangt für Hochrisiko-KI unter Artikel 12 die technische Möglichkeit zur automatischen Ereignisprotokollierung. Artikel 86 gibt betroffenen Personen bei bestimmten Einzelentscheidungen ein begrenztes Recht auf eine klare und aussagekräftige Erklärung. Ein Provenienzgraph kann Evidenz dafür sammeln. Der Betreiber muss trotzdem Klassifizierung, Rollen, Aufbewahrung, menschliche Aufsicht und die Erklärung an die Person bestimmen.

Bei Krediten sind die US-Vorgaben noch konkreter. Das CFPB-Rundschreiben zu komplexen Kreditmodellen verlangt konkrete und korrekte Hauptgründe für eine nachteilige Entscheidung. Ein zu komplexes Modell ist keine Entschuldigung. Ein gespeicherter Kausalpfad hilft nur, wenn seine Gründe den tatsächlich berücksichtigten Faktoren entsprechen.

Der NIST AI RMF Core behandelt Dokumentation ebenfalls als Unterstützung für Transparenz, menschliche Prüfung und Verantwortlichkeit. Das ist der richtige Beschaffungsrahmen: Semantica kann die Evidenzschicht innerhalb eines Governance-Systems sein, aber nicht das ganze Governance-System.

Kann Semantica regulierte Daten in deiner Infrastruktur halten?

Semantica lässt sich selbst hosten. Native Databricks- und Snowflake-Connectoren können verwaltete Daten dort lesen, wo dein Team sie bereits kontrolliert. Das reduziert einen zusätzlichen SaaS-Export. Es bedeutet nicht automatisch, dass keine Daten deine Umgebung verlassen.

Dokumentiere vor der Freigabe den vollständigen Pfad: Parser, Embedding-Modelle, LLM-basierte Extraktion, Vektorspeicher, Graph-Backends, MCP-Clients, REST-Nutzer, Backups und Telemetrie. Ist ein konfigurierter Anbieter remote, können relevante Eingaben diese Grenze überschreiten. Teste Tenant-Isolation und Berechtigungen beim Abruf, nicht nur bei der Aufnahme.

Was müssen Sicherheitsteams über Version 0.6.5 wissen?

Das aktuelle Semantica-Sicherheitsrelease 0.6.5 vom 11. August 2026 schloss sechs extern gemeldete Schwachstellen. Die Release Notes nennen fehlende Authentifizierung auf Explorer-API-Routen sowie kritische Cypher- und SPARQL-Injection-Pfade. Dazu kamen Fixes für RCE, XXE, Denial of Service und ReDoS. Die schnelle Reaktion zeigt aktive Wartung. Die Befunde machen aber eine eigene Sicherheitsprüfung für jeden folgenreichen Pilot zwingend.

1. Pinne 0.6.5 oder neuer. Blockiere ältere Versionen in Deployment und Software-Composition-Checks.
2. Halte den Explorer privat. Setze Authentifizierung, Autorisierung, Rate Limits und Netzwerkregeln vor jede API-Fläche und prüfe sie unabhängig.
3. Behandle Graphlabels als nicht vertrauenswürdig. Fuzze dokumentbasierte Entitätstypen, Relationstypen, IRIs und Property-Namen gegen das gewählte Backend.
4. Trenne Evidenz und Darstellung. Bewahre einen append-only oder manipulationssicheren Nachweis außerhalb der Oberfläche auf, die ein Agent verändern kann.
5. Plane für 0.x-Änderungen. Pinne Abhängigkeiten, prüfe Migrationen und wiederhole den Rekonstruktionstest vor Upgrades.

Semantica im Vergleich zu RAG, Observability und Policy-as-Code

Wer sollte Semantica pilotieren, und wer sollte verzichten?

Was kostet eine Open-Source-Entscheidungsspur wirklich?

Die Lizenz ist kostenlos. Die Betriebsfähigkeit ist es nicht. Plane Ontologie- und Policy-Design, Quellanbindung, Identitätsauflösung, Berechtigungen, Speicherung, Aufbewahrung, Schwärzung, Manipulationsnachweis, Evaluationen, Sicherheitstests, Prüferwerkzeuge und Incident Response ein. Databricks- oder Snowflake-Anbindung spart einen Integrationsschritt, nicht die Arbeit an Datenqualität und Zugriffsschutz.

Die kommerzielle Kennzahl ist nicht die Knotenzahl. Miss Prüferminuten pro Entscheidung, Anteil materieller Faktoren mit Quellnachweis, Zeit zur Incident-Rekonstruktion, False Positives und False Negatives der Policy-Gates, Nutzbarkeit des Exports und Kosten der Aktualisierung.

Wie sollte ein zweiwöchiger Semantica-Pilot ablaufen?

1. Wähle eine folgenreiche Entscheidung. Arbeite im Shadow Mode mit 30 bis 50 historischen Fällen. Beginne nicht mit automatischer Freigabe.
2. Definiere zuerst die notwendige Erklärung. Compliance, Betrieb und Engineering einigen sich auf materielle Faktoren, Evidenz, Policy-Version, Overrides und Aufbewahrung.
3. Erfasse die Baseline. Miss, wie lange bestehende Logs, Datenbank und Mitarbeitende für die Rekonstruktion brauchen.
4. Pinne und isoliere den Stack. Nutze mindestens 0.6.5, privaten Netzwerkzugang, Testdaten und so wenige Connectoren wie möglich.
5. Teste adversariale Fälle. Nutze fehlende Evidenz, widersprüchliche Fakten, alte Policies, fremde Tenants, schädliche Labels, menschliche Overrides und gelöschte Quellen.
6. Setze eine Abbruchregel. Stoppe, wenn weniger als 95 Prozent der materiellen Faktoren rekonstruierbar sind, irgendein Tenant-Übergriff gelingt oder der Prüfaufwand die Wartungskosten nicht rechtfertigt.

Besteht der Pilot, kann Wavects AI-Enablement-Team die Entscheidungsschicht mit Berechtigungen, Evaluationen und Produktionsabläufen verbinden. Nutze unsere Checkliste für Agenten-Evaluation und Sandbox-Sicherheit, lies die Twinsoft-AI-Fallstudie, vergleiche den Leitfaden zur Technologieauswahl oder buche einen Workshop zur Entscheidungsprovenienz.