Best Practices: Semantisches Datenmodell

Semantische Datenmodelle geben AI-Agenten den fachlichen Kontext, den sie für verlässliche Ergebnisse brauchen. Welche Inhalte gehören hinein, und wie werden sie in AI-Driven-Development-Projekten eingesetzt?

Was sind semantische Datenmodelle?

Semantische Datenmodelle sind strukturierte Darstellungen der Daten und ihrer Bedeutungen innerhalb einer bestimmten Domäne. Sie beschreiben die Entitäten, Attribute, Beziehungen und Regeln, die für das Verständnis und die Nutzung der Daten erforderlich sind. Zu den üblichen Synonymen zählen “konzeptionelles (Daten-)Modell”, “fachliches Datenmodell”, “Informationsstruktur” oder “Informationsmodell”. Semantische Datenmodelle sind unabhängig von der technischen Implementierung und konzentrieren sich auf die fachlichen Aspekte der Daten.

Schon in den 1970er‑Jahren wurde die Notwendigkeit solcher Modelle erkannt. Peter Chen stellte 1976 das Entity‑Relationship‑Modell vor und betonte, dass es wichtige semantische Informationen über die reale Welt erfasst. In der ANSI‑Drei‑Schema‑Architektur bildet das konzeptionelle bzw. semantische Datenmodell die oberste Schicht. Darauf folgen das logische Modell, das die Strukturen für ein konkretes Datenbankmanagementsystem festlegt, und das physische Modell für die eigentliche Speicherung.

Semantische Modelle können - und sollten - auch in “klassischen” Softwareentwicklungsprojekten eingesetzt werden. Meiner Erfahrung nach werden sie dort aber viel zu selten verwendet, da der Fokus meist auf der Implementierung und weniger auf der Modellierung liegt. Hinzu kommt, dass viele Entwickler:innen den Nutzen von semantischen Datenmodellen nicht erkennen, sie als zu aufwendig empfinden und letztlich ignorieren. Der Nutzen ist dann am Ende fraglich und die ganze Sache ist den Aufwand nicht wert.

Im Kontext von AI‑Driven‑Development ändert sich das grundlegend. AI‑Agenten benötigen ein klares Verständnis der Daten und ihrer Bedeutungen, um effektiv arbeiten zu können. Semantische Datenmodelle bieten genau das: eine gemeinsame Sprache und Struktur, die es den Agenten ermöglicht, die Anforderungen zu verstehen, die richtigen Daten zu finden und qualitativ hochwertigen Code zu generieren. Ohne ein semantisches Datenmodell sind AI‑Agenten oft auf unstrukturierte oder schlecht dokumentierte Informationen angewiesen, was zu Missverständnissen, Fehlern und ineffizientem Code führen kann. Und last but not least werden AI‑Agenten die semantischen Datenmodelle auf keinen Fall ignorieren, wenn sie denn vorhanden sind und wir ihnen vorschreiben, diese zu nutzen.

Warum sind semantische Datenmodelle für AI‑Agenten unverzichtbar?

Die Umsetzung eines Projekts in Zusammenarbeit mit AI‑Agenten erfolgt in kleinen, iterativen Schritten. Jeder Schritt wird durch einen Prompt initiiert, der die Aufgabe beschreibt, die der Agent ausführen soll. Je klarer und präziser der Prompt ist, desto besser ist das Ergebnis. Semantische Datenmodelle helfen dabei, diese Klarheit und Präzision zu erreichen, indem sie eine strukturierte Darstellung der Daten und ihrer Bedeutungen liefern.

Ein typisches Beispiel ist die Umsetzung einer REST‑API, die mit dem API‑Contract startet. Dann folgen das Design und die Implementierung der eigentlichen Endpunkte, der darunterliegenden Service‑Schicht mit der Logik und schließlich die Persistenz. Je nach Design der Anwendung sind die einzelnen Schichten über DTOs entkoppelt und es gibt verschiedene Mappings zwischen den Schichten. Ohne ein semantisches Datenmodell ist es für AI‑Agenten schwierig, die Zusammenhänge zu verstehen und die richtigen Strukturen zu generieren. Mit einem semantischen Datenmodell können die Agenten die Entitäten, Attribute und Beziehungen erkennen und daraus die notwendigen Klassen, Methoden und Mappings ableiten. Und zwar einheitlich, also z. B. immer mit den gleichen Namen, Datentypen und Strukturen, was die Wartbarkeit und Erweiterbarkeit des Codes erheblich verbessert.

Komponenten eines semantischen Datenmodells

Typische Komponenten eines semantischen Datenmodells sind:

• Entitäten – grundlegende Objekte der Domäne (z. B. „Kunde“, „Produkt“, „Umfrage“).
• Attribute – Eigenschaften der Entitäten mit Name, Datentyp, Kardinalität (1:1, 1:n, optional/pflichtig), Schlüsselinformationen und Validierungsregeln.
• Beziehungen – Beziehungen zwischen Entitäten (1:n, n:m, Aggregation, Generalisierung etc.).
• Sicherheits‑ und Datenschutzaspekte – Kennzeichnung personenbezogener oder DSGVO‑relevanter Attribute, Hinweise zu Einwilligungen und gesetzlichen Aufbewahrungspflichten.
• Enumerationen – vordefinierte Wertebereiche für Attribute.
• Domänenregeln – Regeln wie „EndDate muss größer oder gleich StartDate sein“.

Damit ein semantisches Datenmodell für AI‑Agenten wirklich nützlich ist, sollte es in einem maschinenlesbaren Format vorliegen. Ideal sind textbasierte Formate, wie beispielsweise Markdown, die problemlos in Prompts eingebunden werden können. Diagramme (z. B. mit Mermaid) sind hilfreich für das Verständnis, sollten aber immer von textuellen Beschreibungen begleitet werden. Ein vollständiges Beispiel für ein semantisches Datenmodell zeigt die typische Struktur in Markdown.

Umsetzung im Rahmen eines AI‑Driven‑Development‑Projekts

Die Erstellung des semantischen Datenmodells sollte iterativ erfolgen. Ausgangspunkt sind User Stories oder Anwendungsfälle, die das Team mit den Fachbereichen erarbeitet. AI‑Agenten können aus diesen Beschreibungen erste Entitäten und Beziehungen ableiten, das Ergebnis muss jedoch vom Team überprüft und verfeinert werden. Durch den Dialog zwischen Agent und Team entsteht ein Modell, das sowohl die Fachlichkeit korrekt abbildet als auch konsistent strukturiert ist.

Etwas überraschend ist zu Beginn vielleicht, dass das semantische Datenmodell direkt im Repository abgelegt wird, idealerweise in einem eigenen Ordner, z. B. /requirements/data_model.md. So ist es immer aktuell und für alle Teammitglieder und die AI‑Agenten zugänglich. Änderungen am Modell werden wie bei jedem anderen Artefakt im Code‑Review‑Prozess überprüft und freigegeben. Ungewohnt ist dieser Ansatz deshalb, weil viele Teams es gewohnt sind, dass Anforderungen separat vom Quelltext, z. B. in Confluence, gepflegt werden. Zudem haben fachliche Stakeholder oft Berührungsängste mit Git‑Repositories. Diese Bedenken sind meiner Erfahrung nach mit etwas Schulung leicht zu überwinden. Viele Unternehmen haben sowieso Browser‑basierte Git‑Clients, die den Einstieg erleichtern. Und Markdown ist auch für fachliche Stakeholder gut lesbar und editierbar.

Fazit

Wer auf einen AI‑Driven‑Development‑Prozess setzt, sollte unbedingt ein semantisches Datenmodell erstellen und pflegen. Es ist die Grundlage für eine erfolgreiche Zusammenarbeit mit AI‑Agenten und trägt maßgeblich zur Qualität und Wartbarkeit des Codes bei. Ein angenehmer Nebeneffekt ist, dass das Team durch die Erstellung des Modells ein tieferes Verständnis der Domäne und der Anforderungen entwickelt. Das führt zu besseren Entscheidungen und letztlich zu einer erfolgreicheren Umsetzung des Projekts.