Warum CLYE AI?

KI mit echtem Unternehmenskontext

CLYE AI verbindet Unternehmenswissen, operative Arbeit und Daten in einem gemeinsamen Kontextmodell. Menschen und Agenten arbeiten dadurch nicht nur mit einzelnen Dokumenten oder Tabellen, sondern mit den fachlichen Beziehungen dahinter: Kunden, Projekte, Verträge, Produkte, Rechnungen, Aufgaben und Zuständigkeiten.

Aus Knowledge Bases, Dokumenten, Daten und Tasks wird ein gemeinsames, durchsuchbares und handlungsfähiges Unternehmensgedächtnis.

Das Problem: Unternehmenswissen ist fragmentiert

In Unternehmen liegen zusammengehörige Informationen meist in getrennten Systemen:

Bereich	Typische Inhalte	Typische Systeme
Wissen	Richtlinien, Anleitungen, Verträge, Entscheidungen	Knowledge Base, SharePoint, Confluence, Dateien
Operative Arbeit	Aufgaben, Freigaben, Eskalationen, Zuständigkeiten	Ticket- und Projektmanagement
Geschäftsdaten	Kunden, Produkte, Aufträge, Rechnungen	CRM, ERP, Datenbank, Data Warehouse

Eine reine Dokumentensuche findet Text. Ein Data Warehouse beantwortet Tabellenabfragen. Ein Task-System kennt Arbeitsschritte. Ohne gemeinsamen Kontext kann ein Assistent aber nur schwer beantworten, welche Informationen, Daten und Aufgaben fachlich zusammengehören.

Der CLYE-Unterschied: ein Modell für Wissen und Arbeit

CLYE AI verwendet Facets als gemeinsame Sprache über alle Quellen hinweg. Facets beschreiben Entitäten, Eigenschaften, Beziehungen und Typen – unabhängig davon, ob die Daten aus einem PDF, einem Dokument-Chunk, JSON, einer API, einer Tabelle oder einem Task stammen.

Damit wird beispielsweise sichtbar, dass eine Rechnung, ihre Positionen, ein Vertrag, ein Kunde und ein offener Prüf-Task zusammenhängen – auch wenn sie aus verschiedenen Quellen stammen.

Was das ermöglicht

Antworten mit Business-Kontext

Statt nur ähnliche Textstellen zu suchen, kann ein Agent fachlich passende Informationen verwenden:

„Welche offenen Rechnungsprüfungen betreffen Kunden mit einem auslaufenden Vertrag?“

Die Antwort kann Rechnungen, Vertragsinformationen, zuständige Personen und Aufgaben zusammenführen. Der Kontext entsteht aus den Facet-Beziehungen, nicht aus einer Vermutung anhand ähnlicher Wörter.

Extrahierte Dokumente direkt auswerten

Wird aus einer Rechnung eine Liste von Positionen extrahiert, sind diese sofort wie virtuelle Tabellenzeilen abfragbar. Es ist keine zusätzliche Datenmodellierung nötig, um etwa Umsätze nach Kunde, häufige Leistungen oder auffällige Positionen auszuwerten.

customer.name, sum(invoicePositions.netAmount) as netto_umsatz
where type = "invoice"

Die Details dazu beschreibt Facets.

Tasks werden handlungsfähiger

Tasks sind nicht nur Titel und Status. Sie können mit Kunden, Projekten, Verträgen, Rechnungen, Dokumenten und Verantwortlichen verbunden werden. Dadurch können Nutzer und Agenten genau den Kontext abrufen, der zur Bearbeitung eines Tasks benötigt wird.

{
  "type": "task",
  "title": "Rechnung prüfen",
  "status": "open",
  "customer": { "name": "Beispiel GmbH" },
  "invoice": { "number": "RE-2026-0042" },
  "assignee": { "name": "Anna Müller" }
}

Ein Agent kann damit beispielsweise relevante Vertragsbedingungen, frühere Kommunikation und Rechnungspositionen zusammentragen und fehlende Informationen sichtbar machen.

Events machen Kontext handlungsfähig

Auch Events tragen Facet-Metadaten. Ein Ereignis wie eine eingehende Rechnung, eine neue E-Mail, eine geänderte Bestellung oder ein abgeschlossener Task enthält damit nicht nur einen technischen Typ, sondern auch seinen fachlichen Kontext – etwa customer, invoice, project oder task.

Automationen können auf den technischen Event-Typ reagieren und anhand der Facets gezielt entscheiden, was als Nächstes passiert. So kann eine eingehende Rechnung für einen bestimmten Kunden automatisch geprüft, einem Projekt zugeordnet und als Task an die zuständige Person übergeben werden. Über Event-Ketten werden aus einzelnen Eingängen nachvollziehbare, kontextbezogene Workflows.

Eine Sprache über alle Quellen

Abfragen nutzen fachliche Begriffe wie customer, invoice, product oder task statt Tabellen- und Spaltennamen. Das macht Analysen stabiler, wenn sich technische Datenquellen ändern oder neue Systeme hinzukommen.

customer.name, sum(sale.price) as umsatz
where product.category = "Software"

CLYE AI kann die zugrunde liegenden Datenquellen und notwendigen Joins aus dem Fachmodell ableiten.

Warum gerade CLYE AI?

CLYE AI ist nicht pauschal „besser“ als Microsoft, Databricks, Snowflake oder Palantir. Diese Plattformen sind in ihren jeweiligen Kernaufgaben sehr stark. Der CLYE-Vorteil entsteht dort, wo ein Agent gleichzeitig Wissen, Daten und operative Arbeit verstehen muss.

Typischer Ansatz	Was er gut kann	Wo CLYE AI einen Vorteil bietet
RAG- und Chatbot-Lösungen	Dokumente finden und zusammenfassen	Fachliche Beziehungen, strukturierte Daten und Tasks werden Teil des Agentenkontexts – nicht nur zusätzliche Textquellen.
Microsoft 365, Copilot, Fabric und Purview	Zusammenarbeit und Dokumente, BI-Semantik sowie Datenkatalog und Governance im Microsoft-Stack	Diese Fähigkeiten sind auf mehrere Produkte und Modelle verteilt. CLYE verknüpft Knowledge-Base-Inhalte, extrahierte Dokumentdaten, Tabellen und Tasks mit einem gemeinsamen Fachmodell und einer Query-Sprache.
Databricks und Unity Catalog	Daten- und KI-Assets mit Zugriffskontrolle, Lineage und Governance verwalten sowie Lakehouse-Daten verarbeiten	CLYE modelliert zusätzlich die fachliche Bedeutung von Content, Kunden, Verträgen und Aufgaben. Das ist besonders relevant, wenn ein Agent über Dokumente und Arbeitsschritte statt nur über Datenassets entscheiden muss.
Snowflake Semantic Views und BI-Semantic-Layer	Kennzahlen, Dimensionen und Beziehungen über relationale Tabellen definieren	Facets beziehen Dokumente, Knowledge-Base-Metadaten und verschachtelte JSON-Listen unmittelbar ein. Rechnungspositionen aus einem PDF können so wie Datenbankzeilen abgefragt werden.
Palantir Ontology	Ein umfassendes operatives Unternehmensmodell mit Workflows, Governance und Anwendungen	CLYE ist auf einen schnelleren, leichtgewichtigen Einstieg für Knowledge- und Agent-Workflows ausgelegt: Das Modell kann direkt aus vorhandenen Dokumenten, Metadaten, Tabellen und Tasks wachsen.
Knowledge Graphs und Ontologien	Komplexe Semantik und formale Inferenz modellieren	Ein einheitliches Facet-Konzept ist für Fachanwender leichter zu nutzen und direkt an JSON, Dokument-Chunks und SQL-Abfragen angebunden.
Task- und Ticket-Systeme	Arbeit organisieren	Jede Aufgabe kann den vollständigen Wissens- und Datenkontext mitführen und für Agenten abfragbar machen.

Der entscheidende Unterschied: weniger Reibung

Die meisten großen Plattformen bieten einzelne Bausteine für Dokumente, Daten, Automationen, Governance und KI. Die Herausforderung liegt in der Verbindung: Unternehmen müssen Quellen integrieren, Datenmodelle abstimmen, Beziehungen separat pflegen und für Agents eigene Kontextlogik bauen. Das kann sehr leistungsfähig sein, ist aber häufig ein bereichsübergreifendes Integrationsprojekt.

CLYE AI setzt auf ein gemeinsames Facet-Modell, das von Dokumenten und extrahiertem JSON über Tabellen und Tasks bis zu Event-Metadaten reicht. Dadurch können Fachanwenderinnen und Fachanwender mit wenigen gemeinsamen Business-Begriffen beginnen und den Kontext schrittweise erweitern, statt mehrere spezialisierte Produkte zu einer eigenen Agentenplattform zusammenzusetzen.

Der CLYE-Vorteil ist nicht, dass andere Plattformen keine Bausteine besitzen. Der Vorteil ist, dass diese Bausteine von Beginn an mit demselben Unternehmenskontext zusammenarbeiten.

Konkret: weniger Integrationsbrüche für Agenten

In einem klassischen Microsoft- oder Data-Platform-Stack müsste ein Agent für eine Rechnungsprüfung typischerweise mehrere getrennte Zugriffe und Modelle kombinieren:

1. Rechnung und Vertragsdokumente in SharePoint oder einer Knowledge Base suchen,
2. Kunden- und Auftragsdaten aus CRM oder ERP abfragen,
3. Rechnungspositionen aus einem Dokument extrahieren oder aus dem Data Warehouse laden,
4. einen offenen Task im Arbeitsmanagement finden,
5. Berechtigungen, Beziehungen und den fachlichen Kontext in der Anwendung selbst zusammenführen.

Mit CLYE AI liegen diese Informationen im selben Facet-Modell. Der Agent kann gezielt nach customer, invoice, invoicePosition, contract und task suchen und erhält den relevanten Kontext über deklarierte Beziehungen. Das reduziert individuelle Integrationslogik, vermeidet reine Stichwortsuche und macht Antworten sowie nächste Schritte fachlich nachvollziehbar.

Der CLYE-Vorteil in einem Satz

CLYE AI macht Unternehmenskontext für Agenten direkt abfragbar – über Dokumente, extrahierte Strukturen, Daten und Tasks hinweg, ohne für jeden Anwendungsfall ein separates Daten-, RAG- oder Ontologie-Projekt aufzubauen.

CLYE AI ersetzt die genannten Systeme nicht zwangsläufig. Es schafft die semantische Verbindung zwischen ihnen und macht ihren gemeinsamen Kontext für Menschen und Agenten nutzbar.

Für Enterprise Agents gebaut

Agenten benötigen mehr als Zugriff auf viele Quellen. Sie müssen verstehen, welche Informationen im jeweiligen Fall relevant sind, welche Beziehungen bestehen und welche Daten für den Nutzer sichtbar sein dürfen.

Facets geben Agenten dafür einen strukturierten Kontext:

• Gezielte Recherche: Informationen nach Kunde, Projekt, Vertrag, Produkt oder Task statt nur nach Stichworten abrufen.
• Verlässliche Einordnung: Dokumente und Daten über gemeinsame Business-Domains verbinden.
• Nachvollziehbare Antworten: Die verwendeten Quellen und fachlichen Beziehungen sichtbar machen.
• Kontextbezogene nächste Schritte: Offene Tasks, Zuständigkeiten und fehlende Informationen erkennen.
• Wiederverwendbares Wissen: Standard-Facets sorgen dafür, dass Begriffe wie customer, invoice oder product quellenübergreifend dieselbe Bedeutung behalten.

Schnell starten, ohne auf ein Ontologie-Projekt zu warten

CLYE AI kombiniert einen gemeinsamen Standardumfang von Business-Facets mit unternehmensspezifischen Erweiterungen. Teams können deshalb mit wenigen zentralen Begriffen beginnen – etwa customer, project, contract, invoice und task – und das Modell schrittweise erweitern.

So entsteht ein belastbares Fachmodell nicht als isoliertes Architekturprojekt, sondern direkt aus den Wissen-, Daten- und Arbeitsprozessen, die bereits im Unternehmen stattfinden.

Kurz gesagt

CLYE AI macht KI von einer reinen Such- und Chatfunktion zu einem kontextbewussten Partner für Unternehmenswissen und operative Arbeit. Facets verbinden Knowledge Bases, Dokumente, strukturierte Daten und Tasks zu einem gemeinsamen Unternehmenskontext – damit Menschen und Agenten bessere Antworten geben, fundiertere Entscheidungen treffen und Aufgaben mit dem richtigen Kontext bearbeiten können.