Die Wissenschaft hinter c:node.
Der c:node Graph ist die Intelligenz in c:node: eine Wissensgraph-KI, die jede Aussage an eine Quelle bindet (Fachbegriff: neuro-symbolisch). Sie baut auf offenen Modellen (Open Source) auf und mit jedem Fall stetig wächst. Er ist so gebaut, dass er nachvollziehbar arbeitet statt zu raten — jede Aussage an eine Quelle gebunden, jeder Schritt prüfbar. Dieser Beitrag fasst die peer-reviewte Evidenz dahinter zusammen: warum reine Sprachmodelle im Ernstfall nicht genügen, warum Wissensgraphen + Regeln die Lücke schließen, und wie das zu den Anforderungen des EU AI Act passt.
1 Warum reine Sprachmodelle im Ernstfall nicht genügen.
Große Sprachmodelle bilden Sätze, indem sie das statistisch wahrscheinlichste nächste Wort vorhersagen. Das US-Normungsinstitut NIST hält fest, dass erfundene Aussagen (Konfabulationen) bei solchen Modellen bauartbedingt sind — kein Ausrutscher, sondern eine Eigenschaft der Architektur.1 Das Nachschlagen in echten Dokumenten (Retrieval-Augmented Generation) senkt die Fehlerrate deutlich, beseitigt sie aber nicht: Selbst mit den richtigen Unterlagen fügen einfache Modelle noch Unbelegtes hinzu.5 Für Entscheidungen mit Folgen reicht „meistens richtig" nicht.
2 Der Ausweg: Muster erkennen und an Regeln prüfen.
Die Forschung nennt den Ansatz neuro-symbolische KI: die Mustererkennung neuronaler Netze wird mit der Prüfbarkeit symbolischer Regeln und Wissensgraphen kombiniert.2 Eine peer-reviewte Übersicht (NAACL 2024) zeigt, dass Wissensgraphen als externe Wissensquelle Halluzinationen reduzieren und die Schlussfolgerungs-Genauigkeit erhöhen.3 Und beim mehrstufigen Schließen — mehrere verknüpfte Fakten zu einer Antwort verbinden — ist die graphbasierte Variante der reinen Textsuche nachweislich überlegen.4 Genau darauf ist c:node gebaut.
3 Nachvollziehbarkeit ist keine Kür — sie ist Pflicht.
Der EU AI Act verlangt für Hochrisiko-KI genau das, was diese Architektur ohnehin leistet: lückenlose Protokolle (Art. 12), Transparenz und nachvollziehbare Dokumentation (Art. 13) und die Möglichkeit menschlicher Aufsicht (Art. 14).6 Weil c:node jede Aussage mit Quelle und Verlauf hinterlegt (Provenance), bleibt jede Entscheidung im Nachhinein prüfbar — ohne dass das Innere des Modells offengelegt werden muss.
4 Wie der c:node Graph gebaut ist — und warum er wächst.
Der c:node Graph baut auf offenen Modellen (Open Source) auf — austauschbar, ohne die nachvollziehbare Logik zu ändern —, läuft in der Cloud, auf euren Servern oder komplett offline und bleibt damit souverän in eurer Umgebung. Er ist kein statisches Modell, sondern ein lebender Wissensgraph, der pro Mandant mit jedem Fall wächst. Die Arbeitsteilung: du steuerst mit c:node, der c:node Graph belegt, die Agenten machen.
5 Wissenschaftlicher Beirat.
Die Ausrichtung von c:node wird durch akademische Expertise in Entscheidungsforschung und KI begleitet.
Assoc. Prof. Dr. Tuna Çakar
Forschung zu Künstlicher Intelligenz, Entscheidungsprozessen, maschinellem Lernen und angewandter Neurowissenschaft — die kognitiven und methodischen Grundlagen belastbarer Entscheidungs-Intelligenz. Ausgewählte Arbeiten:
- Physicians' ethical concerns about artificial intelligence in medicine — Frontiers in Public Health, 2024.
- Unraveling neural pathways of political engagement: bridging neuromarketing and political science — Frontiers in Human Neuroscience, 2023.
- An investigation of the neural correlates of purchase behavior through fNIRS — European Journal of Marketing, 2018.
Quellen
- NIST, Artificial Intelligence Risk Management Framework: Generative AI Profile (NIST AI 600-1), 2024 — Konfabulationen sind bei generativen Modellen bauartbedingt. nvlpubs.nist.gov…
- Hitzler et al. (Hrsg.), Handbook on Neuro-symbolic AI and Knowledge Graphs, IOS Press, 2025 — Wissensgraphen als Brücke zwischen Regeln und lernenden Modellen. iospress.nl…
- Agrawal et al., „Can Knowledge Graphs Reduce Hallucinations in LLMs? A Survey", NAACL 2024 — KG als externe Wissensquelle reduzieren Halluzinationen und erhöhen die Schlussfolgerungs-Genauigkeit. aclanthology.org…
- GraphRAG-Bench — graphbasierte KI ist beim mehrstufigen Schlussfolgern der reinen Textsuche überlegen. arXiv:2506.02404, 2025. arxiv.org…
- MEGA-RAG (Multi-Evidence RAG) — Nachschlagen senkt erfundene Aussagen um über 40 %, beseitigt sie aber nicht. PMC12540348, 2025. ncbi.nlm.nih.gov…
- Europäische Union — EU AI Act, High-level Summary (Art. 12 Protokolle, Art. 13 Transparenz, Art. 14 menschliche Aufsicht). artificialintelligenceact.eu…
- Assoc. Prof. Dr. Tuna Çakar — Publikationsprofil, Google Scholar (Stand 2026). scholar.google.com…
Die Quellen stützen die zugrunde liegenden Prinzipien (neuro-symbolische KI, Wissensgraphen gegen Halluzination, EU-AI-Act-Anforderungen). Angaben zum wissenschaftlichen Beirat sind öffentlich (Google Scholar); FuE-Eckdaten werden nach interner Freigabe ergänzt.