Tentris entwickelt Technologien für Unternehmensdaten und Wissensgraphen, um Unternehmen eine leistungsfähige Grundlage für Analysen und KI-Anwendungen zu bieten
Können Sie Tentris kurz vorstellen und erzählen, wer das Unternehmen gegründet hat?
Tentris ist ein DeepTech-Startup, das eine neue Generation von Graphdatenbanken für Unternehmen entwickelt. Unsere Technologie hilft Organisationen dabei, große, komplexe und stark vernetzte Datenmengen schneller, effizienter und zuverlässiger auszuwerten. Im Kern geht es darum, Unternehmensdaten nicht nur zu speichern, sondern ihre Beziehungen, Bedeutungen und Zusammenhänge nutzbar zu machen, welches als Grundlage für bessere Analysen und vertrauenswürdige KI-Anwendungen gilt.
Gegründet wurde Tentris von Alexander Bigerl, Nikolaos Karalis, Tobias Rebert und Prof. Dr. Axel-Cyrille Ngonga Ngomo. Das Team verbindet tiefgehende wissenschaftliche Expertise in Wissensgraphen, Datenbanken und KI mit operativer und unternehmerischer Erfahrung. Die technologische Basis entstand aus mehrjähriger Forschung an der Universität Leipzig und später an der Universität Paderborn.
Wie entstand die Idee, mit Tentris eine neue Generation von Graphdatenbanken und KI-Lösungen für Unternehmen zu entwickeln?
Die Idee entstand aus der Forschung rund um Wissensgraphen und skalierbare Datenbanksysteme. Der Ursprung liegt in der Masterarbeit von Alexander Bigerl an der Universität Leipzig, betreut von Prof. Dr. Axel-Cyrille Ngonga Ngomo. Schon damals stand die Frage im Mittelpunkt, wie sich Wissensgraphen deutlich effizienter auswerten lassen, als es mit bestehenden Systemen möglich war.
In der Praxis zeigte sich immer wieder: Unternehmen verfügen über enorme Mengen vernetzter Daten, können diese aber oft nicht in der Geschwindigkeit, Qualität und Tiefe nutzen, die moderne datengetriebene Anwendungen erfordern. Klassische Datenbanken stoßen bei komplexen Beziehungen schnell an Grenzen, während viele Graphdatenbanken bei großen Datenmengen zu langsam oder zu ressourcenintensiv werden. Genau diese Lücke wollten wir schließen.
Welche Vision verfolgen Sie mit Tentris, und wie möchten Sie den Umgang mit Unternehmensdaten langfristig verändern?
Unsere Vision ist es, die zentrale Infrastruktur für die datengesteuerte Welt von morgen zu schaffen. Langfristig soll Tentris Unternehmen dabei helfen, ihre Daten nicht länger als isolierte Tabellen, Dokumente oder Systeme zu betrachten, sondern als zusammenhängendes, semantisch verständliches Wissensnetz.
Wir möchten eine Dateninfrastruktur ermöglichen, in der Unternehmenswissen sofort nutzbar, verknüpft, erklärbar und für KI-Systeme zuverlässig zugänglich ist. Das Ziel ist eine Art semantische Schicht über bestehenden Datenplattformen: Daten werden automatisch verständlicher, Beziehungen werden sichtbar, und Analysen starten mit Kontext statt mit aufwendiger manueller Datenvorbereitung.
An welche Zielgruppen richtet sich Tentris hauptsächlich, und welche Herausforderungen möchten Sie für diese Unternehmen lösen?
Tentris richtet sich vor allem an mittelgroße und große Unternehmen, die mit großen, heterogenen und stark vernetzten Datenmengen arbeiten. Besonders relevant ist unsere Technologie für Branchen wie Life Sciences, Finanzdienstleistungen, Maschinenbau, Industrie 4.0, Forschung, Software und Telekommunikation.
Diese Unternehmen stehen häufig vor ähnlichen Herausforderungen: Daten liegen verteilt in verschiedenen Systemen, Abfragen über komplexe Zusammenhänge dauern zu lange, bestehende Systeme skalieren nicht wirtschaftlich, und Data-Science-Teams verbringen zu viel Zeit mit Datenintegration statt mit Erkenntnisgewinn. Tentris soll genau hier ansetzen: weniger manuelle Datenaufbereitung, geringere Infrastrukturkosten und schnellere, präzisere Einblicke in komplexe Zusammenhänge.
Viele Unternehmen kämpfen mit Datensilos und verstreuten Informationen. Warum ist dieses Problem gerade im Zeitalter der Künstlichen Intelligenz so entscheidend?
KI ist nur so gut wie der Kontext, auf den sie zugreifen kann. Wenn Unternehmensdaten in Silos liegen, fehlen KI-Systemen wichtige Zusammenhänge: Welche Kunden, Produkte, Prozesse, Dokumente oder Ereignisse miteinander verbunden sind, bleibt oft unsichtbar. Das führt zu unvollständigen Analysen, schlechteren Entscheidungen und bei generativer KI auch zu unzuverlässigen oder schwer nachvollziehbaren Antworten.
Gerade Enterprise-AI-Anwendungen brauchen eine vertrauenswürdige Datengrundlage. Wissensgraphen können hier als semantische „Ground Truth Layer“ dienen: Sie verbinden Fakten, Metadaten, Dokumente und Beziehungen zu einer erklärbaren Wissensbasis. Dadurch wird KI nicht nur leistungsfähiger, sondern auch nachvollziehbarer und auditierbarer. Gleichzeitig können Halluzinationen reduziert oder vermieden werden, weil KI-Systeme ihre Antworten auf verifizierbare, aktuelle und kontextreiche Unternehmensdaten stützen, statt ausschließlich auf probabilistische Sprachmodelle angewiesen zu sein.
Tentris verbindet Graphdatenbanken mit KI. Was macht diesen Ansatz aus Ihrer Sicht besonders im Vergleich zu klassischen Datenbanken oder RAG-Systemen?
Klassische Datenbanken sind sehr stark darin, strukturierte Daten zu speichern und bekannte Abfragen effizient zu beantworten. Sie tun sich aber schwer, wenn Daten sehr heterogen sind, sich häufig verändern und komplexe Beziehungen im Mittelpunkt stehen. RAG-Systeme wiederum helfen dabei, Sprachmodelle mit externen Informationen zu versorgen, basieren aber häufig vor allem auf Ähnlichkeitssuche. Das reicht nicht immer aus, wenn Unternehmen präzise, überprüfbare und mehrstufige Schlussfolgerungen benötigen.
Tentris setzt genau zwischen diesen Welten an. Unsere Graphdatenbank macht Beziehungen explizit, standardisiert und effizient abfragbar. Dadurch entsteht eine strukturierte, erklärbare Wissensbasis, die KI-Systeme mit verlässlichem Kontext versorgt. Statt nur ähnliche Textpassagen zu finden, kann eine KI mit Tentris auf konkrete Fakten, Beziehungen und Zusammenhänge zugreifen.
Welche Vorteile bieten Wissensgraphen, wenn Unternehmen ihre Daten effizienter nutzen und KI-Anwendungen präziser machen möchten?
Wissensgraphen bilden Daten nicht isoliert ab, sondern zeigen ihre Beziehungen und Bedeutungen. Das ist besonders wertvoll, wenn Unternehmen Informationen aus unterschiedlichen Quellen zusammenführen müssen, etwa aus ERP-Systemen, CRM-Plattformen, Sensordaten, Dokumenten oder Forschungsdaten.
Für KI-Anwendungen bieten Wissensgraphen drei zentrale Vorteile: Erstens liefern sie Kontext, der für präzisere Antworten entscheidend ist. Zweitens machen sie Zusammenhänge erklärbar, weil Beziehungen explizit modelliert sind. Drittens ermöglichen sie flexible Datenintegration, da neue Datenquellen und neue Beziehungen ergänzt werden können, ohne das gesamte System neu zu entwerfen. So wird aus verstreutem Unternehmenswissen eine nutzbare, maschinenlesbare Wissensbasis.
Wie wichtig sind Geschwindigkeit, Skalierbarkeit und erklärbare KI bei der Entwicklung Ihrer Technologien?
Diese drei Aspekte sind für uns zentral. Geschwindigkeit ist entscheidend, weil Unternehmen nicht Stunden oder Tage auf Antworten warten können, wenn sie Entscheidungen treffen oder KI-Anwendungen produktiv einsetzen möchten. Skalierbarkeit ist genauso wichtig, weil Datenmengen und Datenbeziehungen in Unternehmen stark wachsen.
Erklärbarkeit ist im Enterprise-Kontext besonders relevant. Unternehmen müssen nachvollziehen können, auf welcher Grundlage eine Analyse oder KI-Antwort zustande kommt. Tentris kombiniert deshalb eine leistungsfähige Graphdatenbank mit einer Architektur, die komplexe Beziehungen effizient auswertet und gleichzeitig eine nachvollziehbare semantische Grundlage schafft. Unsere Technologie nutzt unter anderem Worst-Case Optimal Joins und den Hypertrie-Index, um komplexe Graphabfragen deutlich schneller und ressourcenschonender auszuführen.
Welche Herausforderungen begegnen Ihnen bei der Entwicklung von Lösungen für komplexe Unternehmensdaten und anspruchsvolle KI-Anwendungen?
Eine der größten Herausforderungen ist die Balance zwischen Performance, Skalierbarkeit, Speicherverbrauch und Benutzerfreundlichkeit. Unternehmen arbeiten mit sehr unterschiedlichen Datenquellen, Formaten und Systemlandschaften. Eine Lösung muss daher nicht nur technisch leistungsfähig sein, sondern sich auch gut in bestehende Infrastrukturen integrieren lassen.
Hinzu kommt, dass Enterprise-AI-Anwendungen besonders hohe Anforderungen an Zuverlässigkeit, Aktualität und Nachvollziehbarkeit stellen. Es reicht nicht, Daten einfach nur schnell bereitzustellen. Sie müssen korrekt, kontextreich und auditierbar sein. Genau deshalb investieren wir stark in robuste Datenbanktechnologie, Standards wie RDF und SPARQL sowie in effiziente Abfrage- und Speicherstrukturen.
Tentris ist aus einer Universität hervorgegangen. Welche Rolle spielt die wissenschaftliche Forschung für die Weiterentwicklung Ihres Unternehmens?
Wissenschaftliche Forschung ist ein zentraler Bestandteil unserer DNA. Tentris ist aus akademischer Forschung entstanden und basiert auf mehreren Jahren Arbeit an Wissensgraphen, Graphdatenbanken und KI-relevanter Dateninfrastruktur. Diese Nähe zur Forschung ermöglicht es uns, nicht nur bestehende Systeme zu verbessern, sondern grundlegende technologische Ansätze neu zu denken.
Gleichzeitig ist uns wichtig, Forschung in ein praxistaugliches Produkt zu überführen. Tentris ist kein reines Forschungsprojekt, sondern ein industriell einsetzbares Backend-Produkt. Die Förderung im Rahmen des EXIST-Forschungstransfers vom Bundesministerium für Wirtschaft und Energie (BMWE) unterstützt uns dabei, diesen Schritt von exzellenter Forschung in den industriellen Einsatz zu gehen.
Welche nächsten Entwicklungsschritte und Wachstumsziele stehen bei Tentris aktuell im Fokus?
Aktuell liegt unser Fokus darauf, TentrisDB weiter zur Marktreife zu bringen, die Community Edition auszurollen und anschließend Enterprise-Kunden mit einer On-Prem-Version zu unterstützen. Langfristig planen wir außerdem eine vollständig gemanagte Cloud-Version, die Unternehmen eine skalierbare semantische Infrastruktur ohne operativen Mehraufwand bietet.
Parallel dazu arbeiten wir daran, Tentris als semantische Schicht für Enterprise AI weiterzuentwickeln. Unser Ziel ist es, Wissensgraphen im großen Maßstab für Unternehmen einfacher nutzbar zu machen: von schneller Graph-Analytics über KI-Kontextanreicherung bis hin zu einem langfristigen Semantic-Data-Lakehouse-Ansatz.
Welche drei Ratschläge würden Sie anderen Gründerinnen und Gründern geben, die aus wissenschaftlicher Forschung ein erfolgreiches DeepTech-Unternehmen aufbauen möchten?
Erstens: Verliebt euch nicht nur in die Technologie, sondern versteht sehr genau, welches reale Problem ihr löst. DeepTech ist nur dann erfolgreich, wenn aus wissenschaftlicher Exzellenz ein klarer Nutzen für Kunden entsteht.
Zweitens: Übersetzt Forschung früh in ein Produkt. Wissenschaftliche Tiefe ist ein großer Vorteil, aber Unternehmen kaufen keine Paper, sondern Lösungen, die zuverlässig funktionieren, integrierbar sind und wirtschaftlichen Mehrwert schaffen.
Drittens: Baut ein Team, das Forschung, Technologie und Business gleichermaßen versteht. Gerade bei DeepTech braucht es Menschen, die komplexe Ideen erklären, produktisieren und in den Markt bringen können. Der Weg von der Universität zum Unternehmen ist anspruchsvoll, aber genau dort entstehen oft die spannendsten Innovationen.
Bildcredits Tentris
Wir bedanken uns bei den Gründern für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
