Warum die brillante Idee der Semantic Web scheiterte – und was wir heute daraus lernen können

Vor über zwei Jahrzehnten veröffentlichte Clay Shirky einen kurzen, aber treffenden Essay, der die große Vision des Semantic Web infrage stellte. Sein Kernargument war ebenso elegant wie unbequem: Der Semantic Web sei im Grunde nichts anderes als eine «Logikmaschine», und formale Logik funktioniert nun mal nicht in der chaotischen Wirklichkeit menschlichen Wissens.

Das klassische Beispiel

Nehmen wir Aristoteles' berühmtes Dreieck:

• Menschen sind sterblich
• Griechen sind Menschen
• Also sind Griechen sterblich

Sauber. Logisch. Und in der Praxis für die meisten echten Fragestellungen völlig unbrauchbar.

Shirky verdeutlichte das Problem mit einem anschaulichen Beispiel: Wenn man weiß, dass «Clay Shirky der Ersteller von shirky.com ist» und «Der Ersteller von shirky.com in Brooklyn lebt», könnte man ableiten, dass er in Brooklyn wohnt. Kombiniert man das dann mit der Aussage «Menschen aus Brooklyn sprechen mit einem Brooklyn-Akzent», käme man zu dem Schluss, dass Shirky «shirky.com» mit Brooklyn-Dialekt ausspricht – offensichtlich falsch.

Das Problem liegt nicht in der Logik selbst. Das Problem ist, dass die reale Welt ihre Informationen nicht in sauberen, universell gültigen Paketen anbietet, die sich beliebig neu kombinieren lassen.

Was dann tatsächlich passierte

Der Semantic Web, wie er einst konzipiert war, wurde nie in irgendeiner bedeutenden Form Realität. RDF, OWL und der Rest des Semantic-Stack wurden zu akademischen Spielereien und Werkzeugen für enterprise Integration – nicht jedoch zu dem universellen Framework für maschinelles Schlussfolgern, das Tim Berners-Lee sich vorgestellt hatte. Die großen Versprechen von «allgegenwärtiger und verheerend wirkungsvoller» maschineller Intelligenz lösten sich in Luft auf.

Aber genau hier wird Shirky Essay 2025 wieder hochaktuell: Die Grundspannung, die er identifizierte, ist nie verschwunden. Sie ist nur in ein anderes Feld gewandert.

Das moderne Revival

Heute erleben wir eine neue Welle des Optimismus für maschinelles Reasoning – diesmal angetrieben von Large Language Models und neuronalen Netzen statt durch symbolische Logik. Die Versprechen klingen vertraut: KI-Systeme, die enorme Datenmengen analysieren, Erkenntnisse gewinnen und Verbindungen herstellen können, die Menschen verborgen bleiben.

Einiges hat sich geändert. Moderne LLMs setzen nicht mehr auf formale Syllogismen. Sie arbeiten mit statistischer Mustererkennung in gewaltigem Maßstab und liefern beeindruckende Ergebnisse, die oft wie echtes Verständnis wirken. Doch die fundamentale Herausforderung, die Shirky identifizierte, bleibt bestehen: Wie geht man mit Wissen um, das lückenhaft, kontextabhängig oder schlicht falsch ist?

Wenn ein LLM selbstbewusst etwas Falsches als Tatsache präsentiert, macht er keinen logischen Fehler. Er spiegelt die unordentliche Realität wider, dass von Menschen generierter Text Widersprüche, kulturelle Annahmen, veraltete Informationen und reine Fiktion enthält – alles miteinander vermischt. Das «Wissen» ist nicht sauber organisiert. Das war es nie.

Der pragmatische Mittelweg

Interessanterweise sind die praktischen Nachfolger der Semantic Web-Vision überhaupt nicht semantisch – sie sind probabilistisch. Googles Knowledge Graph, der viele Suchfunktionen antreibt, schließt nicht über formale Aussagen. Er verwaltet eine riesige Datenbank aus Entitäten und Beziehungen, wird aber durch Machine Learning, menschliche Kuratierung und ständige Aktualisierung aufgebaut und gepflegt. Er funktioniert gerade deshalb, weil er nicht versucht, logisch rein zu sein.

Dieser Ansatz – pragmatisch, chaotisch, ständig gegen die Realität validiert – hat sich als wesentlich wertvoller erwiesen als der theoretisch perfekte Semantic Web es je hätte sein können.

Was Shirky richtig erkannte

Die Kernerkenntnis bleibt gültig: Deduktives Schließen, ob durch formale Logik implementiert oder durch neuronale Netze nachgeahmt, scheitert an der Lücke zwischen der Art, wie Wissen tatsächlich repräsentiert wird, und der Art, wie es tatsächlich wahr ist.

Doyle's Sherlock Holmes sagte uns, dass das brillante Gehirn das Unmögliche ausschließt und zu unvermeidlicher Wahrheit gelangt. Aber das meiste echte «Wissen» ist nicht so organisiert. Es ist lückenhaft. Es ist kontextabhängig. Es steckt voller unausgesprochener Annahmen, die nicht übertragbar sind.

Die KI-Systeme, die Branchen tatsächlich transformiert haben – von Empfehlungsmaschinen über Übersetzungstools bis zu Code-Vervollständigung – haben das nicht geschafft, weil sie syllogistisches Schließen gemeistert haben. Sie waren erfolgreich, weil sie nützliche Muster in chaotischen Daten fanden, Unsicherheit akzeptierten und manchmal falsch lagen, ohne zusammenzubrechen.

Die Lektion für heutige Entwickler

Wenn du heute mit KI arbeitest, bleibt Shirky's Essay wichtige Pflichtlektüre – nicht weil er die Zukunft vorhergesagt hat, sondern weil er eine grundlegende Herausforderung diagnostiziert hat, die unabhängig vom aktuellen Technologie-Hype fortbesteht.

Die Frage ist nicht, ob Maschinen schlussfolgern können. Sie können es, auf bestimmte Weise. Die Frage ist, ob das Wissen, mit dem du arbeitest, so organisiert ist, dass es die Art von Schlussfolgerung unterstützt, die du erreichen willst.

Meistens ist es das nicht. Und das ist kein Fehler, der behoben werden muss – das ist ein Merkmal davon, wie Wissen tatsächlich funktioniert.

Das Scheitern des Semantic Web war kein Scheitern des Ehrgeizes. Es war ein Scheitern dabei zu verstehen, dass menschliches Wissen fundamental anders ist als das, was formale Logik bräuchte. Die Werkzeuge, die seitdem erfolgreich waren, haben diese Realität akzeptiert und mit ihr gearbeitet – nicht gegen sie.

Das ist das wahre Erbe von Shirky's Essay aus 2003: keine Vorhersage über RDF oder OWL, sondern eine Erinnerung daran, dass Intelligenz – in Maschinen und Menschen – nicht so funktioniert, wie unser Bauchgefühl uns sagt.