Bei solchen Fragen stößt die reine Ähnlichkeitssuche an zwei Grenzen. Erstens findet sie nur Abschnitte, die der Frage sprachlich ähneln – nicht aber die Abschnitte, die über eine Kette von Beziehungen relevant werden. Zweitens liefert sie immer nur eine begrenzte Zahl an Treffern; eine Frage nach dem Gesamtbild eines großen Bestands lässt sich mit einer Handvoll Ausschnitten nicht seriös beantworten. GraphRAG setzt genau hier an: Es macht Zusammenhänge explizit und schafft zusätzlich verdichtete Zusammenfassungen, die den gesamten Bestand abdecken.
Wissensgraphen sind keine neue Idee. Unternehmen und Forschungseinrichtungen nutzen sie seit vielen Jahren, um Stammdaten, Ontologien, Produktstrukturen oder semantische Suchsysteme abzubilden. Der Aufbau war jedoch traditionell aufwendig: Fachleute modellierten Klassen und Beziehungen, und Daten wurden manuell oder über regelbasierte Verfahren in den Graphen übertragen. Mit großen Sprachmodellen hat sich das grundlegend verändert. Ein Sprachmodell kann aus Fließtext Entitäten und Beziehungen herauslesen, ohne dass für jede Dokumentart eigene Regeln geschrieben werden müssen.
Der Begriff GraphRAG wurde vor allem durch eine Veröffentlichung und ein quelloffenes Projekt von Microsoft Research im Jahr 2024 geprägt. Dort wurde gezeigt, wie sich aus einem Dokumentbestand automatisch ein Graph erzeugen, in thematische Gemeinschaften gliedern und mit Zusammenfassungen anreichern lässt, um anschließend auch globale Fragen an den Gesamtbestand zu beantworten. Seitdem ist der Begriff breiter geworden: Heute bezeichnet GraphRAG eine ganze Familie von Ansätzen, die Graphstrukturen in Retrieval-Pipelines einbinden – von leichtgewichtigen Forschungsprojekten bis zu Graphdatenbanken mit eigenen RAG-Bibliotheken.
GraphRAG ergänzt die Frage „Welche Textstellen ähneln meiner Frage?“ um die Frage „Welche Dinge hängen mit meiner Frage zusammen, und was weiß der Bestand insgesamt darüber?“. Technisch bedeutet das: Neben dem Vektorindex existiert ein Graph mit Knoten für Entitäten und Kanten für Beziehungen, oft ergänzt um hierarchische Zusammenfassungen. Bei der Abfrage wird dieser Graph durchlaufen, gefiltert oder ausgewertet, und die Ergebnisse fließen zusammen mit Originaltexten in den Kontext des Sprachmodells.
Ein Beispiel aus dem Maschinenbau macht den Unterschied greifbar. Ein Servicetechniker fragt: „Welche ausgelieferten Anlagen sind von der geänderten Spezifikation des Hydraulikventils betroffen?“ Ein Vektor-RAG findet vermutlich das Änderungsdokument zum Ventil, vielleicht noch eine Stückliste. Die Verbindung von Ventil zu Baugruppe, von Baugruppe zu Anlagentyp und von Anlagentyp zu konkreten Kundeninstallationen steht aber in verschiedenen Dokumenten und Systemen. Ein Graph bildet genau diese Kette ab und kann sie bei der Abfrage verfolgen. Die Antwort wird damit nicht nur vollständiger, sondern auch nachvollziehbarer, weil jeder Schritt der Kette mit einer Quelle belegt ist.
Microsoft GraphRAG ist die bekannteste Referenzimplementierung. Die Pipeline zerlegt Dokumente in Texteinheiten, lässt ein Sprachmodell daraus Entitäten, Beziehungen und optional Aussagen extrahieren, führt gleichnamige Entitäten zusammen und erzeugt Beschreibungen. Anschließend teilt ein Clusterverfahren den Graphen in hierarchische Gemeinschaften (Communities) auf – Gruppen von Entitäten, die untereinander besonders dicht verknüpft sind. Für jede Gemeinschaft schreibt das Sprachmodell einen Bericht, der ihre wichtigsten Akteure, Beziehungen und Kernaussagen zusammenfasst.
Diese Berichte sind der eigentliche Kniff. Sie erlauben es, Fragen an den Gesamtbestand zu stellen, ohne jeden einzelnen Abschnitt lesen zu müssen. Der Preis ist ein vergleichsweise rechenintensiver Indexierungslauf, weil das Sprachmodell sehr viele Extraktions- und Zusammenfassungsaufrufe ausführt. Microsoft hat deshalb Varianten vorgestellt, die einen Teil dieser Arbeit auf den Abfragezeitpunkt verlagern oder günstigere Extraktionsverfahren nutzen. Welche Varianten in welcher Version des Projekts verfügbar und produktionsreif sind, sollte in der aktuellen Dokumentation geprüft werden.
LightRAG ist ein quelloffenes Forschungsprojekt, das Graph und Vektorsuche eng verzahnt, aber auf aufwendige Community-Hierarchien verzichtet. Bei einer Frage werden sowohl spezifische Schlüsselbegriffe als auch übergeordnete Themen abgeleitet, über die passende Entitäten und Beziehungen gefunden werden. Ein Vorteil gegenüber dem ursprünglichen Microsoft-Ansatz ist die einfachere inkrementelle Aktualisierung: Neue Dokumente werden in den bestehenden Graphen eingefügt, ohne dass alles neu berechnet werden muss. Ähnliche Ideen verfolgen weitere Forschungsprojekte, die etwa Verfahren aus der Graphanalyse wie personalisierte Zufallspfade für das Retrieval nutzen.
Beim Knowledge-Graph-RAG mit einer Graphdatenbank wie Neo4j steht nicht eine fertige Pipeline, sondern die Datenbank im Zentrum. Der Graph kann aus Dokumenten per Sprachmodell entstehen, aber ebenso aus vorhandenen strukturierten Daten wie ERP-Stammdaten, Stücklisten oder Organigrammen. Abfragen erfolgen über eine Graphabfragesprache, über Vektorindizes auf Knoten oder über eine Kombination beider. Ein Sprachmodell kann zudem natürliche Sprache in Graphabfragen übersetzen. Dieser Ansatz ist besonders interessant, wenn ein Unternehmen ohnehin strukturierte Beziehungen pflegt und diese mit unstrukturiertem Wissen verbinden möchte.
Eine pauschale Empfehlung gibt es nicht, aber einige Faustregeln haben sich bewährt. Steht die Frage nach dem Gesamtüberblick über einen großen, eher statischen Bestand im Vordergrund – etwa Forschungsberichte, Marktanalysen oder Auditunterlagen –, ist der Community-Ansatz im Stil von Microsoft GraphRAG naheliegend. Ändert sich der Bestand laufend und sollen Kosten begrenzt bleiben, sind schlankere Ansätze mit inkrementeller Aktualisierung oft die bessere Wahl. Existieren bereits strukturierte Beziehungen in Stammdaten, Stücklisten oder Organisationsdaten, spricht viel für eine Graphdatenbank, in der diese Strukturen den Kern bilden und das Sprachmodell nur unstrukturiertes Wissen ergänzt.
In der Praxis verschwimmen die Grenzen. Viele Projekte beginnen mit einer fertigen Pipeline, um schnell einen Eindruck vom Nutzen zu gewinnen, und wechseln für den Produktivbetrieb auf eine Graphdatenbank mit eigener, schlanker Extraktionslogik. Wichtig ist, diese Entscheidung bewusst zu treffen und die Anforderungen an Aktualität, Berechtigungen und Betrieb von Anfang an mitzudenken.
Aus jeder Texteinheit extrahiert ein Sprachmodell anschließend Entitäten – etwa Personen, Organisationen, Produkte, Bauteile, Standorte, Normen oder Ereignisse – samt Typ und Kurzbeschreibung. Ebenso werden Beziehungen zwischen diesen Entitäten erkannt und beschrieben: „Lieferant X liefert Komponente Y“, „Norm Z gilt für Baureihe B“. Manche Pipelines extrahieren zusätzlich Aussagen oder Behauptungen mit zeitlichem Bezug. Da dieselbe Entität in vielen Texteinheiten vorkommt, werden die Ergebnisse zusammengeführt, und das Sprachmodell verdichtet die verschiedenen Beschreibungen zu einer konsistenten Gesamtbeschreibung.
Jeder Knoten und jede Kante bleibt dabei mit den Texteinheiten verknüpft, aus denen sie stammen. Diese Rückverfolgbarkeit ist zentral: Sie erlaubt Quellenangaben in der Antwort, die Prüfung fragwürdiger Extraktionen und das gezielte Löschen von Wissen, wenn ein Dokument entfernt wird.
Ist der Graph entstanden, wird er analysiert. Ein Verfahren zur Community-Erkennung – in der Microsoft-Referenz ein hierarchisches Clusterverfahren – fasst eng verknüpfte Entitäten zu Gruppen zusammen. Auf der obersten Ebene entstehen wenige große Themenfelder, darunter immer feinere Untergruppen. Für jede Gruppe erzeugt das Sprachmodell einen Bericht. So entsteht eine Art automatisch erstelltes Inhaltsverzeichnis des Wissensbestands, das auf mehreren Detailstufen abgefragt werden kann.
Parallel werden Embeddings berechnet: für Texteinheiten, für Entitätsbeschreibungen und teilweise für Community-Berichte. Sie werden in einer Vektordatenbank oder im Vektorindex der Graphdatenbank abgelegt. Der Vektorindex bleibt damit ein fester Bestandteil der Architektur. Er sorgt dafür, dass eine Frage schnell die passenden Einstiegspunkte im Graphen findet – etwa die Entitäten, die semantisch am nächsten an der Frage liegen.
Bei einer Frage entscheidet die Architektur, wie der Graph genutzt wird. Bei einer lokalen Suche werden zunächst passende Entitäten ermittelt, dann deren Nachbarn, Beziehungen, zugehörige Texteinheiten und Community-Berichte gesammelt, priorisiert und in das Kontextfenster des Sprachmodells geladen. Bei einer globalen Suche werden die Community-Berichte einer gewählten Ebene ausgewertet, Teilantworten erzeugt und zu einer Gesamtantwort verdichtet. Graphdatenbank-zentrierte Ansätze ergänzen dies um gezielte Graphabfragen, die Beziehungsketten exakt verfolgen.
Die automatische Extraktion ist der kritischste Schritt. Ohne Vorgaben erkennt ein Sprachmodell eine Vielzahl generischer Entitätstypen, die für das Unternehmen wenig aussagekräftig sind. In der Praxis lohnt es sich daher, ein schlankes Schema festzulegen: Welche Entitätstypen sind fachlich relevant – Produkt, Baugruppe, Kunde, Lieferant, Norm, Mitarbeiterrolle, Standort? Welche Beziehungstypen sollen erkannt werden? Viele Werkzeuge erlauben es, diese Typen vorzugeben und die Extraktions-Prompts mit Beispielen aus dem eigenen Fachgebiet anzupassen. Einige bieten sogar eine automatische Prompt-Anpassung anhand einer Stichprobe der eigenen Dokumente.
Eine zweite Herausforderung ist die Entitätsauflösung. Dieselbe Firma taucht als Kurzname, voller Firmenname und Abkürzung auf, ein Bauteil unter interner Nummer und Herstellerbezeichnung. Werden diese Varianten nicht zusammengeführt, zerfällt der Graph in Dubletten, und Zusammenhänge gehen verloren. Hilfreich sind Abgleiche mit vorhandenen Stammdaten, Synonymlisten, Ähnlichkeitsvergleiche über Embeddings und eine nachgelagerte Prüfung durch das Sprachmodell. Gerade im Mittelstand ist der Abgleich mit ERP- oder PIM-Stammdaten oft der größte Qualitätshebel.
Wichtig ist das Bewusstsein, dass Extraktionen fehlerhaft sein können. Sprachmodelle können Beziehungen falsch interpretieren, Entitäten übersehen oder Zusammenhänge erfinden. Ein Graph ist daher kein automatisch korrektes Abbild der Wirklichkeit, sondern eine maschinell erstellte Interpretation. Stichproben, Plausibilitätsregeln und die Rückverfolgbarkeit zu den Quelltexten sind unverzichtbar.
Community-Berichte fassen zusammen, was der Bestand über ein Themenfeld weiß. Sie enthalten typischerweise einen Titel, eine Zusammenfassung, wichtige Erkenntnisse und eine Einschätzung der Bedeutung. Für globale Fragen sind sie unverzichtbar, weil sie die Auswertung des gesamten Bestands in handhabbare Portionen gliedern. Gleichzeitig sind sie der kostenintensivste Teil der Indexierung und veralten, sobald sich der zugrunde liegende Graph wesentlich ändert. Wer Bestände mit hoher Änderungsrate hat, sollte prüfen, ob Varianten mit verzögerter oder bedarfsgesteuerter Zusammenfassung besser passen.
Die Local Search eignet sich für Fragen zu konkreten Entitäten: „Welche Projekte hatten wir mit Kunde K, und welche Probleme traten auf?“ Sie startet bei passenden Entitäten, sammelt deren Umfeld und kombiniert strukturierte Informationen mit Originaltexten. Die Global Search beantwortet Fragen an den Gesamtbestand: „Welche Hauptthemen dominieren unsere Serviceberichte?“ Sie arbeitet nach einem Map-Reduce-Prinzip über die Community-Berichte – jeder Bericht liefert eine Teilantwort mit Relevanzbewertung, anschließend werden die besten Teilantworten zusammengeführt. Das liefert breite, gut strukturierte Antworten, ist aber deutlich teurer und langsamer als eine einzelne Vektorsuche.
Zwischen beiden Polen gibt es hybride Modi, die eine lokale Suche mit Informationen aus Community-Berichten anreichern oder Fragen iterativ verfeinern. In der Praxis bewährt sich ein vorgeschalteter Router: Ein Sprachmodell oder ein einfacher Klassifikator entscheidet, ob eine Frage per klassischem Vektor-RAG, per lokaler Graphsuche oder per globaler Suche beantwortet wird. So zahlen nur jene Fragen den höheren Preis, die ihn tatsächlich rechtfertigen.
Für den produktiven Einsatz braucht der Graph einen dauerhaften Speicher. Neo4j ist die bekannteste Property-Graph-Datenbank und bietet einen Vektorindex, eine eigene Python-Bibliothek für GraphRAG sowie Werkzeuge, die Graphen per Sprachmodell aus Dokumenten erzeugen. Weitere Property-Graph-Systeme wie Memgraph oder FalkorDB positionieren sich ebenfalls für KI-Anwendungen, bei den Hyperscalern gibt es gemanagte Graphdienste. Wer bereits mit semantischen Technologien arbeitet, kann auf RDF-Triple-Stores mit Abfragen in SPARQL und formalen Ontologien setzen – ein Weg, der mehr Modellierungsdisziplin verlangt, aber Interoperabilität und präzise Semantik bietet.
Hinzu kommt die Aktualität. Ein neues Dokument ist in einem Vektor-RAG nach Sekunden durchsuchbar. Bei GraphRAG müssen Entitäten extrahiert, mit dem Bestand abgeglichen und gegebenenfalls Zusammenfassungen neu erzeugt werden. Für Bestände mit hoher Änderungsrate, etwa Tickets oder Nachrichten, ist das ein wesentlicher Unterschied.
GraphRAG lohnt sich bei Mehrschrittfragen („Welche Kunden nutzen Produkte, in denen das abgekündigte Bauteil verbaut ist?“), bei Überblicksfragen („Welche Themen ziehen sich durch alle Audit-Berichte?“) und bei Beständen, deren Wert in den Verknüpfungen liegt: technische Dokumentation mit Baugruppen und Varianten, Vertragslandschaften, Forschungs- und Entwicklungsunterlagen, Compliance-Anforderungen mit vielen Querverweisen. Auch die Erklärbarkeit profitiert: Ein Graph zeigt, über welche Beziehungen eine Antwort zustande kam.
Ob sich der Schritt zu GraphRAG lohnt, lässt sich mit drei Fragen gut eingrenzen. Erstens: Welcher Anteil der realen Nutzerfragen verlangt Zusammenhänge über mehrere Dokumente oder einen Überblick? Ist er gering, bringt der Graph wenig. Zweitens: Wie stabil ist der Bestand? Je häufiger sich Inhalte ändern, desto stärker fallen Aktualisierungsaufwand und Kosten ins Gewicht. Drittens: Gibt es strukturierte Ankerpunkte wie Stammdaten, Produktstrukturen oder Organisationsdaten, an denen der Graph ausgerichtet werden kann? Wo sie fehlen, steigt das Risiko eines unscharfen, schwer pflegbaren Graphen. Fallen die Antworten positiv aus, ist ein Pilot sinnvoll; andernfalls ist ein konsequent optimiertes Hybrid-RAG fast immer die wirtschaftlichere Lösung.
Ein Graph braucht fachliche Verantwortung. Neben dem technischen Team, das Pipeline, Datenbanken und Modelle betreibt, sollte es im Fachbereich eine Person geben, die das Schema verantwortet, Änderungswünsche bündelt und Stichproben bewertet. Bewährt haben sich regelmäßige, kurze Qualitätsrunden, in denen auffällige Antworten, Dubletten und fehlende Beziehungen besprochen werden. So wächst der Graph kontrolliert mit dem Unternehmen, statt unbemerkt zu verwildern.
Die größte betriebliche Herausforderung ist die Aktualisierung. Ändert sich ein Dokument, müssen die daraus abgeleiteten Entitäten und Beziehungen angepasst, verwaiste Knoten entfernt und betroffene Zusammenfassungen gegebenenfalls neu erzeugt werden. Manche Werkzeuge unterstützen inkrementelle Updates gut, andere sind eher auf einen kompletten Neuaufbau ausgelegt. Das sollte vor der Werkzeugwahl geklärt werden. Ebenso wichtig ist ein sauberer Löschpfad: Wird ein Dokument entfernt, dürfen keine aus ihm abgeleiteten Aussagen im Graphen oder in Community-Berichten zurückbleiben. Eine konsequente Verknüpfung jedes Knotens und jeder Kante mit ihren Quellen ist dafür die Voraussetzung.
Bewährt hat sich, den Graphen zu versionieren. Ein neuer Indexierungslauf erzeugt eine neue Version, die erst nach erfolgreicher Prüfung produktiv geschaltet wird. So lassen sich Qualitätseinbrüche durch geänderte Prompts oder Modelle erkennen, bevor Nutzer sie bemerken.
Berechtigungen sind bei GraphRAG anspruchsvoller als bei klassischem RAG. Ein Community-Bericht fasst Wissen aus vielen Dokumenten zusammen – auch aus solchen, die nicht jeder Nutzer sehen darf. Wer mit unterschiedlichen Berechtigungsstufen arbeitet, muss entweder getrennte Graphen je Vertraulichkeitsstufe aufbauen oder Zusammenfassungen nur aus Inhalten gleicher Berechtigung erzeugen. Ein nachträgliches Filtern einer fertigen Zusammenfassung ist nicht möglich. Für das Monitoring sollten Laufzeiten, Sprachmodellaufrufe, Kosten je Abfragetyp, Fehlerraten der Extraktion und die Antwortqualität anhand von Testfragen kontinuierlich verfolgt werden.
Für die Kostenkontrolle empfehlen wir feste Budgets je Indexierungslauf und je Abfragetyp, Warnschwellen im Monitoring und eine Begrenzung der maximalen Zahl an Sprachmodellaufrufen pro globaler Suche. Gerade in der Pilotphase, in der Prompts und Schema häufig angepasst werden, können wiederholte Neuaufbauten sonst unbemerkt hohe Kosten verursachen. Ein kleiner, fest definierter Testbestand für schnelle Iterationen und ein großer Bestand für die abschließende Validierung trennen Experimentieren und Messen sauber voneinander.
Der gemeinsame Nenner erfolgreicher Projekte: Die Fragen der Nutzer drehen sich um Beziehungen und nicht nur um einzelne Fakten. Wo Mitarbeitende heute mehrere Dokumente, Tabellen und Systeme durchsehen müssen, um einen Zusammenhang herzustellen, entfaltet ein Graph seinen Nutzen.
Ein typisches GraphRAG-Projekt im Mittelstand besteht in unserer Praxis aus wenigen, gut beherrschbaren Komponenten. Eine Aufbereitungsstrecke lädt Dokumente aus Dateiablage, Wiki und Fachanwendungen und zerlegt sie in Texteinheiten. Ein Sprachmodell – idealerweise selbst betrieben oder in einer EU-Region – extrahiert Entitäten und Beziehungen nach einem schlanken, fachlich abgestimmten Schema und gleicht sie mit Stammdaten aus dem ERP ab. Der Graph liegt in einer Graphdatenbank oder in relationalen Tabellen, die Embeddings in einer Vektordatenbank oder einem integrierten Vektorindex. Eine Abfrageschicht mit Router entscheidet, ob eine Frage per Hybrid-RAG, lokaler Graphsuche oder globaler Auswertung beantwortet wird. Die Antwort enthält stets Quellenverweise auf die Originaldokumente.
GraphRAG ist kein Selbstläufer. Der Aufwand verlagert sich von der Datenbank auf Datenqualität, Schema, Extraktion und Evaluierung. Ein gut gepflegter Stammdatenbestand ist dabei ein echter Wettbewerbsvorteil: Wer saubere Artikel-, Lieferanten- und Kundendaten hat, kann den Graphen damit verankern und erreicht deutlich schneller eine verlässliche Qualität. Wir empfehlen, mit einem eng umrissenen Fachgebiet zu starten, den Mehrwert gegenüber einem Hybrid-RAG nachzuweisen und erst dann auszuweiten.
Wer für die Extraktion ein Cloud-Sprachmodell eines US-Anbieters nutzt, überträgt den Inhalt sämtlicher indexierter Dokumente an diesen Anbieter – nicht nur einzelne Ausschnitte wie bei einer klassischen RAG-Abfrage. Enthalten diese Dokumente personenbezogene Daten, etwa Namen von Ansprechpartnern, Kundendaten oder Mitarbeiterinformationen, findet eine Verarbeitung durch einen Dienstleister statt, die vertraglich abgesichert und datenschutzrechtlich bewertet werden muss. Bei Anbietern mit Sitz in den USA ist zusätzlich die Frage des Drittlandtransfers und möglicher Behördenzugriffe nach US-Recht zu berücksichtigen, auch wenn eine EU-Region gewählt wird.
Hinzu kommt eine Besonderheit von GraphRAG: Der Graph selbst ist eine Verdichtung personenbezogener Informationen. Werden Personen als Entitäten extrahiert, entsteht ein Netz aus Beziehungen, Rollen und Aktivitäten, das sensibler sein kann als die einzelnen Ursprungsdokumente. Ein Graph, der zeigt, wer mit wem an welchen Themen gearbeitet hat, kann in Richtung Profilbildung gehen. Zweckbindung, Datenminimierung und gegebenenfalls Mitbestimmung sind deshalb früh zu klären. Oft ist es sinnvoll, Personen gar nicht oder nur als Rollen zu extrahieren.
Datenschutzfreundlicher ist der Einsatz von Sprachmodellen in einer EU-Region eines Anbieters mit klaren vertraglichen Zusagen, besser noch von europäischen Anbietern oder selbst betriebenen Open-Weight-Modellen im eigenen Rechenzentrum oder bei einem deutschen Hoster. Leistungsfähige offene Modelle eignen sich zunehmend für Extraktionsaufgaben, insbesondere wenn das Schema klar vorgegeben ist. Dasselbe gilt für Embedding-Modelle, die sich gut lokal betreiben lassen. Graphdatenbank und Vektordatenbank können ebenfalls selbst gehostet werden. So entsteht eine Architektur, in der Dokumente, Graph und Antworten den eigenen Verantwortungsbereich nicht verlassen.
Der größte Kostentreiber ist die Indexierung. Jede Texteinheit durchläuft mindestens einen Extraktionsaufruf, hinzu kommen Zusammenführungen, Beschreibungen und Community-Berichte. Bei Cloud-Modellen wird nach verarbeiteten Tokens abgerechnet; bei großen Beständen und mehrfachen Neuaufbauten summiert sich das spürbar. Bei selbst betriebenen Modellen verlagern sich die Kosten auf Hardware, insbesondere GPUs, und auf die Laufzeit. Die zweite Kostenquelle sind Abfragen: Globale Suchen verursachen ein Vielfaches der Aufrufe einer einfachen Vektorsuche. Hinzu kommen Betrieb der Datenbanken, Monitoring sowie die Arbeitszeit für Schema-Pflege, Qualitätssicherung und Weiterentwicklung.
Kosten lassen sich gezielt steuern: kleinere oder lokale Modelle für die Extraktion, größere nur für Zusammenfassungen und Antworten; Begrenzung auf relevante Dokumentbereiche; inkrementelle statt vollständiger Neuaufbauten; Varianten mit bedarfsgesteuerter Zusammenfassung; und ein Router, der teure Suchmodi nur bei passenden Fragen nutzt. Aktuelle Preise für Modelle, Graphdatenbanken und Hosting sind beim jeweiligen Anbieter zu prüfen; belastbare Aussagen ergeben sich am besten aus einer Messung im Pilotprojekt.