NVIDIA hat die Schicht open-sourced, die Agenten am Lügen über Umsätze hindert — und keine Ergebnisse veröffentlicht

Jedes Team, das einen KI-Agenten auf ein Data Warehouse gerichtet hat, kennt den Fehlermodus. Der Agent liefert eine Zahl. Schnell, flüssig, korrekt formatiert — und falsch. Ein Umsatzwert, der vier Sekunden statt vier Stunden gebraucht hat, ist nichts wert, wenn die Definition von „Umsatz" aus der Vermutung des Agenten über einen Spaltennamen stammt.

NVIDIAs Antwort, auf GitHub unter Apache 2.0 veröffentlicht, besteht darin, den Agenten gar nicht erst an das Schema zu lassen. Auto Ontology baut aus Unternehmensmetadaten — den Entitäten, Metriken, Beziehungen und der Herkunft, zu denen das Geschäft ohnehin eine Meinung hat — eine semantische Schicht und stellt dem Agenten nur diese zur Verfügung. Das Repository benennt das Problem ohne Schmuck: Zuverlässigkeit ist die Bedingung für agentische Analytik.

Die Bibliothek erledigt fünf Aufgaben. Sie entdeckt Ontologien aus Metadaten und verbindet bestehende semantische Modelle. Sie erdet sie, indem sie Definitionen zusammenführt, die sich zwischen Systemen widersprechen. Sie validiert generierte Abfragen gegen zertifizierte Definitionen und liefert zu jeder Antwort die Herkunft. Sie stellt das Ergebnis über MCP, eine CLI und eine REST-API bereit. Und sie lernt: zertifizierte menschliche Korrekturen fließen zurück in den gemeinsamen Kontext.

Die bewusste Auslassung ist der interessante Teil. Der MCP-Server liefert neun schreibgeschützte Werkzeuge, und es gibt keinen Weg, ein Rohtabellenschema zu durchsuchen. Das ist eine Designentscheidung, kein Versehen: Agenten erreichen die Daten über die semantische Schicht oder gar nicht. `ask_question` gibt Antwort, SQL und Zeilen als drei getrennte Felder zurück statt als Prosaabsatz, und begrenzt das Ergebnis auf 100 Zeilen. Dahinter listet die veröffentlichte OpenAPI-Spezifikation 87 Operationen, wobei jeder Aufruf die Rechte des angemeldeten Nutzers trägt.

Der Stack ist auf die bestmögliche Weise unauffällig. Ein Next.js-16-Frontend übernimmt UI und Authentifizierung auf Port 3000; ein FastAPI-Backend mit LangChain betreibt Chat und Natural-Language-to-SQL auf 3001; ein Ingestion-Worker schreibt Embeddings auf 3002; Postgres mit pgvector speichert Katalog, Ontologie und Vektoren auf 5432. Zugangsdaten können in HashiCorp Vault wandern — erwähnenswert, denn ohne Vault liegen Verbindungszeichenfolgen im Klartext auf der Katalogzeile, Passwort inklusive. Als Quelldatenbanken kommen Databricks, Postgres, Snowflake oder DuckDB infrage. Die Inferenz nutzt standardmäßig NVIDIAs eigene Nemotron-Familie über NIM-Endpunkte, aber jeder OpenAI-kompatible Endpunkt funktioniert.

Dann ist da die Beweislücke. NVIDIA meldet, der Ontologieaufbau sei in eigenen Tests 90 % schneller geworden. Text-to-SQL-Genauigkeitswerte veröffentlicht das Projekt überhaupt keine. Ein separater Prüfstand, auto-ontology-eval, liegt in einem Schwester-Repository — BIRD Dev mit 1.534 Fragen über 11 Datenbanken, ein Mini-Dev-Satz mit 500 Fragen, FDABench-Lite, eine BEAVER-Stichprobe von 100 Fragen — und bewertet wird über deterministischen Ausführungsabgleich statt über einen LLM-Richter, was die richtige Wahl ist. Aber der Prüfstand ist eine Einladung, Ergebnisse zu erzeugen, nicht die Ergebnisse selbst.

Derselbe Prüfstand dokumentiert auch seine beiden Einschränkungen, was seltener und glaubwürdiger ist als eine saubere Zahl. Optionale Few-Shot-Beispiele und Werteanker gehen nur an den Ontologie-Arm, sodass jedes gemessene Delta diese Eingaben enthält und nicht allein die Erdung. Und die getestete Konfiguration leitet beide Arme über ein Claude-Modell auf NVIDIAs Inferenz-Gateway — ein Detail, das jeden betrifft, der den Vergleich auf eigenen Modellen wiederholen will.

Das Projekt nimmt zudem keine externen Beiträge an; Pull Requests von außerhalb des Maintainer-Teams werden nicht geprüft. Für eine Apache-2.0-Veröffentlichung, die als Infrastruktur positioniert ist, ist das eine bemerkenswerte Haltung: offen zum Lesen, offen zum Betreiben, geschlossen gegenüber Steuerung.

Was NVIDIA tatsächlich geliefert hat, ist ein gut gebautes Argument darüber, wo das Zuverlässigkeitsproblem sitzt. Die fünf Funktionen passen sauber auf die realen Fehlermodi agentischer Analytik, und der Verzicht auf Rohtabellen ist die Art Einschränkung, die man nur nach Verbrennungen wählt. Die Frage, die das Repository offenlässt, ist die einzige, die über die Übernahme entscheidet: nicht ob die Schicht gut architektoniert ist, sondern ob sie die Zahlen richtig macht. Diese Antwort müssen jetzt die Teams liefern, die den Prüfstand selbst laufen lassen.