Ontologie oder Sprachmodell

Kaum ein Vortrag zu digitalen Gesetzeszwillingen endet ohne dieselbe Frage: Warum eine Ontologie bauen, wenn ein Sprachmodell das Gesetz doch einfach lesen kann? Die Frage ist berechtigt, und sie verdient eine genauere Antwort als ein Ja oder ein Nein. Dieser Beitrag vergleicht die beiden Methoden für Law as Code entlang der Kriterien, die im Verwaltungsrecht zählen, und zeigt, welche Rolle Sprachmodell, Ontologie und das Rechtsinformationssystem des Bundes in unserer Architektur einnehmen.

Zwei Wege, dasselbe Gesetz

Wer ein Gesetz in Software überführen will, hat heute zwei grundsätzlich verschiedene Werkzeuge. Der ältere Weg ist symbolisch: Begriffe, Regeln und Parameter werden explizit modelliert, und ein Programm wendet sie deterministisch an. Diese Tradition reicht in der Rechtsinformatik bis in die 1980er-Jahre zurück, als Sergot et al. (1986) den British Nationality Act als Logikprogramm formulierten, und hat Rechtsontologien, Regelsprachen und domänenspezifische Programmiersprachen hervorgebracht. Der jüngere Weg ist statistisch: Ein großes Sprachmodell hat Millionen Texte gesehen, darunter Gesetze, Kommentare und Urteile, und erzeugt auf eine Frage hin die wahrscheinlichste Fortsetzung. Seit ChatGPT ist dieser Weg für jede Sachbearbeiterin und jeden Sachbearbeiter mit einem Browser erreichbar, und genau daraus speist sich die Frage.

Für einen fairen Vergleich braucht es Kriterien, und im Verwaltungsrecht sind sie strenger als in den meisten anderen Anwendungsfeldern. Ein Ergebnis muss korrekt sein, nicht wahrscheinlich korrekt. Es muss reproduzierbar sein: gleiche Eingabe, gleiches Ergebnis, heute wie in einem Jahr. Es muss auf die Bestimmung zurückführbar sein, aus der es folgt, weil Bürgerinnen und Bürger es anfechten dürfen. Und es muss mit jeder Novelle Schritt halten. Dazu kommen zwei praktische Kriterien: Was kostet der Aufbau, und wer kann das Ergebnis lesen und prüfen?

Was ein Sprachmodell mit einem Gesetz macht

Ein Sprachmodell liest Prosa deutlich besser als die regelbasierten Textwerkzeuge, die es davor gab. Es erkennt in einem Paragrafen die Akteure, findet Schwellenwerte, schlägt eine Gliederung vor und formuliert auf Nachfrage eine verständliche Erklärung. Für alle Aufgaben, bei denen Text in Struktur überführt oder Struktur in Text zurückübersetzt wird, ist es ein Gewinn, und wir nutzen es genau dort.

Für die Anwendung des Gesetzes im Einzelfall taugt es allein nicht, und zwar aus vier Gründen, die nichts mit der Größe des Modells zu tun haben.

• Es rechnet Wahrscheinlichkeiten, keine Rechtsfolgen. Dieselbe Frage kann bei mehrfacher Ausführung unterschiedlich beantwortet werden. Blair-Stanek und Van Durme haben diese Instabilität für Rechtsfragen systematisch belegt (ICAIL 2025, arXiv:2502.05196). Ein Jurist aus unserer laufenden Interviewstudie mit Expertinnen und Experten aus Gesetzgebung, Wissenschaft, Softwareindustrie und Notariat brachte die Konsequenz auf den Punkt: Mit „wahrscheinlich richtig“ könne er sich nicht zufriedengeben, er müsse wissen, ob ja oder nein.
• Es kennt keine Spur zum Wortlaut. Ein Sprachmodell kann eine Paragrafennummer nennen, aber es leitet sein Ergebnis nicht daraus ab. Fundstellen fehlen, sind ungenau oder erfunden. Für einen Bescheid, der begründet werden muss, ist das kein Schönheitsfehler, sondern ein Ausschlusskriterium.
• Sein Wissensstand ist eingefroren. Das Modell weiß, was zum Zeitpunkt seines Trainings im Netz stand, nicht, was heute im Landesgesetzblatt gilt. Selbst wenn man ihm den aktuellen Text mitgibt, entscheidet nicht der Text, sondern die statistische Gewichtung des Modells darüber, welche Passage es beachtet.
• Plausibilität ersetzt Korrektheit. Die Antworten sind gut formuliert, und genau das macht sie riskant: Ein Fehler in einer flüssigen Erklärung fällt weniger auf als ein Fehler in einer Tabelle.

Ein Beispiel aus unserem Anwendungsfall macht das konkret. Nach § 43 des Oö. Tourismusgesetzes 2018 zahlt ein Betrieb der Beitragsgruppe 1 in einer Gemeinde der Ortsklasse C 0,40 Prozent seines beitragspflichtigen Umsatzes; bei 500.000 Euro sind das 2.000 Euro. Ein Sprachmodell ohne Anbindung an ein Modell des Gesetzes greift leicht zum Satz der Nachbarklasse B, 0,45 Prozent, und liefert 2.250 Euro, inklusive einer überzeugend klingenden Herleitung. Der Fehler ist klein, aber er wiederholt sich bei rund 29.000 beitragspflichtigen Betrieben in jeweils anderer Richtung, und niemand kann ihn nachvollziehen. Im vierten Beitrag dieser Serie haben wir das allgemeine Wissen eines Sprachmodells deshalb als informierende Quelle eingeordnet: nützlich, um einen Anwendungsfall zu verstehen und Ergebnisse zu plausibilisieren, ungeeignet als Begründung einer Regel.

Was eine Ontologie leistet und was nicht

Eine Ontologie ist nach der klassischen Definition von Gruber (1993) eine formale, explizite Spezifikation einer gemeinsamen Konzeptualisierung. Weniger abstrakt: Sie legt fest, wovon das Gesetz spricht und wie die Begriffe zusammenhängen, so präzise, dass eine Maschine damit rechnen und ein Mensch es prüfen kann. Für die Tourismusabgabe sind das Klassen wie Tourismusbetrieb, Beitragsgruppe, Tourismusgemeinde und Ortsklasse, Eigenschaften wie der beitragspflichtige Umsatz und Beziehungen wie „liegt in“ oder „gehört zu“. Jedes Element trägt einen eindeutigen Bezeichner und verweist auf die Bestimmung, die es definiert.

Was die Ontologie damit leistet, ist genau das, was dem Sprachmodell fehlt. Die Bedeutung eines Begriffs ist festgelegt und für alle gleich, die den Zwilling nutzen: für die Fachanwendung der Abgabenbehörde ebenso wie für die Buchhaltungssoftware eines Hotels. Ein Beispiel aus unseren Interviews zeigt, warum das nötig ist: Wie lange jemand als „Kind“ gilt, ist im Steuerrecht anders geregelt als im Strafrecht. Ein Sprachmodell wählt die Bedeutung nach Kontextwahrscheinlichkeit; eine Ontologie macht den Kontext explizit und lässt keine zweite Lesart zu. Dazu kommen automatische Konsistenzprüfung, Versionierung und die Anschlussfähigkeit an Register, Unternehmenssoftware und andere Ontologien.

Ebenso klar ist, was eine Ontologie nicht leistet. Sie rechnet nicht; dafür braucht es die Konfigurations- und die Logikschicht, die wir im zweiten Beitrag dieser Serie beschrieben haben. Sie liest keine Prosa; jemand muss die Begriffe aus dem Text herauslösen, und das war bisher der teuerste Schritt jeder Formalisierung. Und sie kann unbestimmte Rechtsbegriffe nicht bestimmter machen, als der Gesetzgeber sie gemeint hat; wo Ermessen beginnt, endet die Ontologie.

Naheliegend wäre, auf bestehende Rechtsontologien zurückzugreifen. FOLaw, LRI-Core und LKIF-Core sind sorgfältig gebaute Vokabulare, LegalRuleML ist ein OASIS-Standard für normative Regeln. Sie wurden aber für die Arbeitsweise von Juristinnen und Juristen und ihrer Expertensysteme entworfen: Analyse, Klassifikation, Recherche, Argumentation. Für die deterministische Anwendung von Verwaltungsrecht unter dem Rechtsstaatsprinzip sind sie nicht optimiert. Deshalb bauen wir eine eigene, hierarchisch wachsende Ontologie, die vom einzelnen Gesetz über zusammenhängende Materien bis zu ganzen Rechtsgebieten skaliert, und prüfen in einer systematischen Mapping-Studie der Rechtsontologien von 2017 bis 2025, als Fortschreibung von Rodrigues et al. (2019), welche vorhandenen Bausteine sich einbinden lassen.

Das Rechtsinformationssystem als Wissensbasis

Beide Methoden brauchen eine verlässliche Quelle, und für österreichisches Recht ist das das Rechtsinformationssystem des Bundes (RIS). Es stellt Bundes- und Landesrecht in geltender und in historischen Fassungen bereit und kennzeichnet Dokumente mit dem European Legislation Identifier (ELI), der jede Bestimmung eindeutig und dauerhaft adressierbar macht.

Für den Gesetzeszwilling ist das RIS die Textschicht. Der Wortlaut wird nicht kopiert und angepasst, sondern referenziert: Jede Klasse der Ontologie, jeder Prozentsatz in der Konfiguration und jeder Schritt der Logik verweist über ELI auf die Stelle im RIS, aus der er folgt. Erscheint dort eine Novelle, ist das der Auslöser, den Zwilling zu aktualisieren, und das Versionsverhältnis zwischen Text und Modell bleibt jederzeit sichtbar. Das ist der Kern des Zwillingsgedankens: Das Modell bleibt mit seinem Original synchron, und jeder kann es prüfen.

Für ein Sprachmodell ist das RIS ebenfalls die richtige Quelle, aber in einer anderen Rolle. Ein Modell, das zur Laufzeit den aktuellen Text abruft, kennt zwar den gültigen Wortlaut, verarbeitet ihn aber weiterhin probabilistisch. Es liest das Gesetz; es wendet es nicht an. Diese Unterscheidung ist der Kern des ganzen Vergleichs.

Beides, aber in getrennten Rollen

Ich halte die Frage „Ontologie oder Sprachmodell“ deshalb für falsch gestellt. Die produktive Frage lautet, wer welche Aufgabe übernimmt. In der Pipeline, die wir für den Weg vom Gesetzestext zum Zwilling entwickeln, teilen sich die Rollen so auf:

Beim Aufbau liefert das Sprachmodell Vorschläge: eine Segmentierung des Gesetzes in Funktionalitäten, Kandidaten für Ontologieklassen, die Liste der Parameter, einen Entwurf der Berechnungslogik samt Testfällen. Jeder Vorschlag geht durch die Hände von Menschen mit juristischer und technischer Expertise. Das ist keine Vorsichtsmaßnahme, die mit besseren Modellen entfällt, sondern die Stelle, an der Verantwortung entsteht.

Bei der Anwendung ist das Sprachmodell die Oberfläche, nicht der Kern. Für den Tourismusabgabe-Zwilling haben wir die Schnittstelle zusätzlich über das Model Context Protocol veröffentlicht. Ein Assistent nimmt die Frage in natürlicher Sprache entgegen, übergibt Gemeinde, Tätigkeit und Umsatz an den Zwilling, bekommt den Beitrag samt Protokoll zurück und formuliert daraus die Erklärung. Das Modell schreibt, was der Zwilling gerechnet hat, mit den Fundstellen, die der Zwilling geliefert hat. Der Quellcode ist auf GitHub offen einsehbar.

Das Sprachmodell darf vorschlagen und erklären. Entscheiden darf nur das Modell, das jeden Schritt auf den Wortlaut zurückführt.

Diese Arbeitsteilung hat einen weiteren Vorteil, der oft übersehen wird: Sie macht die Ontologie bezahlbar. Der teuerste Schritt der symbolischen Methode war immer die Wissenserhebung. Wenn das Sprachmodell den ersten Entwurf liefert und Menschen nur noch prüfen, sinkt der Aufwand deutlich, ohne dass die Garantien des deterministischen Modells verloren gehen. Erste Prototypen deuten auf messbare Reduktionen bei Entwicklungsaufwand und Aktualisierungslatenz hin (ESWC 2025); die genaue Quantifizierung ist Gegenstand der laufenden Evaluation.

Der nächste Schritt

Den Ontologie-Ansatz haben wir im Juni beim PhD Symposium der Extended Semantic Web Conference (ESWC 2025) in Portorož vorgestellt; die Referenzarchitektur mit der Schnittstelle für Sprachmodelle präsentieren wir mit Christoph Schütz vom 3. bis 5. September beim Developers Workshop der SEMANTiCS 2025 in Wien. Beide Beiträge finden Sie unter Publikationen. Was ein digitaler Gesetzeszwilling insgesamt leisten soll, beschreibt die Seite Digitaler Gesetzeszwilling. Wer in einer Verwaltung oder einem Unternehmen derzeit prüft, ob ein Sprachmodell eine Bestimmung „einfach lesen“ kann, ist eingeladen, diese Frage mit uns entlang der Kriterien aus diesem Beitrag durchzugehen.