Neo4j Virtual Graph startet als Public Preview für Snowflake, Databricks und BigQuery

Graph Reasoning, ohne die Daten zu verschieben

Nach Angaben von Neo4j verursacht das Kopieren großer Unternehmensdatenbestände in sekundäre Datenbanken für Graph-Analysen unnötige Kosten, Datenabweichungen (Data Drift) und einen hohen Governance-Aufwand. Virtual Graph soll diesen Zielkonflikt vermeiden, indem das Graph Reasoning dort läuft, wo die Daten bereits liegen. In der Public Preview unterstützt die Zero-Copy-Architektur nun Snowflake, Databricks und Google BigQuery.

Laut Neo4j können Teams in wenigen Minuten funktionsfähige Knowledge Graphs aufbauen. Integrierte KI-Werkzeuge analysieren bestehende Tabellen im Data Warehouse und schlagen automatisch ein Graphschema vor. Führt ein KI-Agent oder ein Nutzer eine Cypher-Abfrage aus, übersetzt Virtual Graph die Anfrage deterministisch in optimiertes SQL und verlagert die rechenintensive Arbeit auf die Engine des Cloud-Warehouse. Die Daten bleiben unter den bestehenden Perimeter-Kontrollen, die Ergebnisse kommen über das Bolt-Protokoll in Graphform zurück.

Mit Blick auf die allgemeine Verfügbarkeit (General Availability) sieht Neo4j darin für Systemintegratoren und Partner einen Zero-ETL-Einstieg in GraphRAG und relationales Reasoning ohne teure Datenmigrationen.

Nutzeridentität für KI-Agenten

Neo4j hat außerdem eine Multi-Cloud-Referenzarchitektur veröffentlicht, die Microsoft Copilot Studio über Okta-SSO pro Nutzer mit Neo4j verbindet. Sie zielt auf ein Problem, das das Unternehmen als "Confused Deputy" bezeichnet: Ein KI-Agent, der eine Datenbank über ein einziges gemeinsames Servicekonto abfragt, verfügt womöglich über weitreichendere Berechtigungen als der Endnutzer und gibt auf einen unvorhersehbaren Prompt hin vertrauliche Daten zurück.

In dem Entwurf laufen Agentenanfragen über einen Neo4j-Server für das Model Context Protocol (MCP), der auf Google Cloud Run gehostet wird. Individuelle Okta-OAuth-Zugriffstoken werden bis zur Datenbank durchgereicht, wo Neo4j das signierte Token gegen Okta validiert und Nutzergruppen auf Rollen auf Datenbankebene abbildet. Laut Neo4j wird der Zugriff selbst dann auf Datenbankebene durchgesetzt, wenn ein LLM eine breite Cypher-Abfrage über mehrere Hops erzeugt, sodass Nutzer nur den Kontext abrufen, den sie sehen dürfen.

Neocarta-Benchmark zu Token-Kosten

Ein Benchmark im Neo4j Developer Blog untersuchte Text2SQL-Agenten, die auf große Datenkataloge zugreifen. Neo4j beschreibt zwei Probleme: den hohen Token-Verbrauch, wenn rohe Schemata in Prompts eingefügt werden, und Halluzinationen, wenn Agenten raten, welche Tabellen sie verknüpfen sollen. Die Antwort des Unternehmens ist eine semantische Schicht auf Basis von Neocarta, die Katalogschemata, Fachbegriffe und tatsächliche Join-Pfade in einem Metadaten-Knowledge-Graph bündelt. Agenten nutzen dann per MCP die semantische Suche, um nur die benötigten Tabellen, Spalten und zertifizierten Join-Pfade abzurufen.

Getestet wurde mit einem BigQuery-Schema mit 278 Tabellen und einem Databricks Unity Catalog mit 264 Tabellen. Laut Neo4j bewirkte die semantische Schicht Folgendes:

• Der Token-Verbrauch sank über mehrere Modellfamilien hinweg um 45 bis 81 Prozent.
• Günstige Modelle wie GPT-4o-mini kamen aus fehlschlagenden Endlosschleifen heraus und erreichten 100 Prozent Genauigkeit.
• Die Ausführungsgeschwindigkeit verdoppelte sich, zugleich sanken die API-Token-Kosten um mehrere hundert Dollar pro Monat.

Kundeneinsätze und Partneraktivitäten

Neo4j meldete für das dritte Quartal Co-Sell-Aktivitäten mit Google Cloud, AWS und Microsoft. Auf Google Cloud setzte ein globaler Anbieter von Immobiliendaten 2 TB Aura VDC ein, um fragmentierte Immobilien- und Steuerdatensätze zusammenzuführen. Ein Anbieter von KI-Software wuchs von rund 1,9 TB in sieben Umgebungen zu einem produktiven Unternehmenseinsatz, der Softwareabhängigkeiten für KI-Agenten modelliert.

Auf AWS skalierte ein US-Hypotheken- und Finanzdienstleister auf einen Aura-VDC-Einsatz mit 8 TiB und kombiniert Graph Data Science und GraphRAG mit Amazon Bedrock. Laut Neo4j ermöglicht das Setup einen Kontextabruf in unter einer Sekunde für autonome Vertriebsagenten und brachte eine Steigerung der Nachfassaktionen bei Kreditnehmern um 20 Prozent. Auf Azure verlängerte und erweiterte ein großer Telekommunikationsanbieter seinen Einsatz für Sicherheitsabläufe und die Vorhersage von Kundenabwanderung.

Für das vierte Quartal plant Neo4j im Oktober und November regionale praxisnahe KI-Workshops mit AWS, Google Cloud, Microsoft, Snowflake und Databricks.

Was das für Unternehmensteams bedeutet

Im Mittelpunkt der Ankündigungen stehen zwei Sorgen, die Neo4j für produktive KI nennt: Token-Kosten und Datensicherheit über Clouds hinweg. Virtual Graph befindet sich noch in der Public Preview, weshalb die allgemeine Verfügbarkeit und etwaige Preisdetails in der Quelle nicht genannt werden. Teams, die ihre Daten bereits in Snowflake, Databricks oder BigQuery halten, können Graphabfragen testen, ohne sie zu migrieren, und der Entwurf mit Okta und Copilot Studio liefert Sicherheitsteams eine Referenz für die Durchsetzung von Zugriffsrechten auf Nutzerebene. Die Angaben zu den Token-Einsparungen stammen aus Neo4js eigenem Benchmark und sollten anhand der jeweiligen Kataloge und Modelle überprüft werden.