Neo4j Graph Database

Kurzfazit

Neo4j passt, wenn vernetzte Daten der eigentliche Inhalt sind, Fraud-Ringe in Versicherungsdaten, UBO-Strukturen in Compliance, Lieferketten in Risiko-Analysen, Wissensgraphen als Grounding-Schicht für LLM-Agenten. Neo4j richtet sich auf KI-Anwendungen aus: Vektorsuche, GraphRAG und Integrationen wie MCP und LangChain machen die Datenbank zur Wissensschicht („knowledge layer”) für KI-Systeme. Schwächen: deutschsprachigen Support nennt der Anbieter nicht, das GB-basierte Cloud-Pricing skaliert mit der Graphgröße und Teams ohne Graph-Erfahrung haben eine echte Lernkurve.

Für wen ist Neo4j?

Versicherungs- und Bankanalyst:innen (Fraud, KYC, AML): Fraud-Ringe sind das Lehrbuchbeispiel: Sind 14 Halter mit drei Werkstätten und einem Anwalt verbunden, sieht man das in einem Graphen schnell, in SQL-Joins mühsam. Das Beispiel ist ein Szenario zur Veranschaulichung, keine Kundenangabe von Neo4j. Auch UBO-Analysen, Sanktionslisten-Matching und Geldwäsche-Mustererkennung profitieren strukturell von Graph-Modellen.

LLM- und KI-Teams (GraphRAG): Wer ein LLM mit strukturiertem Unternehmenswissen erden will, kommt 2026 an Knowledge Graphs nicht mehr vorbei. Neo4j hat sich hier strategisch positioniert: GraphRAG-Patterns, native Vektorsuche und Integrationen für Werkzeuge wie LangChain, HuggingFace und MCP.

Compliance- und Investigation-Teams: Die Aura-Konsole bringt Visualisierung und Dashboards mit, die Preistabelle listet Bloom Basic für AuraDB Free und die Bloom-/Visualisierungsbibliothek für die bezahlten Tarife. Analyst:innen ohne Programmierkenntnisse können damit Cluster explorieren und Pfade verfolgen, das senkt die Schwelle zwischen Daten-Engineer und Fachanalyst:in.

Empfehlungs- und Personalisierungs-Engineering: Klassische Use Cases: Personen-Produkt-Empfehlungen, Inhalts-Affinitäten, Co-Purchase-Analysen. Hier ist die Graph-Struktur ein natürlicher Fit: Personen, Produkte und Beziehungen lassen sich direkt abbilden.

Wissenschaft, Biotech, Pharma: Protein-Interaktionsnetze, Wirkstoff-Target-Mapping, Klinikstudien-Beziehungen. Die Cypher-Lesbarkeit hilft beim fachübergreifenden Arbeiten.

Weniger geeignet für: Teams, die nur tabellarische CRUD-Daten verwalten (Postgres, MySQL sind dafür effizienter), Anwender mit sehr kleinen Datenmengen ohne Beziehungs-Komplexität, Organisationen ohne Cypher-Lernbereitschaft und Unternehmen, die zwingend deutschsprachigen Support brauchen, den der Anbieter nicht nennt.

Preise im Detail

Plan	Preis	Was du bekommst
AuraDB Free	0 USD	Ohne Kreditkarte, Limits für Knoten und Beziehungen, für Lernen und Prototypen
AuraDB Professional	ab 0,09 USD pro GB und Stunde (Produktseite: 65 USD pro GB und Monat)	Mindestinstanz 1 GB, bis 128 GB Arbeitsspeicher je Instanz, tägliche Backups (7 Tage Aufbewahrung), AWS/Azure/GCP, Graph-Analytics-Plugin ohne Aufpreis
AuraDB Business Critical	ab 0,20 USD pro GB und Stunde (Produktseite: 146 USD pro GB und Monat)	Mindestinstanz 2 GB, mehrere Zonen, 99,95 % Uptime-SLA, 24x7-Support, 30 Tage Backup-Aufbewahrung, stündliche Point-in-Time-Wiederherstellung
AuraDB Virtual Dedicated Cloud	Auf Anfrage	VPC-Isolation und dedizierte Infrastruktur, stündliche Backups mit 60 Tagen Aufbewahrung
Self-Hosted Community Edition	0 USD (GPL3)	Kostenlos, Community-Support, ohne automatische Hochverfügbarkeit und horizontale Skalierung
Self-Hosted Enterprise Edition	Auf Anfrage	Alle Funktionen der Community Edition plus unbegrenzte horizontale Lese-Skalierung, Zugriffskontrolle, Hochverfügbarkeit, Change Data Capture
Neo4j Graph Data Science	Je nach Angebot	Katalog von über 65 Graph-Algorithmen; in der Infinigraph Edition mit der Lizenz enthalten

Einordnung: Free reicht für Prototypen und Lernen, ist wegen der Limits für Knoten und Beziehungen aber keine Basis für produktive Workloads. Professional ab 0,09 USD pro GB und Stunde (Mindestinstanz 1 GB) ist der Einstieg in die produktive Cloud, Business Critical liegt bei 0,20 USD pro GB und Stunde (Mindestinstanz 2 GB). Die AuraDB-Produktseite nennt dieselben Tarife als Monatspreise: 65 USD (Professional) und 146 USD (Business Critical) pro GB und Monat. Gerechnet wird nach bereitgestellter Kapazität, Speicher, IO, Backups und Datentransfer sind im Preis enthalten, und das Pausieren einer Datenbank spart laut Anbieter 80 % der laufenden Kosten. Weil der Preis mit der Instanzgröße steigt, wächst die Rechnung mit großen Graphen. Business Critical lohnt sich für Compliance-kritische Anwendungen (Fraud, AML, regulatorische SLA-Anforderungen). Self-Hosted ist für viele europäische Enterprises die Option mit planbarer Kostenkontrolle: Community Edition kostenlos, Enterprise auf Anfrage. Hauptregel: Graphvolumen vorab realistisch schätzen, Indizes und Properties straffen, sonst läuft die Cloud-Rechnung aus dem Ruder.

Stärken im Detail

Cypher ist gut lesbar für Graphmuster. MATCH (a:Person)-[:HAT_SCHADEN_BEI]->(b:Werkstatt)<-[:HAT_SCHADEN_BEI]-(c:Person) liest sich, wie es gemeint ist. Die gleiche Abfrage in SQL ist eine vier-Tabellen-Selbstverknüpfung mit doppelten Aliasen, geht, aber niemand will sie warten. Diese Lesbarkeit senkt die Wartungskosten von Analytics-Code spürbar.

Traversierungen ohne JOINs. Was relationale Datenbanken über JOINs auflösen müssen, navigiert Neo4j laut Anbieter „without index lookups or JOINS” über Index-free Adjacency. Bei mehrstufigen Pfaden (3-Hop, 4-Hop) ist das der Hebel gegenüber SQL. Einen Beschleunigungsfaktor nennt die Anbieterseite nicht.

Graph Data Science liefert Algorithmen out-of-the-box. Der Anbieter nennt einen Katalog von über 65 Graph-Algorithmen, von Zentralität über Community Detection bis zu Node Embeddings, dazu graph-native ML-Pipelines für Clustering, Similarity und Klassifikation. Wer das selbst implementiert, verbringt Zeit, bevor das erste Ergebnis steht.

GraphRAG ist das Kernthema der GenAI-Seite. Wer LLM-Agenten mit strukturiertem Unternehmenswissen erden will, baut auf Knowledge Graphs. Neo4j beschreibt GraphRAG als Kombination von Wissensgraph und Vektorsuche und nennt Integrationen für Werkzeuge wie LangChain, HuggingFace und MCP, dazu Aura Agent, mit dem sich GraphRAG-Agenten bauen lassen.

Visualisierung für Fachanalyse. Die Aura-Konsole bringt Visualisierung und Dashboards mit, AuraDB Free enthält Bloom Basic, die bezahlten Tarife die Bloom-/Visualisierungsbibliothek. Compliance-Analyst:innen und Risk-Teams können Knoten erkunden und Pfade verfolgen, ohne selbst Cypher zu schreiben. Das schließt die Lücke zwischen Daten-Engineering und Fachanalyse.

Enterprise-Integrationen sind ernsthaft. AuraDB läuft als Managed Service auf AWS, Azure und Google Cloud, und über die GenAI-Schicht binden sich Werkzeuge wie LangChain, HuggingFace und MCP an. Für Microsoft Fabric nennt der Anbieter eine Integration, mit der OneLake-Daten als Wissensgraph abgefragt werden können, für Snowflake eine native App und einen Datenimport. Den genauen Funktionsumfang solltest du vor einem Projektstart in der Neo4j-Dokumentation prüfen.

AuraDB-Regionen in der EU. Die Aura-Dokumentation listet je nach Tarif unter anderem Frankfurt (eu-central-1), Irland (eu-west-1), Paris (eu-west-3) und London (eu-west-2). Welche Region eine Instanz bekommt, solltest du bei der Erstellung bewusst festlegen.

Schwächen ehrlich betrachtet

Cloud-Pricing skaliert mit der Instanzgröße. Abgerechnet wird pro GB und Stunde (Professional ab 0,09 USD, Business Critical ab 0,20 USD), der Preis wächst also mit dem Graphen. Für große Wissensgraphen oder Fraud-Datenbanken lohnt der Vergleich mit Self-Hosted. Wer in der Cloud bleiben will, braucht Disziplin bei Indizes, Properties und Knoten-Modellierung.

Lernkurve ist real. Cypher ist intuitiver als SQL, aber Graph-Datenmodellierung ist eine eigene Disziplin. Welche Entität wird Knoten, welche Beziehung Kante, welche Property gehört wohin? Diese Fragen sind nicht trivial, und schlechte Modellierung führt zu langsamen Abfragen, die in SQL nie aufgetreten wären. Plane Einarbeitungszeit ein und hole dir mindestens eine Person mit Graph-Erfahrung ins Team.

Kein deutschsprachiger Support genannt, englische Doku. Die Support-Bedingungen nennen Pakete und Reaktionszeiten, aber keine Support-Sprache, und die Dokumentation ist englisch. Für die meisten Engineering-Teams kein Problem, für Compliance-Analyst:innen ohne tiefes Engineering-Englisch eine Reibung.

Die Wahl der Graph-Analytics-Variante braucht Vorarbeit. Die Preisseite nennt fünf Wege, Graph-Algorithmen zu betreiben: Aura Graph Analytics (pay-as-you-go), das Graph-Analytics-Plugin in AuraDB Professional, Neo4j Graph Analytics und Graph Data Science (beide self-managed) sowie Graph Analytics for Snowflake. Wer produktiv mit Graph-Algorithmen arbeiten will, sollte vor Projektstart klären, welche Variante zum eigenen Betrieb passt.

Einfache CRUD-Workloads sind nicht der Sweetspot. Wer nur Personen, Adressen und Aufträge in einer normalen 3-Tabellen-Architektur verwalten will, fährt mit Postgres günstiger und einfacher. Neo4j entfaltet seinen Wert erst, wenn Beziehungen der eigentliche Inhalt der Abfragen sind.

Region und Datenstandort sind deine Aufgabe. Bei DSGVO-sensiblen Daten (Schadensdaten, KYC, medizinische Daten) gehört die Wahl der Region, der Abschluss des Data Processing Agreement und die Prüfung des Datenstandorts in die Projektplanung.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine Vector-Datenbank für reines RAG ohne Graph-Strukturen willst	Azure AI Search
KI-Agenten auf strukturierten Daten ohne Datenbank-Eigenbetrieb baust	LangChain

Erwähnenswert ohne eigene Tool-Seite: PostgreSQL mit Apache AGE oder pgvector (Graph- und Vector-Erweiterungen in der Standard-Postgres-Welt), TigerGraph (Performance-Wettbewerber, weniger Verbreitung), Amazon Neptune (gut, wenn man bereits voll in AWS lebt), ArangoDB (Multi-Model: Graph + Dokument + Key-Value), Stardog (RDF/OWL-Enterprise-Knowledge-Graphs), JanusGraph (Open Source, Hadoop-nahe), Memgraph (in-memory, real-time graph). Neo4j bringt mit Aura, GDS und Visualisierung eine breite Tooling-Suite mit und ist für viele Graph-Use-Cases ein naheliegender Startpunkt. Wettbewerber sind interessant, wenn ein spezifisches Feature (Multi-Model, AWS-nativ, Open-Source-Zwang) den Ausschlag gibt.

So steigst du ein

Schritt 1: Starte kostenlos mit AuraDB Free über die Neo4j-Startseite, eine Kreditkarte ist nicht nötig. Wichtig: Lege für Produktivdaten eine Region fest, die zu deinen DSGVO-Anforderungen passt (die Aura-Dokumentation listet unter anderem Frankfurt und Irland), und prüfe den Datenstandort vor dem Produktivbetrieb.

Schritt 2: Lade deine Daten in die Instanz. Für Fraud-Use-Cases: Erstelle Knoten für Antragsteller, Werkstätten, Ärzte, Anwälte und Policen; verbinde sie mit Kanten (HAT_SCHADEN_BEI, WIRD_VERTRETEN_DURCH, IST_WERKSTATT_VON). Für GraphRAG-Use-Cases: Lade dein Domänen-Vokabular und seine Beziehungen, dann verlinke Dokumente und Chunks als zusätzliche Knoten mit Vektor-Embeddings.

Schritt 3: Führe erste Community-Detection-Algorithmen aus dem Graph-Analytics-Angebot deiner Wahl aus, um natürliche Cluster zu erkennen. Visualisiere verdächtige Cluster mit den Visualisierungswerkzeugen von Aura, Investigator:innen sehen das Netzwerk und können Details zu jedem Knoten abrufen. Für GraphRAG: Konfiguriere die Vektorsuche, baue einen Retrieval-Workflow, der Cypher-Pfade plus Vektor-Ähnlichkeit kombiniert, und verbinde ihn mit deinem LLM über ein Framework wie LangChain oder einen MCP-Server.

Ein konkretes Beispiel

Ein SIU-Analytiker eines deutschen Kfz-Versicherers lädt 120.000 Schadenmeldungen der letzten drei Jahre in Neo4j AuraDB Professional (EU-Region Frankfurt, ca. 18 GB Graphvolumen). Eine Community-Detection-Analyse identifiziert 23 verdächtige Cluster. Der auffälligste Cluster: 14 Halter, 3 Werkstätten und ein Anwaltsbüro, 67 Schadenmeldungen, Gesamtsumme 1,2 Millionen Euro. Alle 14 Halter wohnten nie an derselben Adresse, aber acht Kfz waren alle bei derselben Werkstatt versichert und wurden dort repariert. In SQL wären dafür mehrere verkettete Abfragen nötig, in Cypher genügt ein Muster über Halter, Werkstatt und Anwalt. Das Beispiel ist ein Szenario zur Veranschaulichung, keine Kundenangabe von Neo4j.

DSGVO & Datenschutz

• Datenhosting AuraDB: AuraDB läuft auf AWS, Azure und Google Cloud in über 60 Regionen. Die Aura-Dokumentation listet je nach Tarif unter anderem Frankfurt (eu-central-1) und Irland (eu-west-1). Eine Standardregion nennt die Dokumentation nicht, wähle die Region deshalb bei der Instanz-Erstellung bewusst. Die Subprozessorliste im Trust Center nennt als Ort für AWS, Google Cloud und Azure „Region of Choice of Customer for the use of the Neo4j Cloud Service + USA” und listet Site-Reliability-Engineers von Neo4j, die für Fehlersuche und Support Zugriff auf die Infrastruktur haben können, unter anderem in den USA, Indien, Singapur und Australien. Anbieter ist Neo4j, Inc. (USA), die Datenschutzerklärung nennt zusätzlich Neo4j Germany GmbH in Frankfurt am Main als europäische Gesellschaft.
• Datenhosting Self-Hosted: Vollständig im eigenen Rechenzentrum oder eigenen Cloud-Tenant. Maximale Datensouveränität.
• Auftragsverarbeitung (AVV): Das Trust Center listet ein „Data Processing Agreement” als Dokument. Welche Tarife es abdeckt, nennt die Seite nicht, kläre das vor Vertragsabschluss.
• Datennutzung: Laut Datenschutzhinweis verarbeitet Neo4j Daten, die Kunden in den Produkten speichern, ausschließlich im Auftrag des Kunden, maßgeblich ist der Vertrag mit dem Kunden. Ob Neo4j Kundendaten für Produktverbesserung oder KI-Training nutzt, nennt der Hinweis nicht ausdrücklich. Frage das im Vertrag nach.
• Verschlüsselung: Laut Aura-Dokumentation sind alle Daten at rest über die Verschlüsselung des Cloud-Anbieters mit 256-Bit-AES geschützt, Verbindungen zu Aura sind immer verschlüsselt. Kundenverwaltete Schlüssel (Customer Managed Keys) führen Preistabelle und Dokumentation bei AuraDB nur für Virtual Dedicated Cloud, die AuraDB-Produktseite formuliert dagegen allgemein „Data is encrypted at rest with customer-managed keys”.
• Compliance: Das Trust Center listet ISO/IEC 27001:2022, ISO/IEC 27017:2015, ISO/IEC 27018:2019, ISO/IEC 20243:2024, ISO 9001:2015, SOC 2 Type 2, SOC 3, CSA STAR Level 1, GDPR, CCPA, HIPAA, NIST AI RMF und TX-RAMP.
• Empfehlung für Unternehmen: Für DSGVO-sensitive Daten (Versicherungsschäden, KYC, medizinische Daten) die Region bewusst wählen und das Data Processing Agreement abschließen. Bei IP-sensitiven Wissensgraphen oder strikter Datensouveränität ist Self-Hosted die sauberste Option.

Gut kombiniert mit

• Claude, als LLM-Reasoning-Schicht über einem Neo4j-Knowledge-Graph: Cypher-Abfragen liefern strukturierten Kontext, Claude interpretiert und formuliert die Antwort. Klassisches GraphRAG-Tandem.
• LangChain, als Orchestrierungsschicht für GraphRAG-Pipelines: Neo4j-Connector, Cypher-Generator, Vector-Retrieval und LLM-Aufruf in einem Workflow. Senkt die Schwelle, von Prototyp zu produktivem Agent zu kommen.
• Azure OpenAI Service, wenn du in Microsoft-365- und Azure-Welt bist: Azure OpenAI als Modellserver, Neo4j (auch via Fabric-Integration) als Knowledge-Layer. Für Neo4j nennt die Aura-Dokumentation EU-Regionen, für Azure OpenAI gelten die Bedingungen von Microsoft.

Unser Fazit

Neo4j verdient 4 von 5 Sternen. Für die Disziplin, die es macht, vernetzte Daten speichern, abfragen und analysieren, ist es eine ausgereifte Wahl. Cypher, Graph Data Science, die Visualisierung in Aura und die KI-Ausrichtung (GraphRAG, Vektorsuche, Integrationen wie MCP und LangChain) tragen die Bewertung. Den fünften Stern verliert es durch das GB-basierte Cloud-Pricing (für große Graphen schnell teuer), den nicht genannten deutschsprachigen Support, die nicht-triviale Lernkurve bei Graph-Datenmodellierung und die Tatsache, dass die Dokumentation keine Standardregion nennt, sodass der Datenstandort bewusste Planung braucht. Wer vernetzte Daten als Kernarbeit hat, sollte Neo4j in die engere Wahl nehmen. Wer hauptsächlich tabellarische Daten verwaltet, bleibt beim relationalen Standard.

Was wir bemerkt haben

• Oktober 2026, GenAI-Seite neu geprüft: Sie beschreibt GraphRAG als Kombination von Wissensgraph und Vektorsuche und nennt Integrationen für LangChain, HuggingFace und MCP, dazu Aura Agent. Unsere frühere Fassung nannte auch LlamaIndex und Multi-Agenten-Frameworks sowie eine freie LLM-Auswahl (OpenAI, Google, Azure, Bedrock), das steht auf der aktuellen Seite nicht mehr.
• Oktober 2026, Preisseite neu geprüft: AuraDB Professional ab 0,09 USD und Business Critical ab 0,20 USD pro GB und Stunde, Free kostet 0 USD. Die AuraDB-Produktseite nennt dieselben Tarife weiter als Monatspreise (65 und 146 USD pro GB und Monat), die Seite führt jetzt beide Angaben.
• Oktober 2026, Microsoft Fabric und Snowflake: Die Partnerseiten nennen eine Fabric-Integration (OneLake-Daten als Wissensgraph) sowie eine Snowflake-Integration mit nativer App und Datenimport.
• Oktober 2026, Region: Die Aura-Dokumentation listet Frankfurt und Irland. Dass die Standardregion nicht in der EU liege, finden wir in den aktuellen Quellen nicht und haben die Aussage entfernt.
• Oktober 2026, Trust Center: unter anderem ISO/IEC 27001:2022, SOC 2 Type 2, SOC 3, CSA STAR Level 1, GDPR, CCPA, HIPAA und NIST AI RMF gelistet, ein Data Processing Agreement ist als Dokument aufgeführt. Die Subprozessorliste nennt für die Cloud-Anbieter als Ort die vom Kunden gewählte Region plus USA.