Neo4j Graph Database

Kurzfazit

Neo4j ist die Standardwahl, 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. Was in SQL-Joins zu vier Tagen Recherche wird, ist in Cypher eine Abfrage von Sekunden. Seit 2024/25 hat sich Neo4j strategisch klar auf KI-Anwendungen ausgerichtet: Vector Search, GraphRAG, Aura Agent und die Microsoft-Fabric-/Snowflake-Integrationen positionieren die Datenbank nicht mehr nur als Spezialwerkzeug, sondern als „Knowledge Layer” der Enterprise-AI-Architektur. Schwächen: kein deutscher Support, hartes GB-basiertes Pricing in der Cloud und eine echte Lernkurve für Teams ohne Graph-Erfahrung. Für die Disziplin, die es macht, bleibt es Marktführer.

Für wen ist Neo4j?

Versicherungs- und Bankanalyst:innen (Fraud, KYC, AML): Fraud-Ringe sind das Lehrbuchbeispiel, wenn 14 Halter mit drei Werkstätten und einem Anwalt verbunden sind, sieht man das in einem Graphen sofort und in SQL nie. 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, Vector Search im Index, Aura Agent als integrierte Lösung, das macht Neo4j zur Standardwahl für ernsthafte Enterprise-RAG-Architekturen.

Compliance- und Investigation-Teams: Bloom ist eine der besten Investigations-Visualisierungen am Markt, Analyst:innen ohne Programmierkenntnisse können Cluster explorieren, Knoten ausklappen, Pfade verfolgen. Das senkt die Schwelle zwischen Daten-Engineer und Fachanalyst:in deutlich.

Empfehlungs- und Personalisierungs-Engineering: Klassische Use Cases: Personen-Produkt-Empfehlungen, Inhalts-Affinitäten, Co-Purchase-Analysen. Hier ist Neo4j seit Jahren etabliert, die Wettbewerber sind oft proprietäre In-House-Lösungen großer E-Commerce-Plattformen.

Wissenschaft, Biotech, Pharma: Protein-Interaktionsnetze, Wirkstoff-Target-Mapping, Klinikstudien-Beziehungen. Die Forschungs-Community hat eine reife Nutzungspraxis, und die Cypher-Lesbarkeit hilft beim Cross-Disciplinary-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 deutschen vertraglichen Support mit deutschsprachiger Hotline brauchen.

Preise im Detail

Plan	Preis	Was du bekommst
AuraDB Free	0 USD	Lern- und Entwicklungstier, ohne Kreditkarte, eine kleine Instanz, Aura Agent, Cypher, Bloom
AuraDB Professional	ab 65 USD/GB/Monat	Bis 128 GB Speicher, produktionstauglich, Vector Optimization, Graph Analytics, tägliche Backups (7 Tage), AWS/Azure/GCP, EU-Region wählbar
AuraDB Business Critical	ab 146 USD/GB/Monat	Multi-Zone-Cluster, 99,95 % SLA, 24x7-Support, 30 Tage Backup-Retention
AuraDB Virtual Dedicated Cloud	Auf Anfrage	Dedizierte Infrastruktur, VPC-Isolation, 60 Tage Backup-Retention
Self-Hosted Enterprise	Lizenz auf Anfrage	Volle On-Premises-Kontrolle, alle Enterprise-Features (Causal Cluster, Multi-Database, Security, GDS Enterprise)
Neo4j Graph Data Science	In höheren Tiers enthalten oder separat	Community Detection, PageRank, GNN-Bibliotheken; Enterprise-Version mit vollem Algorithmen-Satz

Einordnung: Free reicht für Prototypen und Lernen, eine kleine Sandbox-Instanz, aber für produktive Workloads nicht ausreichend. Professional ab 65 USD/GB/Monat ist der Standard-Einstieg in die produktive Cloud, bei einem 20-GB-Graphen also ca. 1.300 USD/Monat. Das skaliert hart linear: ein 100-GB-Knowledge-Graph für GraphRAG kostet bereits 6.500 USD/Monat. Business Critical lohnt sich für Compliance-kritische Anwendungen (Fraud, AML, regulatorische SLA-Anforderungen). Self-Hosted ist für viele europäische Enterprises immer noch die ehrlichere Option, Lizenz auf Anfrage, aber Kostenkontrolle vorhersagbar. Hauptregel: Graphvolumen vorab realistisch schätzen, Indizes und Properties straffen, in Schichten denken (Hot/Warm/Cold), sonst läuft die Cloud-Rechnung aus dem Ruder.

Stärken im Detail

Cypher ist die beste DSL 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.

Performance bei Traversierungen ist ein echter Hebel. Was relationale Datenbanken über JOINs auflösen müssen, ist in Neo4j ein Pointer-Sprung. Bei mehrstufigen Pfaden (3-Hop, 4-Hop) wird der Performance-Unterschied dramatisch, Faktor 1.000 oder mehr bei großen Datenbeständen ist nicht ungewöhnlich. Das ist nicht Marketing, sondern Konsequenz des nativen Graph-Speichers.

Graph Data Science liefert Algorithmen out-of-the-box. Community Detection (Louvain, Label Propagation), Zentralitätsmaße (PageRank, Betweenness), Similarity-Funktionen, Pfad-Algorithmen, Embeddings (Node2Vec, FastRP), das sind in GDS einsatzbereit. Wer das selbst implementiert, verbringt Wochen, bevor das erste Ergebnis steht.

GraphRAG ist 2026 nicht mehr optional. Wer LLM-Agenten ernsthaft mit strukturiertem Unternehmenswissen erden will, baut auf Knowledge Graphs. Neo4j hat hier 2024/25 strategisch klar nachgezogen: Vector Search direkt im Graph-Index, GraphRAG-Patterns dokumentiert, Aura Agent als integrierter Knowledge-Graph-Agent. Wer GenAI in Enterprise-Daten produktiv bringen will, kommt an dieser Kombination kaum vorbei.

Bloom ist die beste Investigations-Oberfläche. Compliance-Analyst:innen, Fraud-Ermittler:innen und Risk-Teams können in Bloom Knoten erkunden, Cluster aufklappen und Pfade verfolgen, ohne eine Zeile Cypher zu schreiben. Das schließt die Lücke zwischen Daten-Engineering und Fachanalyse besser als die meisten Konkurrenten.

Enterprise-Integrationen sind ernsthaft. Microsoft Fabric (Graph Intelligence as Service), Snowflake Graph Analytics, Salesforce Agentforce Grounding, Neo4j ist in den Daten-Ökosystemen angekommen, in denen die Enterprise-Kunden ohnehin leben. Das senkt Integrationsschwellen erheblich.

AuraDB-EU-Region verfügbar. Frankfurt und Ireland sind als Regionen wählbar, DSGVO-konformes Hosting ist also möglich, muss aber bei Instanz-Erstellung explizit gewählt werden. Default ist global/US, was leicht übersehen wird.

Schwächen ehrlich betrachtet

Cloud-Pricing skaliert hart linear. 65 USD pro GB und Monat klingt überschaubar, bei 100 GB sind das aber 6.500 USD/Monat, bei 500 GB bereits 32.500 USD/Monat. Für große Wissensgraphen oder Fraud-Datenbanken wird Cloud schnell teurer als Self-Hosted, sobald 200 GB überschritten werden. 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. Ein bis zwei Wochen ernsthafte Einarbeitung sind realistisch, und mindestens ein Senior mit Graph-Erfahrung im Team ist Pflicht.

Kein deutscher Support, keine deutsche Doku. Alle Materialien, Community-Foren und kommerzieller Support laufen auf Englisch. Für die meisten Engineering-Teams kein Problem (Englisch ist Standard), aber für Compliance-Analyst:innen ohne tiefes Engineering-Englisch eine Reibung.

GDS-Lizenzierung ist verwirrend. Es gibt eine Community-Version (eingeschränkt), eine Enterprise-Version (voller Algorithmen-Satz, kostenpflichtig) und Bestandteile, die in AuraDB-Tiers enthalten sind. Wer mit GDS produktiv arbeiten will, sollte die Lizenz-Logik vor Projektstart genau prüfen, sonst gibt es im laufenden Projekt unangenehme Überraschungen.

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.

GNN-Training ist nicht integriert. Graph Neural Networks werden zunehmend wichtig (Fraud-Klassifikation, Empfehlungs-Embeddings, Molekül-Eigenschaften). Neo4j liefert Embeddings als Input, aber das eigentliche GNN-Training läuft in externen Frameworks (PyTorch Geometric, DGL). Wer eine integrierte Deep-Learning-Pipeline erwartet, ist enttäuscht.

Default-Region ist nicht EU. Bei der AuraDB-Bucket-Erstellung muss die EU-Region (Frankfurt oder Ireland) explizit gewählt werden, Default ist US/global. Das ist eine Falle, die in DSGVO-Audits regelmäßig auftaucht.

Alternativen im Vergleich

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

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 ist der Marktführer, und das aus guten Gründen: größte Community, ausgereifteste Tooling-Suite (Bloom, GDS, Aura), beste Doku und die klarste KI-Strategie der letzten zwei Jahre. Für die meisten Use Cases bleibt es die Default-Wahl, Wettbewerber sind dann interessant, wenn ein spezifisches Feature (Multi-Model, AWS-nativ, Open-Source-Zwang) den Ausschlag gibt.

So steigst du ein

Schritt 1: Registriere einen kostenlosen Neo4j AuraDB-Account auf aura.neo4j.io. Erstelle eine Free-Tier-Instanz, keine Kreditkarte nötig, sofort nutzbar. Wichtig: Wähle bei der Instanz-Erstellung explizit eine EU-Region (Frankfurt oder Ireland) für DSGVO-konformes Datenhosting. Der Default ist global/US und wird in Audits regelmäßig kritisiert.

Schritt 2: Daten als CSV laden, das Neo4j Data Importer-Tool unterstützt CSV-Import ohne Code. 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 Vector-Embeddings.

Schritt 3: Führe erste Community-Detection-Algorithmen aus dem Graph Data Science Plugin aus (Louvain, Label Propagation) um natürliche Cluster zu erkennen. Visualisiere verdächtige Cluster mit Neo4j Bloom, Investigator:innen sehen das Netzwerk und können Details zu jedem Knoten abrufen. Für GraphRAG: Konfiguriere den Vector-Index, baue einen Retrieval-Workflow, der Cypher-Pfade plus Vektor-Ähnlichkeit kombiniert, und verbinde ihn an dein LLM (Claude, GPT, Gemini) über LangChain oder das Neo4j-eigene Aura-Agent-Framework.

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). Die Community-Detection-Analyse (Louvain-Algorithmus, Laufzeit: 8 Minuten) 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. Mit SQL hätte diese Verbindung sechs manuelle Abfragen und zwei Tage Arbeit erfordert. Neo4j zeigt sie in einer Cypher-Abfrage in 300 Millisekunden. Monatskosten der AuraDB-Instanz: ca. 1.170 USD (18 GB Professional). Eingespart pro erkanntem Fraud-Ring: durchschnittlich 80.000 EUR, der Business Case schreibt sich nach dem ersten Treffer selbst.

DSGVO & Datenschutz

• Datenhosting AuraDB: Standardmäßig global. EU-Region (Frankfurt eu-central-1, Ireland eu-west-1) muss bei der Instanz-Erstellung explizit gewählt werden, sonst läuft die Datenbank auf US-Servern. Anbieter ist Neo4j Inc., San Mateo (Kalifornien).
• Datenhosting Self-Hosted: Vollständig im eigenen Rechenzentrum oder eigener Cloud-Tenant. Maximale Datensouveränität.
• Auftragsverarbeitung (AVV): Für AuraDB Professional und Business Critical verfügbar. Standard-Cloud-AVV des jeweiligen Anbieters (AWS/Azure/GCP) gilt ergänzend.
• Datennutzung: Neo4j greift im Managed Service auf operative Metadaten zu (Auslastung, Performance), nicht auf Inhalte. Kundendaten werden nicht für Produkt-Verbesserung oder Trainingsdaten verwendet.
• Verschlüsselung: Daten sind in-transit (TLS) und at-rest (AES-256) verschlüsselt. Kunden-eigene Schlüssel (BYOK) in Virtual Dedicated Cloud verfügbar.
• Compliance: SOC-2-zertifiziert, ISO-27001, GDPR-konform. HIPAA für Business Critical und Virtual Dedicated Cloud verfügbar.
• Empfehlung für Unternehmen: Für DSGVO-sensitive Daten (Versicherungsschäden, KYC, medizinische Daten) immer explizit EU-Region wählen und AVV abschließen. Bei IP-sensitiven Wissensgraphen oder strikter Datensouveränität ist Self-Hosted die sauberste Option, die Lizenzkosten sind oft günstiger als ein vergleichbarer Cloud-Footprint im dreistelligen GB-Bereich.

Gut kombiniert mit

• , als LLM-Reasoning-Schicht über einem Neo4j-Knowledge-Graph: Cypher-Abfragen liefern strukturierten Kontext, Claude interpretiert und formuliert die Antwort. Klassisches GraphRAG-Tandem.
• , 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.
• , wenn du in Microsoft-365- und Azure-Welt bist: Azure OpenAI als Modellserver, Neo4j (auch via Fabric-Integration) als Knowledge-Layer. Beide bieten EU-Hosting und Enterprise-AVV.

Unser Testurteil

Neo4j verdient 4 von 5 Sternen. Für die Disziplin, die es macht, vernetzte Daten effizient speichern, abfragen und analysieren, ist es der klare Marktführer. Cypher, GDS, Bloom und die strategisch ernst gemeinte KI-Ausrichtung (GraphRAG, Aura Agent, Vector Search) heben Neo4j 2025/26 deutlich von den Wettbewerbern ab. Den fünften Stern verliert es durch das harte GB-basierte Cloud-Pricing (für große Graphen schnell teuer), die fehlende deutsche Lokalisierung, die nicht-triviale Lernkurve bei Graph-Datenmodellierung und die Tatsache, dass die EU-Region nicht Default ist, ein Stolperstein, der 2026 nicht mehr akzeptabel sein sollte. Wer vernetzte Daten als Kernarbeit hat, kommt an Neo4j nicht vorbei. Wer hauptsächlich tabellarische Daten verwaltet, sollte beim relationalen Standard bleiben.

Was wir bemerkt haben

• 2024, Vector Search wurde nativ in den Graph-Index integriert. Damit positioniert sich Neo4j ernsthaft im RAG-Markt, ohne dass Anwender eine separate Vector-Datenbank (Pinecone, Weaviate, Qdrant) parallel betreiben müssen.
• 2024–2025, Die Marke „GraphRAG” wurde explizit besetzt, mit Doku, Patterns und Referenzarchitekturen. Microsoft hatte parallel ein eigenes „GraphRAG”-Paper veröffentlicht, der Begriff ist inzwischen Standardvokabular im Enterprise-AI-Diskurs, und Neo4j ist die meistgenannte Implementierungsplattform.
• 2025, Aura Agent eingeführt: Knowledge-Graph-gestützte KI-Agenten ohne externes Framework. Damit zielt Neo4j auf die Lücke zwischen reiner Datenbank und „Knowledge-Layer-as-a-Service”, strategisch konsequent, technisch noch in Reifung.
• 2025, Neo4j Graph Intelligence für Microsoft Fabric als fully-managed Service. Erstmals lässt sich Neo4j-Funktionalität ohne separate Lizenzverwaltung in Fabric-Workloads einbinden, wichtig für Microsoft-orientierte Enterprises, die ihre Daten-Ökosysteme konsolidieren wollen.
• 2025, Snowflake-Integration (Graph Analytics auf Snowflake) und Salesforce-Agentforce-Grounding. Neo4j ist in den Daten- und Agenten-Plattformen angekommen, in denen Enterprises ohnehin investieren.
• Mai 2026, AuraDB-Default-Region ist weiterhin nicht EU. Wer das nicht bei der Instanz-Erstellung explizit ändert, hostet in den USA. Das wurde 2024 von mehreren DSGVO-Beratungen kritisiert und ist 2026 immer noch unverändert, ein vermeidbares Compliance-Risiko, das Neo4j durch eine Default-Änderung lösen könnte.
• Mai 2026, Eine Forrester-Studie zur „Graph Intelligence Platform” hat einen ROI von 230 % über drei Jahre gemessen. Auch wenn vendor-gesponserte ROI-Studien immer mit Vorsicht zu lesen sind, deckt sich die Größenordnung mit Anwenderberichten aus Fraud-, KYC- und GraphRAG-Projekten.