Leistung · in der Regel 6–8 Wochen bis zum produktionsreifen Piloten
Antworten aus Ihrem eigenen Wissen, mit Quellen belegt.
Das Wissen Ihres Unternehmens liegt in SharePoint, Confluence, im DMS, im ERP, in Tickets, Verträgen und Handbüchern – und es zu finden kostet jeden Tag Stunden. Ein Wissensassistent antwortet aus genau diesen Quellen, zeigt nur, was der jeweilige Nutzer sehen darf, belegt jede Antwort und schlägt bei Bedarf systemübergreifend nach oder löst eine Aktion aus. Wir bauen die Variante, die den Kontakt mit echten Nutzern übersteht.
RAG, erklärt für Entscheider
Ein Sprachmodell kennt das öffentliche Internet bis zu einem Stichtag. Von Ihren Verträgen, Tickets oder Preislisten weiß es nichts. Retrieval ändert das.
Retrieval-Augmented Generation (RAG) ist eine einfache Idee. Stellt ein Nutzer eine Frage, durchsucht das System zuerst Ihre Dokumente und Systeme nach den passenden Passagen und übergibt sie dem Sprachmodell zusammen mit der Frage. Das Modell schreibt seine Antwort aus diesem Material statt aus dem Gedächtnis – und kann zeigen, woher jede Aussage stammt.
Gut gemacht, bekommen Sie einen Assistenten, der in dem Moment aktuell ist, in dem sich ein Dokument ändert, der respektiert, wer was sehen darf, und dessen Antworten sich prüfen lassen. Schlecht gemacht, bekommen Sie einen Chatbot, der selbstsicher klingt und gerade oft genug falsch liegt, dass ihm niemand vertraut – schlimmer als gar kein Assistent.
Agentisches RAG geht einen Schritt weiter: Der Assistent kann mehrere Suchen anstoßen, im ERP eine aktuelle Zahl abfragen, zwei Dokumente vergleichen oder die E-Mail entwerfen, die aus der Antwort folgt. Dort wird aus dem Assistenten ein Kollege – und dort setzt unsere Agentenentwicklung an.
- FormatQuellenanalyse, Pipeline, Assistent, Evaluierung, Rollout
- DauerIn der Regel 6–8 Wochen bis zum produktionsreifen Piloten
- FürCIOs, IT-Leitung, HR, Vertrieb, Service, Wissensmanagement
- ErgebnisEin rechtekonformer Assistent mit Quellenangaben, Evaluierung und Monitoring
Wo sich Wissensassistenten auszahlen
Beispiele zur Veranschaulichung. Der gemeinsame Nenner: Viele Menschen stellen ähnliche Fragen, die Antworten existieren irgendwo, und sie zu finden dauert.
Interner Helpdesk für IT und HR
Passwortrichtlinien, VPN-Einrichtung, Elternzeitregeln, Reisekosten: sofort aus der aktuellen Richtlinie beantwortet, mit Link zur Quelle und einem Ticket, sobald ein Mensch handeln muss. Mehr unter HR und IT.
Vertriebs- und Ausschreibungswissen
Frühere Angebote, Produktspezifikationen, Referenzbeschreibungen und Compliance-Aussagen griffbereit für die Menschen, die das nächste Angebot schreiben. Der Assistent entwirft Antworten auf Ausschreibungsfragen ausschließlich aus freigegebenen Quellen. Mehr unter Vertrieb.
Servicetechniker im Einsatz
Handbücher, Fehlercodes, die Servicehistorie der konkreten Maschine und Ersatzteildaten, vor Ort per Sprache oder Text durchsuchbar. Antworten zitieren die Handbuchseite, damit Techniker prüfen können. Mehr unter Fertigung.
Fragen zu Richtlinien und Compliance
Was die Einkaufsrichtlinie zu Geschenken sagt, welche Aufbewahrungsfrist gilt, welche Klausel diesen Fall regelt: beantwortet aus den aktuellen Versionen mit Quellenangabe, damit Auskünfte konsistent und prüfbar sind. Mehr unter Recht und Compliance.
Onboarding
Neue Kolleginnen und Kollegen fragen den Assistenten, was sie sonst den beschäftigten Sitznachbarn fragen würden: wie Dinge laufen, wo Dinge liegen, wer zuständig ist. Die Einarbeitungszeit sinkt, und die Fragen zeigen, was in Ihrer Dokumentation fehlt.
Verträge und technische Dokumentation
Welche Verträge eine Change-of-Control-Klausel enthalten, was die Spezifikation zu Toleranzen sagt, was diesem Kunden zugesagt wurde: Fragen über tausende Dokumente, beantwortet mit den Passagen, die sie belegen.
Warum Dokumenten-Chat-Piloten enttäuschen – und was wir anders machen
Schlechtes Chunking und Retrieval
In beliebige Stücke zerschnittene Dokumente verlieren Tabellen, Überschriften und Kontext, und die Suche findet die falschen Passagen. Wir zerlegen Dokumente entlang ihrer Struktur, behalten Metadaten, kombinieren Stichwort- und semantische Suche und sortieren Treffer neu, bevor das Modell sie sieht.
Keine Berechtigungen
Ein Pilot, der alles indexiert, zeigt allen alles – auch Gehaltslisten und Vorstandsprotokolle. Unser Retrieval prüft die Rechte des Nutzers zum Zeitpunkt der Anfrage im Quellsystem, sodass der Assistent nur sieht, was der Nutzer sehen darf.
Keine Evaluierung
Ohne Testdatensatz ist Qualität Geschmackssache. Wir bauen einen Satz echter Fragen mit Referenzantworten, messen Trefferqualität, Korrektheit der Antwort und Qualität der Quellenangaben – und lassen ihn bei jeder Änderung laufen.
Veraltete Inhalte
Ein einmal gebauter Index ist nach Wochen überholt. Wir binden Quellen über inkrementelle Synchronisation an, verfolgen Dokumentversionen und zeigen in jeder Antwort das Datum der Quelle.
Antworten ohne Beleg
Jede Antwort trägt Quellenangaben, die die Originalpassage öffnen, und eine klare Aussage, wenn die Quellen keine Antwort hergeben. Raten ist kein Feature.
So bauen wir einen Wissensassistenten
Quellen- und Fragenanalyse
Welche Fragen stellen die Menschen wirklich, und wo liegen die Antworten? Wir sammeln echte Fragen aus Tickets, Chats und Interviews, inventarisieren die Quellen und prüfen deren Berechtigungsmodelle und Qualität.
Pipeline und Berechtigungen
Konnektoren für SharePoint, Confluence, Ihr DMS und weitere Quellen, Dokumenten-Parsing, Chunking entlang der Struktur, Indexierung in Vektorspeicher plus Stichwortsuche und die Rechteprüfung zum Zeitpunkt der Anfrage.
Assistent und Oberfläche
Retrieval-Logik, Prompt- und Modellaufbau, Quellenangaben, Fallback-Verhalten und die Oberfläche: Teams, Slack, eine Web-App oder eingebettet in die Werkzeuge, die Ihr Team ohnehin nutzt. Agentische Fähigkeiten, wo der Use Case sie braucht.
Evaluierung
Der Fragenkatalog läuft gegen den Assistenten; wir justieren Retrieval, Chunking und Prompts, bis Genauigkeit und Quellenqualität halten. Mehrdeutige, themenfremde und gegnerische Fragen testen wir ebenfalls.
Rollout und Feedback
Eine Pilotgruppe nutzt den Assistenten im Alltag; Rückmeldungen und unbeantwortete Fragen fließen in den Evaluierungsdatensatz und an die Inhaltsverantwortlichen. Dashboards zeigen Nutzung, Antwortqualität und Lücken in der Dokumentation.
Quellen, Plattformen und Modelle, mit denen wir arbeiten
Je Projekt gewählt, herstellerneutral. Ein Produkt zu nennen bedeutet, dass wir es anbinden oder bewerten – nicht, dass wir Partner oder zertifiziert sind.
Häufige Fragen
Ist RAG dasselbe wie das Fine-Tuning eines Modells mit unseren Daten?
Nein. Fine-Tuning verändert, wie sich ein Modell verhält; es vermittelt ihm keine Fakten zuverlässig, lässt sich bei Dokumentänderungen nicht aktualisieren und nicht je Nutzer einschränken. Retrieval hält das Wissen in Ihren Systemen, aktuell und rechtekonform, und lässt das Modell tun, was es gut kann: lesen und schreiben.
Wie stellen Sie sicher, dass Nutzer nur sehen, was sie sehen dürfen?
Der Assistent prüft die Berechtigungen zum Zeitpunkt der Anfrage im Quellsystem, etwa SharePoint-Gruppen oder die Zugriffslisten Ihres DMS, sodass das Retrieval nur Passagen liefert, die der Nutzer selbst öffnen könnte. Keine separate Kopie Ihrer Berechtigungen, die veraltet, und eigene Testfälle dafür im Evaluierungsdatensatz.
Kann der Assistent auch handeln?
Ja, wenn der Use Case es verlangt. Ein agentischer Assistent kann ein Ticket anlegen, eine E-Mail entwerfen, eine aktuelle Zahl im ERP nachschlagen oder zwei Vertragsversionen vergleichen. Aktionen mit Folgen warten auf Bestätigung. Hier treffen sich Wissensassistenten und agentische Workflows.
Wohin gehen unsere Daten?
Dorthin, wo Sie es entscheiden. Die Optionen reichen von EU-Regionen bei Azure, AWS oder Google Cloud über Modellanbieter mit Sitz in der EU bis zu On-Premises-Aufbauten mit Open-Weight-Modellen. Index und Protokolle bleiben in jeder Variante unter Ihrer Kontrolle. Unser Beitrag Souveräne KI und EU-Hosting vergleicht die Abwägungen.
Müssen wir zuerst unsere Dokumentation aufräumen?
Nicht vollständig. Der Assistent arbeitet mit dem, was da ist, und zeigt nebenbei, wo Dokumentation fehlt oder sich widerspricht. Wo Quellen chaotisch sind, richtet unsere Datenbasis-Arbeit Dokumenten-Pipelines und Zuständigkeiten parallel zum Assistenten ein.
Passende Leistungen
Entwicklung individueller KI-Agenten
Single- und Multi-Agenten-Systeme, entworfen und gebaut für den Produktivbetrieb: Tool-Nutzung, Gedächtnis, MCP-Server, Evaluierungs-Suiten, Guardrails und EU-Betrieb.
Datenbasis für KI
Pragmatische, schrittweise Datenarbeit für Agenten: Inventar, Dokumenten-Pipelines, APIs, Suche, Definitionen und Zugriffskontrolle – Use Case für Use Case.
KI-Governance, EU AI Act & DSGVO
Ein KI-Register, eine Risikoeinstufung nach EU AI Act, DSGVO-konforme Prozesse und eine Nutzungsrichtlinie, die Ihre Teams tatsächlich befolgen – erarbeitet gemeinsam mit Ihren Juristen und Ihrem Datenschutzbeauftragten.
Souveräne KI: Optionen für Sprachmodelle mit EU-Hosting
US-Anbieter mit Schutzmaßnahmen, EU-Regionen der Hyperscaler, europäische Anbieter oder selbst gehostete offene Modelle: wie Sie nach Datensensibilität und Use Case entscheiden.
Finden wir den ersten Workflow, der sich wirklich lohnt.
Ein 30-minütiges Erstgespräch, ohne Folien und ohne Verpflichtung. Wir hören zu, fragen nach Ihren Prozessen und sagen Ihnen ehrlich, wo KI-Agenten sich rechnen – und wo nicht.