Wie kommt KI zu Ihrem Unternehmenswissen – ohne dass ein Modell für jede Änderung neu trainiert werden muss?
Unternehmenswissen liegt meist verteilt in Dokumenten, Wikis, Datenbanken und Fachsystemen. Entscheidend ist nicht nur, ob eine KI darauf zugreifen kann, sondern welche Quelle sie wann verwenden darf und wie eine Antwort belegt wird.
wie Retrieval-Augmented Generation, kurz RAG, grundsätzlich funktioniert
wie sich Standard-, Hybrid-, Multi-Hop- und GraphRAG unterscheiden
welche Quellen sich für einen Wissensassistenten eignen
warum Zugriffsrechte, Aktualität und Quellenangaben zentral sind
wann Suche, RAG oder eine strukturierte Schnittstelle sinnvoller ist
Diese Fragen helfen, aus einem Begriff eine konkrete betriebliche Einordnung zu machen.
Welche Quellen sind verbindlich, aktuell und für die Zielgruppe freigegeben?
Muss die Antwort eine Fundstelle zeigen oder einen exakten Live-Wert abrufen?
Wer verantwortet Inhalt, Berechtigungen und Qualität im laufenden Betrieb?
Retrieval-Augmented Generation ist ein Verfahren, bei dem eine Anwendung zuerst relevante Inhalte aus freigegebenen Quellen abruft und ein LLM anschliessend auf Basis dieses Kontexts antwortet.
Es gibt keine verbindliche offizielle Liste von RAG-Arten. In der Praxis beschreiben Begriffe wie Hybrid RAG, Multi-Hop RAG, GraphRAG oder Agentic RAG unterschiedliche Eigenschaften eines Systems – und können deshalb miteinander kombiniert werden.
RAG eignet sich für aktuelles, quellenbasiertes Wissen aus Dokumenten. Fine-Tuning eignet sich für wiederkehrende Aufgaben oder ein konsistentes gewünschtes Verhalten anhand guter Beispiele. Eine direkte Schnittstelle ist richtig, wenn exakte Live-Werte, strukturierte Datensätze oder Transaktionen aus einem Fachsystem benötigt werden. In vielen Unternehmenslösungen werden die Ansätze kombiniert.
Ein Embedding ist eine numerische Repräsentation eines Inhalts, bei der semantisch ähnliche Inhalte im Vektorraum näher beieinanderliegen. Eine Vektordatenbank speichert solche Vektoren zusammen mit Inhalt und Metadaten und findet ähnliche Einträge.
Geeignet sind Unternehmensdaten, die einen klaren Nutzerbedarf abdecken, eine erkennbare verantwortliche Quelle besitzen, ausreichend aktuell und verständlich sind und deren Zugriffsrechte technisch übernommen werden können.
Quellen, Rechte und Aktualität bleiben erhalten, wenn Originalidentität und Dokumentmetadaten bis zum Suchtreffer mitgeführt, Berechtigungen vor der Modellübergabe erzwungen und Änderungen sowie Löschungen kontrolliert in den Index synchronisiert werden.
Dokumente und Datenbanken können verbindliche Informationsquellen sein. Eine API ist dagegen meist der kontrollierte Zugriffsweg zu einem zuständigen System oder Prozess. Dokumente eignen sich für erklärendes Wissen, Datenbanken für strukturierte Abfragen und APIs für kontrollierte Lese- oder Schreiboperationen.
Bei widersprüchlichen oder fehlenden Quellen sollte die Anwendung nicht selbst eine Wahrheit erfinden. Sie prüft Priorität und Gültigkeit, zeigt verbleibende Konflikte und verweist bei fehlender Grundlage auf eine zuständige Person oder einen definierten Prozess.
Eine KI-Wissensbasis wird zuverlässig, wenn Quellenverantwortung, Synchronisation, Rechte, Qualitätsmessung, Monitoring und Fehlerbehandlung als wiederkehrende Betriebsaufgaben mit klaren Zuständigkeiten organisiert sind.
OKF organisiert Unternehmenswissen als Verzeichnis aus Markdown-Dateien mit YAML-Metadaten. Jede Datei beschreibt ein Konzept wie eine Kennzahl, Tabelle, API oder Arbeitsanweisung; Links und optionale Übersichtsdateien verbinden die Konzepte zu einem portablen Wissenspaket.
Wir übersetzen Ihre Ausgangslage in verständliche Optionen und einen realistischen nächsten Schritt.
