KI-Entwicklung · RAG
RAG & KI-Wissensdatenbank: KI-Antworten aus Eurem Firmenwissen, mit Quelle
Mit Retrieval Augmented Generation (RAG) antwortet die KI nicht aus dem Allgemeinwissen eines Sprachmodells, sondern aus Euren Handbüchern, Wikis, Tickets und Dokumenten. Jede Antwort zeigt auf die Fundstelle, und jeder sieht nur, was er auch sonst öffnen dürfte. Wir bauen RAG-Systeme und KI-Wissensdatenbanken für den Mittelstand: angebunden an Eure Quellen, auf Wunsch komplett im eigenen Haus.
Zufriedene Kunden der Suchhelden GmbH
Überblick
Wenn eine KI-Antwort gut klingt, aber nicht weiterhilft
Ein Sprachmodell kennt die Weltliteratur, aber nicht Eure Rabattstaffel. Es weiß nicht, welche Wartungsintervalle für Anlage 14 gelten, und hat die Arbeitsanweisung nicht gelesen, die im Frühjahr geändert wurde. Deshalb enttäuschen viele erste KI-Versuche im Unternehmen: Die Antworten klingen gut, helfen aber nicht weiter.
Ein RAG-System löst das. Es legt sich über Eure vorhandenen Quellen, sucht zu jeder Frage die passenden Stellen und lässt das Modell erst dann antworten. Wissen, das bisher an einzelnen Personen hing, wird abrufbar. Und wo es keine Antwort gibt, wird sichtbar, dass eine Unterlage fehlt. Auch das ist ein Ergebnis.
Antwort mit Beleg
Jede Aussage zeigt auf Dokument, Abschnitt und Fassung. Ein Klick, und die Originalstelle steht daneben.
Rechte bleiben, wie sie sind
Die Suche liefert nur Treffer aus Dokumenten, die die fragende Person ohnehin öffnen darf.
Keine zweite Ablage
Wikis, Laufwerke, DMS und Tickets bleiben die Quelle. Nichts muss doppelt gepflegt werden.
Ehrlich bei Lücken
Findet das System nichts Passendes, sagt es das, statt zu improvisieren.
Malte Hundertmark – KI-Experte bei KI-Helden
Kernaussage
„Die spannendste Erkenntnis in fast jedem Wissensprojekt kommt nicht aus dem Modell, sondern aus den Unterlagen. Sobald man anfängt, echte Fragen zu stellen, sieht man sofort, wo Wissen fehlt oder sich widerspricht. Wer das aushält, bekommt am Ende mehr als eine KI – nämlich eine aufgeräumte Wissensbasis.“
Grundlagen
Was ist Retrieval Augmented Generation (RAG)?
Retrieval Augmented Generation heißt übersetzt etwa „durch Abruf angereicherte Erzeugung“. Ein Sprachmodell (LLM) bringt Sprachfähigkeit mit, aber kein Wissen über Dein Unternehmen. RAG ergänzt genau diese fehlende Hälfte: Das System sucht zuerst in Euren Quellen und gibt dem Modell die Fundstellen mit. Das Modell formuliert danach, auf Basis Eurer Unterlagen.
Das Modell selbst bleibt unverändert. Es wird nicht nachtrainiert und lernt nichts auswendig. Diese eine Eigenschaft entscheidet fast alles: Neue Dokumente wirken nach dem nächsten Abgleich, veraltete lassen sich entfernen, jede Aussage lässt sich zurückverfolgen. Und das Modell bleibt austauschbar, während Eure Wissensbasis bestehen bleibt.
1. Frage
Jemand fragt in normaler Sprache: „Wie läuft die Reklamation bei Fremdbezug?“
2. Suche
Das System durchsucht die angebundenen Quellen nach Bedeutung und nach exakten Begriffen.
3. Vorlegen
Die besten Fundstellen gehen mit Dokument, Fassung und Datum an das Modell.
4. Antwort mit Quelle
Das Modell antwortet nur aus diesen Stellen und verweist auf jede davon.
Der ehrliche Vergleich
Nachtrainieren, in den Prompt kopieren oder RAG?
Drei Wege werden regelmäßig verwechselt, wenn eine KI Firmenwissen nutzen soll. Für den weit überwiegenden Teil der Anwendungsfälle im Mittelstand ist die Anbindung per RAG der richtige.
| Modell nachtrainieren (Fine-Tuning) | Dokumente in den Prompt kopieren | RAG-Anbindung | |
|---|---|---|---|
| Aktualität | erst nach erneutem Training | nur, was gerade eingefügt wurde | nach dem nächsten Abgleich |
| Quelle nachvollziehbar | nein, Wissen steckt im Modell | nur für das eingefügte Dokument | ja, mit Dokument und Abschnitt |
| Zugriffsrechte | nicht abbildbar | liegen bei der Person, die einfügt | aus Euren Systemen übernommen |
| Große Bestände | aufwendig und teuer | nicht möglich, Textmenge begrenzt | dafür gebaut |
| Fehler beheben | Training wiederholen | fällt kaum auf | Dokument korrigieren |
| Sinnvoll, wenn … | Stil, Fachsprache oder feste Formate gefragt sind | es um ein einzelnes Dokument geht | Firmenwissen dauerhaft genutzt wird |
Ein Nachtraining ist damit nicht wertlos. Es hilft dort, wo es nicht um Fakten geht, sondern um Form: eine eigene Fachsprache, ein festes Format für Gutachten oder Befundtexte. In seltenen Fällen kombinieren wir ein angepasstes Modell mit RAG. Der Regelfall bleibt die Anbindung, und wir sagen offen, wenn ein Nachtraining nur Aufwand ohne Nutzen wäre.
Wissensdatenbank
KI-Wissensdatenbank aufbauen: vom Laufwerk zur Antwort
In den meisten Unternehmen gibt es keine Wissensdatenbank, sondern viele kleine: ein halb gepflegtes Wiki, ein gewachsenes Laufwerk, Postfächer voller Absprachen und Kolleg:innen, die einfach wissen, wie etwas läuft. Wer eine Information sucht, fragt deshalb Menschen statt Systeme. Eine KI-Wissensdatenbank macht daraus eine Stelle, an der man fragt.
Interne Wissensdatenbank für alle
Arbeitsanweisungen, Richtlinien, Produktwissen und Protokolle gemeinsam durchsuchbar, mit Antwort statt Trefferliste.
Über SharePoint und Confluence
Die KI-Schicht legt sich über Eure bestehenden Systeme, statt sie zu ersetzen. Gepflegt wird weiter dort, wo Ihr es gewohnt seid.
Dort, wo gearbeitet wird
Als Bot in Teams, als Widget im Intranet oder als eigene Web-App. Kein neues Login, kein Medienbruch, auch mobil in Halle und Außendienst.
Eigene Dateien befragen
Ein Angebot, ein Briefing, ein Report: hochladen, zusammenfassen, nachschlagen. Getrennt vom zentralen Wissen und mit klaren Regeln zur Aufbewahrung.
Wissensmanagement mit KI
Jeder Inhalt bekommt eine verantwortliche Person, ein Prüfdatum und einen Freigabestatus. Fragen ohne Treffer zeigen, wo nachgepflegt werden muss.
Wissen sichern, bevor es geht
Wenn erfahrene Kolleg:innen in Rente gehen oder kündigen, bleibt ihr Wissen abrufbar, sofern es irgendwo geschrieben steht. Steht es nirgends, wird die Lücke rechtzeitig sichtbar.
Schon 2012 schätzte das McKinsey Global Institute, dass Wissensarbeiter rund ein Fünftel ihrer Arbeitszeit mit dem Suchen und Zusammentragen von Informationen verbringen (zitiert in McKinsey, 2023). Eine gepflegte Wissensdatenbank setzt genau dort an und ist zugleich die Grundlage, auf der KI-Agenten später arbeiten.
Welche Fragen landen bei Euch dreimal pro Woche bei derselben Person?
Im kostenlosen Erstgespräch klären wir, welche Eurer Wissensquellen sich zuerst lohnen.
Technik
Die RAG-Pipeline: wie aus Dokumenten belegbare Antworten werden
Wir arbeiten modellunabhängig. Entscheidend ist selten, welches Sprachmodell antwortet, sondern was ihm vorgelegt wird. Diese sechs Bausteine bestimmen die Qualität eines RAG-Systems weit stärker als die Modellwahl.
Quellen anbinden und abgleichen
Lesender Zugriff über vorhandene Schnittstellen, Abgleich je Quelle: Tickets laufend, Normen selten. Gelöschte Dokumente verschwinden auch aus dem Index.
Aufbereitung und Chunking
Texterkennung für Scans, Sonderbehandlung für Tabellen, Zerlegung entlang von Kapiteln und Paragrafen. Jeder Abschnitt trägt Titel, Version, Gültigkeit und Vertraulichkeit.
Embeddings und Vektordatenbank
Jeder Abschnitt wird in eine Zahlenfolge übersetzt, die seine Bedeutung abbildet, und in einer Vektordatenbank gespeichert, verschlüsselt und im eigenen Netz.
Hybride und semantische Suche
Die semantische Suche findet Bedeutung („Was tun bei Leckage?“), die Stichwortsuche exakte Begriffe („SK-4120“, § 14). Zusammen sind sie fast immer besser als jede allein.
Reranking
Ein zweiter Schritt sortiert die Fundstellen neu und bewertet, welche die Frage wirklich beantwortet und nicht nur ähnlich klingt.
Antwort mit Quellenangabe
Das Modell bekommt nummerierte Abschnitte und die Anweisung, nur daraus zu antworten. Bei Widersprüchen zeigt es beide Fundstellen mit Datum.
Technisch setzen wir je nach Umgebung auf bewährte Open-Source-Bausteine für Suche, Vektordatenbank und Ablaufsteuerung, betrieben in der EU oder auf eigenen Servern. Für Teams, die schnell testen wollen, reicht oft Open WebUI mit RAG-Funktion als Einstieg.
RAG-Architektur
Von Basic RAG bis GraphRAG und Agentic RAG
Nicht jede Wissensdatenbank braucht die aufwendigste Architektur. Wir starten mit dem einfachsten Aufbau, der Eure Testfragen gut beantwortet, und erweitern nur dort, wo die Messung es zeigt.
Basic RAG
Suchen, vorlegen, antworten. Reicht für überschaubare, gut gepflegte Bestände und klare Fragen.
Hybrid mit Reranking
Unser Standard für den Mittelstand: Bedeutung plus Stichwort, danach neu sortiert. Robust bei Artikelnummern, Fachbegriffen und gemischten Beständen.
Kontextuelle Abschnitte
Jeder Abschnitt bekommt vor dem Speichern einen kurzen Hinweis, woher er stammt. Zusammen mit hybrider Suche und Reranking senkte das in Tests von Anthropic die Fehlerrate bei der Suche um 67 %.
Fragen umformulieren
Das System zerlegt komplexe Fragen in Teilfragen oder formuliert sie in der Sprache der Dokumente, bevor es sucht.
GraphRAG
Zusätzlich ein Wissensgraph aus Personen, Produkten, Verträgen und ihren Beziehungen. Sinnvoll für Fragen über Zusammenhänge, die in keinem einzelnen Dokument stehen.
Agentic RAG
Ein KI-Agent entscheidet selbst, welche Quellen er durchsucht, sucht nach und fragt bei Bedarf Systeme wie CRM oder ERP direkt ab.
Aus der Praxis
Einsatzszenarien im Mittelstand
Interner Wissensassistent
Arbeitsanweisungen, Richtlinien und Wiki-Inhalte werden angebunden. Besonders wertvoll, wo Wissen an einzelnen Personen hängt und bei Urlaub, Krankheit oder Rente verloren zu gehen droht.
02Service und Support
Handbücher, Fehlerlisten und gelöste Tickets werden gemeinsam durchsucht. Zu einer neuen Störung liefert das System vergleichbare Fälle samt Lösungsweg.
03Technik und Instandhaltung
„Welches Drehmoment gilt für diese Baugruppe in der aktuellen Revision?“ bekommt eine Antwort mit Fundstelle. Alte Stände reden nicht mit.
04Vertrieb und Angebote
Frühere Angebote, Leistungsbeschreibungen und Datenblätter werden durchsuchbar. Das Modell entwirft im eigenen Tonfall, Dein Team prüft und gibt frei.
05Qualität, Compliance und Audit
Normen, interne Vorgaben und Prüfberichte zusammen durchsuchbar. Statt Dokumente zu suchen, prüft Dein Team Fundstellen. Die Bewertung bleibt beim Menschen.
06Einarbeitung und Onboarding
Neue Kolleg:innen fragen die Wissensdatenbank statt der Erfahrensten im Team. Nebenbei entsteht eine ehrliche Liste, was in der Dokumentation fehlt.
Betrieb
Was ein RAG-System im Alltag können muss
Eine Demo ist an einem Nachmittag gebaut. Ob ein RAG-System in drei Monaten noch genutzt wird, entscheiden diese Punkte:
✓Rechte und Sichtbarkeit
- Rechte aus Benutzerverzeichnis, DMS und Laufwerken übernommen, nicht neu erfunden
- Prüfung der Rechte bei jeder Suche, nicht nur beim Einlesen
- Sonderregeln für Personal-, Gesundheits- und Vertragsdaten
- Verwaltungssicht mit Rollen, Gruppen und Nutzungsübersicht
✓Aktualität und Pflege
- Abgleichrhythmus je Quelle, eiliger Abgleich bei Freigabe eines Dokuments
- Veraltete Fassungen ausgesteuert oder deutlich als überholt markiert
- Verantwortliche je Bereich und ein Prüfdatum je Inhalt
- Geteilte Vorlagen für wiederkehrende Fragen, für das ganze Team pflegbar
Qualität
Wie wir die Antwortqualität messen
Antwortqualität ist messbar, wenn man sie messbar macht. Gemeinsam mit Deinem Fachbereich bauen wir einen Testkatalog aus echten Fragen, zu denen die richtige Quelle hinterlegt ist. Typisch sind 50 bis 100 Fragen, darunter bewusst solche, auf die es in Euren Unterlagen keine Antwort gibt. Die Zielwerte vereinbaren wir vorher.
Der Katalog läuft nach jeder Änderung erneut: neue Quelle, anderes Modell, andere Zerlegung. So sehen wir, ob eine Anpassung hilft oder nur woanders schadet. Im Betrieb kommen Daumen hoch oder runter und Kommentare Eurer Mitarbeitenden dazu. Aus den schlechten Antworten entsteht die Liste der nächsten Verbesserungen.
Richtige Stelle gefunden?
Steht die hinterlegte Quelle unter den ersten Treffern?
Bei der Quelle geblieben?
Stützt jede Aussage der Antwort sich auf die vorgelegten Stellen?
Lücken ehrlich benannt?
Sagt das System bei unbeantwortbaren Fragen „dazu finde ich nichts“?
Im Alltag genutzt?
Nutzungsrate, Fragen ohne Treffer, Zeit bis zur Antwort und Rückgang wiederkehrender Rückfragen.
Ehrlich gesagt
Wo RAG an Grenzen stößt
Die wichtigste Grenze ist keine technische. RAG kann nur wiedergeben, was in Euren Unterlagen steht. Wer mit einem ungepflegten Bestand startet, bekommt ein System, das Unordnung mit großer Selbstsicherheit vorträgt.
- Veraltete oder widersprüchliche Dokumente: Drei Fassungen derselben Arbeitsanweisung ergeben keine gute Antwort. Das Aufräumen ist kein Nebeneffekt, sondern Teil des Nutzens.
- Prüfpflicht bleibt: Ein Modell kann eine gefundene Stelle falsch zusammenfassen. Quellenangaben machen Fehler auffindbar, verhindern sie aber nicht.
- Zählen, Summieren, Vollständigkeit: „Wie viele Reklamationen hatten wir 2025?“ ist eine Datenbankfrage, keine Textsuche. Dafür braucht es Auswertungslogik.
- Wissen, das nur in Köpfen steckt: Was nirgends geschrieben steht, findet auch RAG nicht. Es muss erst aufgeschrieben werden.
Vorgehen
So bauen wir Dein RAG-System
Fragen und Quellen
Wir starten bei den Fragen, nicht bei den Dokumenten: Welche Auskünfte werden ständig gebraucht, wer fragt wen? Daraus ergeben sich die nötigen Quellen, meist weniger als gedacht.
Bestandsaufnahme
Gibt es zu jedem Thema eine gültige Fassung, wer pflegt sie, liegt sie als Text oder Scan vor? Unspektakulär, aber entscheidend für die Antwortqualität.
Aufbau und Rechte
Quellen anbinden, aufbereiten, Rechte übernehmen, Oberfläche mit Quellenverweisen und Vorlagen einrichten, in Eurer Umgebung.
Testkatalog und Pilot
Ein Bereich, eine Abteilung, echte Fragen. Erst wenn der Testkatalog überzeugt, kommen weitere Quellen und Teams dazu.
Betrieb und Training
Messen, nachschärfen, Lücken schließen, Team schulen. KI ist kein Projekt mit Enddatum.
Datenschutz und Kosten
Dokumente im Haus, Kosten im Blick
Ob Eure Dokumente das Haus verlassen, entscheidest Du mit der Architektur. Laufen Sprachmodell und Suchindex auf eigener oder gemieteter Infrastruktur in Deutschland, gehen weder Frage noch Fundstelle nach außen. Möglich ist auch eine Mischung: unkritische Inhalte über einen externen Dienst, vertrauliche nur intern. Protokollierung, Löschwege, Aufbewahrung und Auftragsverarbeitung planen wir mit. Die rechtliche Bewertung übernimmt Dein Datenschutzbeauftragter.
Die Kosten bestehen aus drei Posten: Betrieb von Modell und Suchindex, einmaliger Aufbau und laufende Betreuung. Bei uns zahlst Du nur die Stunden, die wirklich anfallen: im Retainer als Deine KI-Abteilung auf Stundenbasis, monatlich kündbar, oder als Einzelprojekt zu 85 € pro Stunde. Eine erste Demo ist oft kostenlos, die Rechte am Quellcode bekommt Ihr.
Zahl und Zustand der Quellen
Ein gepflegtes Wiki ist schneller angebunden als ein Laufwerk voller Scans.
Rechtestruktur
Einheitliche Rechte im Verzeichnis sind einfach, gewachsene Sonderfälle nicht.
Nutzerzahl und Betrieb
Eigener Server oder Cloud, eine Abteilung oder das ganze Unternehmen.
Pflege und Training
Testläufe, Nachschärfen und neue Quellen gehören von Anfang an in die Rechnung.
Warum KI-Helden
Aus der Praxis, für die Praxis.
Keine lange Vertragsbindung. Volle Flexibilität, volle Kostenkontrolle.
Statt sechsstelliger Projektkosten: flexibles Monatsmodell.
Modellunabhängig – Eure Wissensbasis gehört Euch und bleibt, auch wenn das Sprachmodell wechselt.
Persönlicher Ansprechpartner, Jour-Fixe-Calls und dediziertes Umsetzungsteam.
Kostenlose KI-Erstberatung – einfach anfragen.
Wir schauen gemeinsam, welche Eurer Wissensquellen sich anbinden lassen und womit der Einstieg den größten Nutzen bringt. Und wir sagen Dir, wenn erst die Unterlagen aufgeräumt werden sollten.
Fragen & Antworten
Häufige Fragen zu RAG und KI-Wissensdatenbanken
KI-Helden in Osnabrück
Heinrichstraße 14c49080 Osnabrück
- Montag bis Donnerstag
- 08:30–17:00 Uhr
- Freitag
- 08:30–15:00 Uhr
- Samstag und Sonntag
- Geschlossen
Was ist RAG einfach erklärt?
RAG bedeutet: Das Sprachmodell bekommt vor jeder Antwort die passenden Stellen aus Euren eigenen Dokumenten vorgelegt. Zuerst sucht das System, dann formuliert das Modell. Das Wissen bleibt in Euren Unterlagen und wandert nicht ins Modell. Deshalb wirken Änderungen sofort, Quellen lassen sich nennen und falsche Inhalte korrigiert man, indem man das Dokument korrigiert.
Was ist der Unterschied zwischen RAG und Fine-Tuning?
Beim Fine-Tuning wird das Modell mit eigenen Daten weiter trainiert, bis es sie verinnerlicht hat. Bei RAG bleibt das Modell unverändert und bekommt die passenden Textstellen mitgeliefert. Für Wissen ist RAG fast immer der bessere Weg: aktueller, günstiger, mit Quelle und mit Zugriffsrechten. Fine-Tuning hilft bei Stil, Fachsprache und festen Ausgabeformaten. Beides lässt sich kombinieren.
Was kostet ein RAG-System?
Die Kosten bestehen aus drei Posten: dem Betrieb von Modell und Suchindex, dem einmaligen Aufbau (Quellen anbinden, aufbereiten, Rechte übernehmen, Oberfläche einführen) und der laufenden Betreuung. Wie hoch sie ausfallen, hängt an Zahl und Zustand der Quellen, an der Rechtestruktur und an der Nutzerzahl. Bei uns zahlst Du nur die Stunden, die wirklich anfallen: im Retainer mit einem monatlich kündbaren Stundenkontingent oder als Einzelprojekt zu 85 € pro Stunde. Eine erste Demo mit Euren eigenen Dokumenten ist oft kostenlos.
Welche Quellen lassen sich anbinden?
Alles, was Wissen enthält und eine Schnittstelle hat: Wikis und Intranet, SharePoint und Confluence, Netzlaufwerke, Dokumentenmanagement, Ticket- und Servicesysteme, Handbücher, Normen, Arbeitsanweisungen sowie Auszüge aus ERP oder CRM. Formate wie PDF, Word, PowerPoint, Excel, E-Mails und Webseiten sind kein Problem. Der Zugriff erfolgt lesend, es entsteht keine zweite Ablage.
Werden bestehende Zugriffsrechte übernommen?
Ja, und das ist Pflicht, nicht Kür. Wir greifen auf die Rechte zurück, die in Eurem Benutzerverzeichnis, im Dokumentenmanagement oder auf den Laufwerken hinterlegt sind. Die Suche liefert nur Treffer aus Dokumenten, die die fragende Person ohnehin öffnen dürfte. Sonderfälle wie Personaldaten behandeln wir gesondert.
Bleiben unsere Dokumente dabei im Haus?
Das entscheidest Du mit der Architektur. Laufen Sprachmodell und Suchindex auf eigener oder gemieteter Infrastruktur, verlassen weder Frage noch Dokumentinhalt Deine Umgebung. Auch eine gemischte Variante ist möglich: unkritische Inhalte über einen externen Dienst, vertrauliche Quellen ausschließlich intern.
Erfindet die KI trotz RAG noch Antworten?
Seltener, aber nicht nie. RAG senkt das Risiko deutlich, weil das Modell auf konkreten Textstellen arbeitet. Fehler entstehen trotzdem, etwa wenn eine Passage falsch zusammengefasst wird. Quellenangaben machen das auffindbar, sie verhindern es nicht. Deshalb bleibt die fachliche Prüfung bei Deinem Team, besonders dort, wo Antworten nach außen gehen.
Was passiert mit veralteten Dokumenten und Widersprüchen?
Veraltete Fassungen erkennen wir über Angaben zu Version und Gültigkeit und steuern sie aus. Wird eine Datei in der Quelle gelöscht, verschwindet sie beim nächsten Abgleich auch aus dem Suchindex. Widersprechen sich zwei Dokumente, zeigt das System beide Fundstellen mit Datum, statt sich für eine zu entscheiden. Die Entscheidung trifft Dein Fachbereich.
Wie unterscheidet sich eine KI-Wissensdatenbank von SharePoint, Confluence oder einem Wiki?
SharePoint, Confluence und Wikis sind Ablagesysteme: Du findest Dokumente, wenn Du weißt, wonach Du suchst. Eine KI-Wissensdatenbank ist ein Antwortsystem: Du stellst eine Frage in normaler Sprache und bekommst eine Antwort aus den passenden Dokumenten, mit Quellenangabe. Wir legen die KI-Schicht meist über Eure bestehenden Systeme, statt sie zu ersetzen.
Reicht nicht Microsoft Copilot mit SharePoint?
Manchmal ja. Liegt Euer Wissen überwiegend in Microsoft 365, sind die Rechte dort sauber gepflegt und genügen Antworten aus Office-Dokumenten, ist Copilot ein guter Start, und wir sagen Dir das auch. Ein eigenes RAG-System lohnt sich, wenn Quellen außerhalb von Microsoft dazukommen (Ticketsystem, DMS, ERP, Fachanwendungen), wenn Ihr Suche und Antwortverhalten selbst steuern und messen wollt oder wenn Dokumente das Haus nicht verlassen dürfen.
Müssen wir erst unsere Dokumente aufräumen?
Nicht vollständig, aber ein Stück weit. Wir starten bewusst mit einem Bereich, in dem die Unterlagen halbwegs gepflegt sind. Die Aufräumarbeit läuft dann parallel und wird durch das System gesteuert: Fragen ohne Treffer zeigen genau, welche Unterlage fehlt oder veraltet ist.
Funktioniert das auch mit gescannten PDFs?
Ja, über Texterkennung. Gescannte Seiten werden in durchsuchbaren Text überführt, bevor sie zerlegt und indexiert werden. Die Qualität hängt an der Vorlage. Wir prüfen das an Stichproben, bevor ein ganzer Bestand verarbeitet wird. Mehr dazu auf unserer Seite zur KI-Dokumentenverarbeitung.
Können auch Kunden oder Partner die Wissensdatenbank nutzen?
Ja, mit getrennten Zugriffsebenen. Mitarbeitende sehen interne Inhalte, Kunden nur freigegebene Teile, Partner die für sie relevanten Dokumente. So kann derselbe Wissensbestand intern und in einem Kundenportal oder Chatbot arbeiten, ohne dass interne Informationen nach außen gelangen.
Das könnte Dich auch interessieren