Interne Antworten finden und prüfen

Ein KI-Wissensassistent hilft Mitarbeitenden, Fragen anhand freigegebener Unternehmensquellen zu beantworten. Sein Nutzen entsteht dort, wo eine gewöhnliche Suche zwar Dokumente liefert, die passende Aussage aber erst aus mehreren Fundstellen zusammengestellt werden muss. Typische Aufgaben sind die Orientierung in Arbeitsabläufen, das Auffinden einer Produktregel oder der Einstieg in eine interne Richtlinie.

Bevor Sie ein Projekt beginnen, sammeln Sie wiederkehrende Fragen aus dem Arbeitsalltag. „Was kann die KI über unser Unternehmen wissen?“ ist dafür zu breit. „Welche Unterlagen braucht ein österreichischer Geschäftskunde für den im Handbuch beschriebenen Austauschprozess?“ lässt sich dagegen mit einer definierten Quelle und einem fachlichen Prüfer beantworten. Fehlt schon die verbindliche Regel, muss zunächst Wissen gepflegt werden.

Der Assistent sollte außerdem eine klare Grenze haben. Er kann eine veröffentlichte interne Regel erklären, aber keine fehlende Genehmigung erfinden. Er kann Fundstellen verbinden, aber einen Widerspruch nicht eigenmächtig zum Unternehmensbeschluss machen. Gerade bei Personal-, Rechts- und Kundendaten ist eine richtige Rückfrage oft das nützlichere Ergebnis als eine vollständige klingende Antwort.

Retrieval-Augmented Generation, kurz RAG, verbindet eine Suche mit der Erzeugung einer Antwort. Passende Quellen werden zur Frage bereitgestellt; das Modell formuliert daraus eine Erklärung. Die Microsoft-Dokumentation zu RAG beschreibt dieses Muster und die Rolle eines Index. Das ist ein technischer Ansatz, keine Garantie für richtige Aussagen.

Für die Projektplanung unterscheiden wir zwei Wege. Der Inhaltsweg nimmt Quellen auf, erschließt ihre Struktur und hält Versionen und Rechte aktuell. Der Frageweg bestimmt die anfragende Person, sucht erlaubte Belege und erzeugt eine prüfbare Antwort. Beide Wege müssen dieselben Dokumente und deren Gültigkeit verstehen. Eine neue Oberfläche allein löst keine veralteten Dateien oder falsch gesetzten Freigaben.

Eine Vektordatenbank ist dabei eine mögliche Suchkomponente. Sie ist weder die vollständige Wissensbasis noch ein Berechtigungssystem für sich. Ob Schlüsselwortsuche, semantische Suche oder ihre Kombination passt, hängt von Fragen und Quellen ab. Artikelnummern, Abkürzungen und vollständige Formulierungen stellen unterschiedliche Anforderungen. Die Architekturanleitung behandelt die einzelnen Bausteine.

Beginnen Sie mit einer begrenzten Sammlung, deren Eigentümer erreichbar sind. Für jede Quelle sollten Titel, verantwortliche Person, Version oder Gültigkeitsdatum und erlaubte Nutzergruppen bekannt sein. Markieren Sie Entwürfe und Archive eindeutig. Zwei gleich benannte PDFs mit unterschiedlichen Regeln sind kein Problem, das sich allein durch eine stärkere KI zuverlässig auflösen lässt.

Verwenden Sie zunächst Dokumenttypen, die im Alltag vorkommen: ein gut strukturiertes Handbuch, eine Tabelle, einen Scan und eine kurze Richtlinie. So zeigt sich früh, wo Informationen beim Aufbereiten verloren gehen. Ein umfangreicher Import kann dagegen den Eindruck von Vollständigkeit erzeugen, obwohl Tabellen oder handschriftliche Ergänzungen nicht verwendbar sind.

Der Leitfaden zum Aufbau einer KI-Wissensdatenbank hilft bei dieser Inventur. Die Quelle bleibt führend. Fachliche Korrekturen gehören dorthin und anschließend kontrolliert in den Suchindex, damit der Chat nicht eine zweite, abweichende Unternehmensregel pflegt.

Vergleichen Sie zunächst die Suche und Assistenzfunktionen Ihrer bestehenden Arbeitsumgebung. Wenn Quellen, Rechte und erforderliche Antworten dort bereits zuverlässig abgebildet werden, kann die Einführung vor allem aus Bereinigung und Schulung bestehen. Zusätzliche Entwicklung sollte eine benannte Lücke schließen, etwa ein besonderes Quellsystem, einen benötigten Prüfweg oder eine eigene Benutzeroberfläche.

Microsoft beschreibt für Microsoft 365 Copilot den Umgang mit bestehenden Berechtigungen in seiner Dokumentation zu Daten, Datenschutz und Sicherheit. Daraus folgt für die Auswahl eine praktische Frage: Sind die vorhandenen Freigaben überhaupt korrekt? Eine Berechtigung, die versehentlich zu weit gesetzt wurde, wird nicht allein durch einen Assistenten fachlich angemessen.

Ein eigener Aufbau schafft Gestaltungsmöglichkeiten, bringt aber Verantwortung für Quellenanbindung, Suchqualität, Betrieb und Fehlerbehebung mit. Prüfen Sie deshalb dieselben Fragen in beiden Varianten. Notieren Sie, ob die richtige Fundstelle erschien, die Antwort daraus folgte und die Person den Beleg öffnen konnte. Eine überzeugende Demo mit einer einzelnen einfachen Frage ersetzt diesen Vergleich nicht. Der Copilot-oder-RAG-Vergleich führt durch die Entscheidung.

Die Identität des Nutzers muss am Suchweg berücksichtigt werden. Inhalte, die eine Person nicht lesen darf, dürfen nicht zunächst an das Antwortmodell gelangen und erst anschließend durch einen versteckten Quellenlink kaschiert werden. Beziehen Sie gespeicherte Gespräche und wiederverwendete Antworten in das Berechtigungskonzept ein.

Die Azure-AI-Search-Dokumentation zu Dokumentrechten, geprüft am 26. September 2026, unterscheidet Sicherheitsfilter und mehrere native, als Vorschau gekennzeichnete Verfahren. Prüfen Sie deshalb den tatsächlich verwendeten Ansatz und seine Grenzen. Die pauschale Aussage „SharePoint-Rechte werden übernommen“ ist ohne unterstützten Datenweg und Test zu ungenau.

Planen Sie für die Abnahme mindestens zwei Nutzerrollen und eine Rechteänderung. Eine Rolle darf eine Richtlinie lesen, die andere nicht. Danach wird der Zugriff entzogen. Testen Sie direkte Fragen, Nachfragen im bestehenden Gespräch und den Quellenlink. Ein berechtigter technischer Betreiber sollte ebenfalls wissen, welche Inhalte Protokolle enthalten und wer sie sehen kann.

Das folgende Szenario ist eine synthetische Testvorlage. Eine fiktive Firma erlaubt eine Geräteausgabe nach Freigabe durch die Teamleitung. Die Richtlinie enthält eine Ausnahme für Leihgeräte und gilt ab einem bestimmten Datum. Eine alte Fassung verlangt noch die Freigabe einer anderen Stelle. Die Frage lautet: „Wer muss den Laptop für die neue Kollegin freigeben?“

Eine brauchbare Antwort nennt die aktuelle zuständige Rolle, verweist auf die relevante Passage und fragt gegebenenfalls nach, ob es um ein Leihgerät geht. Sie darf nicht still die alte und neue Fassung kombinieren. Der Prüfer sieht dafür nicht nur den Antworttext, sondern auch Version und Fundstelle. Der Test ist erfolgreich, wenn die konkrete Aussage durch den zugänglichen Beleg getragen wird.

Nun wird die aktuelle Richtlinie geändert. Notieren Sie, wann die Quelle gespeichert wurde, wann der Index die Änderung übernahm und ab wann die neue Antwort erschien. Wird das Dokument entfernt, muss der Assistent den Weg ohne diese Quelle beherrschen. Dieses kleine Beispiel verbindet Aktualität, Suche, Ausnahmen und Zugriff zu einem durchgängigen Test statt zu vier unverbundenen Produktversprechen.

Stellen Sie Fragen und erwartete Antworten zusammen, bevor Sie Suchparameter optimieren. Ein möglicher erster Satz umfasst klare Einzelfragen, Fragen mit mehreren Quellen, mehrdeutige Formulierungen, nicht beantwortbare Fragen und verbotene Zugriffe. Die konkrete Größe hängt vom Umfang ab; sie ist keine allgemeine Qualitätsnorm. Halten Sie außerdem neue Fragen zurück, die erst zur abschließenden Prüfung verwendet werden.

Unterscheiden Sie mindestens vier Fehlerarten: Die relevante Quelle fehlt; die Suche findet sie nicht; der bereitgestellte Ausschnitt lässt eine wichtige Ausnahme weg; oder die Antwort gibt vorhandene Belege falsch wieder. Diese Unterscheidung zeigt, ob Sie die Quelle, Aufnahme, Suche oder Formulierung verbessern müssen. Ein Modellwechsel hilft nicht automatisch bei jedem Problem.

Bewerten Sie korrekte Ablehnungen gesondert. Wenn die Wissensbasis eine Frage nicht beantwortet, ist ein sichtbarer Hinweis mit zuständiger Anlaufstelle sinnvoll. Ein pauschaler Genauigkeitswert kann solche Unterschiede verdecken. Die RAG-Abnahmetests liefern eine Ausgangsliste, die Sie um Ihre Quellen und Rollen ergänzen können.

Planen Sie Aufwand für Quellenbereinigung, Anbindungen, Indexaufbau, Modellausgaben, Suchbetrieb und fachliche Pflege. Eine günstige Antwortgenerierung kann trotzdem einen teuren Gesamtbetrieb ergeben, wenn jedes zweite Ergebnis nachrecherchiert werden muss. Messen Sie daher die vollständige Bearbeitungszeit einschließlich Lesen, Prüfen und Rückfragen.

In einem erfundenen Beispiel stellen 30 Mitarbeitende je zehn Fragen pro Arbeitswoche. Bei vier Wochen ergeben sich 1.200 Fragen im Monat. Wenn heute durchschnittlich fünf Minuten anfallen, sind das 100 Stunden. Eine angenommene Verbesserung auf drei Minuten einschließlich Quellenprüfung ergäbe 60 Stunden. Sechs zusätzliche Stunden Inhalts- und Betriebspflege würden den theoretischen Kapazitätsgewinn auf 34 Stunden reduzieren. Diese Annahmen sind keine gemessene Produktleistung.

Die Entscheidung braucht anschließend Software- und Einführungskosten sowie eine Antwort auf die Frage, wie das Team die Kapazität nutzt. Der RAG-Kostenleitfaden hilft beim Vergleich der Posten. Für den laufenden Betrieb benennen Sie zusätzlich einen Quellenverantwortlichen, einen technischen Betreiber und eine Person für Qualitätsrückmeldungen. Ein Wissensassistent bleibt nur dann hilfreich, wenn fachliche Änderungen ebenso zuverlässig ankommen wie technische Updates.