Unternehmenswissen als RAG — Ihre eigenen Dokumente, in Sekunden beantwortbar.
Ihre Spezifikationen, Verträge, Zeichnungen und Handbücher enthalten die Antwort bereits. Das Problem ist, sie zu finden. Wir bauen berechtigungsgesteuerte Retrieval-Systeme, die in natürlicher Sprache antworten und die Quelldatei mitliefern — damit niemand dem Modell vertrauen muss, sondern nachprüfen kann.
Gemessen an einem produktiven System — siehe die Fallstudie zur UK-Baugruppe.
Das Wissen ist da. Niemand kommt heran.
In dokumentenintensiven Unternehmen geht der Großteil des Arbeitstags dafür drauf, Informationen zu suchen statt sie zu nutzen. Beim UK-Bauprojekt brauchten Kalkulatoren rund 15 Minuten pro Nachschlagevorgang in einem Terabyte-großen Archiv aus Spezifikationen, Zeichnungen und Verträgen.
Volltextsuche versteht die Frage nicht
Stichwortsuche liefert Dateien, keine Antworten. Formuliert das Dokument anders als der Fragende, taucht die richtige Datei überhaupt nicht auf.
Der Korpus ist verstreut und uneinheitlich
Gescannte PDFs, Tabellen, CAD-Exporte, E-Mail-Anhänge und ein Jahrzehnt Ordnerkonventionen, die sich dreimal geändert haben. Keine Ablage ist maßgeblich.
Nicht jeder darf alles sehen
Kommerzielle Konditionen, Personalakten und mandantenvertrauliches Material liegen im selben Archiv wie die allgemeine Dokumentation. Ein Suchwerkzeug, das Berechtigungen ignoriert, ist ein Risiko, kein Feature.
Ein generischer Chatbot erfindet Dinge
Ein LLM ohne Verankerung, Evaluation und Verweigerungsverhalten produziert selbstbewusste falsche Antworten — im regulierten oder vertraglichen Kontext schlimmer als gar keine Antwort.
Sechs Bausteine. Genau dort scheitert naives RAG.
Die Architektur unten läuft produktiv in den auf dieser Seite referenzierten Systemen. Sie ist bewusst unspektakulär: Die schwierigen Teile sind Ingestion-Qualität, Berechtigungen und Evaluation — nicht die Modellwahl.
Ingestion, die Struktur erhält
Dokumente werden layoutbewusst geparst statt zu Rohtext plattgedrückt, sodass Tabellen, Überschriften und Abbildungsverweise erhalten bleiben. Beim deutschen technischen System ist das entscheidend: DIN-, EN- und DWA-Normbezüge bleiben pro Chunk erhalten, denn eine Antwort, die eine Norm zitiert ohne zu sagen welche, ist wertlos.
Hybrides Retrieval, danach Reranking
Dichte Embeddings erfassen Umschreibungen; sparse Stichwortsuche findet Teilenummern, Normkürzel und exakte Bezeichner, die Embeddings regelmäßig verfehlen. Die Treffer werden zusammengeführt und durch einen Cross-Encoder-Reranker geschickt, bevor irgendetwas das Modell erreicht.
Berechtigungen wirken beim Retrieval
Zugriffskontrolle greift beim Abruf der Dokumente, nicht als nachträglicher Filter über die Antwort. Das UK-Bausystem nutzt feingranulare Autorisierung hinter SSO — dieselbe Frage von zwei Personen liefert Antworten ausschließlich aus dem, was die jeweilige Person sehen darf.
Verankerte Antworten mit Quellenangabe
Das Modell antwortet ausschließlich aus den abgerufenen Passagen und liefert das Quelldokument mit. Nutzer prüfen mit einem Klick nach, statt dem System glauben zu müssen — das macht das Werkzeug in einem Umfeld einsetzbar, in dem Fehler vertragliche Folgen haben.
Explizite Verweigerung, wenn die Antwort fehlt
Antworten sind schemagebunden, sodass „nicht gefunden" ein gültiges Ergebnis ist. Im Enterprise-RAG-Challenge-Benchmark wurde genau das gemessen: Bei den 18 % der Fragen, zu denen das Dokument keine Antwort enthielt, verweigerte das System die Antwort, statt eine zu erfinden.
Ein Golden-Evaluationsset ab Tag eins
Jedes System bekommt einen kuratierten Satz echter Fragen mit bekannt richtigen Antworten — 23+ Golden-Eval-Fälle pro Mandant im deutschen Multi-Tenant-System. Nichts geht live, solange die Eval-Suite nicht besteht, und genau sie zeigt, ob eine Prompt- oder Modelländerung tatsächlich geholfen hat.
Ein System, das Ihnen gehört — kein Demo.
Der Umfang richtet sich nach Ihrem Korpus und Ihrem Berechtigungsmodell. Konstant bleibt, was übergeben wird.
Indizierter, berechtigungsgesteuerter Korpus
Ihre Dokumente aufbereitet, in Chunks zerlegt und indiziert, mit Zugriffskontrolle an Ihren bestehenden Identity Provider angebunden — das System erbt die Berechtigungen, die Sie ohnehin pflegen.
Eine Suchoberfläche, die tatsächlich genutzt wird
Fragen in natürlicher Sprache, Antworten mit Quellenangabe, Zugriff auf das Ausgangsdokument mit einem Klick. Als eigene Anwendung oder eingebettet dort, wo Ihr Team ohnehin arbeitet.
Eine Evaluations-Suite
Ein Golden Set aus Fragen und erwarteten Antworten samt Testharness. So prüfen Sie die Qualität vor dem Rollout und erkennen Regressionen danach.
Reindizierung, die Schritt hält
Neue und geänderte Dokumente laufen ohne Neuaufbau in den Index. Die Antworten spiegeln den aktuellen Stand des Archivs wider, nicht den Tag des Livegangs.
Betrieb nach Ihren Vorgaben
Cloud, eigene VPC oder On-Premise, wenn der Korpus Ihr Netz nicht verlassen darf. Die Retrieval-Schicht ist modellagnostisch — die Wahl des LLM bleibt bei Ihnen.
Übergabe und Dokumentation
Architektur, Ingestion-Pipeline und Eval-Prozess dokumentiert, damit Ihre Entwickler erweitern können. Keine Abhängigkeit von uns, um eine Dokumentenquelle hinzuzufügen.
Drei RAG-Systeme, drei gelöste Fehlerbilder.
Zwei sind produktive Kundensysteme unter NDA. Eines ist ein öffentlicher Benchmark, in dem der Ansatz gegen andere Teams gemessen wurde.
~150× schnellere Dokumentensuche für ~500 Nutzer
Eine Gruppe für Gebäudeinstandsetzung, -wartung und -sanierung mit einem Terabyte-großen Dokumentenarchiv. Berechtigungsgesteuertes Retrieval hinter SSO machte aus ~15-minütigen manuellen Recherchen eine einzige Frage — mit einer maßgeblichen Quelle der Wahrheit.
Fallstudie lesen →Multi-Tenant-RAG mit erhaltenen DIN- / EN- / DWA-Normbezügen
Zwei produktive Mandanten — ein Betonfertigteilhersteller und ein regionaler kommunaler Wasserversorger. Normbezüge bleiben pro Chunk erhalten, jeder Mandant führt 23+ Golden-Eval-Fälle. Gebaut ohne DAG-Framework im Retrieval-Pfad.
Fallstudie lesen →1. Platz, >90 % Top-5-Trefferquote, 0 Halluzinationen
Die Enterprise RAG Challenge auf Geschäftsberichten. Schemagebundene Antworten zu rund $0,08 pro Antwort, mit expliziter Verweigerung bei den Fragen, die die Dokumente nicht beantworten konnten. Kein Kundenprojekt — ein öffentliches, vergleichbares Ergebnis.
Fallstudie lesen →Die Fragen, die zuerst kommen.
Gelangen Dokumente an Personen, die sie nicht sehen dürfen?
Nicht, wenn Berechtigungen beim Retrieval greifen. Genau so ist es entworfen: Dokumente, für die ein Nutzer keine Berechtigung hat, werden gar nicht erst abgerufen und können deshalb weder in einer Antwort noch in einer Quellenangabe auftauchen. Das UK-Bausystem betreibt feingranulare Autorisierung hinter SSO für rund 500 interne Nutzer.
Gehen unsere Daten an OpenAI oder Anthropic?
Nur wenn Sie es wollen. Die Retrieval-Schicht ist modellagnostisch — Systeme liefen auf verwalteten Cloud-Modellen und können ebenso gegen Modelle im eigenen Netz laufen. Korpus und Index liegen dort, wo Sie es festlegen.
Was ist mit Halluzinationen?
Zwei Mechanismen. Antworten entstehen ausschließlich aus abgerufenen Passagen und werden mit Quellenangaben ausgeliefert, sodass eine falsche Antwort sichtbar statt plausibel ist. Und die Antworten sind schemagebunden, sodass „die Dokumente enthalten das nicht" ein gültiges Ergebnis ist — gemessen mit 0 Halluzinationen in der Enterprise RAG Challenge, wo das System bei den 18 % der Fragen ohne Antwort in der Quelle die Antwort verweigerte.
Unsere Dokumente sind gescannte PDFs und alte CAD-Exporte. Geht das?
Das ist der Normalfall — und dort steckt der meiste Aufwand. Layoutbewusstes Parsing behandelt Tabellen und strukturierte Seiten; gescanntes Material läuft vor dem Chunking durch OCR. Ehrlich gesagt bestimmt die Ingestion-Qualität die Antwortqualität, deshalb schätzen wir den Aufwand an einer Stichprobe Ihrer tatsächlich schlechtesten Dateien ab, bevor wir uns festlegen.
Woher wissen wir, dass es gut genug für den Rollout ist?
Aus dem Golden-Evaluationsset. Echte Fragen Ihres Teams mit bekannt richtigen Antworten, als Suite ausgeführt. Sie sehen die Trefferquote vor dem Rollout, statt Qualitätsprobleme von Nutzern gemeldet zu bekommen. Im deutschen Multi-Tenant-System führt jeder Mandant 23+ solcher Fälle.
Was kostet das?
Das hängt vom Korpus, der Anzahl der Quellsysteme und dem Berechtigungsmodell ab — diese Faktoren treiben den Aufwand weit stärker als die Oberfläche. Wir schätzen es im Gespräch ab, nachdem wir eine repräsentative Stichprobe Ihrer Dokumente gesehen haben. Wenn Sie eine veröffentlichte Preisspanne für die kundenseitige Variante suchen: Die Seite zu KI-Chatbots nennt sie.
Bringen Sie eine Stichprobe Ihrer schlimmsten Dokumente mit.
Ein 30-minütiges Gespräch. Wir sehen uns an, was Sie tatsächlich haben — die gescannten Spezifikationen, die uneinheitlichen Ordner, das Berechtigungsmodell — und sagen Ihnen, ob Retrieval darauf gut funktioniert und was es bräuchte. Ohne Folien.
Gespräch buchen →Antwort innerhalb von 24h · Bukarest, Rumänien