Der Einstieg beginnt deshalb mit einer konkreten Aufgabe: Welche wiederkehrende Frage soll das Team besser beantworten können? Darauf bauen Quellenbestand, Zuständigkeiten, Berechtigungen und die Abnahme des Piloten auf.
Was eine KI-Wissensdatenbank technisch macht
Eine häufig verwendete Architektur heißt Retrieval-Augmented Generation, kurz RAG. Dabei sucht das System zu einer Frage passende Informationen und stellt sie einem Sprachmodell als Grundlage für die Antwort bereit. Die Dokumente werden also nicht bei jeder Wissensabfrage zum Training eines neuen Modells verwendet. [1]
Vereinfacht gehören dazu die Aufbereitung der Quellen, ihre durchsuchbare Erschließung, der Abruf passender Inhalte und die Formulierung einer Antwort. Die Suchfunktion und das Sprachmodell erfüllen unterschiedliche Aufgaben: Die Suche muss die benötigten Belege finden; das Modell muss sie zutreffend verwenden. [1]
Für die Einführung heißt das: Ein leistungsfähiges Modell allein reicht als Auswahlkriterium nicht aus. Prüfen Sie auch, wie Quellen ausgewählt, Änderungen übernommen und Berechtigungen berücksichtigt werden.
Mit einer Aufgabe beginnen, nicht mit allen Dateien
Wählen Sie einen fachlich zusammenhängenden Anwendungsfall. Denkbar ist beispielsweise, freigegebene Serviceanweisungen schneller zu finden oder wiederkehrende Produktfragen anhand gültiger Unterlagen zu beantworten. Beschreiben Sie, wer das System benutzt und was ein brauchbares Ergebnis enthalten muss.
Eine geeignete Pilotbeschreibung wäre: „Das Serviceteam findet die gültige Reklamationsanweisung und kann den nächsten Prüfschritt mit Quelle benennen.“ Deutlich schwerer prüfbar wäre dagegen: „Die KI kennt unser gesamtes Unternehmen.“
Grenzen Sie auch aus, was der Pilot nicht leisten soll. Dazu könnten verbindliche Preiszusagen, die Freigabe von Vertragsabweichungen oder der Zugriff auf Personalunterlagen gehören. Diese Grenzen sind Teil des Vorhabens, nicht erst eine Ergänzung nach der technischen Einrichtung.
Quellen nach Verbindlichkeit ordnen
Eine aktuelle Arbeitsanweisung, eine persönliche Notiz und eine alte Präsentation sollten nicht ungeprüft als gleichwertige Grundlage dienen. Legen Sie fest, welche Quelle für welchen Zweck maßgeblich ist und wer das fachlich entscheidet.
Ältere Dokumente müssen dabei nicht grundsätzlich gelöscht werden. Für historische Vorgänge können sie weiterhin relevant sein. Wichtig ist eine eindeutige Einordnung: Welche Fassung galt damals, welche gilt heute und woran erkennt das System diesen Unterschied?
Beginnen Sie mit einem überschaubaren Bestand, dessen Inhalt die Fachverantwortlichen beurteilen können. Fehlende Informationen sollten sichtbar bleiben. Wo kein freigegebener Prozess dokumentiert ist, gibt es zunächst eine Wissenslücke – nicht automatisch eine belastbare Antwortgrundlage.
Ein Quellenregister schafft Zuständigkeit
Ein einfaches Register hilft, fachliche und technische Verantwortung auseinanderzuhalten. Die folgende Vorlage ist ein redaktioneller Vorschlag; das Beispiel ist fiktiv.
| Feld | Beispiel |
|---|---|
| Quelle und Ablageort | Serviceleitfaden im freigegebenen Teamordner |
| Zweck | Bearbeitung von Reklamationen |
| Maßgebliche Fassung | Version 3, fachlich freigegeben |
| Inhaltlich verantwortlich | Serviceleitung, mit benannter Vertretung |
| Zugelassene Rollen | Service-Team |
| Aktualisierung | Prüfung nach jeder Prozessänderung |
| Umgang mit alten Fassungen | Als historisch kennzeichnen und vom aktuellen Ablauf unterscheiden |
Die Fachseite entscheidet, welche Aussage gilt. Die technische Betreuung sorgt dafür, dass Änderungen, Löschungen und neue Freigaben im System ankommen. Vereinbaren Sie dafür einen überprüfbaren Aktualisierungsweg: Wer ändert die Quelle, wer kontrolliert die Übernahme und wer reagiert bei einem Fehler?
Damit wird aus einer einmaligen Dateisammlung ein betreubarer Quellenbestand.
Bei der Aufbereitung auf Zusammenhänge achten
Für eine KI-Wissensdatenbank genügt es nicht, dass sich eine Datei öffnen lässt. Prüfen Sie an repräsentativen Dokumenten, ob der relevante Inhalt korrekt ausgelesen wird. Bei einer eingescannten Arbeitsanweisung muss beispielsweise erst ein nutzbarer Text entstehen; eine Tabelle muss weiterhin erkennen lassen, welcher Wert zu welcher Überschrift gehört.
Längere Dokumente werden in vielen RAG-Systemen in kleinere Abschnitte aufgeteilt. Microsoft beschreibt dafür unterschiedliche Verfahren, unter anderem anhand von Dokumentstruktur und Inhalt. Ziel ist, passende Informationen gezielt abrufen zu können, ohne den erforderlichen Zusammenhang zu verlieren. [2]
Ein praktischer Test: Lassen Sie eine Passage mit einer Regel und einer direkt folgenden Ausnahme verarbeiten. Kontrollieren Sie anschließend, ob beides zusammen auffindbar bleibt. Eine sauber aussehende Antwort kann sonst auf einem unvollständigen Ausschnitt beruhen.
Zugriffsrechte vor der Antwort durchsetzen
Die Anmeldung an einer Anwendung beantwortet noch nicht, welche Dokumente eine Person verwenden darf. Für den Wissenszugriff muss feststehen, wie Benutzer, Gruppen und Freigaben auf die jeweiligen Quellen abgebildet werden.
Nicht freigegebene Informationen sollten nicht erst im fertigen Text versteckt werden. Die technische Zugriffskontrolle muss verhindern, dass sie unzulässig in den Antwortkontext gelangen. Microsoft beschreibt dafür unter anderem die Begrenzung von Suchergebnissen durch Sicherheitsfilter. [3]
Testen Sie mit unterschiedlich berechtigten Konten. Prüfen Sie nicht nur den vollständigen Antworttext, sondern auch Auszüge und Quellenhinweise. Wiederholen Sie den Versuch nach dem Entzug einer Berechtigung. Legen Sie außerdem fest, wie schnell solche Änderungen wirksam werden müssen und wie das überprüft wird.
Die Abnahme vor dem Pilot vereinbaren
Erstellen Sie gemeinsam mit den späteren Nutzern einen Satz typischer Fragen. Notieren Sie jeweils die erwarteten Aussagen, die zulässigen Quellen und die Rolle, mit der getestet wird. Nehmen Sie außerdem Fragen auf, bei denen Informationen fehlen oder Quellen widersprüchlich sind.
Ein sinnvoller Abnahmerahmen umfasst fachliche Qualität, Zugriffsschutz und den tatsächlichen Arbeitsablauf. Findet die Person die benötigte Information? Kann sie den Beleg öffnen? Bleibt eine nicht dokumentierte Antwort als Wissenslücke erkennbar? Ist das Ergebnis ohne unverhältnismäßige Nacharbeit nutzbar?
Für die ausführliche Bewertung dient das Prüfraster für KI-Antworten. Legen Sie vorab fest, welche Fehler die Einführung blockieren. Ein Durchschnittswert darf einen unzulässigen Datenzugriff nicht verdecken.
Nutzen und Aufwand im Alltag vergleichen
Vergleichen Sie ähnliche Aufgaben mit und ohne die neue Wissensdatenbank. Erfassen Sie nicht nur die erste Antwortzeit, sondern auch Quellenprüfung, Korrektur und Rückfragen. Dokumentieren Sie, welche Aufgaben tatsächlich leichter werden und wo weiterhin Informationen fehlen.
Ein Pilot kann auch zeigen, dass zunächst ein Prozess dokumentiert oder eine uneindeutige Freigabe geklärt werden muss. Das ist eine konkrete Erkenntnis für die Einführung – kein Grund, die Lücke durch eine besonders selbstsichere Antwort zu überdecken.
Berücksichtigen Sie zudem die Zeit für Inhaltspflege und technische Betreuung. Wie diese Positionen in eine Projektkalkulation eingehen, erläutert der Leitfaden zu den KI-Kosten im Unternehmen.
Nach dem Pilot schrittweise erweitern
Nach einer erfolgreichen Abnahme können weitere Themenbereiche und Quellen folgen. Für jede Erweiterung sollten dieselben Fragen beantwortet werden: Wer ist verantwortlich, welche Fassung gilt, wer darf zugreifen und welche Tests belegen die vorgesehene Nutzung?
chifty Knowledge ist innerhalb der chifty-Plattform als gemeinsame Wissensbasis vorgesehen, die auch von Chat und Office genutzt wird. Welche Quellen und Freigaben in der jeweiligen Installation zur Verfügung stehen, gehört in die konkrete Projektklärung und Abnahme. [4]
Eine KI-Wissensdatenbank ist nicht mit dem ersten Import fertig. Sie wird dann dauerhaft brauchbar, wenn Quellenpflege, Zugriffsrechte und Qualitätsprüfung zum laufenden Betrieb gehören.
Quellen und weiterführende Informationen
- Microsoft Learn: Retrieval-augmented generation (RAG) in Azure AI Search. Grundprinzip des Abrufs eigener Inhalte als Grundlage für generierte Antworten.
- Microsoft Learn: Chunk documents for vector search solutions. Aufteilung größerer Dokumente und Erhalt relevanter Zusammenhänge.
- Microsoft Learn: Security filter pattern in Azure AI Search. Technisches Beispiel für berechtigungsabhängige Suchergebnisse; kein Nachweis einer konkreten chifty-Implementierung.
- chifty Knowledge – beim Abruf erreichbare englische Produktbeschreibung. Quelle ausschließlich für die Einordnung der Produkte innerhalb der chifty-Plattform.
Quellen geprüft am 9. September 2026. Quellenregister, Beispiele und Einführungsvorschläge sind redaktionelle Arbeitshilfen.