← Alle BeiträgePRAXISWISSEN

RAG: Unternehmenswissen quellenbasiert nutzbar machen

Retrieval-Augmented Generation verbindet Suche und Textgenerierung. Vor einer Antwort werden passende Inhalte aus freigegebenen Quellen ermittelt und dem Modell als Kontext bereitgestellt. Dadurch wird Wissen aktueller und prüfbarer, aber nicht automatisch fehlerfrei. Der Beitrag zeigt ein kontrolliertes Vorgehen, ein realistisches CTPM-Praxisbeispiel und ein konkretes Transferergebnis.

Realistische Unternehmensszene zum Thema RAG: Unternehmenswissen quellenbasiert nutzbar machen
Kurzantwort

Retrieval-Augmented Generation verbindet Suche und Textgenerierung. Vor einer Antwort werden passende Inhalte aus freigegebenen Quellen ermittelt und dem Modell als Kontext bereitgestellt. Dadurch wird Wissen aktueller und prüfbarer, aber nicht automatisch fehlerfrei.

Was der Begriff tatsächlich bedeutet

Eine RAG-Lösung besteht mindestens aus Quellenaufnahme, Segmentierung, Metadaten, Index, Retrieval, Berechtigungen, Prompt, Antwort und Quellenanzeige. Qualität kann an jeder dieser Stellen verloren gehen.

Warum das im Unternehmen relevant ist

Enterprise-RAG ist deshalb vor allem Knowledge Engineering und Betrieb: Eigentümer, Aktualisierung, Löschung, Zugriff, Messung und Rückmeldung müssen ebenso entworfen werden wie Modell und Vektorsuche.

Kontrolliert vorgehen

Der CTPM-Praxisrahmen für kontrollierbare KI-Anwendungen führt in sieben Schritten von der Aufgabe zur belastbaren Nutzung: Aufgabe verstehen, Kontext und Daten klären, KI gezielt einsetzen, fachlich prüfen, Abweichungen behandeln, verantwortlich freigeben und den Transfer dokumentieren. Er ist ein transparenter Arbeitsrahmen, keine Zertifizierung.

  • Aufgabe und Wirkung festlegen
  • Daten, Kontext und Berechtigung klären
  • Ergebnis gegen fachliche Kriterien prüfen
  • Abweichung, Freigabe und Nachweis regeln

CTPM-Praxisbeispiel

CTPM-Praxisbeispiel: Für technische Betriebsanweisungen werden Dokumente nach Anlage, Version und Gültigkeit segmentiert. Antworten dürfen nur aktive Dokumente verwenden und zeigen Quelle, Abschnitt und Versionsdatum.

Qualitäts- und Testkriterien

Die folgenden Kriterien machen die Qualität für diesen Anwendungsfall beobachtbar:

  • Retrieval findet relevante und autorisierte Quellen.
  • Antworten bleiben innerhalb des gefundenen Kontexts.
  • Quellenzitate führen zur exakten Passage.
  • Aktualisierung und Löschung sind testbar.

Risiken und typische Fehlannahmen

Gefährlich sind schlechte Metadaten, unpassende Segmentierung, fehlende Berechtigungsfilter, eingebettete Prompt Injection und scheinpräzise Zitate ohne Beleg.

Beispiel für Ihr Transferergebnis

Transferergebnis: ein RAG-Zielbild mit Quellen, Metadaten, Berechtigungen, Testfragen, Qualitätsmetriken und Betriebsrollen.

Quellen und Referenzen

  1. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020)
  2. NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (2024)
  3. OWASP GenAI Security Project: OWASP Top 10 for LLM Applications 2026 (2026)