RAG-System für Produktwissen: Antworten finden, ohne fünf Quellen zu durchsuchen.

Fünf Quellen, ein gemeinsames Problem.

PIM und Produktdatenbanken

Strukturierte Merkmale sind vorhanden, aber nicht immer so aufbereitet, dass Mitarbeitende daraus schnell eine vollständige Antwort ableiten können.

SharePoint und Dateisysteme

Datenblätter, Freigaben und technische Dokumente liegen in Ordnern mit unterschiedlichen Versionen, Zuständigkeiten und Benennungen.

Website und FAQ

Veröffentlichte Informationen sind leicht zugänglich, bilden aber nicht jeden technischen Sonderfall oder internen Kontext ab.

Anwendungsbeispiele

Erfahrungswissen zu Einsatz, Auswahl und typischen Fragen ist häufig über Präsentationen, Projekte und einzelne Dokumente verteilt.

Wissen in Köpfen

Ein Teil der Antwort entsteht erst durch erfahrene Mitarbeitende. Dieses Wissen muss zuerst beschrieben und freigegeben werden, bevor ein System darauf zugreifen kann.

Was ist ein RAG-System?

Retrieval-Augmented Generation, kurz RAG, verbindet ein Sprachmodell mit ausgewählten Wissensquellen. Bei einer Frage sucht das System zuerst passende Informationen in diesen Quellen und nutzt sie anschließend für die Antwortvorbereitung.

Der Assistent weiß dadurch nicht automatisch alles über Dein Unternehmen. Er arbeitet nur mit den Inhalten, die technisch erreichbar, fachlich freigegeben und für den jeweiligen Nutzer zugänglich sind.

RAG ersetzt keine Datenpflege. Widersprüchliche Dokumente, fehlende Versionen oder nicht dokumentiertes Erfahrungswissen bleiben auch für einen KI-Assistenten ein Problem. Deshalb beginnt die Umsetzung mit einem Daten-Audit und nicht mit der Oberfläche.

Von der Frage zur vorbereiteten Antwort.

Frage erfassen

Ein Mitarbeiter stellt eine konkrete Frage zu Produkt, Anwendung, Merkmal oder vorhandener Dokumentation.

Suchkontext bestimmen

Das System ordnet ein, welche Produktgruppe, Quelle oder Dokumentart für die Frage relevant sein könnte.

Passende Inhalte abrufen

Der RAG-Mechanismus sucht in den freigegebenen Quellen nach geeigneten Textstellen oder strukturierten Informationen.

Antwort vorbereiten

Das Sprachmodell formuliert auf Basis der gefundenen Inhalte eine verständliche Antwort oder eine Arbeitsvorlage.

Fachlich prüfen

Der Nutzer prüft, ob die Antwort zum konkreten Fall passt. Technische Zusagen, Freigaben oder verbindliche Aussagen bleiben menschliche Aufgaben.

Rückmeldung nutzen

Wiederkehrende Lücken zeigen, welche Quellen, Metadaten oder Inhalte verbessert werden sollten. Änderungen werden kontrolliert in das System übernommen.

Drei Rollen, unterschiedliche Fragen.

Vertrieb

Der Vertrieb sucht schnell nach passenden Produktmerkmalen, verfügbaren Dokumenten oder Informationen für eine Kundenantwort. Der Assistent bereitet die Recherche vor, trifft aber keine verbindliche technische Zusage.

Marketing

Marketing benötigt freigegebene Produktinformationen für Inhalte, Kampagnen und Website-Texte. Der Assistent kann relevante Grundlagen zusammenführen, ersetzt aber nicht die redaktionelle und fachliche Freigabe.

Technische Leitung

Technische Verantwortliche prüfen komplexere Fragen, pflegen Quellen und entscheiden, welche Aussagen als verlässlich gelten. Ihre Rolle bleibt zentral für Datenqualität und Antwortgrenzen.

Ein guter KI-Assistent beginnt bei der Wissensbasis.

Wenn Produktwissen über Datenblätter, SharePoint, PIM, Website und einzelne Köpfe verteilt ist, reicht es nicht, diese Quellen einfach an einen KI-Assistenten anzuschließen.

Das Wissen muss so organisiert sein, dass das RAG-System relevante, aktuelle und freigegebene Informationen gezielt unterscheiden kann.

Wissen eindeutig strukturieren

Wir klären, welche Quellen genutzt werden dürfen und wie sie eingeordnet werden. Dazu gehören zum Beispiel:

• Produktfamilien und Anwendungsfelder
• Dokumenttypen und Versionen
• Sprachen und Zielgruppen
• Freigabestatus und Zugriffsrechte

So bekommt das System nicht nur Text, sondern den nötigen Kontext.

Finden, was wirklich zur Frage passt

Anschließend entwickeln und testen wir die Suchlogik des RAG-Systems.

Dabei geht es unter anderem um Fragen wie:

• Welche Informationen sollen bei einer konkreten Anfrage berücksichtigt werden?
• Welche Quellen haben Vorrang?
• Wie werden ähnliche oder widersprüchliche Inhalte unterschieden?
• Wann reichen die vorhandenen Informationen nicht für eine belastbare Antwort?

Diese Regeln fließen auch in das Custom-GPT-Interface ein. Fehlen verlässliche Informationen, soll der Assistent das transparent machen – statt eine plausible Antwort zu erfinden.

Wissen aktuell halten

Mit dem Launch ist die Wissensbasis nicht fertig. Produkte ändern sich, neue Dokumente kommen hinzu und bestehende Aussagen werden korrigiert.

Deshalb definieren wir von Anfang an, wie neue und geänderte Informationen geprüft und in das System übernommen werden.

Denn ein RAG-System ist nur so verlässlich wie das Wissen, auf das es zugreifen kann.

Ablauf: In sechs Schritten zum RAG-Assistenten.

1. Daten und Anwendungsfall klären

Wir prüfen Quellen, Zugänge und den vorgesehenen Einsatz des Assistenten.

2. RAG-System aufbauen

Wir strukturieren die Wissensbasis und richten Suche und Verarbeitung auf den freigegebenen Quellen ein.

3. Interface entwickeln

Der Assistent erhält eine Oberfläche und klare Regeln für die priorisierten Anwendungsfälle.

4. In den Prozess integrieren

Wir binden das System in den vorgesehenen Vertriebs- oder Wissensprozess ein.

5. Testen und nachschärfen

Typische Fragen, Grenzfälle und fehlende Informationen werden systematisch geprüft.

6. Übergeben und schulen

Du erhältst Dokumentation und vier Stunden Schulung für Nutzung, Prüfung und Pflege.

Das erhältst Du nach 8–12 Wochen.

• einen lauffähigen KI-Assistenten mit Zugriff auf den vereinbarten Bestand an Produktwissen,
• eine strukturierte Wissens- und Quellenbasis für den ersten Einsatzbereich,
• ein Custom-GPT-Interface für die definierten Nutzer,
• die Einbindung in den vereinbarten Vertriebs- oder Wissensworkflow,
• dokumentierte Zugänge, Datenflüsse und Integrationspunkte,
• eine Integrations- und Bedienungsdokumentation,
• vier Stunden Schulung für die beteiligten Rollen.

Der genaue Quellenumfang wird nach dem Daten-Audit festgelegt. Umfangreiche Datenbereinigung, neue PIM-Strukturen, zusätzliche Lizenzen oder nicht verfügbare Schnittstellen werden separat eingeordnet.

Für welche Ausgangslagen das Modul geeignet ist.

Geeignet, wenn …

• Produktwissen auf mehrere verlässliche Quellen verteilt ist,
• häufig ähnliche fachliche Fragen beantwortet werden,
• Vertriebs- oder Marketingteams viel Zeit mit Recherche verbringen,
• technische Verantwortliche Quellen und Antwortgrenzen festlegen können,
• ein klarer erster Nutzerkreis definiert werden kann.

Erst Vorarbeit, wenn …

• niemand weiß, welche Dokumentversion gültig ist,
• wichtige Produktinformationen nur mündlich vorliegen,
• Zugriffsrechte ungeklärt sind,
• das System jede beliebige Frage verbindlich beantworten soll,
• eine grundlegende PIM- oder Datenstrategie fehlt.

In diesen Fällen kann zunächst ein engeres Datenprojekt, eine KI-Potenzialanalyse oder ein Strategie-Workshop sinnvoll sein.

Mögliche folgende Schritte nach der ersten Wissensdomäne.

Quellen erweitern

Weitere Produktfamilien, Dokumentarten oder interne Wissensbereiche können nach einer erneuten Prüfung aufgenommen werden.

Workflow anbinden

Der Assistent kann mit Content- oder Vertriebsautomatisierungen verbunden werden, wenn klar ist, welche Informationen automatisch weiterverarbeitet werden dürfen.

Nutzerrollen ausbauen

Zusätzliche Teams erhalten eigene Zugänge und Anwendungsfälle. Berechtigungen und Antwortregeln müssen dafür angepasst werden.

Externe Nutzung prüfen

Ein interner Assistent ist nicht automatisch für Kunden geeignet. Eine externe Oberfläche braucht eine eigene fachliche, technische und rechtliche Bewertung.

Wissen laufend pflegen

Der Optimierungs-Retainer in Standard- oder Enterprise-Stufe begleitet Aktualisierung, Tests und Erweiterungen der Wissensbasis.

Was der Assistent bewusst nicht übernimmt.

Der RAG-Assistent ersetzt keine technische Freigabe, keine vollständige Datenbereinigung und keine Verantwortung für Produktzusagen. Er garantiert auch nicht, dass jede Frage beantwortet werden kann.

Die Qualität hängt davon ab, welche Quellen verfügbar sind, wie eindeutig sie strukturiert sind und ob Änderungen zuverlässig gepflegt werden. Wenn Informationen fehlen oder widersprüchlich sind, muss der Assistent dies erkennen und an eine Person übergeben.

Wissen wird erst nutzbar, wenn Quelle, Kontext und Verantwortung zusammenpassen.

Wir bauen mit Dir einen RAG-Assistenten, der freigegebenes Produktwissen in den vorgesehenen Arbeitsablauf bringt und seine Grenzen transparent macht.

RAG-Beratung anfragenQuellenlandschaft vorbesprechen