Interner
KI-Wissens-Assistent.

Mitarbeiter verbringen Stunden täglich mit Suchen. Ein RAG-System antwortet in Sekunden — aus SharePoint, Confluence, Drive oder Ihrer Dokumentbasis. Mit Quellenangabe. DSGVO-konform. EU-gehostet.

Anwendungen Wo der Wissens-Assistent Wert liefert

Drei typische Setups.

01

Onboarding & Mitarbeiter-Suche

Neue Mitarbeiter fragen „Wie buche ich Urlaub?", „Wer ist Ansprechpartner für DATEV?" — und bekommen sofort die Antwort aus dem Mitarbeiterhandbuch. Senkt Onboarding-Zeit um 30–50 %.

Quellen: HR-Wiki · Confluence · SharePoint
02

Vertriebs-Briefing

Vertriebsmitarbeiter fragen vor einem Kundentermin „Was haben wir mit Müller GmbH zuletzt besprochen?" — und bekommen Zusammenfassung aus CRM-Notes, Mails und Vertragsdokumenten.

Quellen: Salesforce · Outlook · Drive
03

Compliance-&-Recht-Lookup

„Welche AGB-Version galt für Auftrag X?", „Was steht im Datenschutz-Anhang von Vertrag Y?" — Antworten aus dem juristischen Vertrags-Repository, mit Quellenangabe und Klausel-Verweis. Audit-Log inklusive.

Quellen: Vertrags-DB · Audit-Log · isoliert hostbar
Eintritt Wann es sich lohnt

Drei Signale für RAG.

Methode Vier Phasen

So wird Ihr Wissens-Assistent produktiv.

P · 01

Datenquellen-Audit

Welche Systeme, welche Permissions, welche Datenmenge.

Wenige Tage
P · 02

RAG-Architektur

Embedding-Modell, Vector-DB, Retrieval-Strategie, Permission-Layer.

2–3 Wochen
P · 03

Build & Indexierung

Connectoren, initiales Indexing, UI, Eval-Set für Qualitäts-Tests.

ab 2 Wochen
P · 04

Übergabe & Schulung

Team-Training, Re-Indexing-Schedule, 90-Tage-Bug-Fix-Garantie.

Wenige Tage
Antworten Häufige Fragen

Was Mittelständler vorab fragen.

Wie funktioniert RAG im Unternehmen?

Ihre Dokumente (PDFs, Confluence-Seiten, SharePoint-Files) werden in semantische Vektor-Embeddings überführt und in einer Vector-DB gespeichert. Bei einer Anfrage sucht das System die relevantesten Dokument-Stücke und beantwortet die Frage darauf basierend — mit präziser Quellenangabe.

Bleiben unsere Daten geheim?

Ja. Embeddings können lokal generiert werden (Open-Source-Modelle), Vector-DB läuft EU-gehostet (Hetzner Frankfurt) oder On-Premise. Modell-Anbieter sehen nur die jeweils relevante Frage + abgerufene Snippets, nie Ihre komplette Dokumentbasis. AVV/DPA pro Komponente.

Welche Datenquellen lassen sich anbinden?

SharePoint, Confluence, Google Drive, Notion, lokale File-Shares, Datenbanken. Für jede Quelle gibt es Connectoren — neue Quellen sind in 1–2 Tagen integriert.

Was kostet ein RAG-System?

Typische Spannen: 24.000–80.000 € Initial-Build (je nach Datenmenge und Quellen-Anzahl), 60–400 €/Monat Hosting (Embeddings + Vector-DB + LLM-API). Festpreis ab Phase II nach Sondierung.

Wie genau sind die Antworten?

Bei sauberen Daten und gut konfiguriertem Retrieval typisch 85–95 % korrekt. Wir liefern immer Quellenangaben — der Mitarbeiter kann die Antwort gegen das Original prüfen. Bei strittigen Fällen ist das Quell-Dokument nur einen Klick entfernt.

Eigenen Wissens-Assistenten besprechen.

15 Min, ehrlich, ohne Verkaufstheater. Wir klären, ob Ihre Dokumentbasis RAG-tauglich ist — und in welcher Größenordnung sich der Bau lohnt.