Quellengebundener Wissensagent: Interne Fragen beantworten, Quelle und Stand immer sichtbar

In gewachsenen Unternehmen liegt das Wissen über Prozesse, Produkte und Regeln verstreut. Die Reisekostenrichtlinie steht im Intranet, die Prüfanweisung im DMS, die aktuelle Preislogik in einer Tabelle auf einem Gruppenlaufwerk und die Antwort auf eine Spezialfrage im Postfach eines langjährigen Kollegen. Wer neu ist oder selten mit einem Thema zu tun hat, fragt deshalb Menschen statt Systeme.

Das hat Folgen: Erfahrene Mitarbeitende werden ständig unterbrochen, Antworten fallen je nach Ansprechpartner unterschiedlich aus, und veraltete Dokumente bleiben unbemerkt im Umlauf. Eine klassische Volltextsuche hilft nur, wenn man die richtigen Begriffe kennt. Ein Wissensagent setzt genau hier an: Er versteht Fragen in Alltagssprache, findet die passende Stelle auch bei abweichender Wortwahl und zeigt sie mit Kontext an.

Ein Sprachmodell allein kennt Ihre internen Dokumente nicht und füllt Wissenslücken mit plausibel klingenden Formulierungen. Das OWASP-Projekt für Sicherheit generativer KI führt diese Neigung zu überzeugend wirkenden Falschaussagen als eigenes Risiko. Retrieval Augmented Generation begrenzt das Problem, indem vor jeder Antwort eine Suche die relevanten Passagen aus den freigegebenen Quellen holt und das Modell angewiesen wird, nur daraus zu formulieren.

Damit die Suche gute Treffer liefert, werden Dokumente in sinnvolle Abschnitte zerlegt und mit Metadaten versehen: Titel, Ablageort, Version, Gültig-ab-Datum, verantwortliche Stelle und Berechtigungsgruppe. Anbieter wie Microsoft beschreiben in ihrer Dokumentation zu Azure AI Search, dass die Qualität der Antworten maßgeblich von passenden Inhalten, guten Suchanfragen und der Auswahl der besten Textabschnitte abhängt. Auch Modellanbieter bieten inzwischen Funktionen, die zu einer Antwort die exakt stützenden Passagen zurückgeben.

In der Praxis bewährt sich eine kombinierte Suche aus Bedeutungsähnlichkeit und Stichworten. Bedeutungssuche findet Umschreibungen, Stichwortsuche trifft Artikelnummern, Normbezeichnungen und Eigennamen zuverlässiger.

Eine Antwort ist nur so gut wie ihre Herkunft. Der Agent nennt deshalb zu jeder Aussage das Dokument, den Abschnitt und den Stand. Zusätzlich zeigt er den Geltungsbereich, wenn die Metadaten ihn hergeben: gilt eine Regel nur für einen Standort, eine Gesellschaft oder eine Produktlinie? Gerade bei Richtlinien und Arbeitsanweisungen verhindert das, dass eine korrekte Aussage im falschen Kontext angewendet wird.

Ebenso wichtig ist das kontrollierte Nein. Wenn die Suche keine Passage mit ausreichender Relevanz findet oder sich zwei Dokumente widersprechen, formuliert der Agent keine eigene Schlussfolgerung. Er meldet stattdessen, dass keine eindeutige Quelle vorliegt, nennt die nächstbesten Fundstellen und verweist auf die zuständige Person. Diese Antwortverweigerung ist kein Mangel, sondern das wichtigste Qualitätsmerkmal des Systems.

Ein Wissensagent darf nicht zum Umweg um bestehende Zugriffsrechte werden. Wenn Gehaltsbänder, Personalakten, Vorstandsunterlagen oder Kundenverträge in denselben Index gelangen wie das Mitarbeiterhandbuch, kann eine geschickt formulierte Frage Inhalte offenlegen, die die fragende Person nie hätte öffnen dürfen. OWASP empfiehlt für Vektor- und Embedding-Speicher deshalb feingranulare, berechtigungsbewusste Zugriffskontrollen und eine strikte logische Trennung von Datenbeständen.

Praktisch heißt das: Der Agent übernimmt die Rechte aus den Quellsystemen und filtert vor der Suche, nicht erst bei der Anzeige. Besonders sensible Bereiche erhalten einen eigenen Index oder werden im Pilot ganz ausgeklammert. Die DSGVO verlangt mit dem Grundsatz des Datenschutzes durch Voreinstellungen ohnehin, dass personenbezogene Daten nicht ohne Zutun einem unbestimmten Personenkreis zugänglich werden. Ein Agent, der standardmäßig alles durchsucht, widerspricht diesem Gedanken.

Ein Wissensagent macht Schwächen im Dokumentenbestand sichtbar. Doppelte Richtlinien, veraltete Fassungen und Dokumente ohne verantwortliche Person tauchen plötzlich als Quellen in Antworten auf. Vor dem Start lohnt sich deshalb eine Bereinigung der freigegebenen Bereiche: Jedes Dokument bekommt einen Owner und ein Prüfdatum, alte Versionen werden archiviert und aus dem Index genommen.

Im laufenden Betrieb liefert das Feedback der Nutzerinnen und Nutzer die wichtigsten Hinweise. Markiert jemand eine Antwort als veraltet, geht eine Nachricht an den Owner des Quelldokuments. Fragen, auf die der Agent wiederholt keine Quelle findet, zeigen Wissenslücken, die eine Fachabteilung schließen sollte. So wird der Agent zum Werkzeug für bessere Dokumentation, nicht nur für schnellere Antworten.