Jedes Unternehmen lebt von Wissen. Der Vertrieb braucht Produktdetails auf Abruf, der Support braucht genau den Lösungsschritt, der wirklich funktioniert, und Analysten müssen Gedanken über Tausende von Dokumenten hinweg verknüpfen, ohne einen ganzen Tag mit Suchen zu verlieren. Studien beziffern die Zeit, die Wissensarbeiter allein mit der Suche nach Informationen verbringen, auf 20 bis 30 Prozent der Arbeitswoche. In einem Unternehmen mit 200 solcher Mitarbeiter sind das Zehntausende Stunden pro Jahr, aus denen nie Arbeit wird.
Ein AI-Wissensassistent schließt diese Lücke: große Sprachmodelle plus Ihre eigenen Daten, mit Antworten in klarer Sprache, sodass Menschen eine Frage stellen, statt zu raten, wo sie nachschauen sollen. Doch unserer Erfahrung nach ist das Werkzeug der einfache Teil. Was einen Assistenten, dem Menschen vertrauen, von einem unterscheidet, den sie still und leise aufgeben, ist nicht der Modellname auf der Verpackung. Es ist die Qualität des Retrievals, die Art, wie die Antworten bewertet werden, wie das System an den Rest Ihres Stacks angebunden ist und wie das zugrunde liegende Wissen verwaltet wird. Das sind technische Entscheidungen, und sie werden von Menschen getroffen. In diesem Artikel geht es um die Menschen, die wir dafür einsetzen.
Was geht bei einem Wissensassistenten wirklich schief, und warum liegt es an den Menschen?
Die meisten Assistenten, die enttäuschen, tun das nicht, weil das Modell schwach ist. Sie enttäuschen, weil das Retrieval die falsche Passage liefert, weil die Antwort selbstsicher klingt und dabei falsch ist, weil die Integration veraltet oder weil das Quellwissen von Anfang an nie sauber war. Ein starkes Modell auf einer schwachen Retrieval-Schicht produziert eloquenten Unsinn, und der ist schlimmer als gar keine Antwort.
Wir haben festgestellt, dass sich jeder dieser Fehlerfälle auf eine Entscheidung zurückführen lässt, die ein Ingenieur entweder gut getroffen oder gar nicht erst getroffen hat. Deshalb sprechen wir bei unseren Assistenten nicht über eine Plattform. Wir sprechen über die Kompetenz des Teams, das sie aufsetzt und dafür sorgt, dass sie ehrlich bleiben.
Welche Kompetenz bringen LLM- und RAG-Ingenieure mit?
Wenn wir ein Team auf einen Wissensassistenten ansetzen, ist es dieses Urteilsvermögen, das wir eigentlich verkaufen.
Retrieval, das das Richtige findet. Die Stichwortsuche zerbricht in dem Moment, in dem eine Frage anders formuliert ist als die Quelle. Unsere Ingenieure entwerfen die semantische Retrieval-Schicht und entscheiden, wie Dokumente zerlegt, eingebettet und gewichtet werden, damit der Assistent relevantes Material auch bei abweichender Formulierung, in anderen Sprachen oder bei halb ausformulierten Fragen findet. Ein sauberes Retrieval ist der Großteil der Schlacht, und genau hier zeigt sich Seniorität.
Bewertung der Antwortqualität. Eine Demo sieht bei zehn Fragen gut aus. Im Produktivbetrieb sind es Tausende, und jemand muss wissen, ob die Antworten tatsächlich stimmen. Wir bauen das Bewertungsgerüst: Wir messen die Präzision des Retrievals, verankern Antworten in zitierten Quellen und fangen die selbstsicher-falschen Antworten ab, bevor Ihre Nutzer sie zu sehen bekommen. In unseren Projekten ist das die Disziplin, die aus einer netten Spielerei ein System macht, auf das sich Menschen verlassen.
Integration und Aktualität. Ein Assistent, der für sich allein steht, veraltet und wird nicht mehr genutzt. Unsere Ingenieure binden ihn an die Systeme an, in denen Ihre Arbeit ohnehin stattfindet, an Dokumentenplattformen, CRMs, Ticketing und Projektwerkzeuge, sodass sich das Wissen des Assistenten mitaktualisiert, sobald sich eine Quelle ändert. Auch Kontextbewusstsein und rollenbasierte Antworten entstehen hier: Ein Vertriebsmitarbeiter und ein Pricing-Analyst, die dieselbe Frage stellen, sollten nicht denselben Detailgrad erhalten.
Data Governance und Datenresidenz. Für Kunden in regulierten Branchen ist das kein Nice-to-have. Unsere Leute kümmern sich von Anfang an um Zugriffssteuerung, Datenresidenz und den Audit-Trail, sodass der Assistent respektiert, wer was sehen darf, und das später auch belegen kann.
Wie führt unser Team das Engagement durch?
Wir übergeben Ihnen keine Schritt-für-Schritt-Anleitung und wünschen Ihnen viel Glück. Wir setzen ein Team mitten in die Arbeit und führen sie von Anfang bis Ende.
Es beginnt mit einem Wissens-Audit. Bevor irgendetwas angebunden wird, katalogisieren unsere Ingenieure, was Sie haben, wo es liegt und wie aktuell es ist, denn einem Modell veraltete oder widersprüchliche Inhalte zu füttern ist der schnellste Weg zu selbstsicheren, falschen Antworten. Von dort aus definieren wir die zwei oder drei Anwendungsfälle, in denen ein schnelleres, präzises Retrieval messbare Wirkung entfaltet, etwa Entlastung des Supports, Onboarding oder das Nachschlagen interner Richtlinien, statt zu versuchen, alles auf einmal zu automatisieren.
Dann pilotieren wir mit einem echten Team, nicht nur mit der IT, und statten es mit Messpunkten aus: Zeit bis zur Antwort, Lösungsquote, Eskalationshäufigkeit, Annahmequote der Antworten. Diese Phase legt die meisten Integrations- und Inhaltslücken offen, und unsere Ingenieure schließen sie, bevor irgendetwas skaliert wird. Erst dann skalieren wir, und wir bleiben, um die Inhalte aktuell und das Retrieval feinjustiert zu halten, denn ein Assistent ist ein System, das Verantwortung braucht, keine einmalige Inbetriebnahme.
Die Rollen, die wir dafür typischerweise mitbringen: einen Senior-LLM-/RAG-Ingenieur, der für Retrieval und Bewertung verantwortlich ist, einen Data Engineer für die Integrations- und Governance-Schicht und einen Technical Lead, der die Architektur schlüssig und die Antworten verankert hält. Klein, senior, verantwortlich.
Der Beweis: UNIQA
Wir bitten Sie nicht, uns das einfach zu glauben. Wir haben für UNIQA einen funktionierenden Wissensassistenten gebaut und in Betrieb genommen, einen regulierten Versicherer, bei dem Retrieval-Genauigkeit, Zugriffssteuerung und Datenresidenz Eintrittsbedingungen waren und keine netten Extras. Dieses Projekt ist kein Produkt, das wir Ihnen weiterverkaufen. Es ist der Beweis dafür, was unsere Ingenieure bei Retrieval, Bewertung, Integration und Governance unter echten Rahmenbedingungen leisten können.
Wo hilft der Assistent, und wo entscheiden weiterhin Ihre Leute?
Wir sind klar darin, wofür diese Systeme da sind. Ein AI-Wissensassistent ist hervorragend im hochvolumigen, klar definierten Retrieval: dieselbe Support-Frage konsistent zu beantworten, Onboarding-Informationen zu liefern, eine Spezifikation schneller und zuverlässiger aus einem 300-seitigen Handbuch zu ziehen, als es ein Mensch je könnte. Die klassische Suche liefert eine Rangliste und überlässt die Arbeit Ihnen; der Assistent deutet die Absicht, führt über Quellen hinweg zusammen und gibt eine Antwort, mit der Sie weiterarbeiten können.
Was er nicht leistet, ist, das Urteilsvermögen zu ersetzen. Tiefe Expertise, neuartige Probleme, folgenschwere und ethische Entscheidungen bleiben bei Ihren Menschen. Aus unserer Sicht ist der Assistent ein Verstärker: Er nimmt das repetitive Nachschlagen von den Tischen Ihrer Experten, damit deren Zeit und Urteilsvermögen dorthin fließen, wo sie wirklich zählen. Menschen entscheiden, der Assistent bewältigt das Volumen.
Holen Sie sich die Menschen, nicht nur das Werkzeug
Die Technologie für Wissensassistenten ist bereit. Der Erfolg hängt nicht an der Wahl der richtigen Plattform, sondern an den Ingenieuren, die das Retrieval präzise, die Antworten vertrauenswürdig, die Integrationen dauerhaft und die Governance lückenlos machen. Genau das liefern wir: ein kleines, seniores Team aus LLM- und RAG-Ingenieuren, das Sie direkt in Ihre Organisation einklinken können, erprobt an Projekten wie UNIQA.
Holen Sie sich ein Team aus LLM-/RAG-Ingenieuren für Ihren Wissensassistenten, verstärkt durch AI → /services/team-augmentation