SERVICE — RAG
Eine interne Wissensdatenbank, die aus Ihren eigenen Dokumenten antwortet
Retrieval-Augmented Generation (RAG) verbindet ein Sprachmodell mit Ihren Dateien. Mitarbeiter fragen in normaler Sprache und bekommen Antworten mit Quellenangabe — keine Halluzinationen.
EINGANGPDFs, Wikis, Handbücher, Tickets
→
AUSGANGbelegte Antworten in Sekunden
Das Problem
Das Wissen ist da — in Handbüchern, Projektordnern, alten Tickets und den Köpfen von zwei erfahrenen Kollegen. Es zu finden kostet jeden Mitarbeiter Stunden pro Woche, und die Einarbeitung neuer Leute dauert Monate, weil nichts zentral durchsuchbar ist.
Was wir bauen
- Dokumenten-Ingestion — Konnektoren für Fileshares, SharePoint, Confluence, E-Mail-Archive und Ticketsysteme; automatische Neuindexierung bei Änderungen.
- Antworten mit Quellenangabe — jede Antwort verlinkt die exakte Textstelle, aus der sie stammt — und bleibt damit überprüfbar.
- Zugriffskontrolle — der Assistent antwortet nur aus Dokumenten, die der fragende Mitarbeiter sehen darf.
- Ihre Oberfläche — Chat-UI, Slack/Teams-Bot oder API ins Intranet — was Ihr Team ohnehin nutzt.
- EU- oder On-Premise-Betrieb — Vektordatenbank und Modell laufen auf europäischer Infrastruktur oder Ihrer eigenen Hardware.
So läuft es ab
01
Korpus-Analyse
Wir sichten Ihre Dokumentenlandschaft: Formate, Volumen, Qualität, Zugriffsregeln. Das bestimmt Chunking- und Retrieval-Strategie.
02
Prototyp auf echten Dokumenten
Innerhalb von 2–4 Wochen testen Sie einen funktionierenden Assistenten auf einem repräsentativen Ausschnitt Ihrer Daten.
03
Evaluation & Härtung
Wir messen die Antwortqualität gegen ein Testset aus Ihrer Domäne, beheben Fehlermodi und binden Berechtigungen an.
04
Rollout & Betrieb
Integration in Intranet oder Chat-Tools, Monitoring und laufende Index-Updates.
Spezifikationen
| Typischer Stack | pgvector oder Qdrant, LangChain, EU-gehostetes LLM (z. B. Mistral, Azure OpenAI) oder lokales Modell |
|---|---|
| Hosting | EU-Cloud oder On-Premise |
| Integration | SharePoint, Confluence, Netzlaufwerke, Slack, Teams |
| Prototyp-Zeitrahmen | 2–4 Wochen |
Häufige Fragen
Landen unsere Daten im Training eines öffentlichen Modells?
Nein. Beim Retrieval bleiben Ihre Dokumente in Ihrer eigenen Vektordatenbank; das Modell sieht nur die zur Frage passenden Passagen — vertraglich ohne Trainingsnutzung — oder läuft komplett auf Ihrer Hardware.
Was ist mit Halluzinationen?
RAG stützt jede Antwort auf gefundene Textstellen und zitiert sie. Enthält der Korpus keine Antwort, sagt der Assistent das, statt eine zu erfinden — dieses Verhalten ist Teil unseres Testsets.
Welche Dokumente funktionieren?
PDF, Office, HTML, E-Mail, Wiki-Exporte und Scans (per OCR). Unaufgeräumte, redundante Bestände sind normal — das Aufräumen gehört zum Projekt.
CONTACT — HELLO@OLTEN.AI
Kostenloses 30-Minuten-KI-Audit
Wir sehen uns Ihre Prozesse an, benennen den Use Case mit dem schnellsten Payback — und sagen ehrlich, wenn KI nicht das richtige Werkzeug ist. Keine Folien, keine Verpflichtung.
Oder direkt schreiben: hello@olten.ai