Katalog / Aufbereitung von Daten und Wissen / PREP-013

Eine maßgebliche Wissensbasis für RAG-Assistenten kuratieren

Die Dokumente auswählen, bereinigen, korrigieren und freigeben, aus denen ein KI-Assistent antworten darf, damit ein Assistent im Mittelstand aktuelle, freigegebene Inhalte zitiert statt veralteter oder widersprüchlicher Fassungen.

Bausteine für den EigenbetriebAgenten & AutomatisierungDokumente lesenSprachmodellSuche & RAG

Ein Assistent mit Retrieval-Augmented Generation (RAG) ist nur so gut wie die Dokumente dahinter. Wenn die Dateiablage fünf Fassungen der Reisekostenrichtlinie enthält, zitiert der Assistent diejenige, die er zuerst findet. Kuratieren ist der von Menschen geführte Schritt, bevor ein Chatbot in Betrieb geht: entscheiden, welche Dokumente zählen, veraltete und widersprüchliche Fassungen entfernen, Lücken füllen und einen „goldenen“ Satz von benannten Verantwortlichen freigeben lassen. Das ist überwiegend eine organisatorische Aufgabe, unterstützt durch kleine Automatisierungen, und sie entscheidet stärker über die Antwortqualität als die Wahl des Modells.

Problem & Nutzen

  • Heute: Wissen liegt in Dateiablagen, SharePoint, Postfächern und persönlichen Ordnern. Alte Entwürfe und überholte Preislisten werden nie gelöscht. Mitarbeitende wissen, welches Dokument stimmt; ein Suchindex weiß es nicht.
  • KI-Nutzen: Ein kleiner, kuratierter Quellensatz mit klaren Verantwortlichen lässt einen Assistenten konsistent und mit Quellenangabe antworten, verringert wiederholte Rückfragen an Kolleginnen und Kollegen und macht falsche Antworten auf eine verantwortliche Person zurückführbar.
  • Warum es wichtig ist: Das Retrieval behandelt jede indexierte Datei als gleich wahr, und Microsoft 365 Copilot stützt sich auf Inhalte, auf die die Nutzerin oder der Nutzer ohnehin Zugriff hat [1]. Lieber 200 geprüfte Dokumente als 20.000 ungeprüfte.

Varianten

  • Bibliothek zu einem Thema: Personalhandbuch, IT-Helpdesk, Produkthandbücher, Qualitätsverfahren - hier beginnen.
  • Wissensbasis für Kunden: strengere Freigabe, weil die Antworten Kunden erreichen.
  • Öffentlicher Sektor: Vorschriften, Leistungsbeschreibungen und Rundschreiben, unter Beteiligung der Personalvertretung.

So funktioniert es

  1. Fragen eingrenzen (was muss der Assistent beantworten?)
  2. Inventar möglicher Quellen (PREP-001, PREP-009)
  3. Triage: behalten | aktualisieren | zusammenführen | archivieren | löschen (Verantwortliche entscheiden)
  4. Duplikate & Beinahe-Duplikate erkennen, Widersprüche finden
  5. Lücken schließen (Fachleute befragen, kurze Antworten schreiben)
  6. Freigabe durch Verantwortliche, Version + Gültig-bis-Datum, Status „freigegeben“
  7. ausschließlich in die Quellenbibliothek des Assistenten veröffentlichen
  8. Rückkopplung aus falschen Antworten (PREP-017)
  • KI hilft, Menschen entscheiden: Embeddings oder Hashing finden nahezu identische Dokumente; ein LLM kann Paare von Dokumenten auflisten, die sich widersprechen (z. B. unterschiedliche Kündigungsfristen), und jeweils eine Zusammenfassung entwerfen. Die verantwortliche Person entscheidet, was gilt. Kein Dokument geht ohne menschliche Freigabe live.

Datenaufbereitung

Wo es liegt: Dateiablagen, SharePoint/OneDrive, Google Drive, Nextcloud, Paperless-ngx oder ein anderes DMS, das Ticketsystem, Postfächer und Papierordner.

Typische Lücken: mehrere Fassungen eines Dokuments, keine Verantwortlichen oder kein Datum, widersprüchliche Regeln zwischen Abteilungen, Scans ohne Textebene, schlecht auslesbare Tabellen, personenbezogene Daten in denselben Ordnern, Wissen nur in den Köpfen der Mitarbeitenden.

Schritte der Aufbereitung: 1. 30-50 reale Fragen aufschreiben, die der Assistent beantworten soll; sie bestimmen den Umfang (PREP-018). 2. Eine Dateiliste mit Verantwortlichen, Datum und Pfad exportieren (Excel oder PowerShell genügt, PREP-005). 3. Konsequent kürzen: alles archivieren, was älter als Ihr Prüfzyklus ist, sofern die verantwortliche Person es nicht bestätigt. 4. Dubletten finden (Datei-Hash, dann Embedding-Ähnlichkeit) und die Verantwortlichen das Original bestimmen lassen. 5. Relevante Papierunterlagen per OCR erfassen (PREP-006); schlecht auslesbare Tabellen und Überschriften korrigieren (PREP-014). 6. Lücken füllen: Fachleute schreiben kurze, datierte Antworten (PREP-016). 7. Personenbezogene Daten, Personalakten und Geschäftsgeheimnisse ausschließen (PREP-023, PREP-022). 8. Verantwortliche(n), Version und Prüfdatum je Dokument festlegen (PREP-010, PREP-017).

Werkzeuge: Excel/Power Query für die Triage-Liste, Metadatenspalten in SharePoint oder Nextcloud, Paperless-ngx (Tags, Korrespondenten, OCR), Power Automate oder n8n für Erinnerungen und Statusmarkierungen, ein Embedding-Modell über Ollama zur Dublettenerkennung.

Grober Anteil am Aufwand: 60-70 Prozent des gesamten Assistenten-Projekts sind realistisch; die KI-Konfiguration ist der kleinere Teil. Überwiegend Zeit der Verantwortlichen, nicht der IT. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • KMU - Weg C: Die Inhalte sind oft sensibel (Personalregeln, Preiskalkulationen, Kundenbedingungen) und die Werkzeuge sind leichtgewichtig: Paperless-ngx oder Nextcloud, n8n und ein kleines Ollama-Modell laufen auf HW1/HW2 und bedienen mehrere PREP-Anwendungsfälle (Baukasten-Effekt). Weg A ist eine gültige Alternative, wenn das Unternehmen in Microsoft 365 arbeitet und die Tenant-Grenze akzeptiert.
  • Großunternehmen - Weg B: viele Quellen und Verantwortliche; eine gesteuerte Pipeline auf Cloud-APIs in einer EU-Region mit zentraler KI-Plattform und DMS skaliert besser als manuelle Listen.
  • Entwickler - Weg C: Open-Source-Bibliotheken für Einlesen und Deduplizierung geben volle Kontrolle über die Pipeline.
  • Öffentlicher Sektor - Weg C: Die Dokumente enthalten interne und bürgerbezogene Inhalte; souveränes oder deutsches Cloud-Hosting und Vergaberegeln sprechen für den Eigenbetrieb.

Weg A - Kaufen (Standardsoftware)

  • In der Suite enthalten: SharePoint mit Copilot-Studio-Wissensquellen und Microsoft-Purview-Vertraulichkeitsbezeichnungen; Google Workspace mit Gemini und Quellensammlungen im Stil von NotebookLM; Confluence/Notion mit KI-Suche. Microsoft bietet die EU Data Boundary für Kundendaten [2]. Kurationsfunktionen sind meist Dokumentbibliotheken, Versionen, Freigabe-Workflows und Bezeichnungen - keine KI.
  • Wissensbasis-Produkte: Guru, Document360; Anbieter aus der EU: Nextcloud, d.velop, DocuWare. Freigabe-Workflows und Prüferinnerungen prüfen.
  • A wählen, wenn: das Unternehmen vollständig in einer Suite arbeitet, die Inhalte nicht hochsensibel sind und eine Bibliotheksverantwortliche oder ein Bibliotheksverantwortlicher existiert.

Weg B - Auf Cloud-KI-Diensten aufbauen

  • n8n oder Power Automate mit Embeddings und LLM über in der EU gehostete APIs (Azure OpenAI in einer EU-Region, Mistral, IONOS AI Model Hub, STACKIT AI Model Serving) für Hinweise auf Dubletten und Widersprüche.
  • B wählen, wenn: Sie eine eigene Freigabelogik oder viele Quellen haben und Entwicklungskapazität vorhanden ist.

Weg C - Selbst betreiben (Open Source)

  • Dokumentenablage: Paperless-ngx (OCR, Tags, Workflows) oder Nextcloud; ein Wiki wie BookStack, Outline oder Wiki.js für geschriebene Antworten.
  • Einlesen: Docling, Apache Tika oder Unstructured zur Umwandlung von PDF- und Office-Dateien [3].
  • Deduplizierung und Hinweise: Hashing, MinHash oder Embeddings mit einem mehrsprachigen Modell (z. B. bge-m3 oder multilingual-e5) über Ollama; ein kleines LLM (Qwen, Llama, Mistral-Familien), um Unterschiede zwischen zwei Fassungen zusammenzufassen.
  • Workflow: selbst betriebenes n8n für Statusmarkierungen, Erinnerungen an Verantwortliche und den Export in den Vektorspeicher (Qdrant, pgvector).
  • Hardware: HW1 bewältigt Embeddings und die nächtliche Stapel-Triage; HW2 liefert schnellere Widerspruchsprüfungen.

Weg D - Eigenes Training

Fast nie. Feintuning ersetzt keine Kuration; veraltete Fakten in Modellgewichten sind schwerer zu entfernen als eine Datei in einer Bibliothek.

Stand der Technik (2026)

  • Hybride Suche plus Reranking ist Standard, aber nichts repariert widersprüchliche Quellen.
  • Suiten bieten inzwischen kuratierte Wissensquellen und Label-Filter, daher ist die Freigabe der eigentliche Kontrollpunkt.
  • LLMs können Kandidaten für Dubletten und Konflikte zuverlässig markieren; sie übersehen Konflikte, die Fachkontext erfordern (Ausnahmen, lokale Regeln), und erfinden mitunter einen Konflikt. Behandeln Sie die Ausgabe als Hinweise.
  • Grenzen: Kuration bleibt nicht von selbst erledigt. Ohne Verantwortliche und Prüfdaten verfällt die Qualität innerhalb von Monaten.

Gemeinsame Bausteine & Kombinationen

Aufwand, Kosten & Kennzahlen

  • Weg A: 1-3 Wochen für eine erste Bibliothek mit 50-200 Dokumenten, überwiegend Zeit der Verantwortlichen (Schätzung: 10-20 Minuten pro Dokument; im Pilot überprüfen).
  • Weg B: 3-6 Wochen inkl. Pipeline und Freigabeprozess.
  • Weg C: 2-4 Wochen für ein erstes kleines Setup (1-3 Tage Server und n8n-Flows), danach etwa ein halber Tag pro Monat Betrieb.
  • Kennzahlen: Anteil der Dokumente mit Verantwortlichen und Prüfdatum, Anzahl entfernter Dubletten, Anteil der 30-50 Testfragen, die korrekt und mit der richtigen Quellenangabe beantwortet werden, Anteil der Antworten, die veraltete Inhalte zitieren (Ziel null), überfällige Dokumentenprüfungen.

Menschen & Veränderung

Früh einbinden: Geschäftsleitung (Umfang, Zeit der Verantwortlichen), Abteilungsleitungen als Dokumentverantwortliche, IT für Exporte und Berechtigungen und die Datenverantwortlichen jeder Quelle. Die IT-Sicherheit kommt für Vertraulichkeitsklassen hinzu. Die oder der Datenschutzbeauftragte wird benötigt, weil personenbezogene Daten in Protokollen, Personalakten und Tickets im Index landen können; mit jedem gehosteten Auftragsverarbeiter ist ein AVV (Art. 28 DSGVO) erforderlich, eine DSFA nur, wenn Beschäftigtendaten oder besondere Kategorien in großem Umfang ausgewertet werden (GUIDE-005, GUIDE-010).

Betriebsrat: abhängig vom Einzelfall. Die kuratierte Bibliothek allein überwacht keine Beschäftigten, aber der Assistent, der sie nutzt, protokolliert Anfragen in der Regel pro Nutzer, was ihn objektiv zur Verhaltensüberwachung geeignet macht (§ 87 Abs. 1 Nr. 6 BetrVG; BAG: Eignung genügt). § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Unterrichtung, wenn Arbeitsabläufe mit KI geplant werden. Vereinbaren Sie früh: keine individuelle Auswertung der gestellten Fragen, kurze Aufbewahrung der Protokolle. Öffentliche Stellen beteiligen den Personalrat (GUIDE-004).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verpflichtet Anbieter und Betreiber, Maßnahmen zur Förderung der KI-Kompetenz ihrer Beschäftigten zu ergreifen. Schulen Sie Dokumentverantwortliche darin, was der Assistent kann und was nicht, und Nutzende darin, Quellenangaben zu prüfen (GUIDE-006).

Kommunikation und Pilot: Stellen Sie die Kuration als „unser Wissen auffindbar machen“ dar, nicht als Prüfung. Beginnen Sie mit einem Thema, einer verantwortlichen Person je Dokument und einem KI-Champion (GUIDE-008, GUIDE-009). Typische Bedenken: Mehrarbeit für Verantwortliche (zeitlich begrenzen) und die Angst, ersetzt zu werden (Fachleute werden zu Autoritäten).

Menschen behalten die Kontrolle: Nur Verantwortliche geben frei; der Assistent ändert freigegebene Inhalte nie selbstständig.

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): minimales Risiko für einen internen Wissensassistenten; Art. 4 KI-Kompetenz gilt. Ein Chatbot für Kunden muss offenlegen, dass Nutzende mit einer KI sprechen (Art. 50, anwendbar seit 2. Aug. 2026). Wird der Assistent für Einstellung oder Beschäftigtenbewertung genutzt, gelten die Pflichten für Hochrisiko-Systeme nach Anhang III ab 2. Dez. 2027 (GUIDE-014).
  • DSGVO: personenbezogene Daten in Protokollen, Tickets und Personalakten; Zweckbindung und Datenminimierung sprechen dafür, solche Dateien auszuschließen; Löschanfragen müssen den Index erreichen (PREP-025).
  • Vertraulichkeit: Ein Assistent kann Dokumente Personen zeigen, die sie nicht sehen sollen; zuerst die Berechtigungen in Ordnung bringen (PREP-023, GUIDE-013).
  • Risiken: veraltete Antworten, zu großes Vertrauen, versehentlich indexierte sensible Dateien, Prompt Injection über externe Dokumente (GUIDE-013).
  • Gegenmaßnahmen: Index nur mit freigegebenen Dokumenten, Verantwortliche und Prüfdaten, Quellenangaben in jeder Antwort, Protokollierung unbeantworteter Fragen, vierteljährliche Stichproben.

Erste Schritte

  1. Ein Thema wählen und 30-50 reale Fragen mit korrekten Antworten aufschreiben.
  2. Die Dateiliste zu diesem Thema exportieren und in einem Workshop jedes Dokument als behalten, aktualisieren, zusammenführen oder archivieren markieren (GUIDE-001, GUIDE-003).
  3. Verantwortliche die fehlenden Antworten korrigieren oder schreiben und mit Prüfdatum freigeben lassen.
  4. Den freigegebenen Satz in einer Bibliothek bündeln und nur diese Bibliothek mit einem Pilot-Assistenten verbinden (GUIDE-009).
  5. Mit der Fragenliste testen, falsche Antworten protokollieren und in die Bibliothek zurückspielen.

Quellen

  1. Microsoft - Data, privacy and security for Microsoft 365 Copilot - https://learn.microsoft.com/en-us/copilot/microsoft-365/microsoft-365-copilot-privacy
  2. Microsoft - EU Data Boundary - https://learn.microsoft.com/en-us/privacy/eudb/eu-data-boundary-learn
  3. Docling project - https://github.com/docling-project/docling
  4. Paperless-ngx documentation - https://docs.paperless-ngx.com/
  5. n8n documentation - https://docs.n8n.io/
  6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  7. BSI - Generative AI models: opportunities and risks - https://www.bsi.bund.de/EN/Themen/Unternehmen-und-Organisationen/Informationen-und-Empfehlungen/Kuenstliche-Intelligenz/kuenstliche-intelligenz_node.html