Ihr Team stellt Fragen in einfacher Sprache, und der Assistent antwortet mit dem, was Ihre Dokumente tatsächlich sagen, und verlinkt die genaue Quelle. Ist die Antwort nicht enthalten, ist er so eingerichtet, dass er das mitteilt.
Eine KI-Wissensdatenbank auf Basis von RAG (Retrieval-Augmented Generation) findet die relevanten Passagen in Ihren Unternehmensdokumenten und formuliert die Antwort daraus, unter Angabe der Quelle. Wir setzen sie für Teams ein, die Zeit mit der Suche nach internen Informationen verlieren oder immer wieder dieselben Fragen beantworten. Sie starten mit einem 7-Tage-Test auf einer einzelnen Quelle, mit den echten Fragen Ihres Teams.
Wir verbinden Google Drive, SharePoint, Notion, Confluence oder Ihr Hilfecenter. Jede Passage wird mit Titel, Datum und Link gespeichert, und die Synchronisierung erfasst Dokumente, die sich ändern oder gelöscht werden.
Jede Passage trägt Metadaten zu Team- oder Zugriffsstufe, und die Suche filtert nach der anfragenden Person. Was nicht durchsuchbar sein darf, bleibt außerhalb des Index; wie sich sehr feine Berechtigungen abbilden lassen, vereinbaren wir gemeinsam mit Ihnen.
Jede Antwort verlinkt das Dokument und den Abschnitt, aus dem sie stammt, sodass jeder sie überprüfen kann. Der Assistent ist angewiesen zu sagen, wenn er etwas nicht findet, statt zu improvisieren. RAG verringert erfundene Antworten, beseitigt sie aber nicht vollständig.
Ihr Team prüft täglich Verfahren, Datenblätter, Richtlinien oder den Support-Verlauf, und diese Dokumentation ist vorhanden und halbwegs aktuell.
Ein nicht bewerteter Assistent ist nur eine Demo. Deshalb testen wir ihn mit echten Fragen, bevor das Team ihn nutzt.
Ihr Team schreibt Fragen mit der erwarteten Antwort und deren Quelle. Wir prüfen von Hand und mit einem zweiten Modell als Bewerter und lassen das Set nach jeder Änderung am Modell, an der Aufteilung der Dokumente (Chunking) oder an den Anweisungen erneut laufen. Nach dem Start zeigen Nutzerbewertungen und unbeantwortete Fragen Lücken in der Dokumentation auf.
Gemeinsam wählen wir eine Quelle aus, etwa den Ordner mit den Verfahren einer Abteilung, und einen Kanal. Wir bauen den Assistenten mit Quellenangaben, stellen die Fragen Ihres Teams und prüfen die Ergebnisse gemeinsam, bevor weitere Quellen hinzukommen. Umfang, Termine und Bedingungen werden vor Projektbeginn schriftlich vereinbart.
Bei RAG wird das Modell nicht mit Ihren Dokumenten neu trainiert; es erhält nur die Passagen, die für jede Antwort nötig sind. Wir wählen Anbieter, deren Vertragsbedingungen diese Daten vom Training ausschließen, und wenn Daten Ihre Infrastruktur nicht verlassen dürfen, prüfen wir offene Modelle auf Ihrem eigenen Server. Die rechtliche Bewertung obliegt Ihrem Berater.
Ja, mit Einschränkungen. Wir filtern nach Gruppen oder Sammlungen je nach anfragender Person, sofern der Kanal, etwa Slack oder Teams, die Person identifiziert. Sehr feine Ordnerberechtigungen exakt zu spiegeln ist aufwendiger, deshalb vereinbaren wir vor der Indexierung ein klares Zugriffsmodell.
Gescannte PDFs brauchen OCR, und komplexe Tabellen verlieren ihre Struktur, wenn sie ungünstig aufgeteilt werden; deshalb behandeln wir sie gesondert. Tabellen voller Zahlen lassen sich besser über eine direkte Integration abfragen, denn der Assistent sollte nicht aus Bruchstücken rechnen. In der Analyse kennzeichnen wir die Dokumente, die Probleme verursachen werden.
Ihr Team verantwortet die Inhalte: Ändert sich ein Verfahren, übernimmt der Assistent es nach der nächsten Synchronisierung. Wir hinterlassen eine automatisierte Einlesung, Warnungen bei fehlgeschlagener Synchronisierung und eine Anleitung zum Hinzufügen von Quellen. Wenn Sie möchten, dass wir die Bewertungen und die Feinabstimmung weiter begleiten, wird das separat vereinbart.
Schicken Sie uns ein Beispiel und sagen Sie, wo die Antwort heute steht. Wir schlagen Ihnen einen 7-Tage-Test auf dieser Quelle vor, mit Ergebnissen, die Sie vor Ihrer Entscheidung prüfen können.