RAG: Antworten aus Firmendokumenten oder Warehouse
RAG lässt eine KI aus Firmendokumenten antworten und die Quelle nennen, das Data Warehouse berechnet die Zahlen. Der Unterschied und die richtige Aufgabenverteilung.

Ein neuer Mitarbeiter fragt: »Wie viele Urlaubstage kann ich übertragen?« Jemand anderes fragt: »Wie hoch war der Umsatz der Region Süd im letzten Quartal?« Beides ließe sich an einen KI-Assistenten richten, doch die Fragen brauchen unterschiedliche Informationen. Die erste steht in einem Text, die zweite ist das Ergebnis einer Berechnung. Wer beides vermischt, erhält entweder eine falsche Zahl oder eine erfundene Klausel.
Was RAG ist
RAG (Retrieval-Augmented Generation) bedeutet: Bevor ein Sprachmodell antwortet, findet es die passenden Dokumentabschnitte und legt sie in seinen Kontext. Die Arbeit, die die Idee einführte (Lewis et al., 2020), beschreibt die Verbindung des vortrainierten Gedächtnisses eines Modells mit einem Retriever, der auf einen Vektorindex zugreift; im Originalwerk ist dieser Index Wikipedia. Im Unternehmen ist der Index Ihr eigener Dokumentenbestand. Quelle: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
Welche Frage zu welchem Werkzeug
- Dokumentfrage (RAG): Verfahren, Vertragsklausel, Richtlinie, Produkthandbuch, frühere Korrespondenz. Die Antwort steht in einem Text, die Quelle lässt sich zeigen.
- Zahlenfrage (Data Warehouse): Umsatz, Bestand, Forderungssaldo, Abweichung. Die Antwort braucht Summieren, Filtern und Vergleichen und muss aus einer Kennzahl kommen, deren Definition an einer Stelle steht.
- Gemischte Frage: »Wie groß ist die Differenz zwischen dem Zahlungsziel im Vertrag dieses Kunden und seiner tatsächlichen Zahlungsdauer?« Die erste Hälfte kommt aus einem Dokument, die zweite aus dem Warehouse; beides muss aus getrennten Werkzeugen genommen und zusammengeführt werden.
Das Risiko, RAG für Zahlen zu nutzen
RAG holt Dokumentabschnitte. Eine im Abschnitt stehende Zahl kann es weitergeben, doch wenn es aus Dokumentabschnitten summieren, filtern oder Perioden vergleichen soll, ist der Spielraum für Fehler groß. Eine Tabelle in einem PDF-Bericht zu »holen«, prüft weder ihre Definition noch ihre Aktualität. Bei Zahlen sollte das Modell nicht rechnen; die Berechnung gehört ins Warehouse, dem Modell bleibt nur die Beschreibung des Ergebnisses.
Beim Aufbau eines RAG
- Dokumenteninventar: Welche Dokumente kommen in den Index, wem gehören sie, wie aktuell sind sie? Alte und widersprüchliche Fassungen verderben die Antwort.
- Zugriffsrechte: Ein Nutzer darf keine Antwort aus einem Dokument erhalten, das er sonst nicht sehen könnte. Rechte beim Abruf anwenden, nicht erst nach der Antwort.
- Quelle zeigen: Jede Antwort sollte auf Dokument und Abschnitt verweisen, damit der Nutzer prüfen kann.
- »Nicht gefunden« sagen: Gibt es kein passendes Dokument, sollte der Assistent nicht raten.
- Mit echten Fragen testen: Halten Sie rund fünfzig tatsächlich gestellte Fragen samt richtiger Quelle fest und lassen Sie sie nach jeder Änderung neu laufen.
- Personenbezogene Daten: Sollen Personalakten oder Kundenkorrespondenz in den Index, erfolgt zuerst die datenschutzrechtliche Bewertung.
Stand bei Floemdata
RAG ist kein Floemdata-Feature. In den Produktunterlagen steht der KI-Assistent auf der Roadmap, und eine festgehaltene Entwurfsentscheidung lautet, dass Dashboard und Assistent ihre Zahlen aus demselben Kennzahlen-Compiler beziehen. Einen Hinweis, dass der Assistent Firmendokumente durchsuchen soll, fanden wir nicht; das ist nicht verifiziert. Dieser Beitrag ist Allgemeinwissen und beschreibt keine heutige Floemdata-Funktion.
Als Einstieg sortieren Sie die Fragen Ihrer Mitarbeitenden aus dem letzten Monat auf zwei Stapel: solche, die ein Dokument beantwortet, und solche, die eine Berechnung brauchen. Das Verhältnis zeigt, wohin Sie investieren sollten. Fragen an info@floemdata.com oder über Floemdata.