Worum es geht

RAG ist keine einzelne Technik, sondern eine Familie von Ansätzen. Sie müssen keinen davon bauen können. Sie sollten die Namen einordnen können, denn Anbieter schmücken sich gern damit, und nicht jede Variante passt zu jedem Wissen.

Die wichtigsten Varianten, einfach erklärt

  • Einfaches RAG: Frage stellen, ähnliche Textstellen holen, antworten. Reicht für kleine, gut gepflegte Wissensbasen erstaunlich oft.
  • Hybrid: Bedeutungssuche und klassische Volltextsuche zusammen. Wichtig überall dort, wo exakte Begriffe zählen: Abrechnungsziffern, Medikamentennamen, Paragrafen. Reine Bedeutungssuche findet „ähnliches”, übersieht aber gern die eine exakte Ziffer.
  • Mit Filtern (Metadaten): Der Abruf wird eingegrenzt, etwa nach Abteilung, Sprache oder Gültigkeitsdatum. So landet die Regelung von 2023 nicht mehr in der Antwort von heute.
  • Agentisch: Das System sucht mehrfach, zerlegt die Frage in Teilfragen und prüft Zwischenergebnisse. Bessere Antworten bei komplexen Fragen, erkauft mit Wartezeit und Kosten.

Die ehrliche Einordnung dazu: Mehr Raffinesse ist nicht automatisch besser. Für eine Praxis mit dreißig QM-Dokumenten ist einfaches oder hybrides RAG angemessen; agentische Systeme lohnen sich erst bei großen, verzweigten Wissensbeständen.

Strukturierte Daten sind kein Fall für Textsuche

Ein Merksatz, der viel Geld sparen kann: RAG ist nicht gleich Vektordatenbank. RAG ist jede Architektur, in der externe Informationen vor der Antwort gezielt abgerufen und eingebracht werden.

Kalender, Terminlisten, Adressverzeichnisse und Datenbanken sind bereits strukturiert. Die richtige Frage an solche Daten ist eine präzise Abfrage („alle Termine am Dienstag”), keine Ähnlichkeitssuche über Textschnipsel. Gute Systeme kombinieren deshalb beides: Textwissen über Suche, strukturierte Daten über direkte Abfragen, und das Modell bekommt die Ergebnisse beider Wege mitgeliefert.

Was RAG grundsätzlich nicht löst

Der Ehrlichkeits-Satz aus dem Kompass-Kurs gilt hier verschärft: RAG löst nicht das Wahrheitsproblem der KI. Es verbessert nur die Bedingungen, unter denen eine Antwort entsteht. Falsch abgerufene Stellen, veraltete Dokumente und übersehene Quellen bleiben möglich. Eine Antwort mit Quellenangabe wirkt verlässlich, ist aber nur so gut wie ihre Wissensbasis und ihr Abruf. Die fachliche Prüfung wichtiger Ergebnisse bleibt Menschenarbeit.

Der typische Fehler

Alles in die Bedeutungssuche kippen. Der Kalender, die Patientenliste, die Abrechnungstabelle: alles wird „indexiert”, weil das Werkzeug es anbietet. Ergebnis: unpräzise Antworten auf präzise Fragen und unnötig verteilte sensible Daten. Strukturierte Bestände gehören abgefragt, nicht durchsucht, und sensible Bestände gehören gar nicht erst hinein.

Kontrollfrage

Ihr Team will wissen, welche Impfstoffe kommende Woche zur Bestellung anstehen. Warum ist die Bedeutungssuche über Dokumente hier der falsche Weg?

Antwort anzeigen

Weil die Antwort in strukturierten Daten liegt (Bestandsliste, Bestelltabelle) und exakt sein muss. Eine Textsuche findet ähnliche Passagen, aber keine verlässliche aktuelle Liste. Der richtige Weg ist eine direkte Abfrage des Bestandssystems, deren Ergebnis dem Modell mitgegeben wird, wenn daraus ein Text entstehen soll.