Wie FrΛIa Antworten aus Ihrem Unternehmenswissen erzeugt
Ein allgemeines Sprachmodell (wie ChatGPT) hat alleine keinen verlässlichen Zugriff auf Ihre aktuellen Verträge, Richtlinien, Handbücher und Projektunterlagen. FrΛIa nutzt deshalb Retrieval-Augmented Generation, kurz RAG: Vor jeder Antwort werden passende und berechtigte Textstellen aus den angebundenen Unternehmensquellen gesucht und dem Modell als Kontext bereitgestellt.
Warum ein Sprachmodell allein nicht ausreicht
Ein allgemeines Sprachmodell wurde nicht als verlässlicher Zugriff auf Ihre aktuellen internen Unterlagen entwickelt. Verträge, Preislisten, Richtlinien und Wartungshandbücher ändern sich laufend und unterliegen individuellen Zugriffsrechten. Deshalb werden die für eine Frage benötigten Inhalte zur Laufzeit aus den freigegebenen Quellen ermittelt.
Große Kontextfenster ersetzen keine gezielte Suche.
Eine Antwort wird unter anderem durch Modell, Systemvorgaben, Nutzerfrage und bereitgestellten Kontext beeinflusst. Für belastbare Antworten aus Unternehmenswissen ist entscheidend, welche internen Informationen als Kontext ausgewählt werden und ob der Nutzer darauf zugreifen darf.
- Aktuelle Spitzenmodelle verarbeiten sehr umfangreiche Eingaben, in der Größenordnung von einer Million Token je Anfrage
- Das entspricht grob einigen hundert bis über tausend Seiten - eine Einordnung, keine feste Umrechnung
- Ein mittelständisches Unternehmen hat Zehntausende Dokumente; der Bestand passt in kein Kontextfenster
- Relevante und irrelevante Inhalte konkurrieren im selben Kontext um Aufmerksamkeit
- Studien wie „Lost in the Middle" zeigen, dass Position und Menge des Kontexts die Treffgenauigkeit beeinflussen können
- Eine Prüfung von 18 Modellen beobachtete Qualitätsverluste, je länger die Eingabe wurde
Kontextfenster sind begrenzt. Je nach Modell, Schnittstelle und technischer Umsetzung werden zu lange Eingaben abgewiesen, gekürzt oder vorab zusammengefasst. Unabhängig davon sinkt die Verlässlichkeit, wenn große Mengen wenig relevanter Informationen gemeinsam übergeben werden.
Deshalb wählt Atlas gezielt wenige passende Fundstellen aus, statt den Bestand zu übergeben. Dieses gezielte Heraussuchen ist das Retrieval.
Quellen: Liu et al., Lost in the Middle (Stanford, TACL) · Chroma, Context Rot (2025, 18 Modelle) · Angaben zu Kontextfenstern nach Herstellerangaben, Stand 19.08.2026. Die genannten Studien beziehen sich auf ihren jeweiligen Versuchsaufbau; die Zahlen ändern sich laufend, die Größenordnung nicht.
Vom Dokument zur Antwort.
Sieben Stationen liegen zwischen einer Datei in Ihrer Ablage und dem Satz, den ein Mitarbeiter liest. Die ersten vier laufen im Hintergrund, lange bevor jemand fragt. Die letzten drei laufen in dem Moment, in dem die Frage gestellt wird.
- Im HintergrundQuelle synchronisierenSharePoint und freigegebene Webseiten; Änderungen werden regelmäßig erkannt.
- Im HintergrundText extrahieren und zerlegenAbschnitte mit definierter Länge, die einander überlappen - damit ein Satz nicht genau an der Schnittkante zerrissen wird.
- Im HintergrundEinbettungen erzeugenJeder Abschnitt wird in eine Zahlendarstellung übersetzt, die Bedeutung vergleichbar macht.
- Im HintergrundIndex mit Rechtefeldern aktualisierenTextabschnitte, Herkunft, Metadaten und Berechtigungen werden gemeinsam gespeichert.
- Bei der FrageVor der Suche nach Rechten filternNur Abschnitte, für die der Fragende eine Freigabe hat, werden durchsucht.
- Bei der FrageTreffer suchen und neu sortierenAus bis zu 25 Dokumenten kommen je höchstens drei Abschnitte in die Bewertung; 5 gehen weiter.
- Bei der FrageAntwort mit Quellen erzeugenDie ausgewählten Fundstellen werden an das Sprachmodell übergeben und als Quelle ausgewiesen.
Konfigurationswerte in Grafik und Liste: Stand 22.09.2026
Die Quellablage bleibt führend
Direkt an SharePoint angebunden
Der Suchindex ist eine Ableitung der Quelle - nicht ihr Ersatz.
Atlas liest Inhalte aus den ausdrücklich freigegebenen SharePoint-Bereichen und aus einzeln benannten Webseiten. Ein regelmäßiger Abgleich erkennt neue oder geänderte Inhalte und aktualisiert die zugehörigen Abschnitte im Suchindex.
Eine aus der Herkunft abgeleitete Kennung verhindert, dass bei Aktualisierungen unkontrollierte Dubletten entstehen: Eine neue Fassung ersetzt die alte, statt neben ihr zu liegen.
Eine wiederkehrende Gegenprüfung vergleicht Quelle und Index in beide Richtungen. Sie meldet Inhalte, die nicht übernommen wurden, sowie Indexeinträge, deren Quelldatei nicht mehr vorhanden ist.
Berechtigungen wirken vor der Ähnlichkeitssuche
Gesperrtes wird gar nicht erst durchsucht
Der Rechtefilter sitzt vor der Ähnlichkeitssuche, nicht dahinter. Was ausgefiltert wird, kann nicht in den Antwortkontext gelangen.
Beim Einlesen ermittelt Atlas für jede Datei die tatsächlichen Freigaben über Microsoft Graph und schreibt sie als Entra-Kennungen an jeden einzelnen Textabschnitt, zusammen mit seiner Vertraulichkeitsstufe. Die Rechteinformation gehört damit zum Indexeintrag, nicht zu einer nachgelagerten Prüfung.
Bei jeder Frage geht die Gruppenmitgliedschaft des Fragenden als Filterbedingung an die Vektordatenbank, bevor diese zu suchen beginnt. Fehlen einem Abschnitt verwertbare Rechteangaben, wird er nicht ausgeliefert. Dieses Verhalten heißt fail closed: Im Zweifel liefert das System weniger, statt möglicherweise Unberechtigtes preiszugeben.
Ein regelmäßiger Abgleich zieht entzogene Freigaben nach, auch wenn die Datei selbst unverändert bleibt.
Ähnlich ist nicht dasselbe wie richtig
Die Treffer werden neu sortiert
Ein Reranking-Modell bewertet jede der bis zu 75 Fundstellen gemeinsam mit der Frage und ordnet sie nach tatsächlicher Relevanz.
Die Ähnlichkeitssuche findet Textstellen, die zur Frage passen könnten - sie vergleicht Bedeutungen, nicht Antworten. Deshalb bewertet anschließend ein spezialisiertes Modell jede dieser Fundstellen einzeln gegen die gestellte Frage. In einem gemessenen Fall lag die Zeile mit der eigentlichen Antwort in der reinen Vektorsuche auf Rang 17 bis 19 und stand nach dem Neusortieren auf Platz 1.
Einer der fünf Plätze im Antwortkontext ist für ein zweites Dokument reserviert. Bei Vergleichsfragen stammen die Belege damit nicht alle aus derselben Datei. Werte nach dem Stand vom 22.09.2026.
Antworten weisen ihre Fundstellen aus
Die Belege stehen direkt an der Antwort
Bis zu drei Quellenkärtchen mit Dokumentname, Relevanzwert und Link - direkt unter der Antwort.
Im KI-Arbeitsplatz belegt jede Aussage aus der Wissensbasis ihren Satz mit einer Quellennummer. Ein Auszug von 200 Zeichen macht die Angabe nachprüfbar, ohne dass jemand das Dokument öffnen muss. Wo das Modell aus eigenem Wissen ergänzt, wird das ausdrücklich gekennzeichnet - bei Zahlen, Fristen und Namen ist es ganz untersagt.
Fundstellen unterhalb eines Relevanzwerts von 0,3 erscheinen gar nicht erst. Ein Kärtchen mit drei Prozent Relevanz sieht aus wie ein Beleg und ist keiner.
Wo welche Daten verarbeitet werden
Instanz und Suchindex laufen in Ihrer Umgebung im deutschen Rechenzentrum. Einbetten, Neubewerten und Formulieren laufen über eine Azure-Ressource, die allein Ihrem Unternehmen zugeordnet ist, in der vereinbarten Region. Betrieben wird sie im Azure-Abonnement von FrΛIraum.
| Schritt | Verarbeitete Daten | Ort |
|---|---|---|
| Quellhaltung | Originaldokumente und Webinhalte | Ihre bestehende Ablage - unverändert |
| Textextraktion | Extrahierter Text und Metadaten | Ihre Instanz, deutsches Rechenzentrum |
| Zerlegen | Textabschnitte mit Herkunft und Rechteangaben | Ihre Instanz, deutsches Rechenzentrum |
| Suchindex | Abschnitte, Vektoren, Metadaten, Rechteangaben | Ihre Instanz, deutsches Rechenzentrum |
| Einbetten | Einzelne Textabschnitte | Ihre Azure-Ressource, vereinbarte Region |
| Neubewerten | Frage und zulässige Trefferkandidaten | Ihre Azure-Ressource, vereinbarte Region |
| Antwort formulieren | Frage, Vorgaben und die fünf ausgewählten Fundstellen | Ihre Azure-Ressource, vereinbarte Region |
Originaldokumente verlassen die Quellablage nicht. An das Sprachmodell geht je Anfrage nur die Auswahl, die Rechteprüfung und Relevanzbewertung überstanden hat.
Qualität und Trennung werden laufend gemessen
Eine Berechtigungsprüfung, die nur beim Bau geprüft wurde, sagt nichts über den Betrieb in acht Monaten. Deshalb läuft die Prüfung weiter, während das System arbeitet.
Wiederkehrender Trennungstest
Testdokumente mit abgestuften Rechten liegen in der Sammlung, gefragt wird aus mehreren Identitäten. Der letzte Lauf verlief ohne Verletzung.
Fortlaufende Evaluation
Ein festes Set von Prüffragen läuft gegen den echten Chat, ein zweites Modell benotet Relevanz und Quellentreue. Ein Teil der Fragen ist bewusst unbeantwortbar, damit auffällt, wenn das System zu antworten beginnt statt abzulehnen. Umfang und Fragen legen wir mit Ihnen fest.
Melder auf der ganzen Kette
Über die Kette verteilt sitzen Melder: Einer zählt die Abschnitte im Index gegen und meldet jeden ohne Rechtefeld. Ein anderer prüft, ob das Neusortieren tatsächlich arbeitet. Ein weiterer holt die Abschnitte aus der Warteschlange, die nicht durchgekommen sind. Die Zahl wächst mit dem, was es zu überwachen gibt.
Laufender Rechteabgleich
Entzogene Freigaben wirken zeitnah, auch wenn die Datei selbst unverändert bleibt.
Womit Atlas im Standard arbeitet
Diese Werte gelten für jede Atlas-Instanz ab Werk. Es sind keine Systemgrenzen: Wenn Datenbestand, Dokumenttypen oder Suchverhalten es erfordern, passen wir sie im Projekt an und prüfen die Änderung mit Ihren eigenen Unterlagen und Fragen nach.
| Was | Standard | Wozu |
|---|---|---|
| Abschnittsgröße | 1.200 Zeichen | Länge eines Textabschnitts im Suchindex |
| Überlappung | 100 Zeichen | Damit zusammengehörige Aussagen an der Schnittkante nicht getrennt werden |
| Einbettungsmodell | text-embedding-3-large | Übersetzt jeden Abschnitt in eine Zahlendarstellung, die Bedeutung vergleichbar macht |
| Vektordimensionen | 3.072 | Vom Modell vorgegeben |
| Kandidaten aus der Suche | 25 Dokumente × 3 Abschnitte | Treffermenge, die an die Neubewertung geht. Der Deckel je Dokument verhindert, dass ein einzelnes langes Dokument die Kandidatenliste füllt |
| Fundstellen für die Antwort | 5 | Auswahl, die das Sprachmodell erhält |
| Erstverarbeitung | 1 bis 2 Tage | Gemessene Größenordnung für einige tausend Dokumente, abhängig von Umfang und Struktur |
Stand der Angaben: 22.09.2026
Technische Begriffe und eingeordnete Verfahren
Diese Begriffe begegnen Ihnen, sobald Sie sich mit dem Thema RAG befassen. Die hervorgehobenen beschreiben, was bei Atlas in der Standardkonfiguration ausgeliefert wird. Die übrigen sind Verfahren, die wir geprüft und für den Standard verworfen haben. Wenn Kundenspezifika es erfordern, ist der Einsatz im Rahmen eines Projektes möglich.
- Retrieval-Augmented Generation
- Vektordatenbank
- Embeddings
- Chunking
- Dense-Suche
- Reranking
- Cross-Encoder
- Permission-aware Retrieval
- Metadata-Filter
- Quellen-Attribution
- Agentic RAG
- Query-Rewriting
- BYOM
- Hybrid-Suche
- BM25
- Semantic Chunking
- Parent-Document-Retrieval
- Contextual Retrieval
- RAPTOR
- GraphRAG
- Self-RAG
- Corrective RAG
- HyDE
- Multi-Query
- Konfidenz-Gating
Ein Beispiel für das Verworfene: Hybrid-Suche und Parent-Document-Retrieval wurden an einem echten Fehlerfall geprüft. Die richtigen Dokumente lagen bereits unter den ersten zwanzig Treffern - es war ein Sortierproblem, kein Suchproblem. Also kam der Cross-Encoder und nicht die zweite Suchmaschine.
Sprechen wir über Ihre Architektur
Im Architekturgespräch klären wir, welche Quellen angebunden werden, wie sich Ihre SharePoint- und Entra-Berechtigungen abbilden lassen, welche Fragen das System zuverlässig beantworten muss und wie Relevanz, Quellentreue und Berechtigungstrennung im Betrieb gemessen werden.