Retrieval Augmented Generation

Können KI-Systeme deine Inhalte überhaupt lesen?

Wir prüfen, was von deiner Website abrufbar ist, wenn kein Browser mitspielt — und ob deine Abschnitte für sich verständlich bleiben.

Retrieval Augmented Generation (RAG) ist ein Verfahren, bei dem ein Sprachmodell vor der Antwort passende Dokumente aus einer Wissensquelle sucht und diese in seine Eingabe übernimmt. Statt allein aus dem Trainingsgedächtnis zu erzeugen, arbeitet das Modell an konkretem Material. Das reduziert Halluzinationen, ermöglicht Quellenangaben und macht aktuelle Informationen nutzbar, ohne das Modell neu zu trainieren.

Kurz zusammengefasst:

• Zwei Schritte: Suchen, dann Erzeugen auf Grundlage des Gefundenen.
• Macht Antworten belegbar — die Quelle ist bekannt.
• Die Qualität hängt fast vollständig vom Suchschritt ab.
• Grundlage der meisten KI-Suchdienste und firmeninternen Assistenten.
• Für Websites entscheidend: gut auffindbar und klar gegliedert sein.

Wie es abläuft

1. Frage entgegennehmen.
2. Suchen. Passende Abschnitte werden aus einer Sammlung geholt — meist über eine Ähnlichkeitssuche auf Bedeutungsebene, oft kombiniert mit klassischer Stichwortsuche.
3. Einfügen. Die gefundenen Abschnitte kommen zusammen mit der Frage in die Eingabe des Modells.
4. Erzeugen. Das Modell antwortet auf Grundlage dieses Materials — und kann die Herkunft benennen.

Der Kern der Sache steckt in Schritt 2. Ein Modell kann aus schlechtem Material keine gute Antwort machen. Werden die falschen Abschnitte gefunden, ist die Antwort falsch — nur eben mit Quellenangabe, was sie glaubwürdiger erscheinen lässt, als sie ist.

Was es löst — und was nicht

Warum das für Websites zählt

KI-Suchdienste arbeiten im Kern nach diesem Muster: Sie suchen erst, dann formulieren sie. Wer verstehen will, wie man in solchen Antworten vorkommt, muss beide Schritte bedienen.

Damit du gefunden wirst (Schritt 2): Der Inhalt muss abrufbar sein — im HTML, nicht per JavaScript nachgeladen, nicht hinter einem Einwilligungsbanner, nicht in der robots.txt gesperrt. Und er sollte thematisch klar abgegrenzt sein, damit ein einzelner Abschnitt für sich verständlich ist.

Damit du zitiert wirst (Schritt 4): Der gefundene Abschnitt muss die Frage beantworten, ohne den Rest der Seite zu brauchen. Das spricht für Fragen als Überschriften, kurze Antworten direkt darunter, Fakten in Tabellen und datierte Angaben — siehe AI Overviews.

Der praktische Merksatz: Schreibe Abschnitte, die für sich stehen können. Ein Absatz, der mit „wie oben erwähnt“ beginnt, ist als herausgelöster Fund wertlos.

Im eigenen Betrieb

RAG ist auch die übliche Bauweise für interne Assistenten — auf Handbücher, Angebote, Dokumentationen oder Wissenssammlungen. Der Reiz: Firmenwissen wird nutzbar, ohne dass ein Modell darauf trainiert werden muss.

Worauf zu achten ist: Berechtigungen müssen bereits im Suchschritt greifen, sonst beantwortet der Assistent Fragen mit Dokumenten, die der Fragende nicht sehen dürfte. Und die Quelle muss gepflegt sein — ein Assistent auf veralteten Unterlagen gibt zuverlässig veraltete Auskünfte, dann aber mit Quellenangabe.

Häufige Fragen

Was bedeutet RAG genau?

Erzeugung mit vorgeschalteter Suche: Das Modell bekommt vor der Antwort passende Textstellen aus einer Wissensquelle und arbeitet damit, statt allein aus dem Trainingsgedächtnis zu schöpfen.

Verhindert RAG Halluzinationen?

Es reduziert sie deutlich, verhindert sie aber nicht. Das Modell kann gefundenes Material falsch zusammenfassen oder Lücken darin überbrücken. Und werden die falschen Stellen gefunden, ist die Antwort falsch — mit Beleg.

Ist das dasselbe wie Feintuning?

Nein. Beim Feintuning wird das Modell selbst angepasst; das ist aufwendig und veraltet mit den Daten. Bei RAG bleibt das Modell unverändert, nur die Wissensquelle wird gepflegt.

Nutzen Google und ChatGPT RAG?

Ihre Suchfunktionen arbeiten nach diesem Grundmuster: erst Quellen ermitteln, dann daraus formulieren. Die Umsetzungen unterscheiden sich, das Prinzip ist dasselbe.

Wie mache ich meine Inhalte RAG-tauglich?

Abrufbar ausliefern — im HTML, nicht hinter JavaScript oder Bannern. Klar gegliedert, mit Fragen als Überschriften und Antworten, die für sich verständlich sind. Und datiert, damit Aktualität erkennbar ist.

Lohnt sich ein eigener RAG-Assistent für ein kleines Unternehmen?

Wenn es einen echten Bestand an Dokumenten gibt, in dem regelmäßig gesucht wird — Handbücher, Angebote, Verfahrensanweisungen — durchaus. Bei wenigen Dokumenten ist der Aufwand für Aufbau und Pflege meist größer als der Nutzen.