AIMAX^®
- Die integrierten RAG-Typen

Retrieval-Augmented Generation, kurz RAG, gehört heute zu den wichtigsten Architekturmustern für den produktiven Einsatz generativer KI im Unternehmen. Der Grund ist einfach: Ein Sprachmodell ist hervorragend darin, Sprache zu verstehen, Inhalte zusammenzufassen, zu strukturieren, zu transformieren und natürlich klingende Antworten zu erzeugen. Was ein Sprachmodell allein aber nicht zuverlässig kann, ist jederzeit auf aktuelles, unternehmensspezifisches, vollständiges und nachweisbares Wissen zuzugreifen. Genau hier setzt RAG an.

Bei einem klassischen Large Language Model stammt das „Wissen“ im Wesentlichen aus dem Training des Modells. Das Modell hat also während seines Trainings statistische Muster, Zusammenhänge und viele Fakten gelernt. Diese Wissensbasis ist jedoch begrenzt. Sie kann veraltet sein, sie enthält keine automatisch aktuelle Sicht auf Ihre internen Dokumente, und sie ist in der Regel nicht präzise genug, um unternehmenskritische Detailfragen sicher zu beantworten. In der Praxis führt das zu einer der größten Hürden beim KI-Einsatz in Organisationen: Nutzer erwarten belastbare Antworten, während das Modell ohne externen Kontext nur auf Basis von Wahrscheinlichkeiten formuliert und so halluziniert.

RAG schließt genau diese Lücke. Die Grundidee ist, dass vor der eigentlichen Antwortgenerierung nicht nur das Sprachmodell genutzt wird, sondern zusätzlich ein Retrieval-Mechanismus. Dieser Retrieval-Schritt durchsucht relevante Wissensquellen, identifiziert passende Inhalte und stellt sie dem Modell als Kontext zur Verfügung. Das Sprachmodell antwortet also nicht nur aus seinem trainierten Weltwissen heraus, sondern auf Basis tatsächlich gefundener, relevanter Informationen. Die Antwort wird dadurch inhaltlich fundierter, transparenter und deutlich besser auf den konkreten Anwendungsfall abgestimmt.

Vereinfacht läuft ein RAG-Prozess in mehreren Schritten ab. Zuerst stellt ein Nutzer eine Frage oder löst einen Prozess aus. Danach wird diese Anfrage in eine Form überführt, die für die Suche geeignet ist. Anschließend durchsucht ein Retriever definierte Datenquellen, etwa Richtlinien, PDFs, Handbücher, Tickets, SharePoint-Inhalte, Wikis, CRM-Daten oder strukturierte Systeme. Die relevantesten Treffer werden gesammelt, priorisiert und dem Modell als Kontext übergeben. Erst dann generiert das LLM die Antwort. Gute RAG-Systeme reichern diesen Prozess zusätzlich mit Filtern, Metadaten, Berechtigungen, Ranking, Tool-Nutzung, Gedächtnis, Qualitätsprüfung und Domänenlogik an.

Warum ist das für Unternehmen so relevant? Weil produktive KI fast immer mehr braucht als reine Textgenerierung. In der Realität geht es um konkrete Auskünfte aus Verträgen, Arbeitsanweisungen, Produktdaten, Wissensdatenbanken, technischen Dokumentationen, E-Mails, Vorgängen, Akten oder branchenspezifischen Regelwerken. Es geht um aktuelle und belastbare Informationen, um nachvollziehbare Antworten und um die kontrollierte Einbindung der richtigen Daten zur richtigen Zeit. Genau deshalb ist RAG in vielen professionellen KI-Szenarien keine optionale Erweiterung, sondern die eigentliche Grundlage.

Hinzu kommt ein zweiter Aspekt: Skalierbarkeit. Ein Unternehmen will Wissen nicht für jeden Anwendungsfall neu in ein Modell „hineintrainieren“. Das wäre teuer, träge und schwer wartbar. Mit RAG lassen sich vorhandene Wissensquellen direkt nutzbar machen. Neue Dokumente, aktualisierte Richtlinien oder veränderte Datenbestände können in den Retrieval-Prozess eingebunden werden, ohne jedes Mal ein Modell neu trainieren zu müssen. So entstehen schnellere Aktualisierungszyklen, geringere Eintrittsbarrieren und deutlich mehr Kontrolle über Qualität und Governance.

In der Praxis hat sich eine ganze Familie unterschiedlicher RAG-Architekturen entwickelt. Diese Varianten unterscheiden sich danach, welche Daten angebunden werden, wie gesucht wird, wie viel Eigenständigkeit das System bei der Informationsbeschaffung besitzt, ob Sitzungsverlauf und Nutzerhistorie berücksichtigt werden, ob mehrere Quellen oder Medienarten kombiniert werden und wie stark eine Antwort nachträglich validiert oder angereichert wird. Moderne KI-Plattformen müssen deshalb nicht nur „RAG können“, sondern unterschiedliche RAG-Typen flexibel unterstützen.

Genau an dieser Stelle spielt AIMAX^® seine Stärke aus. Als zentrale KI-Infrastruktur-Lösung ist AIMAX^® für den produktiven Unternehmenseinsatz konzipiert. Die Plattform ist modular aufgebaut, kann unterschiedliche KI-Modelle parallel nutzen, integriert verschiedenste Datenquellen sowie Anwendungen und unterstützt dabei auch zahlreiche RAG-Typen.

Grundsätzlich gilt: RAG darf nicht als isolierter Einzelfall betrachtet werden, sondern als strategischer Bestandteil einer KI-Infrastruktur. Je nach Use Case kann innerhalb derselben Plattform ein anderes RAG-Muster sinnvoll sein. Für einfache Wissensabfragen genügt oft Standard RAG. Für mehrstufige Prozesse mit Tool-Nutzung und Entscheidungslogik ist Agentic RAG deutlich stärker. Für persönliche Assistenten oder wiederkehrende Nutzerinteraktionen wird Memory Augmented RAG relevant. Für Bilddokumente, Scans und komplexe Dateiformate braucht es Multimodal RAG. Und für stark vernetzte Wissensdomänen oder organisationsweite Suchräume kommen weitere Spezialformen ins Spiel.

Agentic RAG erweitert das klassische RAG-Prinzip um Planung, Zielorientierung und aktive Tool-Nutzung. Anders als bei Standard RAG wird nicht nur einmal nach Wissen gesucht und anschließend geantwortet. Stattdessen entscheidet ein Agent schrittweise, welche Informationen benötigt werden, welche Retrievals durchgeführt werden sollen, welche Tools oder Systeme angebunden werden müssen und ob weitere Zwischenschritte erforderlich sind.

Diese Architektur ist besonders stark, wenn Anfragen komplex, offen oder mehrdeutig sind. Ein agentisches System kann eine Aufgabe zerlegen, nacheinander mehrere Quellen ansteuern, Zwischenergebnisse bewerten und daraus die nächsten Schritte ableiten. Dadurch wird aus einem reinen Wissensassistenten ein handlungsfähiger KI-Akteur, der nicht nur informiert, sondern Prozesse intelligent unterstützt.

Beispielsweise kann eine Anfrage wie „Prüfe, welche Verträge in den nächsten 90 Tagen auslaufen, fasse die wichtigsten Konditionen zusammen und formuliere einen Entwurf für die Verlängerungsanfrage“ mit Agentic RAG deutlich besser abgebildet werden als mit einfachem Standard RAG. Hier reicht ein einzelner Dokumententreffer nicht aus. Das System muss Verträge finden, Fristen erkennen, relevante Klauseln extrahieren, Prioritäten setzen und anschließend eine passende Kommunikation vorbereiten.

Der Mehrwert liegt in der Orchestrierung. Agentic RAG verbindet Retrieval mit Entscheidungspfaden. 

Multimodal RAG erweitert das klassische Retrieval über reine Textquellen hinaus. Neben Fließtext können auch Bilder, gescannte Dokumente, Tabellen, Diagramme, Präsentationen, technische Zeichnungen, Formulare oder Screenshots in den Retrieval- und Antwortprozess einbezogen werden. Das ist in der Praxis enorm wichtig, weil Unternehmenswissen selten nur aus sauberem, strukturiertem Text besteht.

Viele kritische Informationen liegen in PDFs mit Tabellen, in Handbüchern mit Abbildungen, in Qualitätsberichten mit Diagrammen, in Formularen mit Ankreuzfeldern oder in E-Mails mit Anhängen und Screenshots. Ein textzentriertes RAG-System kann solche Inhalte nur eingeschränkt erfassen. Multimodal RAG verarbeitet dagegen unterschiedliche Medientypen, extrahiert daraus verwertbaren Kontext und stellt diesen dem Modell in geeigneter Form bereit.

Die Stärke von Multimodal RAG liegt deshalb in seiner Praxisnähe. Es reduziert die künstliche Trennung zwischen „textfähigen“ und „nicht textfähigen“ Wissensquellen. Statt Informationen vorab manuell zu überführen, kann die KI näher an realen Dokumenten und Arbeitsmaterialien operieren. Das ist besonders relevant für Unternehmen mit heterogenen Datenbeständen, historisch gewachsenen Archiven oder wissensintensiven Fachabteilungen.

Technisch erfordert Multimodal RAG zusätzliche Verarbeitungsschritte, etwa OCR, Layout-Erkennung, Tabellenextraktion, Bildbeschreibung oder multimodale Embeddings. Der Gewinn ist jedoch groß: Es entsteht eine deutlich vollständigere Wissensbasis. Gerade in einer modularen Infrastruktur mit unterschiedlichen Integrationen und Kanaloptionen ist diese Variante ein wichtiger Baustein, um KI nicht auf „schönen Text“ zu beschränken, sondern sie wirklich unternehmensfähig zu machen.

Contextual Retrieval RAG fokussiert auf eine oft unterschätzte Frage: Unter welchen Bedingungen wird überhaupt gesucht? In vielen RAG-Projekten hängt die Antwortqualität nicht primär am Modell, sondern daran, ob die Suchanfrage passend formuliert, richtig angereichert und sinnvoll interpretiert wird. Genau hier setzt contextual retrieval an.

Die Grundidee ist, dass eine Anfrage nicht isoliert betrachtet wird. Stattdessen fließen zusätzlicher Kontext und Signale in die Suchphase ein. Dazu können bspw. Nutzerrolle, Fachbereich, verwendeter Kanal, Produktkontext, Dokumenttyp, Sprache und zeitlicher Rahmen gehören. Dieser Zusatzkontext beeinflusst, welche Inhalte als relevant gelten und wie stark sie gewichtet werden.

Contextual Retrieval RAG ist damit weniger ein exotischer Sonderfall als vielmehr ein Qualitätshebel. Es sorgt dafür, dass das System schon vor der Antwortgenerierung besser versteht, „was hier eigentlich gemeint ist“. 

Hybrid RAG kombiniert unterschiedliche Suchverfahren innerhalb derselben Retrieval-Logik. Meist geht es um die Verbindung von semantischer Vektorsuche mit klassischer Keyword- oder Volltextsuche. Der Hintergrund ist klar: Beide Verfahren haben Stärken und Schwächen. Vektorsuche findet ähnliche Bedeutungen, auch wenn die exakten Begriffe nicht identisch sind. Keyword-Suche ist stark, wenn genaue Formulierungen, Produktnummern, Paragraphen, Fachcodes oder fest definierte Begriffe entscheidend sind.

In der Praxis ist diese Kombination extrem wertvoll. Viele Unternehmensanfragen enthalten sowohl semantische als auch exakte Elemente. Ein Nutzer sucht vielleicht „die aktuelle Reisekostenregel für Auslandsübernachtungen“, wobei die Formulierung frei ist, die eigentliche Zielpassage aber einen exakten Richtlinienbegriff enthält. Oder ein Servicemitarbeiter sucht nach einer Fehlerbeschreibung, in der ein bestimmter Code auftaucht, während der restliche Kontext nur unscharf beschrieben wird.

Für Unternehmen ist Hybrid RAG oft die pragmatisch beste Produktionslösung, weil reale Wissensbestände nie homogen sind. Manche Inhalte sind stark strukturiert, andere textlastig, wieder andere voller IDs, Kürzel oder Normverweise. Ein hybrider Ansatz berücksichtigt diese Heterogenität statt sie zu ignorieren.

Graph RAG verbindet RAG mit Wissensgraphen. Dabei werden Informationen nicht nur als lose Dokumentpassagen abgelegt, sondern zusätzlich in Form von Entitäten und Beziehungen modelliert. Personen, Organisationen, Produkte, Prozesse, Orte, Dokumente oder Vorgänge können so explizit miteinander verknüpft werden. Das ist überall dort hilfreich, wo Zusammenhänge wichtiger sind als einzelne Textstellen.

In klassischen Dokumentensuchen ist Wissen oft fragmentiert. Relevante Informationen stehen verteilt in unterschiedlichen Texten, und die eigentliche Erkenntnis entsteht erst durch die Verbindung mehrerer Elemente. Graph RAG macht genau diese Verknüpfungen explizit nutzbar. Das System kann nicht nur nach Passagen suchen, sondern auch relationale Pfade, Abhängigkeiten, Hierarchien oder Netzwerke berücksichtigen.

Ein typischer Einsatzfall ist Compliance oder Vertragsmanagement. Eine Frage kann sich gleichzeitig auf beteiligte Gesellschaften, zuständige Ansprechpartner, Vertragsversionen, Fristen, Anhänge und referenzierte Klauseln beziehen. In einem reinen Dokumentenretrieval sind solche Zusammenhänge schwer explizit abzubilden. Ein Graph-Ansatz kann diese Relationen dagegen systematisch verfügbar machen.

RAG ist kein einzelnes Feature, sondern ein Architekturraum. Wer produktive KI ernsthaft im Unternehmen einsetzen will, sollte deshalb nicht nur fragen, ob eine Plattform Retrieval unterstützt, sondern welche Form von Retrieval für welchen Anwendungsfall verfügbar ist. Genau darin liegt ein wesentlicher Unterschied zwischen einfachen KI-Demos und belastbarer KI-Infrastruktur.

Für eine moderne KI-Plattform wie AIMAX^® ist deshalb nicht entscheidend, nur einen dieser Typen isoliert abzubilden. Entscheidend ist die Fähigkeit, je nach Zielbild verschiedene RAG-Muster modular zu kombinieren und in bestehende Systeme, Prozesse, Rollen und Sicherheitsanforderungen einzubetten.