Firmen-Wissen zugänglich machen

Die Theorie steht. Jetzt wird's praktisch: Wie machen Sie Ihr reales Firmenwissen — verteilt über Confluence, SharePoint, E-Mails, PDFs und Datenbanken — für AI zugänglich?

Schritt 1: Wissensquellen inventarisieren

Erstellen Sie eine Übersicht aller Wissensquellen:

Schritt 2: Konnektoren aufbauen

Confluence

• Atlassian REST API für Seiteninhalt und Metadaten
• CQL (Confluence Query Language) für gezielte Extraktion
• Webhooks für inkrementelle Updates

SharePoint / OneDrive

• Microsoft Graph API
• Delta-Queries für inkrementelle Syncs
• Berechtigungsfilter übernehmen (wichtig für Compliance!)

E-Mails

• IMAP/Exchange-Connector
• Nur interne E-Mails und Threads mit Business-Relevanz
• PII-Erkennung und -Maskierung vor Ingestion

Datenbanken

• SQL-Views als definierte Schnittstelle
• Change Data Capture für Echtzeit-Updates
• Schema-Dokumentation als zusätzlichen Kontext einbetten

Schritt 3: Data Pipeline

Quelle → Extraktion → Bereinigung → PII-Filter → Chunking → Embedding → Vektor-DB
           ↓                                                              ↓
        Scheduler                                                    Metadata-Store
     (täglich/wöchentlich)                                        (Quelle, Datum, Rechte)

Schritt 4: Zugriffskontrolle

Kritisch: Die RAG-Pipeline darf nur Informationen zurückgeben, die der anfragende Nutzer auch sehen darf.

• Berechtigungen aus Quellsystemen übernehmen
• Zur Abfrage-Zeit gegen Nutzer-Rollen filtern
• Regelmäßige Audits der Zugriffsmuster

Häufige Fallen

• ❌ Alles auf einmal migrieren (statt iterativ vorgehen)
• ❌ Berechtigungen ignorieren
• ❌ Veraltete Dokumente nicht markieren
• ❌ Keine Feedback-Schleife mit den Nutzern

Praxis-Tipp: Starten Sie mit einer einzigen Quelle (z. B. Confluence) und 10 Power-Usern. Sammeln Sie Feedback, optimieren Sie, dann skalieren Sie auf weitere Quellen. Ein RAG-System lebt von iterativer Verbesserung.