AI Solutions

Agentische KI Abfrage

vor 21 Tagen · Oktober 29, 2026
Agentische KI Abfrage
Zusammenfassung des Artikels
Zuverlässige KI-Agenten hängen nicht nur von der Modellleistung, sondern vor allem von der Qualität des Information Retrievals ab. Erfahren Sie, wie bessere Suchverfahren, strukturierte Unternehmensdaten, Zugriffskontrollen und optimiertes Retrieval die Genauigkeit erhöhen, Kosten senken und den zuverlässigen Einsatz agentischer KI in der Praxis ermöglichen.

Agentic AI: Warum die Retrieval-Qualität über den Erfolg von KI-Agenten entscheidet


Liefert ein KI-Agent eine falsche Antwort, liegt der Reflex nahe, auf ein größeres Modell umzusteigen. Oft ist das die falsche Maßnahme. Agentic-AI-Systeme planen, suchen, lesen und handeln in mehreren Schritten, und jeder Schritt hängt von den Informationen ab, die sie abrufen. Sind diese unvollständig, veraltet oder widersprüchlich, arbeitet auch das leistungsfähigste Modell mit schlechtem Material. Für Unternehmen, die KI-Agenten vom Pilotprojekt in den Produktivbetrieb bringen, ist meist die Retrieval-Qualität entscheidend, nicht die Modellwahl.

Gleiches Modell, unterschiedliche Ergebnisse

Untersuchungen zu Deep-Research-Agenten zeigen, wie stark die Suche das Ergebnis prägt. Der Benchmark BrowseComp-Plus testet Agenten gegen eine feste, kuratierte Dokumentensammlung. So lässt sich der Einfluss der Suchkomponente getrennt vom Modell messen. In den veröffentlichten Ergebnissen beantwortete GPT-5 mit klassischer Stichwortsuche (BM25) 55,9 % der Fragen korrekt. Mit einem stärkeren, embedding-basierten Retriever erreichte dasselbe Modell 70,1 % und benötigte dabei weniger Suchanfragen.

Das Modell blieb gleich. Verändert hat sich nur die Qualität der Belege, die es finden konnte. Eine aktuelle Analyse bei The New Stack kommt zum selben Schluss: Mehr Modellintelligenz gleicht keine Informationen aus, die der Agent nie gefunden hat.

Warum KI-Agenten die Suche stärker belasten

Suchsysteme wurden für Menschen gebaut: eine kurze Anfrage, eine Trefferliste, ein Mensch, der die Relevanz beurteilt. KI-Agenten arbeiten anders, und daraus ergeben sich drei Effekte.

  • Volumen. Perplexity berichtet, dass einzelne Agenten-Aufgaben innerhalb weniger Minuten Hunderte oder sogar Tausende Suchvorgänge auslösen können. Eine einzige Nutzeranfrage wird so zum Lasttest für die Suchschicht.
  • Latenz. Agenten senden oft mehrere Suchen parallel und warten auf alle Ergebnisse. Die langsamste Anfrage bestimmt das Tempo, deshalb zählt die Tail-Latenz mehr als die durchschnittliche Antwortzeit.
  • Drift. Ein Agent baut seine nächste Suche auf den Ergebnissen der vorherigen auf. Ein schwaches frühes Ergebnis kann alle folgenden Schritte in die falsche Richtung lenken.

Der kumulative Effekt wird leicht unterschätzt. Eine einfache Rechnung zur Veranschaulichung (keine Messdaten): Findet jeder von fünf Schritten in 90 % der Fälle die richtigen Informationen, gelingen alle fünf nur mit etwa 59 % Wahrscheinlichkeit. Reale Agenten können Fehler korrigieren, doch die Rechnung zeigt, wie sich kleine Schwächen summieren.

Unternehmensdaten erschweren die Aufgabe

Demos laufen meist auf sauberen Beispieldokumenten. Produktivdaten sehen anders aus. In vielen Unternehmen verteilt sich Wissen auf Fileserver, SharePoint, ERP, Dokumentenmanagement und Ticketsysteme, mit Dubletten, veralteten Entwürfen, mehreren Versionen derselben Richtlinie und uneinheitlichen Begriffen zwischen Abteilungen. Hinzu kommen Zugriffsrechte: Ein Agent darf nur nutzen, was der anfragende Nutzer sehen darf.

Typische Symptome und ihre Ursachen:

Symptom

Wahrscheinliche Ursache im Retrieval

Was zuerst zu beheben ist

Agent zitiert eine veraltete Richtlinie

Alte und aktuelle Versionen gemeinsam indexiert

Versionierung und Datumsmetadaten, Filter auf Gültigkeit

Antworten variieren bei gleicher Frage

Uneinheitliche Begriffe in den Quellen

Synonympflege, hybride Stichwort- und semantische Suche

Agent „findet“ bekannte Informationen nicht

Ungünstiges Chunking oder fehlende Metadaten

Dokumentaufbereitung und Indexierungsstrategie

Langsame oder teure Agentenläufe

Viele redundante Suchen, keine Limits

Abfragebudgets, Caching, bessere erste Treffer

In keinem dieser Fälle würde ein größeres Modell die Ursache beseitigen. Besseres Retrieval schon.

Fünf Schritte zu agententauglichem Retrieval

  1. Prüfen, wonach Agenten tatsächlich suchen. Protokollieren Sie die Anfragen der Agenten, die erhaltenen Treffer und ob diese korrekt waren. So erkennen Sie am schnellsten, wo Antworten scheitern.
  2. Mit echten Agenten-Anfragen evaluieren. Agenten-Anfragen unterscheiden sich von menschlichen Fragen: mehr Filter, mehr Folgeanfragen, mehr exakte Begriffe. Messen Sie die Retrieval-Qualität mit Anfragen aus dem Produktivbetrieb, nicht nur mit selbst formulierten Testfragen.
  3. Wissensbasis bereinigen und strukturieren. Entfernen Sie Dubletten, kennzeichnen Sie Versionen und Gültigkeitsdaten und ergänzen Sie Metadaten wie Abteilung, Produkt oder Dokumenttyp.
  4. Agenten bessere Suchwerkzeuge geben. Kombinieren Sie Stichwort- und semantische Suche und ermöglichen Sie Filter nach Datum, Quelle und Kategorie. Beschreiben Sie die verfügbaren Felder und ihre Bedeutung, damit der Agent sie richtig nutzt.
  5. Schutzmechanismen serverseitig verankern. Berechtigungen, Eingabevalidierung und Abfragebudgets gehören in die Retrieval-Schicht, nicht in den Prompt des Agenten. Der Agent entscheidet, was er fragt; das System entscheidet, was er sehen darf.

Häufige Fehler

  • Nur in der Demo testen. Saubere Beispieldokumente verbergen Dubletten, Versionen und Berechtigungslücken, die im Produktivbetrieb die meisten Fehler verursachen. Testen Sie früh mit einem realistischen Auszug echter Daten.
  • Retrieval als einmaliges Setup betrachten. Inhalte ändern sich täglich. Ohne regelmäßige Neuindexierung und Monitoring sinkt die Antwortqualität unbemerkt.
  • Standardmäßig eine Übersetzungsschicht einbauen. Ein separates Modell, das Agenten-Anfragen in Suchsyntax übersetzt, erhöht die Latenz und kann die Absicht des Agenten verfälschen. Klare Feldbeschreibungen funktionieren oft besser.

Ein Praxisbeispiel

Hypothetisches Szenario: Ein mittelständischer Maschinenbauer setzt einen Agenten ein, der Servicetechniker bei der Fehlerdiagnose unterstützt. Der Agent durchsucht Handbücher, Serviceberichte und Ersatzteildaten. Im Pilotbetrieb empfiehlt er häufig Teile, die längst durch Nachfolgemodelle ersetzt wurden, weil alte und neue Kataloge nebeneinander indexiert sind. Das Team erwägt ein teureres Modell. Stattdessen ergänzt es den Index um Gültigkeitsdaten und Produktlinien-Metadaten und lässt den Agenten danach filtern. Die Empfehlungen werden besser, und jeder Durchlauf benötigt weniger Suchanfragen.

Fazit

Die Modellwahl bleibt wichtig, ist bei produktiven KI-Agenten aber selten der Engpass. Unternehmen, die zuverlässige Agentic AI wollen, sollten Retrieval-Qualität, Datenaufbereitung, Zugriffskontrolle und Suchlatenz von Anfang an als zentrale Designentscheidungen behandeln und sie mit den Anfragen messen, die ihre Agenten tatsächlich stellen.

Unitech DACH konzipiert und entwickelt KI-Agenten und agentische Workflows, einschließlich RAG und Graph RAG auf Basis von Unternehmensdaten. Auf Wunsch laufen die Modelle selbst gehostet in einer Infrastruktur unter Kontrolle des Kunden. Datenschutz ist von Beginn an Teil der Lösung: DSGVO-konforme Verarbeitung, Datenhaltung in der EU oder am vom Kunden gewählten Ort, rollenbasierte Zugriffskontrolle sowie Verschlüsselung bei Übertragung und Speicherung.

Sprechen Sie mit unseren Experten über Ihren Agentic-AI-Anwendungsfall.

Quellen

1. The New Stack – Jenny Morris (Vespa.ai, gesponserter Beitrag): „Agentic AI doesn’t have a model problem. It has a retrieval problem.“, 15.10.2026.

2. Chen et al.: „BrowseComp-Plus: A More Fair and Transparent Evaluation Benchmark of Deep-Research Agent“, arXiv:2508.06600, August 2025.

3. Perplexity: „Rethinking Search as Code Generation“, 01.06.2026.

Tag
Agentic AI KI-Agenten Retrieval-Augmented Generation Enterprise AI Hybride Suche KI-Evaluierung

Sind Sie bereit, generative KI in Ihrem Unternehmen einzuführen?

Unser Team aus KI-Experten unterstützt Sie bei der Konzeption, Umsetzung und Skalierung von Lösungen für generative KI, die genau auf Ihre geschäftlichen Anforderungen zugeschnitten sind.
Verwandte Artikel