Was ist RAG? Wie KI Fragen anhand Ihrer Produkt- und Auftragsdaten beantwortet
Mit Retrieval-Augmented Generation schlägt ein KI-Assistent in Ihrem Katalog, Ihren Preislisten und Aufträgen nach, bevor er antwortet. Wie das funktioniert, welche Daten es braucht und wo es schiefgeht.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Retrieval-Augmented Generation (RAG) ist ein Verfahren, bei dem ein KI-System zunächst relevante Informationen aus den eigenen Quellen eines Unternehmens abruft und diese dann einem grossen Sprachmodell als Kontext für seine Antwort übergibt.
- Der Begriff wurde 2020 in einem Forschungspapier von Patrick Lewis und Kollegen eingeführt, das ein vortrainiertes Sprachmodell mit einem durchsuchbaren Dokumentenindex kombinierte.
- Mit RAG kann ein Modeunternehmen Antworten auf aktuelle Produkt-, Preis- und Auftragsdaten stützen, ohne ein Modell neu zu trainieren, und die Antworten können die verwendeten Datensätze als Quelle angeben.
- RAG-Antworten sind nur so gut wie die zugrunde liegenden Daten: Unvollständige Attribute, veraltete Preislisten oder doppelte Artikelstammsätze führen direkt zu falschen Antworten.
- Die OWASP Top 10 for LLM Applications 2025 nennen Prompt Injection, die Offenlegung sensibler Informationen sowie Schwachstellen bei Vektoren und Embeddings zu den wichtigsten Sicherheitsrisiken solcher Systeme.
Retrieval-Augmented Generation (RAG) ist ein Weg, einen KI-Assistenten aus Ihren eigenen Daten statt aus seinem allgemeinen Training antworten zu lassen. Stellt jemand eine Frage, durchsucht das System zuerst Ihren Produktkatalog, Ihre Preislisten, Ihre Auftragshistorie oder Ihre Richtliniendokumente und übergibt die relevanten Auszüge dann einem grossen Sprachmodell, das darauf gestützt eine Antwort formuliert. Für Wholesale- und Retail-Teams in der Mode ist es die gängigste Architektur hinter Assistenten, die Fragen beantworten wie «Welche Modelle aus der Sommerlinie sind in Grösse 38 noch verfügbar?»
Was ist Retrieval-Augmented Generation?
Der Begriff stammt aus einem Forschungspapier von Patrick Lewis und Kollegen aus dem Jahr 2020, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». Die Autoren stellten fest, dass grosse vortrainierte Sprachmodelle Wissen in ihren Parametern speichern, aber Mühe haben, präzise darauf zuzugreifen, die Herkunft einer Antwort aufzuzeigen oder ihr Wissen zu aktualisieren. Ihre Lösung verband das interne, «parametrische» Gedächtnis des Modells mit einem externen, durchsuchbaren Dokumentenindex. Laut dem Papier lieferte dies spezifischere und sachlich genauere Antworten als ein Sprachmodell allein.
AWS fasst die Idee in geschäftlichen Begriffen zusammen: Mit RAG konsultiert ein Sprachmodell vor seiner Antwort eine massgebliche Wissensbasis ausserhalb seiner Trainingsdaten. So wird das Modell um das interne Wissen einer Organisation erweitert, ohne es neu zu trainieren.
Wie funktioniert RAG Schritt für Schritt?
- Daten vorbereiten: Produktstammsätze, Line Sheets, Geschäftsbedingungen sowie Auftrags- und Lieferdaten werden aus ihren Quellsystemen zusammengeführt. Text wird in Abschnitte zerlegt und in numerische Vektoren (Embeddings) umgewandelt, die meist in einer Vektordatenbank gespeichert werden; strukturierte Daten lassen sich auch direkt abfragen.
- Abrufen: Die Frage der Nutzerin oder des Nutzers wird auf dieselbe Weise umgewandelt und mit dem Datenspeicher abgeglichen, um die relevantesten Datensätze zu finden, zum Beispiel die Artikelstammdaten eines Modells und dessen aktuellen Bestand.
- Anreichern: Die abgerufenen Datensätze werden zusammen mit Anweisungen wie «antworte nur anhand dieser Datensätze und gib sie als Quelle an» als Kontext in den Prompt eingefügt.
- Generieren: Das Sprachmodell formuliert die Antwort, idealerweise mit Verweisen auf die verwendeten Datensätze.
- Aktualisieren: Wie AWS festhält, müssen Dokumente und Embeddings in Echtzeit oder in regelmässigen Stapeln aktualisiert werden, sonst antwortet der Assistent mit den Daten von gestern.
Was kann RAG mit Produkt- und Auftragsdaten in der Mode leisten?
RAG ist überall dort nützlich, wo Mitarbeitende Zeit damit verbringen, Informationen in mehreren Systemen nachzuschlagen. Typische Beispiele in Wholesale und Retail der Mode sind:
| Anwendungsfall | Typische Frage | Daten, die das System abrufen muss |
|---|---|---|
| Unterstützung des Aussendienstes | Welches Material und welches Lieferfenster hat dieses Modell? | Produktstammdaten, Kollektionskalender |
| Wholesale-Kundenservice | Wo ist mein Auftrag, und was ist noch offen? | Auftrags-, Versand- und Rechnungsdaten pro Kundenkonto |
| Unterstützung bei Nachorders | Welche meiner Bestseller kann ich diese Saison noch nachbestellen? | Abverkaufs- oder Auftragshistorie, verfügbarer Bestand (Available to Promise) |
| Produktcontent | Entwirf eine Beschreibung für diesen neuen Artikel | Attribute, Pflegehinweise, Leitfaden zur Markensprache |
| Interne Richtlinien | Welche Retourenbedingungen gelten für Key Accounts? | Verträge, Konditionen, Richtliniendokumente |
| Einkauf und Merchandising | Fasse die Performance der letzten Saison bei Strickwaren zusammen | Verkaufsberichte, Sortimentspläne |
Allen gemeinsam ist, dass die Antwort für ein bestimmtes Unternehmen, einen bestimmten Kunden und einen bestimmten Zeitpunkt stimmen muss. Ein allgemeines Modell kann das nicht wissen; ein Abrufschritt kann es liefern.
Nicht jede Frage sollte durch eine Textsuche beantwortet werden. Fragen zu Lagerbeständen, offenen Auftragsmengen oder Preisen lassen sich am besten durch eine direkte Abfrage des Quellsystems mit exakten Filtern beantworten, während Fragen zu Pflegehinweisen, Lieferbedingungen oder Kollektionsgeschichten sich für die Dokumentensuche eignen. Viele praxistaugliche Assistenten kombinieren beides: eine strukturierte Abfrage für die Zahlen und den Dokumentenabruf für die Erläuterung, wobei das Sprachmodell nur die endgültige Antwort formuliert.
Warum ist RAG besser, als ein Modell mit den eigenen Daten zu trainieren?
Beim Fine-Tuning werden Informationen in die Gewichte eines Modells eingebrannt. Das ist teuer zu wiederholen und garantiert trotzdem keinen korrekten Abruf. Produkt- und Auftragsdaten ändern sich täglich, ein Neutraining käme also nie hinterher. AWS beschreibt RAG im Vergleich zum Neutraining von Basismodellen als kosteneffizienten Weg, die Modellausgabe zu verbessern, und hebt zwei weitere Vorteile hervor: Antworten können auf häufig aktualisierte Quellen zurückgreifen und Quellenangaben enthalten, die die Nutzenden überprüfen können. Für ein Vertriebsteam ist der letzte Punkt entscheidend: Eine Vertreterin muss sehen, aus welcher Preisliste oder welchem Auftragsdatensatz eine Antwort stammt, bevor sie sie einem Kunden weitergibt.
Was geht bei RAG in der Praxis schief?
- Schlechte Stammdaten: Fehlen Attribute oder sind sie systemübergreifend uneinheitlich, liefert der Abruf unvollständige oder widersprüchliche Datensätze, und das Modell füllt die Lücken mit Vermutungen.
- Falscher Abruf: Ähnliche Modellnamen, Farbcodes oder Saisons können dazu führen, dass das System den falschen Artikel abruft. Strukturierte Filter (Saison, Markt, Kundenkonto) verringern dieses Risiko.
- Veraltete Indizes: Bestände und Auftragsstatus ändern sich ständig; ein wöchentlich aktualisierter Index liefert überzeugt klingende, aber veraltete Antworten.
- Zugriffskontrolle: Ein Wholesale-Kunde darf niemals die Preise oder Aufträge eines anderen Kontos sehen. Berechtigungen müssen beim Abruf greifen, nicht nur in der Benutzeroberfläche.
- Sicherheit: Die OWASP Top 10 for LLM Applications 2025 nennen Prompt Injection, die Offenlegung sensibler Informationen sowie Schwachstellen bei Vektoren und Embeddings zu den wichtigsten Risiken dieser Systeme.
Wie sollte sich ein Modeunternehmen auf RAG vorbereiten?
Die Vorarbeit ist überwiegend Datenarbeit. Unternehmen brauchen für jede Art von Datensatz (Artikel, Preise, Bestand, Aufträge, Kunden) eine verlässliche Quelle, einheitliche Identifikatoren, die sie verknüpfen, und klare Verantwortlichkeiten für ihre Aktualität. Dokumente wie Konditionen, Line Sheets und Pflegeanleitungen sollten maschinenlesbar und versioniert vorliegen. Beginnen Sie mit einem eng gefassten, häufigen Fragetyp, etwa dem Auftragsstatus für Wholesale-Kunden oder Produktfakten für den Aussendienst, verlangen Sie vom Assistenten Quellenangaben und sehen Sie einen Eskalationsweg zu einem Menschen vor. Erst wenn die Antwortqualität gemessen und stabil ist, ist es sinnvoll, den Umfang zu erweitern oder das System Aktionen auslösen zu lassen, etwa den Entwurf einer Nachorder.
Häufige Fragen
Wofür steht RAG in der KI?
RAG steht für Retrieval-Augmented Generation. Der Begriff beschreibt KI-Systeme, die relevante Informationen aus externen Quellen abrufen, etwa aus den Produkt- oder Auftragsdaten eines Unternehmens, und sie einem grossen Sprachmodell als Kontext übergeben, bevor das Modell eine Antwort erzeugt.
Ist RAG dasselbe wie Fine-Tuning?
Nein. Fine-Tuning verändert die internen Gewichte eines Modells durch zusätzliches Training, während RAG das Modell unverändert lässt und im Moment der Frage relevante Informationen bereitstellt. RAG eignet sich besser für Daten, die sich häufig ändern, etwa Bestände, Preise und Aufträge, und erleichtert die Angabe von Quellen.
Kann RAG trotzdem halluzinieren?
Ja. Liefert der Abruf falsche oder unvollständige Datensätze oder ignoriert das Modell sie, können Antworten weiterhin falsch sein. Pflicht zur Quellenangabe, die Beschränkung der Antworten auf abgerufene Daten und Tests mit bekannten Fragen verringern das Risiko, beseitigen es aber nicht.
Welche Daten brauche ich für einen RAG-Assistenten im Mode-Wholesale?
Mindestens saubere Produktstammdaten, aktuelle Preislisten, Bestands- oder Verfügbarkeitsdaten und Auftragsdatensätze pro Kundenkonto, verknüpft über einheitliche Identifikatoren. Dokumente wie Konditionen und Line Sheets sollten digital und versioniert vorliegen, und Zugriffsrechte müssen pro Nutzer und Kundenkonto definiert sein.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
