Technologie · RAG
Antworten aus der Akte, mit Beleg.
Retrieval-Augmented Generation durchsucht die Akte semantisch statt nach Stichwörtern – jede Antwort mit Zitat, nicht mit bloßer Behauptung.
Der Business-Nutzen
Beleg statt Vermutung.
Ein generischer Chatbot beantwortet Fragen aus seinem allgemeinen Trainingswissen – er kennt Ihre Akte nicht und kann frei erfinden. Für die Rechtspraxis ist das ein Haftungsrisiko. RAG stützt jede Antwort ausschließlich auf tatsächlich in der Akte vorhandene Textstellen, mit Zitat und Seitenverweis.
- Nachprüfbar: Jede Aussage lässt sich bis zur Originalquelle in der Akte zurückverfolgen.
- Schneller: Minuten statt Stunden für die Durchsicht tausender Seiten.
- Aktuell: Der Kontext kommt aus der tatsächlichen Akte, nicht aus veraltetem Trainingswissen.
- Differenzierend: Antworten aus der eigenen Aktenlage statt generischer Chatbot-Antworten.
Analogie
RAG ist wie ein Anwalt mit perfektem Gedächtnis für genau diese eine Akte: Er erfindet nichts, sondern schlägt bei jeder Frage gezielt in den richtigen Unterlagen nach und zitiert die Fundstelle.
Generischer Chatbot vs. RAG
| Chatbot | Mit RAG | |
|---|---|---|
| Woher kommt die Antwort? | Aus dem allgemeinen Trainingswissen | Aus der konkreten Akte, gezielt abgerufen |
| Beleg für die Aussage? | Keiner | Zitat mit Seiten- und Dokumentverweis |
| Kennt die eigene Akte? | Nein | Ja, semantisch indexiert |
| Risiko bei falscher Antwort | Unbemerkte Halluzination | Prüfbar anhand der Quelle |
Technischer Deep Dive
Nicht raten, gezielt nachschlagen.
Ein Sprachmodell antwortet normalerweise nur aus dem, was es beim Training gelernt hat. Retrieval- Augmented Generation ergänzt einen Schritt davor: Bevor das Modell antwortet, werden gezielt die relevantesten Textstellen aus der jeweiligen Akte abgerufen (Retrieval) und der Anfrage als Kontext mitgegeben (Augmentation).
Was ist ein Embedding?
Ein Embedding ist eine numerische Darstellung eines Textabschnitts als Vektor – eine lange Reihe von Zahlen, die dessen Bedeutung codiert. Abschnitte mit ähnlicher Bedeutung erhalten dabei rechnerisch „nahe" Vektoren, unabhängig davon, welche konkreten Wörter benutzt wurden. Genau darauf baut die semantische Suche auf.
Phase 1 · Indexierung pro Akte
Jede Akte bekommt ihren semantischen Fingerabdruck.
Beim Eingang und laufend während der Bearbeitung zerlegt DEPLAW jedes Dokument einer Akte in durchsuchbare Abschnitte (Chunking) und kodiert deren Bedeutung als Embedding. Herkunft, Seitenzahl und Dokumenttyp jedes Abschnitts bleiben dabei erhalten, damit spätere Antworten exakt zitierfähig sind.
Von der Akte zum Index
Phase 2 · Abfrage zur Laufzeit
Eine Frage findet ihre Belegstellen.
Trifft eine Frage ein, wird sie selbst zu einem Embedding und mit dem Akten-Index verglichen. Nur die Abschnitte mit der größten semantischen Nähe – meist eine Handvoll von tausenden – gehen als Kontext an das Sprachmodell. Genau dieser Index liefert jedem angebundenen Modell semantisch exakt den richtigen Kontext, unabhängig davon, welches Modell am Ende antwortet.
Ablauf einer Anfrage
Retrieval · nach semantischer Nähe geordnet
Warum semantisch, nicht nach Stichwort
Gleiche Bedeutung, andere Wörter.
Eine reine Stichwortsuche findet nur, was wörtlich übereinstimmt. Semantische Suche erkennt auch inhaltlich passende Stellen mit völlig anderem Wortlaut:
Frage
„Wer haftet für den Schaden?"
Textstelle in der Akte
„Die Verantwortung für den entstandenen Defekt liegt beim Vertragspartner."
Kein gemeinsames Schlüsselwort – „haftet" ≠ „Verantwortung", „Schaden" ≠ „Defekt". Eine Stichwortsuche findet diese Stelle nicht. RAG erkennt die inhaltliche Nähe und liefert sie trotzdem als Kontext.
So sieht das in der Akte aus
Jede Antwort mit Quellenverweis.
Eine Frage an die Akte, eine belegte Antwort: Jede Aussage trägt einen Verweis auf Dokument und Seite – nachprüfbar bis zur Originalstelle im Gutachten.
Hinter der Antwort
Aus mehreren Fundstellen zusammengesetzt.
Die Antwort entsteht nicht aus einer einzigen Passage: RAG führt die relevanten Textstellen aus mehreren Dokumenten der Akte zusammen und behält für jede den Beleg mit Dokument- und Seitenverweis.
Häufige Fragen
RAG, kurz erklärt.
Ein generischer Chatbot kennt Ihre Akte nicht und antwortet aus allgemeinem Trainingswissen – ohne Beleg. RAG sucht gezielt in der tatsächlichen Akte nach den relevanten Abschnitten und liefert jede Antwort mit Zitat und Quellenverweis.
Nein. Bei tausenden Seiten wäre das unpraktikabel. Die semantische Suche wählt vorab nur die relevantesten Abschnitte aus und gibt genau diese als Kontext an das Modell.
Ja. Der Akten-Index ist unabhängig vom antwortenden Modell – er liefert jedem angebundenen LLM, ob extern, selbst gehostet oder lokal, denselben semantisch passenden Kontext.
Präzise erkannter Text aus jedem Dokument. Deshalb baut die RAG-Indexierung direkt auf der KI-optimierten OCR von DEPLAW auf.
Technologie
Künstliche Intelligenz bei DEPLAW
Welche Sprachmodelle DEPLAW einbindet und wie Pseudonymisierung dabei den Datenschutz sichert.
Technologie
OCR: jedes Dokument automatisch lesbar
Die Grundlage jeder RAG-Indexierung: verlässlich erkannter Text aus jedem eingehenden Dokument.
Stellen Sie Ihrer eigenen Akte eine Frage.
Wir zeigen live, wie DEPLAW eine Ihrer echten Akten indexiert und Fragen daraus mit Quellenverweis beantwortet.
Demo vereinbaren