Die unbequeme Wahrheit: Die meisten RAG-Projekte scheitern nicht am Modell, sondern an der Datenqualität. Chaotische PDF-Archive mit Duplikaten, veralteten Versionen und gescannten Seiten ohne Textlayer produzieren selbstsichere Falsches. Marktbeobachter schätzen, dass bis zu 95 % der KI-Piloten ohne messbaren ROI enden, oft weil „alle Ordner indexieren” ohne Vorbereitung als Strategie gilt. Cleaner-Agents bereiten Bestände vor dem Indexieren auf: Duplikate erkennen, OCR für Scans, Versionslogik, Metadaten anreichern. Bei Nentix als Entwicklungspartner aus Oberhausen ist das fester Bestandteil von KnowBase, nicht optionaler Zusatz. Ergebnis: Antworten mit Quellenbeleg, die Mitarbeitende tatsächlich prüfen können.
Was passiert ohne Datenbereinigung?
Stellen Sie sich ein typisches Archiv vor:
\Qualität\Handbuch_v2.pdf,\Qualität\Handbuch_v2_final.pdf,\Qualität\Handbuch_v2_final_NEU.pdf- Gescannte Protokolle ohne durchsuchbaren Text
- Wiki-Seite von 2019 widerspricht E-Mail-Richtlinie von 2024
Das RAG-System indexiert alles gleichberechtigt. Bei der Frage „Welche Reklamationsfrist gilt?” zieht es vielleicht die Version von 2019, weil sie mehr Vorkommen des Worts „Reklamation” enthält. Die Antwort klingt plausibel, ist aber falsch. Das zerstört Vertrauen schneller als jede Halluzination ohne Quellenangabe.
Vorher/Nachher: anonymisiertes Praxisbeispiel
Ausgangslage (Großhandel, 85 MA): 4.200 PDFs im Qualitätsordner, davon 38 % Duplikate oder veraltete Versionen. Prototyp ohne Bereinigung: 11 von 20 Testfragen falsch oder widersprüchlich.
Nach Cleaner-Pipeline:
| Schritt | Ergebnis |
|---|---|
| Duplikat-Erkennung | 1.600 Dateien aussortiert |
| OCR für Scans | 320 Dokumente durchsuchbar gemacht |
| Versions-Markierung | 90 als „veraltet” im Index gesperrt |
| Metadaten (Abteilung, Gültigkeit) | Filter für Berechtigungen |
Nachbereinigung: 17 von 20 Testfragen korrekt mit Quellenbeleg. Restliche drei zeigten echte Lücken im Handbuch, die redaktionell geschlossen wurden.
Das Projekt wäre ohne Cleaner-Schritt abgebrochen worden. Mit Bereinigung lief KnowBase produktiv.
Was macht ein Cleaner-Agent technisch?
Ein Cleaner-Agent ist keine Marketing-Bezeichnung für „wir sortieren manuell”. Es ist eine automatiserte Vorbereitungs-Pipeline vor dem Embedding:
- Inventur: Welche Formate, welche Altersstruktur, welche Duplikate?
- Extraktion: Text aus PDF, DOCX, gescannten Bildern per OCR
- Normalisierung: Einheitliche Chunk-Größen, Überschriften erkennen
- Qualitäts-Scoring: Veraltet, widersprüchlich, leer?
- Freigabe: Nur Dokumente mit Mindest-Score landen im Index
Nentix setzt das bei DocFlow und KnowBase ein, weil wir als Entwicklungspartner auf IONOS liefern und nicht nach dem Go-Live im Hypercare-Chaos landen wollen.
Warum reichen Prompt-Tricks nicht?
Viele Anbieter versprechen „bessere Prompts” oder teurere Modelle. Das hilft bei Formulierung, nicht bei falschen Quellen. Wenn das Retrieval drei widersprüchliche Passagen liefert, halluziniert selbst das beste Modell eine Synthese.
Fünf Maßnahmen gegen Halluzinationen im Betrieb: Halluzinationen in der Unternehmens-KI vermeiden.
Welche Use Cases leiden besonders?
| Archiv-Typ | Typisches Problem |
|---|---|
| Steuerkanzlei | Mandanten-PDFs, gescannte Belege, uneinheitliche Namen |
| Maschinenbau | CAD-Begleitdokumente, alte Normen-Versionen |
| Großhandel | Preislisten pro Kunde, veraltete Rabatt-PDFs |
| Ingenieurbüro | Projekt-Unterordner mit \final\final2 |
Gerade diese Branchen profitieren von RAG, wenn die Pipeline stimmt. Use Cases: RAG im Mittelstand.
Wann lohnt sich der Aufwand nicht?
Wenn Ihr Wissensbestand klein, aktuell und zentral im Wiki liegt, reicht oft manuelle Kuratierung vor dem ersten Index. Cleaner-Agents lohnen sich ab einigen hundert Dokumenten oder wenn Scans und Duplikate dominierten.
Projekt-Implikationen für Entscheider
Planen Sie in jedem RAG-Budget 15 bis 25 % der Implementierungszeit für Datenqualität ein, nicht null. Fragen Sie Anbieter explizit: Was passiert mit Duplikaten, Scans und veralteten Versionen? Wer keine Antwort hat, liefert Demo-Chats, keine Produktion.
Unser Mini-Prototyp (4.500 Euro) enthält genau diese Diagnose: Wenn die Datenlage nicht tragfähig ist, sagen wir Stop, bevor Sie 11.500 Euro investieren.
Organisatorische Voraussetzungen
Technik allein reicht nicht. Erfolgreiche Projekte benennen einen Daten-Owner pro Quelle, der vierteljährlich prüft:
- Sind veraltete Dokumente markiert oder archiviert?
- Stimmen Berechtigungsgruppen noch mit der Realität?
- Gibt es neue Prozessversionen, die indexiert werden müssen?
Ohne Owner verkommt jeder Index binnen Monaten, egal wie gut die Cleaner-Pipeline initial war.
Fragen an externe Anbieter
Bevor Sie unterschreiben:
- Beschreiben Sie Ihre Cleaner-Pipeline Schritt für Schritt.
- Wie gehen Sie mit widersprüchlichen Versionen um?
- Zeigen Sie ein anonymisiertes Vorher/Nachher aus einem ähnlichen Projekt.
- Was passiert, wenn die Datenqualität nicht reicht? Stoppen Sie ehrlich?
Nentix antwortet auf diese Fragen im Discovery-Gespräch mit konkreten Beispielen, nicht mit Buzzwords.
Nächster Schritt
Sie hatten schon einen enttäuschenden KI-Piloten? Starten Sie den Potenzial-Check oder lesen Sie zur technischen Umsetzung interne KI-Wissensdatenbank. Direkt mit uns sprechen für eine ehrliche Datenlage-Einschätzung.
Häufige Fragen
Warum scheitern die meisten RAG-Projekte?
Weil unbereinigte Dokumente indexiert werden: Duplikate, veraltete Versionen, gescannte PDFs ohne Textlayer und widersprüchliche Inhalte. Die KI findet dann falsche Passagen und antwortet selbstsicher falsch.
Was macht ein Cleaner-Agent?
Er bereitet Archive vor dem Indexieren auf: erkennt Duplikate, extrahiert Text aus Scans, markiert veraltete Versionen und strukturiert Inhalte. Erst danach landen Dokumente im Wissensindex.
Kann man Datenqualität nachträglich ignorieren?
Nein. Prompt-Tricks und teurere Modelle kompensieren kein chaotisches Archiv. Garbage in, garbage out gilt unverändert. Die Bereinigung ist der günstigste Hebel für Zuverlässigkeit.
Wie erkenne ich schlechte Daten vor dem Projekt?
Stellen Sie 20 echte Fragen und prüfen Sie manuell, ob die gefundenen Dokumente eindeutig und aktuell sind. Wenn mehr als ein Drittel widersprüchlich oder veraltet ist, brauchen Sie zuerst Bereinigung, nicht mehr KI.