Agentic RAG vs. RAG
Agentic RAG vs. RAG ist der Unterschied zwischen einer einzigen Suche und einem gründlichen Umsehen. RAG heißt: Eine KI schlägt in deinen Dokumenten nach, bevor sie antwortet. Klassisches RAG sucht einmal und antwortet mit dem, was dabei herauskommt. Beim Agentic RAG entscheidet die KI selbst, wonach sie sucht, liest die Treffer und sucht erneut, bis sie genug für eine Antwort hat.
Klassisches RAG: eine Suche, eine Antwort
RAG steht für Retrieval-Augmented Generation. Die Schritte sind immer gleich: einmal suchen, die besten Textstellen an die KI geben, die Antwort schreiben. Ist die richtige Stelle unter den Treffern, wird die Antwort gut. Wenn nicht, sagt die KI entweder, dass sie es nicht weiß, oder sie füllt die Lücke mit einer Vermutung.
Das ist schnell, günstig und berechenbar. Viele alltägliche Fragen löst es gut: „Wie lang ist unsere Rückgabefrist?“
Agentic RAG: suchen, prüfen, nochmal suchen
„Agentic“ heißt: Die KI entscheidet nach eigenem Ermessen über den nächsten Schritt. Hier darf sie so oft suchen, wie sie braucht. Vor der Antwort kann sie drei Dinge tun.
- Eine Frage in Teile zerlegen und für jeden Teil suchen.
- Beurteilen, ob die Treffer die Frage wirklich beantworten, und es sonst noch einmal versuchen.
- An mehr als einem Ort nachsehen, zum Beispiel in Dokumenten und in der Aufgabenliste.
Eine Frage, zwei Wege
Eine Vertriebsleiterin fragt: „Haben wir Hartwell im Frühjahr geliefert, was wir versprochen haben, und ist noch etwas offen?“
Klassisches RAG sucht einmal mit dem ganzen Satz. Es findet Teile des ursprünglichen Angebots und eine spätere E-Mail. Die Antwort beschreibt, was versprochen wurde. Zu dem, was noch offen ist, sagt sie nichts Verlässliches, weil das in der Aufgabenliste steht, die die Suche nicht erreicht hat.
Agentic RAG geht Schritt für Schritt vor.
- Es stellt fest, dass die Frage drei Teile hat: was versprochen wurde, was geliefert wurde und was offen ist.
- Es sucht nach dem Versprechen und findet das Angebot mit vier Punkten.
- Es öffnet das Projekt des Kunden und liest die Aufgaben. Drei sind erledigt, eine ist in Arbeit.
- Es sieht, dass im Angebot auch eine Schulung stand, zu der keine Aufgabe passt. Also durchsucht es die Notizen nach „Schulung“ und findet die Zusammenfassung eines Telefonats, in dem sie auf den Herbst verschoben wurde.
- Es antwortet: Drei von vier Punkten sind erledigt, einer ist in Arbeit, und die Schulung wurde in Absprache verschoben. Dazu zeigt es, woher jede Information stammt.
Das ist die Antwort, die auch ein sorgfältiger Kollege geben würde. Dafür waren mehrere Suchen nötig statt einer.
Was die zusätzlichen Schritte kosten
| Klassisches RAG | Agentic RAG | |
|---|---|---|
| Wartezeit | Kurz | Länger |
| Kosten pro Frage | Niedriger | Höher |
| Fragen mit mehreren Teilen | Schwach | Stark |
Wann was passt
Klassisches RAG reicht, wenn die Frage nur einen Teil hat und die Antwort an einer Stelle steht: eine Firmenregel, ein Produktdetail, „wo liegt das Dokument zu X“.
Agentic RAG lohnt den Mehraufwand an Zeit und Kosten, wenn eine Frage vergleicht, verbindet oder überprüft: „Was hat sich zwischen den beiden Versionen geändert“, „welche Kunden betrifft diese Klausel“, „stimmt das mit dem überein, was wir ihnen gesagt haben“.
Drei Dinge, auf die du achten solltest
- Eine Grenze für die Schritte. Die KI sollte nach einer sinnvollen Zahl von Versuchen aufhören und sagen, was sie nicht gefunden hat.
- Sichtbare Quellen. Du solltest sehen können, auf welchen Dokumenten und Datensätzen die Antwort beruht.
- Überall dieselben Zugriffsregeln. Jede Suche sollte auf das begrenzt sein, was die fragende Person sehen darf.
So geht Worknano damit um
In Worknano ist Suchen eines der Werkzeuge, die ein Agent bekommen kann, neben dem Lesen und Filtern von Datensätzen sowie dem Zählen und Summieren. Der AI Assistant und die Agenten nutzen die semantische Suche, um Dokumente, Aufgaben, Deals, Kontakte und OKRs nach Bedeutung zu finden. Sie lesen nur die Stellen, auf die es ankommt, und können eine Frage an einen anderen Agenten weitergeben, wenn ein Spezialist besser passt. Weil die Daten im selben Workspace liegen, kann ein Agent von einer Erkenntnis zu einer vorgeschlagenen Aufgabe oder Änderung kommen, im Rahmen der Rechte der fragenden Person.