Die häufigste Fehler beim KI-Rollout:
Erst Agenten bauen, dann merken, dass sie nichts über die eigene Firma wissen.
Der Wissensspeicher ist das Fundament deiner KI-Produktivität.
Ohne Company-Brain läuft nichts. Deshalb baust du es zuerst auf.
In dieser Lektion erfährst du:
📁 Die 5 Ordner, die jedes Unternehmen im Wissensspeicher braucht:
🔐 Zugriffsmanagement
🔍 3 Use Cases aus der Praxis
Schau direkt in der Academy vorbei und baue dein Fundament sauber auf:
Spannendes Thema, genau da hänge ich gerade fest. Kurz meine Situation: Ich baue mir eine eigene Wissensdatenbank auf einem kleinen Hetzner-Server (nur ca. 3,7 GB RAM, 2 vCPUs, kein Swap), lokal mit Ollama. Dadurch bin ich auf sehr kleine Modelle (~3B) beschränkt, und die Abfragen über RAG dauern entsprechend lange.
Mich würde interessieren: Hat hier schon jemand ähnliche Hardware-Grenzen gehabt und eine Lösung gefunden, um die Abfragegeschwindigkeit zu verbessern - sei es durch Modellwahl, Chunking-Strategie, Caching oder andere Tricks? Oder lohnt es sich in meinem Fall eher, gleich in mehr RAM/GPU zu investieren, statt an der Software-Seite zu optimieren?
Freue mich über jeden Tipp oder Austausch dazu.
Die Frage ist wo es langfristig hingehen soll. Wie groß soll die Knowledgebase werden, was sind die Use Cases? Sonst läuft man die Gefahr Mikro-Optimierungen zu fahren ohne konkretes Ziel.
Hast du das für dich zu definiert?
Das Zugriffsmanagement ist der Teil, der bei der Umsetzung am meisten unterschätzt wird. Solange nur ein Team draufschaut ist alles simpel, sobald aber mehrere Bereiche denselben Speicher nutzen musst du sauber trennen wer was sieht. Sonst taucht das HR-Wissen plötzlich im Vertriebs-Agenten auf, und dann redet ihr über ein ganz anderes Problem. Deshalb die Rechte lieber von Anfang an sauber setzen statt später nachzuziehen.
Ja , Danke für die Info. Da bin ich zwar noch nicht aber das muss ich mir schonmal merken.
