Retrieval-Augmented Generation (RAG) ist eine Methode, bei der ein KI-System zuerst eine Reihe vertrauenswürdiger Dokumente durchsucht und dann seine Antwort basierend auf den gefundenen Informationen schreibt. Für B2B-Marketing-Teams verwandelt RAG Produktblätter, Fallstudien, Verkaufspräsentationen und Support-Artikel in eine Quelle, auf die ein Assistent zugreifen kann, sodass Entwürfe und Antworten auf Unternehmensfakten basieren und nicht auf dem Allgemeinwissen des Modells.
Wie funktioniert RAG?
Ein RAG-System besteht aus zwei Teilen. Der Retrieval-Teil zerlegt Dokumente in Abschnitte, wandelt sie in numerische Darstellungen namens Embeddings um und speichert sie in einer Vektordatenbank oder einem Suchindex. Wenn eine Frage eingeht, findet es die relevantesten Abschnitte. Der Generation-Teil übergibt diese Abschnitte zusammen mit der Frage an ein Sprachmodell, das darauf basierend eine Antwort schreibt.
Viele Systeme kombinieren Vektorsuche mit Stichwortsuche, da exakte Produktcodes oder Namen durch Stichworte zuverlässiger gefunden werden. Gute Systeme liefern auch Zitate, sodass Benutzer überprüfen können, aus welchem Dokument ein Satz stammt.
Warum ist RAG für B2B-Marketing wichtig?
B2B-Produkte sind oft komplex, spezifisch und werden häufig aktualisiert. Ein allgemeines Modell kennt nicht die Integrationsliste Ihres Produkts, Ihre Preisstufen oder die Details der Fallstudie des letzten Quartals. Ohne Fundierung füllt es Lücken mit plausiblen Vermutungen.
RAG reduziert dieses Risiko und macht KI nützlich für Aufgaben, die auf Unternehmenswissen basieren. Es verkürzt auch die Zeit, die Vermarkter damit verbringen, in freigegebenen Laufwerken nach der richtigen Folie oder dem richtigen Datenblatt zu suchen.
Welche B2B-Marketing-Anwendungsfälle eignen sich am besten für RAG?
Die besten Anwendungsfälle erfordern genaue Unternehmensfakten und werden häufig wiederholt. Eine erste Liste:
- Entwurf erster Versionen von Produktseiten und One-Pagern aus genehmigten Spezifikationen
- Beantwortung von Fragen des Vertriebsteams zu Funktionen, Integrationen und Wettbewerbern
- Schreiben von Antworten auf RFPs und Sicherheitsfragebögen aus früheren genehmigten Antworten
- Erstellung von E-Mail-Nurture-Inhalten, die auf die richtigen Fallstudien verweisen
- Betreiben eines Website-Assistenten, der Käuferfragen aus der Dokumentation beantwortet
- Zusammenfassung von Kundeninterviews und Extrahieren von Zitaten nach Themen
RFP-Antworten sind ein häufiges erstes Projekt. Teams beantworten wiederholt ähnliche Fragen, frühere Antworten existieren bereits und Genauigkeit ist wichtig, was genau der Bereich ist, in dem Retrieval hilft.
Ein funktionierendes Playbook: Wie richtet man RAG ein?
Die Einrichtung hat mehr mit Inhalten als mit Code zu tun. Die meisten Probleme bei RAG-Projekten entstehen durch unordentliches oder veraltetes Quellenmaterial.
Schritt 1: Quellen auswählen und bereinigen
Beginnen Sie mit einem definierten Satz: aktuelle Produktdokumentation, genehmigte Nachrichten, veröffentlichte Fallstudien und frühere RFP-Antworten. Entfernen Sie veraltete Versionen. Wenn drei verschiedene Präsentationen die Preise unterschiedlich beschreiben, wird der Assistent dies auch tun.
Schritt 2: Eine Plattform auswählen
Die Optionen reichen von No-Code bis hin zu benutzerdefinierten Lösungen. Viele Teams beginnen mit integrierten Funktionen: benutzerdefinierte GPTs oder Projekte in ChatGPT, Claude Projects, Google NotebookLM oder Microsoft Copilot, das mit SharePoint verbunden ist. Größere Teams bauen auf Frameworks wie LangChain oder LlamaIndex mit einer Vektordatenbank wie Pinecone, Weaviate oder pgvector auf. Wählen Sie basierend auf Datensensibilität, Volumen und wer es warten wird.
Schritt 3: Die Anweisungen schreiben
Weisen Sie das Modell an, nur aus abgerufenen Inhalten zu antworten, Quellen zu zitieren und anzugeben, wenn es keine Antwort finden kann. Fügen Sie Stilregeln für Tonfall und Terminologie hinzu.
Schritt 4: Mit echten Fragen testen
Sammeln Sie 50 bis 100 echte Fragen aus Vertrieb, Support und Marketing. Führen Sie sie aus, überprüfen Sie die Antworten anhand der Quelle und protokollieren Sie Fehler. Die meisten Fehler lassen sich auf fehlende oder widersprüchliche Dokumente zurückführen.
Welche Datenhygiene erfordert RAG?
Die RAG-Qualität hängt im Laufe der Zeit von der Dokumentenqualität ab, nicht nur beim Start. Weisen Sie Quellen Eigentümer zu und legen Sie Überprüfungstermine fest.
- Geben Sie jedem Dokument einen klaren Eigentümer und ein Datum der letzten Überprüfung
- Archivieren Sie alte Versionen, anstatt sie im indizierten Ordner zu belassen
- Verwenden Sie klare Titel und Überschriften, da Retrieval bei gut strukturiertem Text besser funktioniert
- Halten Sie vertrauliches Material, wie z. B. Vertragsbedingungen, aus weit verbreiteten Indizes heraus
- Nach größeren Produktveröffentlichungen neu indizieren
Zugriffskontrolle ist Teil der Hygiene. Ein RAG-Assistent sollte keine Dokumente enthüllen, die ein Benutzer nicht sehen darf. Unternehmens-Tools respektieren normalerweise bestehende Berechtigungen; benutzerdefinierte Builds müssen dies explizit implementieren.
Wie misst man ein RAG-System?
Messen Sie sowohl die Antwortqualität als auch den geschäftlichen Effekt. Behalten Sie für die Qualität einen festen Testsatz von Fragen bei und bewerten Sie Antworten monatlich auf Genauigkeit, Vollständigkeit und korrekte Zitate. Verfolgen Sie den Anteil der Fragen, die das System ablehnt zu beantworten, was Lücken im Inhalt aufzeigt.
Messen Sie für den geschäftlichen Effekt die eingesparte Zeit bei bestimmten Aufgaben, wie z. B. Stunden pro RFP vor und nachher, und die Akzeptanz durch das vorgesehene Team. Ein System, das niemand nutzt, hat keinen Wert, egal wie genau es ist.
Wie Alien Road RAG für B2B-Kunden anwendet
In einem typischen Engagement beginnt die Agentur mit einer Inhaltsinventur: wo Produkt-, Nachrichten- und Fallstudien-Dokumente leben, welche Versionen aktuell sind und wer sie besitzt. Dies deckt oft widersprüchliche Dokumente auf, die jeden Assistenten verwirrt hätten.
Die Einrichtung beginnt normalerweise mit einem Anwendungsfall, wie z. B. RFP-Antworten oder Fragen zur Vertriebsunterstützung. Das Team bereinigt den Quellsatz, wählt eine Plattform, die den Sicherheitsanforderungen des Kunden entspricht, schreibt Anweisungen und erstellt einen Testsatz aus echten Fragen, die vom Vertriebsteam bereitgestellt werden. Antworten müssen Zitate enthalten, damit Benutzer sie überprüfen können.
Das Reporting erfolgt monatlich: Testsatzgenauigkeit, abgelehnte Fragen, Nutzung durch das Team und eingesparte Zeit bei der Zielaufgabe. Abgelehnte Fragen fließen in einen Inhaltsrückstand ein, sodass sich die Wissensdatenbank verbessert, während das System verwendet wird.
Welche Fehler lassen RAG-Projekte scheitern?
Die häufigen Fehler sind vorhersehbar. Teams indizieren alles auf dem freigegebenen Laufwerk, einschließlich Entwürfen und alten Preisen, und der Assistent beginnt, sie zu zitieren. Oder sie bauen ein cleveres System, das niemand öffnet, weil es außerhalb der Tools lebt, die die Leute bereits verwenden.
- Jede Datei indizieren, anstatt einen kuratierten, eigenen Satz
- Dokumente in so kleine Stücke zerlegen, dass der Kontext verloren geht
- Zitate überspringen, sodass Benutzer Antworten nicht überprüfen können
- Starten ohne einen Testsatz, sodass die Qualität nie gemessen wird
- Den Assistenten in einer separaten App platzieren, anstatt in Slack, Teams oder dem CRM
Diese früh zu beheben kostet wenig. Sie zu beheben, nachdem Benutzer das Vertrauen verloren haben, kostet viel mehr.
Wo man diese Woche anfangen kann
Fragen Sie Ihr Vertriebsteam nach den zwanzig Fragen, die sie am häufigsten an Marketing oder Produkt senden. Sammeln Sie die Dokumente, die sie beantworten sollten, und überprüfen Sie, ob diese Dokumente aktuell und konsistent sind.
Laden Sie den bereinigten Satz in ein einfaches Tool wie ein Claude Project, einen benutzerdefinierten GPT oder NotebookLM und stellen Sie die zwanzig Fragen. Notieren Sie, welche Antworten falsch sind und warum. Diese Liste ist Ihr erster Plan zur Inhaltsbereinigung und der Ausgangspunkt für eine ordnungsgemäße RAG-Einrichtung.
Weiterlesen: KI-Optimierung · KI-Optimierung