Hybrid Graph + Vektor
Semantische Ähnlichkeit und relationaler Kontext gemeinsam abgefragt — Präzision, die keines allein erreicht.
/ Enterprise Knowledge AI /
Ihre Organisation weiß mehr, als sie finden kann. Wir beheben das.
Enterprise Knowledge AI verbindet jedes Dokument, System und jede Datenquelle in einer einzigen governed Intelligence-Schicht — und liefert Ihren Teams sofortige, präzise, quellenbasierte Antworten.
Warum Unternehmenswissen bricht
Das Wissen ist da. Das System, es zu nutzen, nicht.
Die meisten Organisationen haben mehr institutionelles Wissen, als sie abrufen können. Es liegt in Ordnern, die niemand durchsucht, Wikis, die niemand liest, und in den Köpfen weniger Experten. Ergebnis: doppelte Arbeit, langsame Entscheidungen und Wissensabgang.
-
Fragmentierte Ablage
SharePoint, Drive, Confluence, Notion, E-Mail, lokale Dateien — jedes Team hat sein System und sie verbinden sich selten.
-
Suche liefert Dokumente, keine Antworten
Stichwortsuche findet Dateien. Sie beantwortet keine Fragen. Nutzer lesen weiter fünf Dokumente — wenn das Richtige überhaupt auftaucht.
-
Keine Governance für Vertrauenswürdiges
Veraltete Richtlinien stehen neben aktuellen. Ungoverned AI darüber liefert falsche Antworten mit falscher Sicherheit.
-
Nicht prüfbares Wissen
Ohne Attribution, Confidence und Audit-Trail sind KI-Antworten in regulierten oder hochriskanten Umgebungen nicht akzeptabel.
Produktdefinition
Governed Reasoning — nicht nur Retrieval
Zitierte, berechtigungsbewusste Antworten mit nachvollziehbarer Spur — keine Trefferlisten. Orchestrierung und Enterprise-Patterns laufen auf Thinkia Synapse.
RAG mit agentischem Reasoning
Mehrstufiges Retrieval und Synthese — kein einzelner Vektor-Lookup — mit Lückenerkennung und erneutem Retrieval bei Bedarf.
Vertrauen und Zugriffskontrolle
Berechtigungen aus Quellsystemen, Durchsetzung zur Retrieval-Zeit, Trust-Scoring und unveränderliche Audit-Logs.
Powered by Synapse
Enterprise-Orchestrierung, Model-Routing und Betriebsmuster der Thinkia-Synapse-Plattform.
Architektur
Fünf Schichten — schnell, präzise, governed
- 1
Schicht 1 — Ingestion & Normalisierung
Connectoren (OAuth/API), semantisches Chunking, OCR für Scans, Metadaten erhalten, inkrementelle Sync zur Kostenkontrolle.
- 2
Schicht 2 — Hybrid-Index (Graph + Vektor)
Vektorsuche für Ähnlichkeit; Knowledge Graph für Entitäten und Beziehungen (z. B. ersetzt, gilt_für, owned_by).
- 3
Schicht 3 — Agentisches Retrieval & Reasoning
Query-Zerlegung, paralleles Retrieval, Ranking, grounded Synthese, Zitate und Confidence — mit Agent-Loop für komplexe Queries.
- 4
Schicht 4 — Vertrauen, Governance & Zugriff
RBAC/ABAC, Quell-Vertrauenswerte, unveränderlicher Audit-Trail, Halluzinationskontrollen. EU-AI-Act-orientierte menschliche Aufsicht und Erklärbarkeit; ausgerichtet auf ISO/IEC 42001 und NIST-AI-RMF-Dokumentation.
- 5
Schicht 5 — Schnittstellen & Integration
Web-App, Teams, Slack, Browser-Erweiterung, einbettbares Widget, REST/Streaming-API, OpenAPI und SDKs.
Verweise auf EU AI Act, ISO/IEC 42001 und NIST AI RMF beschreiben Produktausrichtung und Dokumentationsmuster — keine Rechtsberatung für Ihren konkreten Anwendungsfall.
Von der Frage zur fundierten Antwort
Retrieval-Loop auf einen Blick
Query-Zerlegung
Komplexe Fragen werden vor dem Retrieval in Teilqueries zerlegt, um Rauschen und Tokenkosten zu senken.
Paralleles Retrieval
Vektor- und Graph-Queries parallel; Ergebnisse gerankt, dedupliziert und trust-gewichtet.
Grounded Synthese
Das Modell antwortet nur aus geranktem Kontext; Behauptungen verlinken auf Source-Chunks mit Confidence.
Implementierungspfad
Von null bis Produktion
Discover
Quellen, Volumen, Zugriffsmodelle und Prior-Use-Cases kartieren. Output: Architektur-Brief und Ingestionsplan.
Connect & index
Connectoren deployen, Chunking/Embedding/Graph-Extraktion, Zugriff konfigurieren. Output: durchsuchbare, berechtigungsbewusste Basis.
Tune & validate
Retrieval-Qualität evaluieren, optionales Domain-Embedding-Fine-Tuning, Confidence-Schwellen. Output: validierter Qualitätsreport.
Deploy & measure
Pilot-Kohorte, Analytics zu Resolution und Eskalation, Baselines für Time-to-Answer. Output: Live-System mit Messung.
Scale
Quellen und Nutzer erweitern, Feedback-Loops, Knowledge-Gap-Reporting zur Dokumentationsverbesserung.
Connectoren
Ihre Quellen, eine Wissensschicht
OAuth- und API-Connectoren — Inhalte bleiben an der Quelle; Antworten nutzen nur, was jede Person sehen darf.
Exakter Connector-Katalog und Deployment-Optionen werden pro Engagement vereinbart.
Zusammenarbeit
- SharePoint / Microsoft 365
- Microsoft Teams
- Confluence
- Notion
Dateien & Inhalte
- Google Drive / Workspace
- PDF, Word, PowerPoint
- Gescannte PDFs (OCR)
- E-Mail (mit Governance-Kontrollen)
Systeme & Daten
- Datenbanken & eigene APIs
- CSV / JSON / XML-Exporte
Metriken, die zählen
Geschwindigkeit, Präzision, Kosten, Nachvollziehbarkeit
Ziele und KPIs vereinbaren wir pro Deployment — keine Einheitszahlen
<3s
Geschwindigkeit — Time-to-Answer (p95)
End-to-end für typische Queries; komplexe agentische Pfade länger — siehe technisches Briefing.
<20m
Geschwindigkeit — Update-Propagation (p95)
Illustrative Verzögerung von Quellenänderung zu frischen Chunks bei Webhook-Connectoren; batch-lastige Umgebungen nach Vereinbarung — pro Engagement getuned.
>90%
Präzision — Grounded Quality
Typische Ziele nach Tuning: precision@k und/oder Grounded-Answer-Accuracy >90%, Unsupported-Claim-Rate <1% — validiert auf Hold-out-Sets pro Korpus.
>85%
Präzision — Recall & Abdeckung
Recall@k und Corpus-Coverage typischerweise >85%, wo die Antwort in Quellen liegt — gemessen mit Eval-Harnesses.
50–70%
Kosten — vs. naives RAG
Typische Spanne mit Routing, Caching, Chunking und Kompression — illustrativ, keine Garantie.
Audit-ready
Nachvollziehbarkeit — Compliance-Trail
Query, Quellen, Modell und Confidence für Compliance-Workflows geloggt.
Vergleichsanalyse
Enterprise Knowledge AI im Kontext
Microsoft 365 ist eine Baseline; viele Landschaften haben noch ein Flickwerk aus Suche, Wikis und DIY-RAG — illustrative Muster, keine herstellerspezifischen Behauptungen.
| Faktor | Copilot für M365 | Typisches Enterprise-Muster | Enterprise Knowledge AI |
|---|---|---|---|
| Quellenabdeckung | Fokus Microsoft-Ökosystem | Fragmentierte Suche und Portale je System. | Breite Connector-Strategie über Enterprise-Quellen |
| Knowledge Graph | Keine relationale Reasoning-Schicht | Stichwortsuche ohne Graph+Vektor-Pfad für Multi-Hop. | Graph+Vektor-Hybrid für Multi-Hop-Fragen |
| Modellwahl / BYOK | Azure-OpenAI-Pfad | Verstreute Keys und Tools; uneinheitliche Policy. | Multi-Model-Routing und BYOK-Optionen |
| Deployment | Cloud-Service-Modell | SaaS-Zersplitterung; keine einheitliche governed Grenze. | Privat, hybrid oder Cloud — eine governed Schicht |
| Kommerzielle Sicht | Oft pro Seat (M365-Narrativ) | Silos mit Lizenzen; fragmentierte TCO-Story. | Packaging pro Engagement vereinbart |
Bereitstellungsoptionen
Volle Flexibilität: Wählen Sie Ihr Deployment-Modus
Dieselbe governed Knowledge-Schicht — Sie wählen, wo Daten, Indizes und Inferenz laufen, von air-gapped bis voll verwalteter Cloud.
Private Mode
Volles Deployment in Ihrer Landschaft — Indizes und optionale selbst gehostete LLMs bleiben in Ihrem Netz. Maximale Kontrolle für regulierten und öffentlichen Sektor.
- On-Premise- oder air-gapped-Patterns
- Korpus und Queries verlassen Ihre Grenze nicht
- Open-Weights- und freigegebene Modelle wo Policy es erlaubt
- Typische Zeit bis erste Query: 6–10 Wochen
- Immediate cloud deployment
- Hardware-free management
Hybrid Mode
In Ihrem AWS-, Azure- oder GCP-Tenant: Daten und Residency in Ihrer Grenze, Thinkia-managed Deployment, Upgrades und Monitoring.
- Ihr Cloud-Account, Ihre Verschlüsselungsschlüssel
- OAuth zu SharePoint, M365, Drive und anderen Quellen
- Balance zwischen Kontrolle und operativer Geschwindigkeit
- Typische Zeit bis erste Query: 4–6 Wochen
- Complete data sovereignty
- Immediate rollout, no infra
Cloud Mode
Thinkia-betriebene Umgebung, EU-first standardmäßig. Schnellster Pilot-Pfad mit OAuth-Connectoren zu Ihren Systemen — keine Kunden-Infra zu betreiben.
- Sofortiger Rollout-Stil vs. On-Prem
- Automatisches Scaling und Plattform-Updates
- Ideal wenn Policy eine verwaltete SaaS-Grenze erlaubt
- Typische Zeit bis erste Query: 2–4 Wochen
- On-premise infrastructure
- Full data sovereignty
FAQ
Technische Fragen
Was passiert, wenn ein Dokument in der Quelle aktualisiert oder gelöscht wird?
Connectoren erkennen Änderungen beim nächsten Sync (Webhook oder Schedule). Aktualisierter Inhalt wird neu gechunked und eingebettet; Löschungen entfernen Index-Einträge und widerrufen Zugriff sofort. Historische Antworten können in Logs markiert werden.
Kann es strukturierte und unstrukturierte Daten kombinieren?
Ja, wenn beides angebunden ist und der Nutzer berechtigt ist. Der Graph verknüpft Entitäten aus Systemen of Record mit Dokumenten und Nachrichten, sodass Antworten Vertrags- und Betriebsdaten spannen können.
Wie lange dauert die initiale Ingestion?
Hängt von Korpusgröße und API-Limits der Quelle ab. Indikativ: kleine Korpora in Stunden; sehr große in Wochen mit parallelen Pipelines. Inkrementeller Sync hält laufende Kosten niedrig — Details im technischen Briefing.
Was passiert, wenn die Antwort nicht in der Wissensbasis steht?
Das System antwortet aus abgerufenem, berechtigtem Kontext. Bei dünner oder fehlender Evidenz: niedrigere Confidence, explizite Lücken oder klares „nicht genug in den Quellen“ — kein sicher wirkendes Raten. Schwellen und Eskalation sind an Ihre Risikoposition anpassbar.
Wird unser Inhalt zum Training von Foundation-Modellen genutzt?
Enterprise-Deployments sind so begrenzt, dass Ihr Korpus nicht in einen gemeinsamen Trainingspool öffentlicher Modelle gemischt wird. Mit BYOK oder On-Prem-Inferenz werden Provider unter Ihren Vereinbarungen gewählt. Exakte Bedingungen stehen in Vertrag und DPA — wir klären das in Pre-Sales und Security Review.
Ist das Rechts- oder Compliance-Beratung?
Nein. EU AI Act, NIST AI RMF und ISO/IEC 42001 beschreiben Produktorientierung und Dokumentationsmuster — keine rechtliche Einordnung Ihres Falls. Für regulatorische Positionierung: Ihre Juristen und Thinkias Governance-Seiten zur allgemeinen Orientierung.
Wie werden widersprüchliche Informationen zwischen Quellen behandelt?
Widersprüchliche Behauptungen werden mit beiden Quellen und markiertem Konflikt angezeigt. Das System wählt nicht still einen Gewinner — Auflösung bleibt beim Knowledge Owner. Konfliktrate kann als Qualitätssignal dienen.
Welche Modelle werden genutzt?
Standard: Routing mit kleineren Modellen für einfache Queries und größeren für komplexes Reasoning. BYOK bringt Ihre bevorzugten Provider. On-Prem: freigegebene Open-Weights-Modelle.
Wie werden Berechtigungen bei einer Frage durchgesetzt?
Der Index wird mit Quellidentität und Entitlements gebaut. Zur Query-Zeit nutzen Retrieval und Synthese nur Chunks, die der Aufrufer sehen darf — dieselben Regeln wie in SharePoint, Confluence, Drive oder Ihrer Source of Truth. Wer ein Dokument in der Quelle nicht öffnen kann, sollte es nicht im Antwortkontext sehen.
Wo kann Enterprise Knowledge AI laufen?
Typische Muster: privater Tenant, hybrid (Daten und Index bei Ihnen, optionale Cloud-Orchestrierung) oder managed Cloud — je nach Residency, Netz und Beschaffung. Das technische Briefing skizziert Annahmen; Zielarchitektur klären wir in Discovery.
Welche Quellsysteme können angebunden werden?
Gängige Connectoren: Microsoft 365 / SharePoint, Confluence, Google Drive und ähnliche Dokumentenspeicher plus APIs und interne Repos. Custom oder Legacy meist via API, Export oder dediziertem Connector-Plan. Prior-Quellen werden in der Ingestions-Roadmap vereinbart.
Get started
Sprechen wir über Ihre Knowledge-Schicht
Erzählen Sie uns von Quellen, Zugriffsmodell und Teams. Wir melden uns mit einem klaren nächsten Schritt — Orientierung, Pilotumfang oder Governance-Hinweise — ohne harten Verkauf.