Abrufgestützte Generierung (RAG)

Abrufgestützte Generierung, meist zu RAG verkürzt (retrieval-augmented generation), ist die übliche Anordnung, bei der ein KI-System nach relevanten Seiten sucht, sie liest und seine Antwort aus dem zusammensetzt, was es gerade gefunden hat — statt sich nur auf das zu verlassen, was es im Training aufgenommen hat. Wenn ein Assistent eine Frage über ein lokales Unternehmen beantwortet, passiert unter der Oberfläche in der Regel genau das.

Die Unterscheidung ist erheblich wichtiger als das Kürzel. Alles, was ein Modell im Training gelernt hat, ist fest: Es bildet das Web so ab, wie es zum Zeitpunkt des Modellbaus stand, und du kannst es nachträglich nicht ändern. Alles, was im Moment der Frage abgerufen wird, ist aktuell. Es wird frisch gelesen, von deiner Website, wie sie heute existiert.

Das ist der ganze Grund, warum es überhaupt etwas bringt, deine Website in Ordnung zu bringen. Würden sich diese Systeme rein auf Training stützen, hätte ein kleines Unternehmen keinen Hebel: Das Bild wäre festgelegt, und es bliebe nichts zu tun, als jahrelang auf das nächste Modell zu warten. Weil die meisten Assistenten abrufen, kann die Seite, die du heute Nachmittag korrigierst, nächsten Monat die Seite sein, die in eine Antwort hineingelesen wird.

Es erklärt auch, warum Zugang so wichtig ist. Abruf heisst, dass eine Maschine die Seite in dem Moment erreichen und lesen können muss, in dem sie gebraucht wird. Ein abgewiesener Crawler, eine Seite, die leer ankommt, Text, der in einem PDF eingeschlossen ist — jedes davon nimmt dich aus dem Pool, der abgerufen werden kann, ganz gleich, was auf der Seite selbst steht.

Menschlich übersetzt ist es der Unterschied zwischen jemandem, der dich aus dem Gedächtnis empfiehlt, und jemandem, der dich nachschlägt, bevor er antwortet. Den ersten kannst du nicht beeinflussen. Den zweiten schon — indem du dafür sorgst, dass das, was er findet, klar, aktuell und wert ist, weitergegeben zu werden.