Ihre KI ist nur so gut wie ihre Daten.

1. Ziele festlegen

Beginnen Sie nicht mit den Quellen, sondern mit den Fragen. Schreiben Sie zehn Fragen auf, die Ihre Anwendung beantworten soll, so wie Ihre Nutzer sie stellen würden. Daraus ergibt sich fast alles Weitere: welche Quellen Sie brauchen, wie aktuell die Daten sein müssen und ob Fließtext genügt oder Sie einzelne Werte wie Preise und Termine benötigen.

• Wissensassistent: „Wie konfiguriere ich X?“ → Dokumentationen und Handbücher, als Abschnitte für eine Vektordatenbank.
• Marktbeobachtung: „Hat ein Wettbewerber seine Preise geändert?“ → Produkt- und Preisseiten, als Felder und mit Änderungsverfolgung.
• Recherche: „Was ist diese Woche zu Thema Y erschienen?“ → Websuche plus Abruf der Treffer.

2. Quellen auswählen

Mehr Daten bedeuten nicht bessere Antworten. Ein Sprachmodell übernimmt Fehler und Widersprüche aus seinen Quellen. Prüfen Sie jede Quelle an drei Punkten:

• Verlässlichkeit: Bevorzugen Sie Primärquellen, also Hersteller, Behörden, Normen und Originalveröffentlichungen, vor Zusammenfassungen Dritter.
• Recht: Ist die Seite öffentlich zugänglich? Erlaubt die robots.txt den Abruf? Für Text- und Data-Mining gilt in Deutschland § 44b UrhG, solange der Rechteinhaber nicht maschinenlesbar widersprochen hat. Personenbezogene Daten brauchen eine eigene Rechtsgrundlage nach der DSGVO.
• Stabilität: Ändert sich der Aufbau der Seite ständig, oder blockiert sie automatisierte Zugriffe? Testen Sie Ihre wichtigsten Quellen, bevor Sie sich auf sie verlassen, zum Beispiel in unserer Live-Demo.

3. Die richtige Form bestimmen

Sprachmodelle arbeiten am besten mit Inhalten ohne Rauschen, mit erhaltener Struktur und in Abschnitten, die für sich verständlich sind. Welche Form passt, hängt von Ihrem Ziel ab:

Ein Tipp für Wissensdatenbanken: Betten Sie den Überschriftenpfad zusammen mit dem Text ein. Ein Abschnitt „Kosten“ ist allein mehrdeutig, „Produkt X › Lizenz › Kosten“ nicht. Wie viel eine KI-gerechte Form an Tokens spart und was Studien zur Antwortqualität zeigen, lesen Sie unter KI-gerechte Daten.

4. Aktuell halten

Web-Daten veralten. Legen Sie für jede Quelle einen Rhythmus fest, der zu ihrer Änderungshäufigkeit passt: Nachrichten täglich, Preise wöchentlich, Dokumentationen monatlich.

• Änderungsverfolgung meldet, ob sich eine Seite seit dem letzten Abruf geändert hat, und zeigt auf Wunsch den Unterschied Zeile für Zeile.
• Der Hash jedes Chunks zeigt, welche Abschnitte sich geändert haben. Nur diese müssen Sie neu einbetten, das spart Kosten.
• Den Abrufzeitpunkt sollten Sie mitspeichern, damit Ihre Anwendung veraltete Informationen erkennen und kennzeichnen kann.

5. Qualität und Verantwortung

• Stichproben: Prüfen Sie regelmäßig einige Abschnitte von Hand. Fehlen Inhalte oder sind Reste von Menüs geblieben?
• Belege: Lassen Sie Ihre KI die Quelle jeder Antwort nennen. Die Adresse steckt in jedem Chunk.
• Löschkonzept: Legen Sie fest, wann alte Daten gelöscht werden, besonders wenn sie Personenbezug haben.
• Datenstandort: Wo werden Ihre Daten verarbeitet? Bei Ragfeed in Deutschland, KI-Formate in Frankreich, siehe Datenstandorte.

Checkliste

• Zehn typische Fragen Ihrer Nutzer sind aufgeschrieben.
• Jede Quelle ist auf Verlässlichkeit, Recht und Stabilität geprüft.
• Das Format passt zum Ziel: Abschnitte, Seiten, Felder oder Bilder.
• Jede Quelle hat einen Aktualisierungsrhythmus.
• Antworten nennen ihre Quelle, alte Daten werden gelöscht.