Agentic RAG: Wann Unternehmenswissen mehr braucht als Vektorsuche
Kurz erklärt
Klassisches RAG, GraphRAG oder Agentic RAG? Ein Entscheidungsraster für Marken- und Produktwissen – mit Prüffragen für Widersprüche und Quellen.

Inhaltsverzeichnis
Ein Assistent findet die Markenrichtlinie, aber nicht die neuere Ausnahme für den Handel. Er antwortet flüssig – und falsch. Das Problem ist selten das Sprachmodell, sondern die Art, wie Wissen gesucht und zusammengesetzt wird. Bevor ein Team in eine aufwendige Architektur investiert, sollte es klären, welche Fragen das System überhaupt beantworten muss.
Drei Bauformen, drei Fragetypen
Klassisches RAG (Retrieval-Augmented Generation) sucht passende Textabschnitte, meist per Vektor- oder Stichwortsuche, und gibt sie dem Modell als Kontext. Das passt gut zu gezielten Fragen: „Welche Mindestgröße gilt für das Logo?“
GraphRAG baut aus den Dokumenten vorab einen Wissensgraphen mit Entitäten, Beziehungen und zusammengefassten Themengruppen. Microsoft Research beschreibt im Paper „From Local to Global“, dass einfaches RAG bei Fragen an den gesamten Bestand scheitert – etwa „Welche Hauptthemen enthalten unsere Kundenfeedbacks?“ –, weil das eine Zusammenfassungsaufgabe ist und kein gezieltes Nachschlagen. Die GraphRAG-Dokumentation unterscheidet entsprechend eine lokale Suche für Fragen zu einzelnen Entitäten und eine globale Suche über vorab verdichtete Gruppen.
Agentic RAG lässt einen Agenten die Suche selbst planen: Frage zerlegen, mehrere Quellen abfragen, Treffer prüfen, nachsuchen. Das hilft bei mehrstufigen Fragen („Welche Kampagnenmotive sind für Österreich freigegeben und mit welchem Claim?“), kostet aber mehr Zeit, mehr Rechenaufwand und mehr Testaufwand.
Entscheidungsraster
| Fragetyp | Sinnvoller Start | Prüfpunkt |
|---|---|---|
| Einzelne Regel oder Tatsache | Klassisches RAG mit gepflegten Quellen | Wird die aktuelle Fassung gefunden? |
| Überblick über viele Dokumente | GraphRAG oder vorab erstellte Zusammenfassungen | Sind Zusammenfassungen nachvollziehbar belegt? |
| Mehrere Schritte, mehrere Systeme | Agentic RAG mit begrenzten Werkzeugen | Bricht der Agent bei Widersprüchen ab oder fragt nach? |
Widersprüche sind der eigentliche Test
Für Marketing ist die heikelste Situation nicht fehlendes Wissen, sondern widersprüchliches: alte und neue Richtlinie, Länderausnahme, Agenturentwurf neben freigegebener Fassung. Gute Systeme zeigen Quellen mit Datum und Status an und benennen den Konflikt, statt ihn wegzuformulieren. Das muss man testen, nicht annehmen.
Praktische Prüffragen:
- Hat jedes Dokument einen Status (Entwurf, freigegeben, abgelöst) und ein Gültigkeitsdatum?
- Zeigt die Antwort die verwendeten Quellen so, dass ein Mensch sie öffnen kann?
- Was passiert, wenn zwei freigegebene Quellen sich widersprechen?
- Wer pflegt den Bestand, wenn sich eine Richtlinie ändert?
Unsere Sicht aus dem Creative Engineering
Die Architektur folgt der Redaktion, nicht umgekehrt. Wer Markenwissen sauber versioniert und Zuständigkeiten festlegt, kommt oft mit einfachem RAG weit. Graph- und Agentenansätze lohnen sich dort, wo Fragen tatsächlich über viele Dokumente oder Systeme gehen – und erst, wenn ein Abnahmetest zeigt, dass das einfachere Verfahren nicht reicht. Passend dazu: Abnahmetests für Marketing-Agenten und der Marketing Context Layer.
Nächster Schritt
Sammle 20 echte Fragen aus Team und Vertrieb, ordne sie den drei Fragetypen zu und teste den einfachsten passenden Ansatz zuerst. Wenn du dafür einen begrenzten Probelauf willst, beschreibe dein Vorhaben im Agenten-Pilot.
Quellen: Edge et al., Microsoft Research: From Local to Global: A GraphRAG Approach to Query-Focused Summarization; GraphRAG-Dokumentation: Global Search und Local Search.
Häufige Fragen
Worum geht es bei „Agentic RAG: Wann Unternehmenswissen mehr braucht als Vektorsuche“?
Klassisches RAG, GraphRAG oder Agentic RAG? Ein Entscheidungsraster für Marken- und Produktwissen – mit Prüffragen für Widersprüche und Quellen.
Drei Bauformen, drei Fragetypen: Was ist wichtig?
Klassisches RAG (Retrieval-Augmented Generation) sucht passende Textabschnitte, meist per Vektor- oder Stichwortsuche, und gibt sie dem Modell als Kontext. Das passt gut zu gezielten Fragen: „Welche Mindestgröße gilt für das Logo?
Widersprüche sind der eigentliche Test: Was ist wichtig?
Für Marketing ist die heikelste Situation nicht fehlendes Wissen, sondern widersprüchliches: alte und neue Richtlinie, Länderausnahme, Agenturentwurf neben freigegebener Fassung.
Unsere Sicht aus dem Creative Engineering: Was ist wichtig?
Die Architektur folgt der Redaktion, nicht umgekehrt. Wer Markenwissen sauber versioniert und Zuständigkeiten festlegt, kommt oft mit einfachem RAG weit. Graph- und Agentenansätze lohnen sich dort, wo Fragen tatsächlich über viele Dokumente oder Systeme gehen – und erst, wenn ein Abnahmetest zeigt, dass das einfachere Verfahren nicht reicht.
Weitere Artikel
Diese Beiträge könnten Sie auch interessieren
Tools & TechnologieKI-Agenten testen: Abnahme für Marketing-Workflows
Ein praktisches Abnahmeraster für Marketing-Agenten: Quellen, Werkzeugaktionen, Fehlerfälle, Freigaben und erneute Tests nach Änderungen.
Tools & TechnologieMCP im Betrieb: Agenten mit minimalen Rechten anbinden
Was die MCP-Spezifikation zur Autorisierung regelt, was sie offenlässt – und eine Rechte-Matrix für Agenten in CMS, CRM und Werbekonten.
Tools & TechnologieAI Agent Frameworks im Marketing-Vergleich 2026: CrewAI, LangGraph & Claude Tasks
Der große Framework-Vergleich für Marketing-Teams: CrewAI, LangGraph, Claude Tasks und AutoGen im Praxistest – Stärken, Schwächen und Use Cases.
KI-Lösungen von Davies Meyer
Von der Anwendung zur passenden Umsetzung
Gute KI-Anwendungen brauchen Markenwissen, eine klare Idee und die passende Umsetzung. Bei Davies Meyer kommen Strategie, Kreation, Content-Produktion und Technologie zusammen. Creative Engineering ist unsere Methode, dieses Zusammenspiel wiederholbar zu machen.
Die Verantwortung für Konzept und Qualität liegt bei uns.