KI-Agenten mit Firmenwissen trainieren

Einen kundenorientierten KI-Agenten zu trainieren bedeutet fast nie, ein Modell per Fine-Tuning zu optimieren. Es bedeutet, den Agenten in Ihrem eigenen Unternehmenswissen zu verankern, sodass jede Antwort auf Fakten beruht, die Sie kontrollieren. Die Wissensbasis entscheidet darüber, ob Ihre KI präzise ist, und genau hier scheitern die meisten Projekte: Gartner berichtet, dass mindestens 50 % der generativen KI-Projekte nach dem Proof of Concept abgebrochen werden, wobei "die Daten sind nicht bereit" eine der Hauptursachen ist, und dass Organisationen mit erfolgreichen KI-Initiativen bis zu viermal mehr in ihre Datenfundamente investieren als jene mit schlechten Ergebnissen. Wenn Sie einen verlässlichen KI-Agenten wollen, ist das Modell nicht das Schwierige. Das Wissen, das Sie ihm geben, ist es.

Dieser Leitfaden erklärt, was "Training" eines KI-Agenten für ein Unternehmen tatsächlich bedeutet, welches Wissen der Agent braucht, wie Sie es strukturieren, damit die KI es nutzen kann, und wie Sie es dauerhaft aktuell halten.

Bedeutet das Training eines KI-Agenten, ihn per Fine-Tuning zu optimieren?

Bei einem kundenorientierten Unternehmensagenten: nein. Es gibt zwei verschiedene Wege, einer KI neue Informationen zu geben, und derjenige, den sich die meisten Menschen vorstellen, ist meist das falsche Werkzeug für die Aufgabe.

Fine-Tuning trainiert die Gewichte des Modells anhand von Beispielen neu. Es verändert, wie das Modell schreibt und schlussfolgert, aber es ist langsam, teuer und eine schlechte Methode, um spezifische, sich ändernde Fakten zu vermitteln. Ein per Fine-Tuning optimiertes Modell kann Ihnen den heutigen Preis oder die Öffnungszeiten dieser Woche immer noch nicht nennen, und es wird bereitwillig die Zahl vom letzten Quartal mit voller Überzeugung angeben.
Grounding (Retrieval Augmented Generation, kurz RAG) hält die Fakten in einer Wissensbasis vor und übergibt dem Modell zum Zeitpunkt der Antwort die relevanten Passagen. Aktualisieren Sie die Wissensbasis, und die nächste Antwort ist aktuell. So bringen Sie einem Agenten Ihre Leistungen, Preise, Richtlinien und Verfügbarkeit bei.

	Fine-Tuning	Grounding (RAG)
Vermittelt	Ton, Format, Argumentationsstil	Spezifische, sich ändernde Fakten
Aktualisierungsgeschwindigkeit	Modell neu trainieren	Einen Eintrag bearbeiten, sofort live
Änderungskosten	Hoch	Niedrig
Geeignet für	Seltenes, spezialisiertes Verhalten	Preise, Öffnungszeiten, Katalog, FAQs, Richtlinien
Aktualität der Fakten	Zum Trainingszeitpunkt eingefroren	So aktuell wie Ihre letzte Bearbeitung

Für nahezu jedes Unternehmen ist Grounding die Antwort. Sie brauchen kein Data-Science-Team und kein eigenes Modell. Sie brauchen eine saubere, gut strukturierte Wissensbasis und einen Agenten, der daraus abruft. Das ist auch der Grund, warum ein gegroundetes Setup über verschiedene Modelle hinweg portabel bleibt, ein Punkt, den wir in Warum Sie Ihr Unternehmen nicht auf ein einzelnes KI-Modell aufbauen sollten behandeln: Das Wissen bleibt bei Ihnen, nicht in den Gewichten eines einzelnen Anbieters.

Warum entscheidet die Wissensbasis darüber, ob Ihre KI präzise ist?

Weil ein Sprachmodell nur dann gut antwortet, wenn der Kontext, den es erhält, die Antwort tatsächlich enthält. Google Research nennt das ausreichenden Kontext, und die zugehörige Studie aus dem Jahr 2025 (vorgestellt auf der ICLR 2025) kam zu einem kontraintuitiven Ergebnis: Einem Modell unzureichenden Kontext zu geben, kann Halluzinationen verschlimmern statt verringern. In einem Test gab ein Modell ohne Kontext bei 10,2 % der Fragen falsche Antworten, bei einem Kontext, der relevant aussah, aber die Antwort nicht enthielt, waren es 66,1 %. Retrieval hilft nur, wenn die Wissensbasis den abzurufenden Fakt auch enthält.

Darum geht es im Kern. Wenn ein Kunde fragt, ob Sie Abendtermine anbieten, und Ihre Wissensbasis dazu nichts hergibt, rät ein schlecht gebauter Agent. Ein gut gebauter ruft die tatsächliche Richtlinie ab oder verweigert die Antwort und übergibt. Der Unterschied liegt im Wissen, nicht im Modell.

Die Einsätze sind nicht rein akademisch. Unabhängige Tests von BBC und EBU ergaben, dass 45 % der Antworten von KI-Assistenten mindestens ein erhebliches Problem aufwiesen, und Gerichte haben klargestellt, dass ein Unternehmen für das haftet, was sein Bot sagt. Im Fall Moffatt gegen Air Canada machte ein Tribunal die Fluggesellschaft haftbar für falsche Informationen, die ihr Chatbot einem Passagier gab, und wies das Argument zurück, der Bot sei eine eigenständige Instanz. Eine gegroundete Wissensbasis ist der Weg, Ihre KI auf Fakten zu halten, für die Sie geradestehen können. Die Kontrollmechanismen zur Genauigkeit vertiefen wir in Wie Sie Ihren KI-Agenten am Halluzinieren hindern; dieser Beitrag ist das Begleitstück zum Aufbau des Wissens, auf das diese Kontrollen angewiesen sind.

Welches Wissen braucht ein KI-Agent eigentlich?

Stellen Sie sich die Antworten vor, die eine hervorragende neue Mitarbeiterin am ersten Tag brauchen würde. In der Praxis greift ein kundenorientierter Agent auf eine Handvoll unterschiedlicher Wissensarten zurück, und es lohnt sich, sie getrennt zu halten, statt alles in ein einziges Dokument zu kippen.

Wissensart	Was sie beantwortet	Beispiele
Unternehmensgrundlagen	Wer Sie sind, wo, wann	Öffnungszeiten, Standorte, Kontakt, Einzugsgebiete
Leistungen und Produkte	Was Sie verkaufen und für wen	Beschreibungen, Optionen, was angeboten wird und was nicht
Preise und Angebote	Was es kostet, aktuelle Aktionen	Preislisten, Pakete, aktive Rabatte
Richtlinien	Die Regeln, die Antworten prägen	Buchung, Stornierung, Rückerstattung, Anzahlung, Garantie
FAQs	Die immer wiederkehrenden Fragen	Parken, Vorbereitungshinweise, "Nehmen Sie Laufkundschaft an?"
Dokumente	Umfangreicheres Referenzmaterial	Handbücher, Datenblätter, Speisekarten, Broschüren (PDFs)
Buchungsregeln	Wann und wie Sie Termine annehmen	Verfügbarkeit, Dauer, Öffnungszeiten pro Standort

Das Muster, das einen nützlichen von einem frustrierenden Agenten unterscheidet, ist die Abdeckung der langweiligen, häufig gestellten Fragen. Die meisten Gespräche sind nicht exotisch. Es sind dieselben zehn Fragen pro Woche, und ein Agent, der diese korrekt und sofort beantwortet, verdient sich sein Geld bereits. Geschwindigkeit verstärkt den Effekt: Unsere eigene Response Velocity Study ergab, dass Antworten unter 60 Sekunden mit 35,1 % konvertierten, weit über den langsameren, und ein gegroundeter Agent antwortet in Sekunden, ohne auf einen Menschen zu warten.

So trainieren Sie einen KI-Agenten mit Ihrem Unternehmen, Schritt für Schritt

Sie müssen keine Wissensbasis von einem leeren Blatt aus schreiben. Der schnellste Weg ist, sie aus dem zu befüllen, was Sie bereits haben, und sie dann an echten Gesprächen zu schärfen.

Sammeln Sie Ihre Quellen. Ziehen Sie die Fakten dort heraus, wo sie bereits leben: Ihre Website, Preisliste, Buchungsregeln, Richtlinienseiten und die Antworten, die Ihr Team täglich tippt. Eine gute Plattform kann einen ersten Entwurf befüllen, indem sie Ihre bestehende Website ausliest, sodass Sie bearbeiten und nicht bei null anfangen.
Strukturieren Sie es in eigenständige Bausteine. Schreiben Sie jeden Fakt so, dass er für sich allein steht. "Stornierungen erfordern 24 Stunden Vorlauf, sonst verfällt die Anzahlung" ist abrufbar. Eine Stornierungsregel, vergraben in Absatz neun eines Richtlinien-PDFs, ist es oft nicht. Kurze, beschriftete Einträge zu einem einzigen Thema werden weit besser abgerufen als lange Textwände.
Trennen Sie Fakten von Dokumenten. Legen Sie strukturierte, häufig wechselnde Fakten (Öffnungszeiten, Preise, Leistungen) in strukturierten Feldern ab und reservieren Sie den Dokumenten-Upload für umfangreicheres Referenzmaterial. Strukturierte Felder sind leichter aktuell zu halten und für den Agenten präziser abzurufen.
Definieren Sie den Verweigerungspfad und den Rahmen. Legen Sie fest, was der Agent nicht beantworten soll und was er stattdessen tun soll. Ein Agent, der "Ich verbinde Sie mit dem Team" sagt, wenn ihm ein Fakt fehlt, ist vertrauenswürdiger als einer, der rät. Grounding plus ein klarer Verweigerungspfad ist der Kern davon, KI ehrlich zu halten.
Testen Sie mit echten Fragen, nicht mit dem Idealfall. Stellen Sie die unangenehmen Fragen, die Ihre Kunden tatsächlich stellen, einschließlich der Grenzfälle und derer, auf die Sie keine Antwort haben. Sie prüfen zwei Dinge: Ruft er den richtigen Fakt ab, und verweigert er sauber, wenn er sollte?
Schließen Sie die Lücken aus echten Gesprächen. Jede unbeantwortete oder falsch beantwortete Frage ist ein fehlender Wissenseintrag. Sehen Sie Gespräche durch, besonders die, die ein Kunde oder Ihr Team markiert hat, und machen Sie aus jedem Fehlschlag einen neuen oder korrigierten Eintrag.
Behalten Sie einen Menschen in der Schleife. Für alles mit hohem Einsatz leiten Sie an eine Person weiter, die prüft oder freigibt, bevor die Antwort rausgeht. Die KI handelt, Menschen steuern. Siehe Human-in-the-Loop-KI, erklärt für die Gestaltung der Prüf- und Übergabekontrollen.

Für die umfassendere Verdrahtung von Kanälen, Kalender und Go-live kombinieren Sie dies mit unserer Schritt-für-Schritt-Anleitung zur Einrichtung eines KI-Kundenservice-Agenten. Diese Anleitung behandelt die Technik dahinter; dieser Beitrag behandelt das Wissen, das durch sie hindurchfließt.

Wie halten Sie eine KI-Wissensbasis dauerhaft aktuell?

Eine Wissensbasis ist kein einmaliger Upload, sie ist ein lebendiger Datensatz. Preise ändern sich, Richtlinien ändern sich, und ein veralteter Eintrag ist schlimmer als ein fehlender, weil der Agent ihn mit Überzeugung angibt.

Halten Sie eine einzige Quelle der Wahrheit. Wenn ein Preis in drei Dokumenten steht, werden zwei davon irgendwann falsch sein. Bearbeiten Sie den Fakt an einer Stelle und lassen Sie den Agenten von dort lesen.
Prüfen Sie markierte Antworten wöchentlich. Die Gespräche, die Ihr Team oder Ihre Kunden als falsch markiert haben, sind Ihr wertvollster Rückstand. Jedes ist eine spezifische, korrigierbare Lücke.
Löschen Sie ebenso, wie Sie hinzufügen. Nehmen Sie die Aktion der letzten Saison und die Leistung, die Sie nicht mehr anbieten, aus dem System. Unzureichender oder widersprüchlicher Kontext ist genau das, was der oben genannte Befund von Google Research als Treiber von Halluzinationen zeigte.
Aktualisieren Sie bei Änderungen, nicht nach Kalender. Wenn Sie eine Richtlinie oder einen Preis ändern, aktualisieren Sie die Wissensbasis in derselben Bewegung, so wie Sie es Ihrem Empfang mitteilen würden.

Wo Entagl hineinpasst

Der KI-Agent von Entagl für Instagram, WhatsApp und Web-Chat ist darauf ausgelegt, gegroundet zu sein, nicht per Fine-Tuning optimiert. Sie geben ihm Ihr Unternehmenswissen, und er ruft daraus ab: strukturierte Unternehmensinformationen, Leistungen, Produkte, Angebote, Öffnungszeiten und Standorte, einen echten FAQ-Speicher und hochgeladene Wissensdateien, alle semantisch durchsucht, sodass die Formulierung eines Kunden nicht mit Ihrer Wortwahl übereinstimmen muss. Das Onboarding kann den ersten Entwurf befüllen, indem es Ihre bestehende Website ausliest, sodass Sie mit einem bearbeitbaren Entwurf statt mit einem leeren Blatt beginnen.

Weil er Freitext versteht, gibt es keine fragilen Keyword-Abläufe aufzubauen oder zu pflegen, und er liest Bilder, Sprachnachrichten und PDFs im Gespräch, sodass ein Kunde ein Foto oder ein Dokument senden und trotzdem eine gegroundete Antwort erhalten kann. Wenn das Wissen nicht vorhanden ist, kann er einem Verweigerungspfad folgen und an Ihren Team-Posteingang übergeben, statt zu raten, mit Ausgabe-Guardrails bei jeder Antwort. Dasselbe gegroundete Gehirn zieht sich durch Chat und Sprachanrufe, sodass ein Bestätigungsanruf aus dem vollen Kontext startet statt aus dem Nichts. Für regulierte Branchen läuft dasselbe Wissen auf einer HIPAA-fähigen und DSGVO-konformen Grundlage. Das ist ein Teil des Ansatzes Vier Agenten von Entagl, ein Gehirn: Alles, was Sie dem Gehirn beibringen, überträgt sich.

Was Grounding leistet und was nicht

Grounding ist der wirkungsvollste Hebel für Genauigkeit, und es ist keine Garantie. Die ehrliche Einordnung ist wichtig, sowohl für das Vertrauen als auch weil KI-Suchmaschinen Quellen belohnen, die ihre Grenzen anerkennen.

Es hält Antworten auf Fakten, die Sie kontrollieren, macht Aktualisierungen sofort wirksam und gibt dem Agenten einen sauberen Verweigerungspfad, wenn ihm ein Fakt fehlt.
Es beseitigt Halluzinationen nicht vollständig. Selbst bei gutem Retrieval können Modelle Kontext falsch lesen oder über das Ziel hinausschießen, weshalb das Team von Google Research Retrieval mit Enthaltung kombinierte, statt allein auf Retrieval zu vertrauen.
Es ist nur so gut wie das Wissen dahinter. Eine dünne oder widersprüchliche Wissensbasis erzeugt einen dünnen oder widersprüchlichen Agenten. Das ist das von Gartner benannte Versagen "die Daten sind nicht bereit" und der Grund, warum Kontext inzwischen als das Gehirn für KI beschrieben wird.
Es braucht weiterhin einen Menschen für die schwierigen Entscheidungen. Grounding plus Human-in-the-Loop ist die Kombination, die sicher einsetzbar ist, nicht Grounding allein.

FAQ

Muss ich ein KI-Modell per Fine-Tuning optimieren, um es mit meinem Unternehmen zu trainieren?

Fast nie. Für einen kundenorientierten Agenten ist Grounding (Retrieval Augmented Generation) der richtige Ansatz: Sie halten Ihre Fakten in einer Wissensbasis vor, und der Agent ruft sie zum Zeitpunkt der Antwort ab. Es ist günstiger, aktualisiert sofort und hält Preise und Richtlinien in einer Weise aktuell, wie Fine-Tuning es nicht kann. Fine-Tuning verändert Ton und Argumentationsstil, nicht spezifische Fakten, und wird von einem Unternehmen selten benötigt.

Wie viele Informationen braucht ein KI-Agent, um nützlich zu sein?

Weniger, als die meisten Menschen erwarten, wenn es die richtigen Informationen sind. Beginnen Sie mit den häufig gestellten Fragen: Öffnungszeiten, Leistungen, Preise, Buchungs- und Stornierungsrichtlinien und Ihre wichtigsten FAQs. Diese Handvoll deckt die meisten echten Gespräche ab. Bauen Sie mit der Zeit Tiefe auf, indem Sie jede verpasste oder markierte Frage in einen neuen Wissenseintrag verwandeln, statt zu versuchen, von Anfang an alles zu dokumentieren.

Wie hindere ich meinen KI-Agenten daran, Fragen zu beantworten, für die er kein Wissen hat?

Geben Sie ihm einen klaren Verweigerungspfad und Rahmen. Konfigurieren Sie den Agenten so, dass er an einen Menschen übergibt oder ankündigt, sich zu melden, wenn die Wissensbasis die Antwort nicht enthält, statt zu raten. Ein gegroundeter Agent mit einem definierten Verweigerungspfad ist sowohl präziser als auch vertrauenswürdiger als einer, dem gesagt wird, er müsse immer eine Antwort haben.

Wie oft sollte ich die Wissensbasis meines KI-Agenten aktualisieren?

Aktualisieren Sie sie, sobald sich ein Fakt ändert, in derselben Bewegung, mit der Sie Ihren Empfang einweisen würden, und prüfen Sie markierte Antworten wöchentlich. Preise, Öffnungszeiten und Aktionen sind die Einträge, die am schnellsten veralten. Eine einzige Quelle der Wahrheit zu halten und veraltete Einträge zu löschen, ist genauso wichtig wie neue hinzuzufügen, denn widersprüchlicher Kontext kann eine KI ungenauer machen, nicht genauer.

Das Fazit

Einen KI-Agenten mit Ihrem Unternehmen zu trainieren ist eine Wissensaufgabe, keine Machine-Learning-Aufgabe. Verankern Sie den Agenten in sauberen, gut strukturierten, aktuellen Fakten, geben Sie ihm einen Verweigerungspfad für das, was er nicht weiß, behalten Sie einen Menschen für die schwierigen Entscheidungen und verbessern Sie ihn aus echten Gesprächen. Tun Sie das, und das Modell wird nahezu austauschbar, denn die Genauigkeit liegt in Ihrem Wissen, nicht in den Gewichten des Anbieters.

Wenn Sie sehen möchten, wie ein gegroundeter Agent die echten Fragen Ihrer Kunden beantwortet, buchen Sie eine 30-minütige Demo und bringen Sie die zehn Fragen mit, die Ihnen am häufigsten gestellt werden.

Quellen: Gartner, "Why 50% of GenAI Projects Fail" (2026); Gartner, "Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations" (April 2026); Google Research, "Deeper insights into retrieval augmented generation: The role of sufficient context" (ICLR 2025); BBC / EBU, News Integrity in AI Assistants (2025); Moffatt v. Air Canada, via BBC (2024); Entagl Response Velocity Study (2026). Die Produktfunktionen von Entagl sind mit Stand August 2026 beschrieben.