RAG einfach erklärt. Und die vier Fälle, in denen es sich nicht lohnt
Ein KI-Modell antwortet aus dem Gedächtnis. RAG lässt es vorher in Ihren eigenen Unterlagen nachschlagen, damit die Antwort ihre Fundstelle mitbringen kann. Der Aufwand liegt dabei nicht bei der KI, sondern bei Ihrer Ablage.
Kurz gefasst
- RAG heisst nachschlagen statt erinnern. Ein Suchschritt holt die passenden Stellen aus Ihren Dokumenten und legt sie dem KI-Modell vor, bevor es antwortet. Damit kann jede Antwort eine Fundstelle tragen, wenn das System sie mitführt.
- Überprüfbar ist nicht dasselbe wie richtig. Bei drei Rechtsrechercheprodukten, die mit dem Versprechen warben, es gebe keine erfundenen Angaben, war gemessen jede sechste bis jede dritte Antwort falsch oder falsch belegt.
- Das Projekt ist die Ablage, nicht die KI. Wer nicht sagen kann, welche Fassung eines Dokuments gilt, räumt zuerst dort auf. Bei Deloitte gaben 55 Prozent der Organisationen an, bestimmte Anwendungsfälle wegen Datenproblemen vermieden zu haben.
Fragen Sie ein KI-Modell nach Ihrer Kündigungsfrist, und Sie bekommen eine Antwort: drei Monate, souverän formuliert, ohne eine einzige Quelle. Ihren Vertrag hat es nie gesehen. RAG schiebt einen Schritt davor: Ein Suchschritt holt die passende Stelle aus Ihren Unterlagen und legt sie dem KI-Modell vor, bevor es formuliert. Nachschlagen schafft die Grundlage für eine überprüfbare Auskunft. Das ist der ganze Mechanismus, und er lohnt sich seltener, als er Ihnen angeboten wird.
Was RAG ist, in einem Satz
RAG steht für Retrieval-Augmented Generation, auf Deutsch etwa «Erzeugen mit vorgeschaltetem Abruf». Ein KI-Modell antwortet sonst aus dem, was es beim Training gesehen hat. Ihre Verträge, Handbücher und Protokolle waren nicht dabei. Es kennt sie nicht, und es sagt Ihnen das auch nicht, sondern formuliert eine plausible Antwort.
Nehmen wir eine Frage, die in jedem Betrieb eine Entsprechung hat: «Wie lange läuft bei uns die Kündigungsfrist?»
Ohne Nachschlagen
«Die Kündigungsfrist beträgt in der Regel drei Monate auf Ende eines Quartals. Massgebend sind die vertraglichen Vereinbarungen und die allgemeinen Geschäftsbedingungen.»
Klingt richtig. Nicht überprüfbar.Mit Nachschlagen im Bestand
«Die Kündigung ist spätestens drei Monate vor Vertragsende schriftlich zu erklären.»
Rahmenvertrag vom 04.03.2024, Ziff. 12.2
Die Antwort ohne Nachschlagen ist nicht falsch. Sie ist womöglich korrekt, nur eben nicht nachprüfbar. Und die mit Fundstelle ist nicht deshalb richtig, weil eine Fundstelle dabeisteht: Liegt im Bestand noch die Fassung von 2021, steht dort eine saubere Quellenangabe unter einer überholten Zahl.
RAG macht Antworten überprüfbar, aber nicht wahr. Ob ein Satz stimmt, entscheidet weiterhin, wer die Fundstelle aufschlägt.
Vier Gründe, es sein zu lassen
Nicht die Technik entscheidet, sondern Ihre Dokumente und die Art Ihrer Fragen. Zwei Bedingungen müssen zusammenkommen, und vier Gründe schliessen RAG aus.
RAG lohnt sich, wenn
- die Antwort in einem bestimmten Dokument steht
- es mehr als 400 A4-Seiten sind
- sich die Unterlagen laufend ändern
- jemand die Fundstelle nachprüfen können muss
RAG lohnt sich nicht, wenn
- gezählt oder gerechnet werden muss
- alles in ein Kontextfenster passt, also in die Textmenge, die ein KI-Modell auf einmal entgegennimmt
- es um Stil und Form geht
- die Antwort nirgends aufgeschrieben ist
Der zweite Grund ist der, der am meisten kostet, wenn man ihn übersieht. Ein Handbuch, eine Preisliste und zwanzig Merkblätter bleiben zusammen unter hundert Seiten. Wer dafür ein RAG-System baut, hat sich einen Betrieb eingehandelt, ohne ein Problem gelöst zu haben.
| Der Fall | Woran Sie ihn erkennen | Was stattdessen |
|---|---|---|
| Gezählt oder gerechnet | «Wie viele», «wie oft», «welche über 500 000 Franken». Die Antwort entsteht aus allen Dokumenten, nicht aus einem. Eine Ähnlichkeitssuche behandelt Zahlen und Zeiträume nicht als Werte, die sich ordnen lassen. | Eine Tabelle mit einer Abfrage darauf. Stehen die Zahlen schon in einer Datenbank, ist das ein Nachmittag; stehen sie in vierhundert Dokumenten, ist es dasselbe Ablageprojekt, nur ohne KI. |
| Der Bestand ist klein | Unter rund 400 A4-Seiten Deutsch, und die Fragen treffen die Wörter der Unterlagen. | Alles ins Kontextfenster. Kein Suchschritt, keine Datenbank, kein Betrieb. |
| Stil und Form | «Antworte wie unsere Rechtsabteilung.» Das ist kein Wissen, das ist Verhalten. | Eine klare Anweisung und drei Beispiele. Erst danach Nachtrainieren, also das KI-Modell selbst verändern. |
| Steht nirgends | Ermessen und Abwägung. Fragen, bei denen zwei erfahrene Leute im Betrieb verschiedener Meinung sind. | Gar keine KI-Lösung. Und wenn die Antwort wichtig ist: aufschreiben. |
Die 400 Seiten sind die Schwelle, ab der sich der Apparat lohnt, und keine Zusage, dass darunter alles gefunden wird. Sie folgen aus 200 000 Tokens, also den Wortstücken, in die ein KI-Modell Text zerlegt, umgerechnet mit rund 500 davon je A4-Seite Deutsch. Die Kontextfenster fassen heute ein Vielfaches davon. Die Länge, über die zuverlässig gefunden wird, wächst aber nicht im selben Mass mit: Anthropic schreibt in die eigene Entwicklerdokumentation, dass Genauigkeit und Trefferquote mit wachsender Tokenzahl sinken. Einen belegten Grenzwert gibt es nicht. Die 400 Seiten sind eine redaktionelle Setzung und entsprechend zu behandeln.
Beim Einspeisen neuen Wissens ist das Verhältnis gemessen: Eine begutachtete Untersuchung von 2024 kommt bei einem kleinen KI-Modell auf 0,875 für das Nachschlagen gegen 0,504 für das Nachtrainieren, auf einer Skala von 0 bis 1. Für Stil und Form ist es nach unserer Erfahrung umgekehrt; gemessen hat das diese Untersuchung nicht.
Das KI-Modell sieht nicht Ihren ganzen Bestand
Es sieht nur die Ausschnitte, die die Suche ihm vorlegt. Zwei Dinge passieren dabei, zu völlig verschiedenen Zeitpunkten. Wer sie zusammenwirft, kommt auf die Vorstellung, das System lerne bei jeder Frage dazu. Das tut es nicht.
Einmal vorbereiten
Bei jeder Frage
«Wie lange läuft bei uns die Kündigungsfrist?»
Nicht im Netz. Im eigenen Bestand, der vorher aufbereitet wurde.
Eine Handvoll Ausschnitte, nach Ähnlichkeit sortiert.
Das KI-Modell bekommt die Frage und diese Ausschnitte.
Mit Angabe, aus welchem Ausschnitt sie stammt.
Ab Station 04 sieht das KI-Modell aus Ihrem Bestand nur diese Ausschnitte. Was die Suche nicht gefunden hat, existiert für die Antwort nicht. Sein Trainingswissen bringt es weiterhin mit
Dazwischen führt nichts zurück: Das KI-Modell merkt sich nichts und wird durch Ihre Dokumente nicht klüger. Wer eine Regel ändert, ändert sie im Bestand. Ein neues Dokument wirkt allerdings nicht, sobald es im Ordner liegt, sondern erst, wenn es aufbereitet und in den Suchbestand aufgenommen ist. Bei manchen Systemen läuft das nachts, bei anderen stösst es jemand an. Dasselbe gilt umgekehrt: Ein zurückgezogenes Dokument beantwortet weiter Fragen, bis es auch dort verschwunden ist.
In Angeboten stehen drei Fachwörter. Chunking ist das Zerschneiden in kurze Abschnitte. Embedding heisst, jeden Abschnitt in eine lange Zahlenreihe umzurechnen, die für seine Bedeutung steht; ähnliche Bedeutungen bekommen ähnliche Zahlenreihen, und darüber findet die Suche «Vertragsauflösung», wenn im Vertrag «Kündigung» steht. Die Vektordatenbank ist der Ort, an dem diese Zahlenreihen liegen; dafür braucht es nicht zwingend eine neue Anschaffung. Google und OpenAI verkaufen die ganze Kette inzwischen als fertigen Dienst zu nachschlagbaren Preisen, was den Aufbau billiger macht und die Frage nach dem Standort Ihrer Daten dringender.
Die Anfrage, die beim KI-Modell ankommt, lässt sich aufschreiben.
Ausschnitt eins und zwei widersprechen sich, und das ist kein konstruiertes Beispiel, sondern der Betriebsfall, für den RAG gebaut wird: Neben der gültigen Fassung liegt die alte, und beide sind auffindbar. Ein einfaches RAG-System löst Widersprüche nicht zuverlässig von selbst auf. Es nennt eine der beiden Zahlen, und ohne mitlaufende Fundstelle merkt niemand, welche. Wie ernst das ist, hat die Untersuchung ClashEval 2024 gemessen: Ist ein abgerufenes Dokument falsch, verwerfen KI-Modelle in über 60 Prozent der Fälle ihr eigenes, korrektes Wissen und übernehmen das Dokument.
Ein veraltetes Dokument in der Ablage ist ein aktives Risiko, nicht bloss eine Lücke.
Verhindert RAG erfundene Antworten?
Erfundene Angaben, im Fachjargon Halluzinationen, sind der Grund, warum über RAG überhaupt geredet wird. Ein Forschungsteam der Universität Stanford hat drei kommerzielle Rechtsrechercheprodukte gemessen, die mit «hallucination-free» beworben wurden. Die Vergleichswerte für allgemeine KI-Modelle stammen aus einer früheren Untersuchung desselben Instituts.
Anteil falscher Angaben auf Rechtsfragen, je nach KI-Modell. Dahl und andere, Stanford, 2024.
Drei Rechtsrechercheprodukte von zwei Anbietern. Als Fehler zählt auch eine Angabe, die sich auf eine Fundstelle stützt, die sie nicht hergibt. Magesh und andere, Stanford, 2025.
Die beiden Werte stammen aus zwei Untersuchungen mit verschiedenen Fragensätzen. Der Rückgang ist gerechnet und nicht gemessen.
Jede sechste bis jede dritte Antwort bleibt fehlerhaft, und zwar in drei Produkten, die eigens für diesen Zweck gebaut wurden. RAG verschiebt die Fehlerquelle, es beseitigt sie nicht. Vier Stellen kommen dafür in Frage.
Wo es im Betrieb bricht
Die alte Fassung liegt neben der gültigen. Merkmal: Die Antwort ist korrekt zitiert und gilt nicht mehr.
Der Ausschnitt endet vor der Ausnahme. Merkmal: Die Antwort nennt die Regel ohne den Vorbehalt.
Sie findet drei ähnlich klingende Stellen, die passende ist die vierte. Merkmal: Die Antwort belegt sich mit dem falschen Dokument.
Das KI-Modell ergänzt aus dem Trainierten, was im Ausschnitt fehlt. Merkmal: Die Quellenangabe stimmt, der Satz darüber steht dort nicht.
Eine Quellenangabe belegt, wo gesucht wurde, nicht dass der Satz von dort stammt. Das ist der Unterschied zwischen einer Fussnote und einem Beleg, und er entscheidet darüber, ob Stichproben nötig sind. Sie sind es.
Zur vierten Stelle gehört eine Messung von Google Research aus dem Jahr 2025, die an einem kleinen KI-Modell gezeigt hat, was ein halb passender Ausschnitt anrichtet. Die Rate falscher Angaben steigt auf 66,1 Prozent, gegenüber 10,2 Prozent ganz ohne Kontext. Der Vergleich täuscht in eine Richtung, denn ohne Ausschnitt antwortet das KI-Modell öfter gar nicht. Als Warnung taugt er trotzdem: Halbwissen täuscht eine Grundlage vor, auf der weitergebaut wird.
Das teuerste Arbeitspaket ist Ihre Ablage
Über das Scheitern von KI-Vorhaben kursieren grosse Zahlen. Die gemessenen sind unspektakulärer und deshalb brauchbarer.
Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen aufgegeben haben, gegenüber 17 Prozent im Vorjahr. S&P Global, März 2025, über 1000 Befragte.
Anteil der Organisationen, die bestimmte Anwendungsfälle wegen Datenproblemen vermieden haben. Deloitte, 2770 befragte Führungskräfte, Erhebung Mai und Juni 2024.
Eigene Rechnung für 60 Personen, aus 790 bis 1200 US-Dollar je Nutzer und Jahr für den Betrieb. Analystenschätzung ohne offengelegte Methodik, Gartner, 2024.
Die dritte Zahl ist die, an der Sie ein Angebot messen. Wer Ihnen ein RAG-System für 80 000 Franken anbietet, nennt damit vielleicht keine Projektsumme, sondern eine Jahresrechnung mit anderem Etikett. Fragen Sie nach, was davon einmalig anfällt und was jedes Jahr wiederkommt. Beim KI-Modell selbst liegt das Geld jedenfalls nicht: Die Abfrage eines KI-Modells auf dem Leistungsniveau von GPT-3.5 wurde zwischen November 2022 und Oktober 2024 rund 280-mal billiger.
Wer seine Dokumente nicht im Griff hat, baut mit RAG eine Maschine, die den Zustand der Ablage sehr schnell und sehr überzeugend nach aussen trägt.
Drei Posten werden dabei übersehen. Der erste: Liegt der Bestand maschinenlesbar vor? Öffnen Sie ein Dokument und versuchen Sie, einen Satz herauszukopieren. Geht das nicht, brauchen Sie Texterkennung, und bei Tabellen eine, die das Layout mitliefert. Der zweite: Berechtigungen. Eine Suche über den ganzen Bestand hebt Zugriffsgrenzen auf, wenn niemand sie mitprogrammiert. Personaldossiers und laufende Verfahren sind in der Ablage sauber getrennt, in einem naiv gebauten Suchindex nicht mehr. Der dritte: Beim Aufbereiten geht Ihr Bestand einmal vollständig an den Anbieter des Suchverfahrens, sofern Sie ihn nicht im eigenen Haus betreiben. Was dort gespeichert und ausgewertet wird, steht im Vertrag und nicht im Datenblatt. Zu diesen beiden Fragen haben wir die Seite zu lokalen LLMs und Governance.
Air Canada haftete für seinen Chatbot
Bis hierher ging es um Qualität. Der zweite Grund für RAG ist die Nachweisbarkeit, und wie Gerichte das sehen, zeichnet sich zulasten der Unternehmen ab.
| Fall | Was passiert ist | Folge |
|---|---|---|
| Moffatt gegen Air Canada Februar 2024 |
Der Chatbot der Fluggesellschaft gab eine falsche Auskunft. Das Unternehmen argumentierte, er sei eine eigene Rechtsperson. | Verworfen: «it is still just a part of Air Canada's website». insgesamt 812 kanadische Dollar, davon 651 Schadenersatz |
| Deloitte Australien Oktober 2025 |
Ein Bericht über 237 Seiten enthielt erfundene Fussnoten, darunter ein erfundenes Zitat aus einem Bundesgerichtsurteil. | Rückzahlung der letzten Rate, 97 000 australische Dollar bei einem Auftragswert von 440 000 australischen Dollar |
| Erfundene Fundstellen vor Gericht August 2026 |
Weltweit 1936 Entscheide, in denen erfundene Belege eine Rolle spielten, Stand 21. August 2026. Im Mai 2025 waren es rund 200. | Höchste bekannte Sanktion rund 110 000 US-Dollar, überwiegend Anwaltskosten der Gegenseite. Der Regelfall bleibt vierstellig |
Die ersten beiden Fälle sind einzelne Gerichts- beziehungsweise Vertragsentscheide und keine Statistik. Die dritte Zeile stammt aus einer laufend geführten Sammlung und zählt Entscheide, nicht Unternehmen.
Die Schweiz büsst anders als die EU: in erster Linie die Person, nicht das Unternehmen. Art. 60 bis 63 DSG sehen bis zu 250 000 Franken vor, für Private und Bundesorgane; kantonale und kommunale Stellen unterstehen kantonalem Recht. Wer die Verletzung selbst begeht, macht sich nur vorsätzlich strafbar; wer als Vorgesetzter seine Aufsichtspflicht verletzt, schon bei Fahrlässigkeit (Art. 64 Abs. 1 DSG mit Art. 6 Abs. 2 VStrR). Nur wenn das Ermitteln der verantwortlichen Person unverhältnismässig wäre, kann die Behörde bis 50 000 Franken den Betrieb büssen. In der Praxis sind seit 2023 zwei Strafbefehle öffentlich geworden, mit Bussen von 450 und 600 Franken.
Das tragende Argument ist deshalb nicht die Busse, sondern die Nachvollziehbarkeit. Eine Protokollpflicht schreibt die europäische KI-Verordnung nur für Hochrisiko-KI-Systeme vor, und diese Pflichten sind auf Dezember 2027 verschoben. Ob Ihre Dokumentensuche dazugehört, hängt vom Zweck ab: Eine Auskunft über Vertragsfristen ist keiner, eine Suche, die an Entscheidungen über Personen mitwirkt, kann einer sein. Das Argument für Fundstellen ist also kein rechtliches, sondern ein betriebliches: Ein System, das zu jeder Antwort Dokument, Abschnitt und Fassung mitführt, kann im Streitfall zeigen, worauf eine Auskunft beruhte. Eines, das aus dem Gedächtnis formuliert, steht da wie Air Canada.
Zehn Minuten, bevor Sie ein Angebot einholen
Die Zahlen in diesem Artikel beantworten nicht die Frage, die zählt: Funktioniert es bei Ihnen? Das beantwortet nur ein Versuch mit Ihren eigenen Unterlagen.
Was wir empfehlen
Prüfen Sie zuerst, ob die Frage überhaupt eine RAG-Frage ist. Die vier Ausschlussgründe kosten zehn Minuten und ersparen im Zweifel ein ganzes Projekt.
Testen Sie mit zehn echten Vorgängen aus Ihrem Betrieb. Nicht mit Beispielen des Anbieters, und die Fragen dazu von jemandem gestellt, der die richtige Antwort vorher kennt. Sonst prüfen Sie nur, ob die Antwort überzeugend klingt. Das kostet einen halben Tag.
Behalten Sie diese zehn Vorgänge. Sie sind nicht die Abnahme, sondern Ihr Messgerät. Wiederholen Sie sie halbjährlich und immer dann, wenn der Anbieter ein neues KI-Modell einsetzt.
Rechnen Sie die Ablage in den Aufwand ein. Wenn niemand sagen kann, welche Fassung eines Dokuments gilt, ist das Aufräumen das erste Arbeitspaket und nicht das zweite. Diese Arbeit fällt ohnehin an, mit oder ohne KI.
Neun Fragen an ein RAG-System, gleich welchen Anbieters
- Führt jede Antwort eine Fundstelle mit Dokument, Abschnitt und Fassungsdatum? Ohne das Datum ist die Angabe die Hälfte wert.
- Sagt das System «steht nicht in den Unterlagen», wenn es nichts findet?
- Stimmt bei der Stichprobe nicht nur die Fundstelle, sondern steht der zitierte Satz dort auch wirklich?
- Was passiert, wenn zwei Dokumente sich widersprechen? Erfahren Sie das, oder entscheidet das System still?
- Wie lange dauert es, bis ein geändertes Dokument in den Antworten ankommt, und was passiert mit einem, das Sie zurückziehen?
- Sieht jede Person nur die Antworten, die sie auch in der Ablage sehen dürfte?
- Wird neben der Ähnlichkeitssuche auch nach Stichwörtern gesucht, und lässt sich auf Dokumentart, Fassung und Zeitraum einschränken? Ihre Aktenzeichen hängen am einen, Ihre Fristenfragen am anderen.
- Wohin gehen Ihre Unterlagen beim Aufbereiten und bei jeder Frage, und was steht dazu im Vertrag?
- Welcher Teil des Preises fällt einmalig an und welcher jedes Jahr? Fragen Sie nach Laufzeit, Ausstieg und danach, wem die aufbereiteten Daten gehören.
Offene Fragen
Unsicher, ob Ihr Fall überhaupt einer für RAG ist?
Die Frage lässt sich meist in einem Gespräch klären, und oft lautet die Antwort nein. In einem Erstgespräch schauen wir uns Ihren konkreten Fall an, prüfen die Menge, die Fragen und den Zustand der Ablage, und sagen Ihnen, was der kleinste sinnvolle Schritt wäre. Oft ist das kein Projekt, sondern eine Aufräumaktion.
Quellen 22 AnzeigenSchliessen
- Von Fachleuten geprüft. Stanford RegLab, Magesh und andere, Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies, 2025 · arxiv.org/abs/2405.20362
- Von Fachleuten geprüft. Stanford RegLab, Dahl und andere, Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models, Journal of Legal Analysis, 2024, über 200 000 Anfragen · arxiv.org/abs/2401.01301
- Von Fachleuten geprüft. Wu und andere, ClashEval: Quantifying the tug-of-war between an LLM's internal prior and external evidence, Fachkonferenz NeurIPS, 2024 · arxiv.org/abs/2404.10198
- Von Fachleuten geprüft. Ovadia und andere, Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, Fachkonferenz EMNLP, 2024 · arxiv.org/abs/2312.05934
- Forschung. Google Research, Sufficient Context, zur Halluzinationsrate bei unzureichendem Kontext, 2025; die genannten Werte stammen aus dem Begleitbeitrag im Forschungsblog und gelten für ein kleines KI-Modell · arxiv.org/abs/2411.06037
- Messung. NoLiMa: Long-Context Evaluation Beyond Literal Matching, Fachkonferenz ICML, 2025, zur nutzbaren Länge von Kontextfenstern · arxiv.org/abs/2502.05167
- Hersteller, mit Eigeninteresse. Anthropic, Entwicklerdokumentation zu Kontextfenstern, abgerufen am 21. August 2026, wörtlich: «As token count grows, accuracy and recall degrade, a phenomenon known as context rot» · platform.claude.com
- Hersteller, mit Eigeninteresse. Google, Ankündigung des File-Search-Werkzeugs in der Gemini-Programmierschnittstelle: Ablage, Zerschneiden und Einbetten als Dienst, 15 US-Cent je Million eingelesener Tokens · blog.google
- Hersteller, mit Eigeninteresse. OpenAI, Dokumentation des File-Search-Werkzeugs: Ablage und Suche als Dienst, mit Fundstellenangaben in der Antwort. Preise stehen dort nicht, sondern auf der Preisseite · developers.openai.com
- Rechtsprechung. Moffatt v. Air Canada, 2024 BCCRT 149, Entscheid vom 14. Februar 2024 · canlii.org
- Recht Schweiz. Datenschutzgesetz, Geltungsbereich Art. 2 und Strafbestimmungen Art. 60 bis 64 · fedlex.admin.ch
- Rechtsprechung Schweiz. Erster Strafbefehl nach revDSG, Stadtrichteramt Zürich, 10. Juni 2024, Busse 450 Franken · steigerlegal.ch
- Rechtsprechung Schweiz. Zweiter Strafbefehl, Statthalteramt Bezirk Zürich, 4. März 2025, Busse 600 Franken, Einsprache erhoben · steigerlegal.ch
- Recht EU. Verordnung (EU) 2024/1689 über künstliche Intelligenz, Art. 12 Abs. 2, geändert durch Verordnung (EU) 2026/1744 vom 24. Juli 2026, die die Pflichten für Hochrisiko-KI-Systeme auf den 2. Dezember 2027 verschiebt · eur-lex.europa.eu
- Analyse, ohne offengelegte Methodik. Gartner, «How to Calculate Business Value and Cost for GenAI Use Cases», 2024, Tabelle zum Anwendungsfall Dokumentensuche: 790 bis 1200 US-Dollar je Nutzer und Jahr für den Betrieb. Kostenpflichtiger Bericht, nicht öffentlich abrufbar · gartner.com
- Erhebung. S&P Global Market Intelligence, März 2025, über 1000 befragte Unternehmen in Nordamerika und Europa · spglobal.com
- Erhebung. Deloitte, State of Generative AI in the Enterprise, 2770 befragte Führungskräfte, Erhebung Mai und Juni 2024 · deloitte.com
- Index. Stanford HAI, AI Index Report 2025, zur Preisentwicklung bei Tokens auf festgehaltenem Leistungsniveau · hai.stanford.edu
- Sammlung. Charlotin, AI Hallucination Cases, laufend geführte Datenbank der Gerichtsentscheide, Stand 21. August 2026 · damiencharlotin.com
- Berichterstattung. Rückzahlung von Deloitte Australien, bestätigt am 21. Oktober 2025 · theguardian.com
- Eigene Rechnung. Jahreskosten für 60 Personen aus der Gartner-Spanne je Nutzer und Jahr
- In eigener Sache. digitario, Modellgrössen und Tokens · digitario.ch/artikel/modellgroessen-und-tokens-verstehen
Berät Verwaltungen und Unternehmen bei Beschaffung und Einführung von KI-Systemen. Pflegt die Vergleichsmatrizen auf dieser Seite.