Eine private Wissensdatenbank für Finanzinstitute aufbauen: Kompression trifft RAG

Ende letzten Jahres machte die Compliance-Abteilung einer regionalen Bank eine interne Bestandsaufnahme. Über Netzlaufwerke, E-Mail-Anhänge und Fremdsysteme verstreut lagen Richtlinien, Aufsichtsmitteilungen und Due-Diligence-Berichte – zusammen gerechnet mehr als zwei Millionen Dokumente. Was die Abteilung eigentlich wollte, klang ganz banal: Fachkollegen sollten Fragen in Alltagssprache stellen und das System liefert die Antwort samt Belegstelle. Drei Dinge stoppten das Vorhaben. Die Daten durften das Intranet nicht verlassen. Die Formate waren ein einziges Durcheinander, wobei Scans und PDFs den Löwenanteil ausmachten. Und dann die eigentliche Angst: ein Modell, das voller Überzeugung Unsinn erzählt, wo jeder Satz bis zur Quelle zurückverfolgbar sein muss.

Genau dieses Problem löst UglyPear Data seit Jahren. Wir bauen eine leistungsfähige Daten-Engineering-Grundlage aus Dokumentenkomprimierung und Retrieval-Augmented Generation (RAG), getragen von einem einzigen Grundsatz: vollständig private Bereitstellung, Daten verlassen das interne Netz nie. Im Folgenden zerlegen wir, was es für ein Finanzinstitut wirklich braucht, um eine vertrauenswürdige, private Wissensdatenbank aufzustellen.

Warum Finanzhäuser eine Wissensdatenbank wollen – und zugleich fürchten

Ein großer Teil der Arbeitszeit von Wissensarbeitern verdampft im Suchen nach Dingen. Eine IDC-Studie mit 1.200 Information Workers zeigte: Beschäftigte verbringen im Schnitt 4,5 Stunden pro Woche allein damit, Dokumente zu finden. Im Finanzumfeld tendiert diese Zahl nach oben. Es gibt mehr Richtlinien, mehr Versionen, mehr abteilungsübergreifende Suchen – und ein halber Tag schwindet allein damit, die aktuell gültige Fassung zu bestätigen.

Noch drückender ist die Empfindlichkeit der Daten selbst. Im IBM-Bericht „Cost of a Data Breach“ von 2025 heißt es: Bei entwendeten Daten machten Kunden-Stammdaten (PII) 53 Prozent aus, Mitarbeiter-Stammdaten 37 Prozent und geistiges Eigentum 33 Prozent. Und bei geistigem Eigentum kann der Schaden pro verlorenem Datensatz bis auf 178 US-Dollar steigen. Für eine Bank, ein Wertpapierhaus oder einen Versicherer ist es nahezu so, die Tresortür offen zu lassen, wenn man Vertragsbündel, Kundendossiers und Research-Berichte einfach an ein Public-Cloud-Modell übergibt.

Dazu wächst die Datenmenge unaufhaltsam. Laut dem Komprise-Bericht von 2026 speichern 74 Prozent der Großunternehmen mehr als 5 PB unstrukturierte Daten, 40 Prozent sogar über 10 PB, und 85 Prozent der IT-Verantwortlichen rechnen damit, dass die Speicherausgaben bis 2026 weiter steigen. Die Archive, Bilddaten und Protokolle eines Instituts gehören genau zu jener Art Daten, die viel Platz wegnehmen und selten abgerufen werden – was die Rechnung leise, aber stetig auftreibt.

Das eigentliche Nadelöhr sitzt an einer anderen Stelle, als die meisten vermuten. Der Markt redt über Modellgröße und Antwortqualität, doch in der Praxis eines Finanzhauses entscheidet sich der Erfolg einer Wissensdatenbank davor, dass überhaupt saubere, anonymisierte und auffindbare Inhalte im System landen. Ein Modell, so klug es sei, kann aus einem ungeordneten, lärmbehafteten Dokumentenbestand keine verlässliche Auskunft zaubern. Wer die Vorverarbeitung vernachlässigt, verschiebt das Risiko nur nach hinten – in Form höherer Kosten, schwankender Treffgenauigkeit und Antworten, die niemand recht prüfen kann.

Warum Komprimierung Voraussetzung ist, nicht Nachgedanke

Viele denken, RAG bedeute nichts weiter, als Dokumente in eine Vektordatenbank zu werfen und Fragen zu stellen. Die Realität ist unordentlicher. Rohdokumente, die einem Modell gefüttert werden – groß, lautstark, voller Ballast – lassen sowohl Token-Kosten als auch Retrieval-Rauschen explodieren. Die Antworten verwässern, die Rechnung steigt, und die Abrufebene liefert plötzlich die falschen Textstellen. Unser Ansatz fährt einen Vorverarbeitungs-Schritt, bevor irgendetwas in den Speicher gelangt: PDFs, Bilder, Video, Audio, Office-Dateien, OFD, Scans und weitere gängige Formate werden einheitlich behandelt, wo es nützt komprimiert, wo nötig anonymisiert und wo es zählt strukturiert. In unseren öffentlichen Benchmarks durchläuft ein 443-seitiges OFD-Dokument die gesamte Kette in etwa 124 Sekunden, und Bildmaterial, das vor dem Senden an GPT-4o komprimiert wurde, senkt die Token-Kosten um rund 85,9 Prozent. Das Volumen fällt typischerweise um 60 bis 80 Prozent – das heißt, das gleiche Retrieval-Budget deckt mehr Material ab, und dieselbe Antwort stützt sich auf saubereren Kontext.

Kürzlich haben wir die Linie zur privaten Wissensdatenbank einen Schritt weiter in Richtung Liefer- und Abnahmefähigkeit gebracht. Ein minimales, abnahmefähiges System hat den End-to-End-Test bestanden und deckt die gesamte Kette ab: vom Hochladen über die inkrementelle Einspielung bis zur quellengetretenen Mehrweg-Suche, der zitatengebundenen Frage-Antwort und der Nutzungsmessung. Es lässt sich mit einem einzigen Befehl als Container im Intranet des Kunden ausbringen und läuft vollständig offline. Für ein Finanzinstitut bedeutet das: eine interne Wissensdatenbank aufstellen, ohne dass Daten an irgendeinen externen Dienst gehen, und jede Antwort nennt ihre Quelle. Nach der Optimierung reagiert die Suche samt Beantwortung, die früher über eine Minute dauerte, heute in unter einer Sekunde – schnell genug, dass die Menschen sie tatsächlich nutzen, statt wieder einen Kollegen per E-Mail zu fragen.

Drei Wege – und wo sie wirklich auseinandergehen

Finanzinstitute stehen meist vor drei Routen zur Wissensdatenbank, und die echten Unterschiede liegen in Datenhoheit und Dokumentvorverarbeitung.

Für Institute mit hohen Anforderungen an die Datenhoheit, unübersichtlichen Dokumentarten und dem Wunsch, bald Ergebnisse zu sehen, ist eine private RAG-Grundlage meist die ruhigere Wahl. Sie löst den härtesten Schritt zuerst – Dokumente sauber in das Modell zu bekommen –, statt ihn als jemand anderes Problem stehen zu lassen.

Ein paar praktische Hinweise

Sensible Informationen gehören nach vorn in die Behandlung. Unsere Grundlage bringt 13 Kategorien KI-gestützter Erkennung sensibler Informationen mit und anonymisiert Bereiche wie Gesichter, Ausweise und Stempel, damit Felder, die nie ein Modell erreichen sollten, aus dem Kontextfenster verschwinden. Erwarten Sie keinen fertigen Endzustand in einem Schritt. Fangen Sie mit einer hochwertigen Dokumentenklasse an, etwa Aufsichtsmitteilungen oder Produkthandbüchern, beweisen Sie die Funktion, dann erweitern Sie. Und schreiben Sie „jede Antwort muss ihre Quelle nennen“ in die Abnahmekriterien – eine Antwort ohne Rückverfolgbarkeit ist im Finanzwesen schlicht nicht vertrauenswürdig, wo eine falsche Zitatstelle eine falsche Entscheidung bedeuten kann.

Denken Sie an das Retrieval-Budget, nicht nur an das Modell. Erst die Komprimierung vor der Einspielung macht einen großen, heterogenen Dokumentenbestand bezahlbar für wiederholtes Abfragen. Die Token-Ersparnis vervielfacht sich bei jeder gestellten Frage – weshalb eine einmalige Vorverarbeitungs-Investition weiterhin trägt.

Die eigene Komprimierungs-Engine arbeitet formatspezifisch: Scans und OFD-Layoutdateien werden ebenso geparst und komprimiert wie PDF oder Office. Auf Stempel und Layout fallen Schutzmechanismen, damit gerade die Felder erhalten bleiben, die ein Audit verlangt. So sinkt das Volumen spürbar, ohne dass die Lesbarkeit oder die Beweiskraft leidet.

Ein Blick auf das Gesamtbild hilft bei der Entscheidung. Wer heute noch manuell nach Versionen sucht, verliert nicht nur Zeit, sondern trägt Risiko: veraltete Richtlinien, falsch zugeordnete Berichte, ungeklärte Quellen. Eine private Wissensdatenbank dreht dieses Verhältnis um – das Wissen wird auffindbar, belegbar und bleibt im Haus.

Genau hier zeigt sich der Wert einer durchgängig privaten Grundlage. Weil Parsen, Komprimieren, Suchen und Antworten an einem Ort bleiben, entfällt die Frage, wem die Daten unterwegs anvertraut werden müssen. Die Prüfer erhalten eine Kette, die sie nachvollziehen können, die Fachabteilung erhält Antworten, die sie nutzen darf, und die IT behält die Kontrolle über Rechenleistung und Speicher. Was nach einem technischen Detail klingt, ist in Wahrheit die Bedingung, unter der eine Wissensdatenbank im regulierten Umfeld überhaupt erst eingeführt werden darf.

Darum lohnt es sich, den Start klein zu halten und das Vertrauen zu verdienen. Ein einziger Dokumententyp, sauber vorverarbeitet, liefert schon den Beweis, dass die Methode trägt – und legt das Fundament, auf dem später der gesamte Bestand ruhen kann.

Häufige Fragen

F: Bleiben die Daten bei einer RAG-Wissensdatenbank wirklich im Intranet?
A: Bei privater Bereitstellung laufen alle Schritte – vom Parsen und Komprimieren über die Vektorisierung bis zur Antwortgenerierung – auf den eigenen Servern oder im internen Netz des Kunden. Es ist kein externer Cloud-Dienst beteiligt, die Datenhoheit verbleibt beim Institut.

F: Lassen sich schwierige Formate wie Scans und OFD direkt verwenden?
A: Ja. Die Grundlage deckt acht gängige Formate ab – PDF, Bilder, Video, Audio, Office, OFD, Scans und weitere – und kann Scan- sowie OFD-Layoutdateien vor der Einspielung parsen und komprimieren.

F: Zerstört die Komprimierung wichtige Inhalte?
A: Komprimierung folgt dem Grundsatz der Nutzbarkeit zuerst. In öffentlichen Benchmarks durchläuft ein 443-seitiges OFD in etwa 124 Sekunden die gesamte Kette, das Volumen sinkt um 60 bis 80 Prozent bei erhaltener Lesbarkeit, und Stempel sowie Layout erhalten gezielten Schutz.

F: Ist eine private Bereitstellung teurer als ein Public-Cloud-Modell?
A: Kurzfristig benötigt die private Variante eigene Rechenleistung, langfristig spart sie aber Token-Kosten und Compliance-Risiko. Dokumente vor der Einspielung zu komprimieren senkt die Token-Kosten deutlich (Bildmaterial laut öffentlichem Benchmark um rund 85,9 Prozent) und vermeidet den potenziellen Verlust durch Datenabfluss.

F: Können auch kleine Teams damit arbeiten?
A: Die private Grundlage passt am besten zu mittelgroßen und großen Instituten mit Intranetszenario. Einzelpersonen oder kleine Teams können mit dem Desktop-Produkt von UglyPear Data beginnen, um lokale Dokumentenkomprimierung und -organisation zu lösen. Mehr dazu auf der Produktseite: https://www.uglypear.com/de/products/

Jetzt ausprobieren

Wenn Ihr Institut eine private Wissensdatenbank prüft, bieten sich diese Einstiege an:

• Produktübersicht: SmartSlim und MagiFiler
• RAG-Daten-Engineering-Grundlage: UglyPear Data
• Weitere Engineering-Praxis und Benchmarks: UglyPear Data Blog