Warum Behördenwissen danebenliegt
Fangen wir mit einer Zahl an. Wer ein Wissensmanagement-Programm hat, sucht pro Woche rund 4,6 Stunden nach Dingen, die er braucht. Wer keines hat, sitzt 8,5 Stunden. Macht 3,9 Stunden Unterschied. Übersetzt in Personal: Auf je tausend Beschäftigte kommen so gut wie achtundneunzig zusätzliche Vollzeitstellen zusammen. Die Zahl stammt aus einer Vergleichsstudie im Bereich Wissensmanagement.
Die Botschaft dahinter ist fast schon peinlich einfach. Dass eine Datei irgendwo liegt – und dass man sie tatsächlich findet und nutzt, sind zwei Paar Schuhe.
Wir von UglyPear Daten bauen leistungsfähige Dokumentenkompression und eine Grundlage für RAG-Datenengineering, meist für Organisationen, die auf vollständig private Bereitstellung angewiesen sind. Im Umfeld von Behörden und öffentlicher Hand begegnet uns immer wieder dieselbe Situation. Die Datenbank steht, die Dokumente sind drin – und trotzdem kommt bei der Frage einer Bürgerin oder eines Sachbearbeiters etwas zurück, das nicht passt. Der erste Reflex: Das Modell taugt nichts, wir brauchen ein stärkeres. Nach unserer Erfahrung liegen die wenigsten Fehlantworten jedoch an der Beantwortung selbst. Sie werden gesät, bevor die erste Datei überhaupt hineingelangt ist.
Das ist nicht nur unsere Meinung. Eine landesweite Erhebung in den USA von Compass Datacenters aus dem Jahr 2025 ergab: 77 Prozent geben zu, mehr Daten zu horten, als sie brauchen; 95 Prozent würden Dateien löschen, aber nur 10 Prozent sind sich sicher, wie man es richtig macht; und 59 Prozent würden lieber abwaschen, als ihre digitalen Unterlagen aufzuräumen. Dateien, die nicht einmal jemand selbst sortieren mag, geht es in einer Maschine kaum besser. Beginnt die Aufnahme im Chaos, kann noch so clevere Beantwortung nur im Rauschen wühlen.
Dieser Artikel geht also nicht darum, welches Modell man wählt. Es geht darum, wo man anfängt, wenn man eine Wissensdatenbank der öffentlichen Hand als ernsthaftes Engineering begreift – nicht als Vorzeigedemo.
Manche der entscheidenden Dinge werden gar nicht erst angefragt. Bei der Abnahme prüft man zumeist nur, ob Funktionen da sind: Lässt sich hochladen, lässt sich fragen, sieht die Oberfläche gut aus. Ob die Antworten drei Monate nach dem Start noch stimmen, misst niemand. Reife Teams legen schon vor der ersten Zeile Fachlogik einen Satz markierter Fragen an. Was fragen Menschen wirklich? Wie sieht eine richtige Antwort aus? Was kommt häufig vor, was liegt am Rand? Auf den ersten Blick hat das mit „Datenbank bauen“ wenig zu tun. Genau daraus wird jedoch eine Messlatte für die Qualität der Suche. Ohne sie bleibt jede spätere Optimierung Bauchgefühl.
Ein Schritt weiter: Auch Fehler und Grenzfälle brauchen von Anfang an ihren Platz. Was, wenn in der Frage ein Tippfehler steckt? Was, wenn eine Frage zwei Dokumente berührt, die sich widersprechen? Was, wenn eine Datei veraltet ist? Klärt man solche Fälle nicht früh, kommen sie nach dem Start als Beschwerde zurück.
Warum der Umweg? Weil zu viele Teams direkt auf die Fähigkeiten zusteuern, die schon auf der Liste stehen: Wir unterstützen semantische Suche, wir haben alles indexiert, wir haben ein großes Modell angeschlossen. Stimmt alles. Aber das sind Mittel, nicht das Problem selbst.
Zurück zur einfachsten Frage: Was will die Person, die fragt, eigentlich wissen? Jemand sagt: „Was muss ich für die Einschulung meines Kindes mitbringen?“ Im Dokument steht: „Nachweispflichtige Unterlagen zur Aufnahme in den Schulunterricht.“ Die beiden Sätze haben kaum ein Wort gemeinsam. Relevanz war nie eine Frage davon, ob Zeichenketten ähnlich aussehen – sondern ob Bedeutungen zusammenpassen. Hat man das verstanden, wird auch klar, warum reine Stichwortsuche im Behördenalltag immer wieder versagt. Sie vergleicht Buchstaben, nicht Absicht.
Auch die Kostenrechnung verdient Aufmerksamkeit. Nicht jede Datei rechtfertigt eine aufwendige semantische Bearbeitung. Verfahrensanleitungen und häufige Fragen zu Vorschriften schon; uralte Sitzungsprotokolle vielleicht nicht. Verlustfrei oder verlustbehaftet – das hängt davon ab, wer das Material später wie wieder hervorholt. Alles gleichmäßig zu polieren kostet Geld und bringt wenig.
Für genau diese Lücke gibt es in der Branche bewährte, öffentlich bekannte Verfahren. Hybride Suche verbindet die Präzision von Stichwörtern mit der Unschärfe von Semantik: Aus beiden Lagern wird eine Trefferliste geholt und dann zusammengeführt. Beim Reranking werden die gefundenen Kandidaten nach Relevanz neu geordnet, die wirklich passenden nach vorn geholt. Anfrageumschreibung und -zerlegung übersetzen Alltagssprache in eine Form, mit der die Suche besser umgehen kann, und zerlegen eine komplizierte Frage in einfachere, die getrennt durchsucht werden. Metadatenfilter grenzen das Feld zuerst nach Datum, Abteilung und Vertraulichkeitsstufe ein, bevor innerhalb dessen gesucht wird. Semantische Segmentierung entscheidet, an welchen Stellen ein langes Dokument geteilt wird: zu klein und der Zusammenhang geht verloren, zu groß und das Rauschen wandert mit hinein.
Das sind offene Verfahren der Branche – keine Checkliste, die jeder Anbieter vollständig abgehakt hat. Fragt Punkt für Punkt nach. Ein Fachbegriff zu hören und anzunehmen, damit sei alles erledigt, ist ein sicherer Weg, sich später zu ärgern.
Genau in diese Richtung geht das, was wir kürzlich auf der Suchseite vorangebracht haben: Das gesamte Material wird in einen durchsuchbaren semantischen Index überführt, auch umgangssprachliche Fragen werden verstanden, die Antwortzeit von Ende zu Ende ist von früher Minuten in den unteren zweistelligen Sekundenbereich gesunken – und umgangssprachliche wie formale Formulierungen laufen gemeinsam durch einen Regressionstest, damit beide treffen. Der Wert liegt nicht in schönen Kennzahlen. Er liegt darin, dass „die Antworten stimmen“ von einem Slogan zu etwas Nachvollziehbarem wird.
Compliance ist im Behördenumfeld eine Hürde, an der man nicht vorbeikommt. Was schlechte Dokumentenverwaltung kosten kann, zeigt ein Blick in die Durchsetzungsstatistik zur EU-Datenschutz-Grundverordnung: Bußgelder im Zusammenhang mit mangelhafter Dokumentenverwaltung liegen im Schnitt bei rund 4,2 Millionen Euro. Hinter der Zahl steckt eine nüchterne Tatsache – sobald Daten die eigene Grenze verlassen oder in falsche Hände geraten, geht der Schaden weit über ein technisches Problem hinaus. In einer Behörden-Wissensdatenbank darf Compliance deshalb kein Vermerk sein, den man kurz vor dem Start noch anhängt. Sie muss der Ausgangspunkt sein. Welche Felder als sensibel gelten, ob sie bei der Aufnahme automatisch maskiert werden, nach welchen Rechten bei der Suche gefiltert wird, ob jede Aktion protokolliert wird – das steht von Anfang an fest. Nur dann zieht das System in den Arbeitsalltag ein statt auf einem Ausstellungsbildschirm zu stehen.
Und woher weiß man, dass all das wirklich funktioniert? Dazu gehört die andere Hälfte des Handwerks: unabhängige Prüfung. Sorgfältige Teams halten einen markierten Fragesatz bereit, der nie in Entwicklung und Fehlersuche einfließt – eine Art zweite Klassenarbeit. Kennzahlen müssen offline nachvollziehbar sein: Wer sie erneut berechnet, sollte ungefähr dasselbe Ergebnis erhalten. Bei wichtigen Änderungen gibt es Blindvergleiche, bei denen die Bewertenden nicht wissen, welche Version die neue ist. Regressionstests bleiben dauerhaft liegen und laufen bei jedem Update automatisch – damit man nicht an einer Stelle repariert und an der nächsten kaputt macht. Kommen echte Nutzersignale und externe Audits hinzu, ist die Beweiskette vollständig. Wer nur sagt „unsere Genauigkeit ist hoch“, aber kein nachvollziehbares Verfahren vorlegen kann, verdient erst einmal einen skeptischen Blick.
Legt man diese Dimensionen nebeneinander, lassen sich die gängigen Wege zu einer Behörden-Wissensdatenbank so vergleichen:
| Auswahlkriterium | Öffentliche Cloud, direkt angebunden | Stichwortsuche plus manuelle Pflege | Private Wissensdatenbank (Kompression + Suche + Governance) |
|---|---|---|---|
| Verlässt die Daten das Netz? | Ja | Nein | Nein |
| Sind Antworten nachvollziehbar? | Schwach | Stark | Stark |
| Umgang mit Alltagssprache | Stark | Schwach | Stark |
| Maskierung sensibler Daten | Zugesagt | Von Hand | Automatisierbar |
| Aktualisierung und Rücknahme | Unkontrolliert | Von Hand | Inkrementell, rücknehmbar |
| Wer prüft die Qualität? | Angabe des Anbieters | Keine systematische Prüfung | Unabhängige Markiersätze und Regressionstests |
Die Tabelle liest man vor dem Hintergrund der eigenen Vorgaben. Ob Daten das Netz verlassen dürfen, ist im Behördenumfeld meist die erste harte Linie – allein dieses Kriterium streicht den direkten Weg über die öffentliche Cloud. Ob eine Antwort auf ihre Quelle zurückzuführen ist, entscheidet darüber, ob ein Bescheid nachprüfbar bleibt; auch das ist hart. Der eigentliche Abstand zwischen den Wegen zeigt sich jedoch in der letzten Zeile: Wer prüft die Qualität? Ein Weg, der nur auf die Angabe des Anbieters vertraut, gibt die Abnahmehoheit aus der Hand.
Noch ein Wort zur Kompression. Viele halten sie für eine Nebensache beim Speichern; in einer Wissensdatenbank ist sie ein vorgeschalteter Schritt. Die Ausgangslage: Behördenmaterial ist ein Gemisch aus Scans, Tabellen und Fotos, eine einzelne Akte schnell mehrere Dutzend Megabyte groß, und alles unkomprimiert aufzunehmen ist langsam und verbraucht Platz. Der Mechanismus: Kompression reduziert das Volumen, indem sie Doppeltes und Überflüssiges entfernt; richtig gemacht bleibt die Schärfe von Text, Stempeln und Diagrammen erhalten, und maschinelles Lesen sowie die Rückverfolgung leiden nicht darunter. Der Nutzen: Bei massenhaftem, parallelem Import nimmt die vorgeschaltete Kompression Druck von Speicherung und Übertragung, und der semantische Index danach läuft deutlich runder. Das Volumen sinkt in der Regel um 60 bis 80 Prozent, während Stempel und Diagramme lesbar bleiben. Kurz gesagt spart Kompression nicht nur Platz, sondern auch die Wartezeit, die in der gesamten Kette steckt.
Das ist der Grund, warum wir Kompression und Wissensdatenbank zusammen angehen. Die Grundlage für RAG-Datenengineering von UglyPear Daten deckt alles ab – von der Kompression und Formatbereinigung vor der Aufnahme bis zu Suche und Beantwortung – und beherrscht die automatische Maskierung von dreizehn Kategorien sensibler KI-Informationen. Zusammen mit der vollständig privaten Bereitstellung laufen Kompression, Indexierung und Beantwortung vollständig in der eigenen Umgebung des Kunden, und die Daten verlassen das Netz nicht. Der Wert dieses Weges liegt nicht darin, dass eine einzelne Kennzahl führend wäre, sondern darin, dass er „speichern, verwalten, suchen, nutzen“ zu einer Kette verbindet, die sich prüfen und zurückverfolgen lässt.
Zurück zur Zahl vom Anfang. 3,9 Stunden weniger, achtundneunzig Vollzeitstellen mehr – das klingt nach Effizienz. Für eine Behörde ist es jedoch eher eine Frage des Vertrauens: Wenn jemand eine Frage stellt, bekommt er dann eine Antwort, die stimmt, die sich nachprüfen lässt und die keine Privatsphäre preisgibt? Die Arbeit vor der Aufnahme erledigen, Qualität zu einer messbaren Größe machen und das Recht zu prüfen in der eigenen Hand behalten – erst dann ist eine Wissensdatenbank nicht wieder eine Vorzeigeattrappe mit danebenliegenden Antworten.
Jetzt ausprobieren
Wenn Sie mit einer Behörden-Wissensdatenbank ringen, die danebenliegende Antworten liefert, Daten aus dem Netz lässt oder keine Möglichkeit bietet, Qualität zu prüfen, schauen Sie sich den Ansatz von UglyPear Daten an: die Grundlage für RAG-Datenengineering und die vollständig private Bereitstellung. Weitere Gedanken zu Kompression und Wissensdatenbanken finden sich im technischen Blog.
Häufige Fragen
Q: Liegt eine Behörden-Wissensdatenbank daneben – hilft da ein stärkeres Modell?
A: Meistens nicht. Die Ursache liegt oft vor der Aufnahme: unordentliche Dateien, ungünstige Segmentierung, fehlende Metadaten. So stark die Beantwortung auch ist, sie sucht im Rauschen. Machen Sie Datenpflege und Suchqualität erst messbar – über einen Modellwechsel lässt sich danach reden.
Q: Gehen semantische Suche und Alltagsfrage-Antwort auch ohne Datenabfluss aus dem Netz?
A: Ja. Semantischer Index, Suche und Beantwortung lassen sich vollständig in der eigenen Umgebung des Kunden betreiben; die Daten müssen das Netz nicht verlassen. Mit Kompression und Maskierung schließt sich die gesamte Kette innerhalb einer privaten Bereitstellung.
Q: Wie beurteile ich, ob eine Wissensdatenbank richtig antwortet?
A: Achten Sie auf ein nachvollziehbares Verfahren: einen unabhängigen Satz markierter Fragen, offline nachrechenbare Kennzahlen, Blindvergleiche und dauerhaft laufende Regressionstests. Wer nur „hohe Genauigkeit“ behauptet, aber kein Prüfverfahren benennen kann, ist mit Vorsicht zu genießen.
Q: Macht Kompression Stempel oder Tabellen unlesbar?
A: Richtig gemacht nicht. Die Kompression reduziert das Volumen, erhält aber die Schärfe von Text, Stempeln und Diagrammen; das Ergebnis lässt sich vorab ansehen und prüfen, bevor es in die weitere Suche geht.
Q: Braucht diese Lösung zwingend eine öffentliche Cloud?
A: Nein. Sie lässt sich vollständig im eigenen Netz des Kunden betreiben; Kompression, Indexierung, Beantwortung und Maskierung laufen lokal, und die Daten verlassen das Netz nicht.