In Deutschland entwickelt.
Dokumente, Produktdaten und Systemkontext werden als gemeinsame Wissensbasis nutzbar.
Enterprise RAG & AI Platform
RetrieX – die Plattform für verbundenes Unternehmenswissen.
RetrieX geht über klassisches Enterprise RAG hinaus: Die Plattform verbindet Unternehmenswissen, strukturierte Daten und angebundene Systeme zu einem kontrollierten Kontext. Modelle, Zugriffe und Qualitätsgrenzen lassen sich passend zur Aufgabe steuern – für fundierte KI-Antworten, Analysen, Empfehlungen und Inhalte.
In Deutschland entwickelt.
Beziehungen, Rollen, Regeln und Wissensstand bestimmen, was eine Aufgabe tatsächlich braucht.
Modellwahl und Betriebsform lassen sich an Qualität, Latenz, Kosten und Infrastruktur anpassen.
Herkunft, Grenzen und Qualität bleiben Teil des Arbeitskontexts und damit kontrollierbar.
Freie ModellwahlNicht an einen einzelnen LLM-Anbieter gebunden
Flexible BereitstellungCloud, Private Cloud oder On-Premise
Führende Systeme bleiben führendSystemdaten kontrolliert als Kontext einbeziehen
Qualität unter KontrolleBelege, Antwortgrenzen und Evals kontinuierlich prüfen
RetrieX Platform
Wissen verbinden. Aufgaben schneller lösen. Kontrolle behalten.
RetrieX verbindet Dokumente, Produktdaten und angebundene Unternehmenssysteme zu einem nutzbaren Wissenskontext. Darauf können unterschiedliche Aufgaben aufsetzen – von Fachfragen und Analysen bis zu Beratung, Content und interner Wissensassistenz.
Platform Capabilities
Plattform für unterschiedliche Wissensarbeit mit KI.
RetrieX trennt Datenquellen, fachlichen Kontext, Ausgabe und Kontrolle. So kann dieselbe Wissensbasis mehrere Arbeitsprozesse bedienen, ohne für jeden Use Case eine eigene KI-Insel aufzubauen.
Knowledge Spaces
Wissen dort anbinden, wo es gepflegt wird
Dokumente, Shop, PIM, ERP, CRM, Session-Kontext und freigegebene Tools als unterscheidbare Wissensquellen verbinden.
Semantic Context
Produkte, Messwerte und Beziehungen verstehen
Fachliche Signale wie Varianten, Parameter, Einheiten, Rollen, Codes und Relationen strukturiert im Kontext halten.
Task Outputs
Antworten, analysieren, empfehlen und erstellen
Je nach Prozess entstehen Fachantworten, Zusammenfassungen, Vergleiche, Empfehlungen oder vorbereitete Inhalte aus derselben Wissensbasis.
Evidence & Answer Governance
Ausgaben an ihre Grundlage binden
Belegte Aussagen, offene Punkte und Grenzen bleiben unterscheidbar, statt in einer scheinbar sicheren Modellantwort zu verschwinden.
Tools & Analysis
Externe Systeme und Berechnungen sicher nutzen
Commerce-Daten, Read-only-Tools oder definierte Analysekomponenten können gezielt eingebunden werden, wenn eine Aufgabe mehr als Dokumentwissen benötigt.
Enterprise Control
Zugriff, Qualität und Betrieb steuern
Rollen, Wissensstände, Modelle, Verbindungen und Evals bleiben kontrollierbare Systemebenen.
Semantic Retrieval
Strukturierte Semantik trifft evidenzbasiertes Retrieval.
Ontologische Präzision ohne Overhead.
RetrieX verbindet strukturierte Semantik mit evidenzbasiertem Retrieval.
Damit entsteht ein Ansatz, der über klassische Ähnlichkeitssuche hinausgeht,
ohne die Komplexität traditioneller semantischer Infrastrukturen zu übernehmen.
Mehr als Ähnlichkeitssuche
Im Unterschied zu klassischen RAG-Systemen arbeitet RetrieX nicht nur mit Ähnlichkeitssuche. Beziehungen, Rollen, Attribute und strukturierte Fakten fließen direkt in Retrieval, Ranking und Evidenzprüfung ein.
Semantik ohne Ontologie-Overhead
Gleichzeitig bleibt RetrieX leichter und flexibler als klassische Ontologie- oder Knowledge-Graph-Systeme. Neue Wissensdomänen können integriert werden, ohne für jede Domäne komplexe Ontologien, Graphmodelle oder Reasoning-Infrastrukturen aufzubauen.
Aussage, Evidenz und Quelle bleiben verbunden
RetrieX liefert damit nicht nur eine Antwort. Die Verbindung zwischen Aussage, Evidenz und Originalquelle kann erhalten bleiben und als nachvollziehbarer Bestandteil der Antwort genutzt werden.
Die semantische Präzision ontologischer Systeme – kombiniert mit der
Flexibilität, Geschwindigkeit und Dokumentnähe moderner RAG-Architekturen.
Semantic understanding without semantic infrastructure overhead.
Knowledge Spaces & Connections
Wissen muss nicht in einem einzigen Repository liegen.
RetrieX kann unterschiedliche Quellenarten gemeinsam nutzbar machen, ohne sie zu einer ununterscheidbaren Kontextmasse zu verschmelzen. Jeder Wissensraum behält Herkunft und Rolle.
So können Dokumentwissen, aktuelle Systemdaten und kontrollierte externe Ressourcen zusammenarbeiten, ohne dass ihre unterschiedlichen Verantwortlichkeiten verloren gehen.
Standardwissen
Kuratierte Wissensbasis aus Dokumenten, Richtlinien und freigegebenen fachlichen Inhalten.
Session-Kontext
Temporäre Dokumente oder Informationen nur für eine konkrete Sitzung oder Fragestellung.
Commerce & Systemdaten
Produkt-, Preis-, Verfügbarkeits-, Varianten- und andere strukturierte Fakten aus angebundenen Systemen.
MCP-Ressourcen
Kontrolliert angebundene externe Inhalte und freigegebene Read-only-Tools.
Modelle & Betrieb
Modelle und Betrieb passend zur Aufgabe wählen.
RetrieX bindet Unternehmen nicht an ein bestimmtes LLM oder einen einzelnen Anbieter. Modelle und Betriebsform können an Aufgabe, Datenschutz, Compliance und vorhandene Infrastruktur angepasst werden.
Nicht an einen LLM-Anbieter gebunden
Cloud-Modelle, eigene Endpoints oder lokal bereitgestellte Modelle können über definierte Schnittstellen eingebunden und bei Bedarf ausgetauscht werden. Die Plattformlogik bleibt davon getrennt.
Für jede Aufgabe das passende Modell einsetzen
Query-Aufbereitung, Klassifikation, Tool-Auswahl oder die finale Antwort können unterschiedliche Modelle nutzen. Einfache Schritte können mit kleineren oder schnelleren Modellen laufen, komplexe Aufgaben mit leistungsfähigeren – für ein sinnvolles Verhältnis aus Qualität, Latenz und Kosten.
Cloud, Private Cloud oder On-Premise
Die Betriebsarchitektur kann an die Anforderungen des Unternehmens angepasst werden. Werden Modelle und angebundene Systeme lokal betrieben, kann auch der Verarbeitungspfad innerhalb der eigenen Umgebung bleiben.
Aktualität, Zugriff & Nutzung
Der richtige Wissensstand für die richtige Person – dort, wo er gebraucht wird.
RetrieX behandelt Wissen, Systemdaten und Zugriffe nicht als eine gemeinsame Datenmasse. Herkunft, Wissensstand und Freigaben bleiben Teil des Arbeitskontexts, damit Informationen gezielt und kontrolliert genutzt werden können.
Führende Systeme bleiben führend
Dokumentwissen behält Version und Herkunft. Strukturierte Fakten aus Shop, PIM, ERP oder CRM können über kontrollierte Verbindungen als Systemkontext einbezogen werden, statt sie dauerhaft in statischen Text zu kopieren.
Wissen wird nicht automatisch für alle sichtbar
Knowledge Spaces, Nutzerrollen und Systemverbindungen bleiben getrennte Grenzen. Welche Informationen ein Arbeitsfall nutzen darf, wird bewusst freigegeben und nicht allein durch die Existenz einer Quelle bestimmt.
Eigener Wissenszugang oder Teil bestehender Abläufe
RetrieX kann als eigener Wissenszugang genutzt oder über definierte System- und Tool-Verbindungen in vorhandene Arbeitsabläufe eingebunden werden. Die konkrete Integration richtet sich nach Use Case und Systemlandschaft.
Knowledge Quality & Governance
Wissen prüfen, bevor es zum Antwortkontext wird.
RetrieX behandelt Dokumente nicht als unveränderliche Dateien. Versionen, Herkunft, mögliche sensible Inhalte und die Qualität abgeleiteter Wissensversionen bleiben als eigene Prüfschritte sichtbar.
Widersprüche vor der Nutzung sichtbar machen
Abweichende Werte, widersprüchliche Aussagen oder konkurrierende Wissensstände können als Prüfsignal sichtbar bleiben, bevor sie in den Antwortkontext einfließen.
Jede Wissensversion behält ihre Herkunft
Originale, bereinigte Versionen und abgeleitete Wissenskarten behalten Versions- und Herkunftsnachweise, statt frühere Stände still zu überschreiben.
Struktur verbessern, Inhalt gegenprüfen
Dokumente können kontrolliert in Markdown-Wissenskarten normalisiert und anschließend gegen das Original auf Struktur, Werte, Einheiten und weitere Inhaltsanker verglichen werden.
Sensitive Data Control
Entscheiden Sie, was die KI überhaupt sehen darf.
Nicht jeder Inhalt sollte ungeprüft in einen KI-gestützten Verarbeitungsschritt gelangen. RetrieX kann mögliche personenbezogene oder sensible Informationen bereits innerhalb des Wissensprozesses lokal prüfen, markieren und offene Fälle zurückhalten, bevor eine nachgelagerte KI-Transformation ausgeführt wird.
Controlled AI Processing
Control before prompt
01 · INPUT
Dokumente & Wissen
Dokumente und Wissensbestände gelangen zunächst in den kontrollierten
RetrieX-Verarbeitungspfad.
02 · LOCAL REVIEW
Sensible Inhalte prüfen
Lokale Prüfungen können Hinweise auf personenbezogene oder sensible
Informationen erkennen und markieren.
03 · CONTROL GATE
Freigeben oder zurückhalten
Offene Hinweise können den nächsten KI-gestützten Verarbeitungsschritt
blockieren, bis der Inhalt bewertet wurde.
04 · AI PROCESSING
Kontrollierte Weiterverarbeitung
Erst danach kann der freigegebene Verarbeitungspfad mit dem dafür
vorgesehenen Modell fortgesetzt werden.
Die entscheidende Grenze liegt vor dem KI-Schritt: Ein erkannter Hinweis muss nicht erst beim Modellanbieter behandelt werden. RetrieX kann ihn bereits im vorgelagerten Wissensworkflow sichtbar machen und eine weitere KI-gestützte Verarbeitung zunächst zurückhalten.
Lokale Prüfung
Prüfungen auf mögliche sensible oder personenbezogene Inhalte können innerhalb des RetrieX-Verarbeitungspfads stattfinden, bevor nachgelagerte KI-Hilfen eingesetzt werden.
Blockieren statt blind weiterleiten
Auffällige Inhalte können zunächst zurückgehalten werden. Dadurch wird aus einer Erkennung ein kontrollierbarer Prozess statt lediglich ein nachträglicher Hinweis.
Bewusste Freigabe
Offene Hinweise bleiben sichtbar und können bewertet werden, bevor der nächste Verarbeitungsschritt erfolgt. Kritische Entscheidungen verschwinden damit nicht unsichtbar in einer automatisierten Pipeline.
Unabhängig vom LLM-Anbieter
RetrieX bindet Unternehmen nicht an einen bestimmten Modellanbieter. Cloud-Modelle, eigene Endpoints oder lokal betriebene Modelle können passend zu Datenschutz, Compliance und Infrastruktur eingesetzt werden.
Evidence Governance
Bei jeder Aussage bleibt erkennbar, worauf sie basiert.
RetrieX führt nicht nur Quellen neben einer Antwort auf. Die Plattform macht explizit, welche Evidenz welche Aussage trägt, wo Unterstützung nur teilweise reicht und wo ein benötigter Beleg fehlt.
Evidence Ledger
Quelle Atechnischer Wertdirekt
Quelle BProduktzuordnungdirekt
Quelle CEignungteilweise
—explizite Freigabefehlt
Claim Verification
Technischer Wertdirekt gestützt
Eignungnur teilweise gestützt
Freigabenicht belegt
Support State
PARTIALLY SUPPORTED
Technische Fakten sind belegt. Die weitergehende Freigabe bleibt als nicht gestützte Aussage erkennbar.
Answer Controls
Die Beleglage bestimmt, wie klar RetrieX antwortet.
Aus Evidence- und Support-Signalen entstehen klare Antwortgrenzen. Je nach Beleglage kann RetrieX präzise formulieren, Aussagen einschränken, Unsicherheit sichtbar machen oder einen Claim offenlassen.
Direkt belegt
präzise Aussage
Teilweise belegt
begrenzte Aussage
Schwach belegt
vorsichtige Aussage
Nicht belegt
keine sichere Behauptung
Fachwissen im Kontext
RetrieX versteht nicht nur Text, sondern auch die Fachsprache darin.
Produkte, Produktnummern, Parameter, Messwerte, Einheiten, Rollen, Codes und Beziehungen geben Fachwissen seinen eigentlichen Kontext. RetrieX kann diese Signale strukturiert erfassen und bei der Suche und Analyse gezielt berücksichtigen.
Das Training auf Ihre Wissensdomäne legt fest, welche Begriffe, Einheiten, Rollen und Beziehungen für den jeweiligen Arbeitsfall wichtig sind. Die technische Plattform bleibt dabei fachneutral.
01
Document ChunksText · Tabellen · Überschriften · Metadaten
+
02
Domain ConfigurationTerms · Roles · Units · Relations · Tags
→
03
Structured SignalsProducts · Parameters · Measurements · Codes
↓
More precise diagnostics & evaluation
Evaluation & Continuous Improvement
Änderungen dürfen die Antwortqualität nicht unbemerkt verschlechtern.
Quality Loop
testen · beobachten · nachschärfen
Questions · Assertions · Feedback · Diagnostics
controlled improvement
Fragen mit erwarteten Kriterien prüfen
Vordefinierte Eval-Fälle prüfen unter anderem Retrieval, Faktenabdeckung, Antwortgrenzen, Factuality, Quellenkonflikte und Wissensräume reproduzierbar auf Pass/Fail-Kriterien.
Wissenslücken und wiederkehrende Probleme sichtbar machen
Fehlende Belege, widersprüchliche Quellen, offene Fragen und Nutzerfeedback können als Review-Signale eingeordnet werden. So wird sichtbar, wo Wissen, Regeln oder Tests gezielt verbessert werden sollten.
Änderungen gegen eine Baseline prüfen
Nach Wissens-, Konfigurations- oder Modelländerungen kann dieselbe Eval-Basis erneut ausgeführt werden. So werden Regressionen sichtbar, bevor neue Stände als Verbesserung gelten.
Enterprise Trust & Control
Zugriffe, Änderungen und Qualität bleiben kontrollierbar.
RetrieX trennt Datenprüfung, Zugriffsrechte, Modellaufgaben und Betriebsänderungen voneinander. Dadurch bleibt nachvollziehbar, wer was verändern darf, welche Systeme beteiligt sind und wie sich ein neuer Stand erneut prüfen lässt.
Data safety gates
Hinweise auf mögliche sensible Inhalte können vor KI-gestützten Dokumenttransformationen geprüft und offene Fälle bewusst zurückgehalten werden.
Role boundaries
Chat-Nutzung, Dokumentpflege, Knowledge Administration und systemweite Administration können über unterschiedliche Rollen und Verantwortlichkeiten getrennt werden.
System & action boundaries
Externe Datenquellen, MCP-Tools und Systemzugriffe bleiben freigegebene, kontrollierte Verbindungen. Lesen und vorbereitende Ausgaben können bewusst von schreibenden Systemzugriffen getrennt werden. Wo kein Schreibzugriff nötig ist, bleibt Read-only eine feste Sicherheitsgrenze.
Auditable change
Versionen, Konfigurationen, Qualitätsprüfungen und Eval-Ergebnisse bleiben nachvollziehbare Systemebenen, damit Veränderungen nicht nur im Prompt verschwinden.
Evidence Pilot
Prüfen Sie, wo RetrieX Ihre Wissensarbeit konkret erleichtern kann.
Im Evidence Pilot trainieren wir RetrieX mit Ihrem eigenen Wissen und testen es gegen reale Aufgaben. So sehen Sie, was bereits zuverlässig funktioniert und was vor dem produktiven Einsatz noch verbessert werden sollte.