Glossar

Begriffe aus unseren Artikeln, kurz erklärt

RAG, IDP, MCP, Agentic Workflows: Hier finden Sie die Begriffe, die in unseren Beiträgen immer wieder auftauchen - mit Definition, Praxisbezug und passenden Verweisen.

I

IDP

Auch bekannt als: Intelligent Document Processing, Dokumentenverarbeitung mit KI

Intelligent Document Processing - automatisierte Verarbeitung von Dokumenten mit KI: Klassifikation, Extraktion strukturierter Felder und Übergabe an nachgelagerte Systeme.

Intelligent Document Processing (IDP) bezeichnet die automatisierte Verarbeitung von Dokumenten mit Hilfe von KI. Im Unterschied zur reinen OCR geht es nicht nur darum, Text aus einem Scan zu lesen, sondern den Inhalt zu verstehen, zu klassifizieren und in strukturierte Felder zu überführen.

Abgrenzung zu IdP (Identity Provider)

Die Abkürzung IDP wird in zwei sehr unterschiedlichen Welten verwendet. Hier ist Document Processing gemeint. Identity Provider (oft als IdP geschrieben) bezeichnen dagegen Systeme zur Authentifizierung und Single Sign-on.

Typische Schritte

Klassifikation: Welcher Dokumenttyp liegt vor (Rechnung, Vertrag, Bescheid, Anschreiben)?
Extraktion: Welche Felder sollen ausgelesen werden (Beträge, Datum, Vertragspartner, Aktenzeichen)?
Validierung: Plausibilitätsprüfungen, Vier-Augen-Prozesse und Fallback bei unsicheren Ergebnissen.
Übergabe: Bereitstellung der Ergebnisse an DMS, ERP, Fachverfahren oder Workflow-Engine.

Was den Unterschied macht

Eine zuverlässige IDP-Lösung steht und fällt mit der Datenqualität und dem Umgang mit Sonderfällen. Sauberer Eingangskanal, gute Trainingsdaten, klare Abbruchkriterien und ein menschlicher Prüfschritt für unsichere Fälle sind wichtiger als die Wahl des Modells.

M

MCP

Auch bekannt als: Model Context Protocol

Model Context Protocol - ein offenes Protokoll, mit dem Sprachmodelle und Coding-Agenten standardisiert auf externe Werkzeuge, Datenquellen und Aktionen zugreifen.

Das Model Context Protocol (MCP) ist ein offener Standard, der beschreibt, wie ein Sprachmodell oder ein Agent strukturiert mit externen Werkzeugen und Datenquellen sprechen kann. Statt jede Integration einzeln zu programmieren, beschreibt ein MCP-Server seine Fähigkeiten - und ein Client wie Claude oder ein eigener Agent kann sie sofort nutzen.

Worauf MCP zielt

Sprachmodelle werden erst dann nützlich im Tagesgeschäft, wenn sie eigene Daten lesen und Aktionen auslösen können: ins DMS schauen, in der Wissensbasis suchen, einen Termin in einem Kalender setzen. MCP definiert dafür eine standardisierte Schnittstelle, die unabhängig vom konkreten Modell ist.

Was ein MCP-Server bietet

Werkzeuge (tools): klar beschriebene Aktionen, die der Agent aufrufen kann.
Ressourcen: Daten, die der Agent lesen darf, etwa Dokumente oder Datensätze.
Prompts: vorbereitete Bausteine, die ein Agent als Vorlage nutzen kann.

Praktische Bedeutung

Im Mittelstand reduziert MCP den Integrationsaufwand zwischen KI-Systemen und vorhandenen Anwendungen. Ein MCP-Server vor einer bestehenden API ist oft kürzer und stabiler als ein eigens gebauter Adapter pro KI-Werkzeug.

R

RAG

Auch bekannt als: Retrieval-Augmented Generation

Retrieval-Augmented Generation - ein Ansatz, bei dem ein Sprachmodell Antworten auf Basis abgerufener Dokumente erzeugt, statt nur aus dem Trainingswissen zu antworten.

Bei Retrieval-Augmented Generation (RAG) ergänzt ein Sprachmodell seine Antwort um Inhalte aus einer eigenen Dokumentenquelle. Statt sich allein auf das im Modell gespeicherte Wissen zu verlassen, wird zur Frage zuerst eine kleine Auswahl passender Textstellen aus einem Index gesucht (Retrieval). Anschließend antwortet das Modell auf Basis dieser Belegstellen (Generation).

Warum das relevant ist

In Unternehmen liegt das relevante Wissen selten im Modell, sondern in Akten, Verträgen, Wikis und Mailverläufen. RAG verbindet beides: das Sprachverständnis des Modells mit der konkreten, aktuellen Quelle aus dem eigenen Bestand. Das senkt das Risiko frei erfundener Antworten und erlaubt belegbare Aussagen.

Typische Bestandteile

Ingest-Pipeline: Extraktion und Aufbereitung der Dokumente, oft mit OCR und Bereinigung.
Chunking: Aufteilung in Textabschnitte, die einzeln durchsuchbar sind.
Embedding-Index: Vektor-Repräsentation der Chunks in einer Vektor-Datenbank.
Retrieval-Schritt: semantische Suche nach passenden Chunks, oft mit Re-Ranking.
Generierung mit Belegen: das Modell erzeugt die Antwort und verweist auf die zugrunde liegenden Stellen.

Häufige Stolpersteine

Ein Pilot mit Musterdaten ist deutlich einfacher als der Regelbetrieb. Berechtigungen, Versionen, OCR-Qualität und nachvollziehbare Belege bestimmen, ob ein RAG-System im Tagesgeschäft akzeptiert wird.

IDP

Auch bekannt als: Intelligent Document Processing, Dokumentenverarbeitung mit KI

Intelligent Document Processing - automatisierte Verarbeitung von Dokumenten mit KI: Klassifikation, Extraktion strukturierter Felder und Übergabe an nachgelagerte Systeme.

Abgrenzung zu IdP (Identity Provider)

Typische Schritte

Klassifikation: Welcher Dokumenttyp liegt vor (Rechnung, Vertrag, Bescheid, Anschreiben)?
Extraktion: Welche Felder sollen ausgelesen werden (Beträge, Datum, Vertragspartner, Aktenzeichen)?
Validierung: Plausibilitätsprüfungen, Vier-Augen-Prozesse und Fallback bei unsicheren Ergebnissen.
Übergabe: Bereitstellung der Ergebnisse an DMS, ERP, Fachverfahren oder Workflow-Engine.

Werkzeuge (tools): klar beschriebene Aktionen, die der Agent aufrufen kann.
Ressourcen: Daten, die der Agent lesen darf, etwa Dokumente oder Datensätze.
Prompts: vorbereitete Bausteine, die ein Agent als Vorlage nutzen kann.

Ingest-Pipeline: Extraktion und Aufbereitung der Dokumente, oft mit OCR und Bereinigung.
Chunking: Aufteilung in Textabschnitte, die einzeln durchsuchbar sind.
Embedding-Index: Vektor-Repräsentation der Chunks in einer Vektor-Datenbank.
Retrieval-Schritt: semantische Suche nach passenden Chunks, oft mit Re-Ranking.
Generierung mit Belegen: das Modell erzeugt die Antwort und verweist auf die zugrunde liegenden Stellen.