+49 361 30258601 info@quasiris.de

„Welche Kunden sind von der geplanten Produktänderung betroffen, welche Verträge enthalten relevante Zusagen und welche Supportfälle deuten auf zusätzliche Risiken hin?“

Eine solche Frage lässt sich selten mit einer einzigen Suchanfrage beantworten. Die notwendigen Informationen können über CRM, Produktdokumentation, Ticketsystem, E-Mails und Vertragsarchive verteilt sein.

Agentic Search geht deshalb über klassische Suche und einfaches RAG hinaus. Ein KI-Agent plant mehrere Suchschritte, prüft Zwischenergebnisse und formuliert neue Anfragen, bis ausreichend Evidenz für eine Antwort vorliegt.

Damit wird die Suche vom einmaligen Abruf zu einem gesteuerten Rechercheprozess.

Was ist Agentic Search?

Agentic Search bezeichnet Suchsysteme, bei denen ein KI-Agent selbstständig mehrere Retrieval-Schritte ausführt. Der Agent kann eine komplexe Frage zerlegen, verschiedene Datenquellen durchsuchen, Dokumente öffnen, Passagen prüfen und gezielte Folgeanfragen stellen.

Ein typischer Ablauf umfasst:

  1. Die Nutzeranfrage und das gewünschte Ergebnis verstehen.
  2. Die Aufgabe in Teilfragen zerlegen.
  3. Geeignete Datenquellen und Suchwerkzeuge auswählen.
  4. Mehrere Suchanfragen formulieren.
  5. Gefundene Dokumente und Passagen analysieren.
  6. Informationslücken erkennen und nachrecherchieren.
  7. Aussagen mit Quellen verbinden.
  8. Antworten, Unsicherheit oder fehlende Evidenz ausgeben.

Der zentrale Unterschied zu klassischem RAG liegt in der Iteration: Das System muss sich nicht mit den Treffern der ersten Suche zufriedengeben.

Warum Single-Shot-Retrieval nicht immer genügt

Eine RAG-Anwendung ruft häufig einmalig eine feste Anzahl relevanter Passagen ab. Anschließend erhält das Sprachmodell diesen Kontext und formuliert daraus eine Antwort.

Dieses Verfahren funktioniert gut, wenn die Anfrage eindeutig ist und alle Informationen in wenigen Dokumenten stehen. Bei komplexen Aufgaben können jedoch mehrere Probleme entstehen:

  • Die ursprüngliche Anfrage ist für eine direkte Suche zu abstrakt.
  • Relevante Begriffe werden erst in einem gefundenen Dokument sichtbar.
  • Mehrere Systeme verwenden unterschiedliche Bezeichnungen.
  • Eine Information verweist auf weitere Dokumente oder Vorgänge.
  • Der erste Suchschritt liefert nur einen Teil der benötigten Evidenz.

Agentic Search kann auf diese Situationen reagieren. Findet der Agent beispielsweise eine interne Produktnummer, kann er diese für eine zweite Suche in Service- und Vertragsdaten verwenden.

Forschung zeigt Vorteile iterativer Unternehmenssuche

Die 2026 vorgestellte AgenticRAG-Architektur ergänzt bestehende Enterprise-Search-Systeme um Werkzeuge zum Suchen, Öffnen, Navigieren und Zusammenfassen. In den untersuchten Benchmarks verbesserte der iterative Ansatz unter anderem den Retrieval-Recall und die Antwortgenauigkeit. Die Autoren identifizierten den Wechsel von einmaligem Retrieval zu agentischer Werkzeugnutzung als wichtigsten Faktor.¹

Die Ergebnisse sind benchmark- und architekturspezifisch. Sie verdeutlichen jedoch einen wichtigen Punkt: Ein stärkeres Sprachmodell kompensiert keine Recherche, die nach dem ersten unvollständigen Treffer endet.

Der Agent verändert die Anforderungen an den Retriever

Klassische Retriever werden vor allem darauf optimiert, Passagen zu finden, die einer Anfrage semantisch ähnlich sind. Für Agentic Search reicht Ähnlichkeit allein nicht immer aus.

Ein Dokument kann sprachlich gut zur Anfrage passen, ohne den nächsten notwendigen Rechercheschritt zu unterstützen. Umgekehrt kann eine Passage zunächst wenig ähnlich erscheinen, aber eine entscheidende Produktnummer, Abhängigkeit oder Referenz enthalten.

Agentic-R bewertet deshalb nicht nur die lokale Ähnlichkeit zwischen Anfrage und Passage, sondern auch den Beitrag eines Treffers zur späteren Antwort. In sieben untersuchten Single- und Multi-Hop-Benchmarks übertraf der Ansatz die verwendeten Vergleichsverfahren.²

Für Unternehmen bedeutet das: Ein Retriever für KI-Agenten sollte nicht ausschließlich anhand klassischer Relevanzmetriken ausgewählt werden. Entscheidend ist auch, ob die Treffer den gesamten Rechercheprozess voranbringen.

Finden bedeutet noch nicht verstehen

Mehr Suchschritte garantieren keine bessere Antwort. Ein Agent kann das richtige Dokument finden und dessen entscheidende Passage trotzdem übersehen oder falsch verarbeiten.

Eine EMNLP-Studie aus dem Jahr 2026 bezeichnet dieses Problem als „Retrieval Myopia“. In der Untersuchung beantworteten fünf RL-basierte Suchagenten bis zu 46,2 Prozent der Aufgaben falsch, obwohl ihnen Dokumente mit der korrekten Antwort gezielt bereitgestellt wurden.³

Dieses Ergebnis trennt zwei Qualitätsfragen, die im Betrieb häufig vermischt werden:

  • Hat der Agent die richtige Quelle gefunden?
  • Hat er die gefundene Quelle korrekt gelesen und verwendet?

Agentic Search benötigt daher nicht nur Retrieval-Evaluation, sondern auch eine Prüfung der Evidenznutzung.

Wo Agentic Search im B2B Mehrwert schaffen kann

Technischer Support

Ein Agent kann Fehlermeldung, Produktversion, Dokumentation, frühere Tickets und bekannte Lösungen schrittweise verbinden. Dadurch lassen sich komplexe Fälle vorbereiten, bevor ein Supportmitarbeiter übernimmt.

Vertrieb und Angebotsvorbereitung

Für eine Kundenanfrage können Produktdaten, Kompatibilitäten, Referenzprojekte, Vertragsbedingungen und regionale Vorgaben recherchiert werden.

Compliance und interne Richtlinien

Der Agent kann prüfen, welche Richtlinie für einen konkreten Standort, Prozess oder Vertrag gilt und ob aktuellere Fassungen existieren.

Produkt- und Änderungsmanagement

Bei einer Produktänderung kann das System betroffene Komponenten, Dokumentationen, Kundeninstallationen und offene Servicefälle identifizieren.

Management-Recherche

Anstatt nur einzelne Dokumente zusammenzufassen, kann ein Agent verschiedene Quellen prüfen und widersprüchliche Aussagen sichtbar machen.

Ohne Governance wird Recherche zu unkontrollierter Automation

Ein Agent, der selbstständig sucht, benötigt klare Grenzen. Sonst kann er unnötig viele Abfragen ausführen, nicht freigegebene Quellen verwenden oder aus unvollständiger Evidenz weitreichende Schlussfolgerungen ziehen.

Eine produktionsreife Architektur sollte mindestens folgende Kontrollen enthalten:

  • Berechtigungen bei jedem einzelnen Suchschritt,
  • zugelassene Werkzeuge und Datenquellen,
  • maximale Anzahl von Recherche- und Tool-Schritten,
  • Zeit- und Kostenbudgets,
  • Protokollierung von Suchanfragen und geöffneten Quellen,
  • Regeln für personenbezogene und vertrauliche Daten,
  • definierte Kriterien für Abbruch und Enthaltung,
  • menschliche Freigabe bei risikoreichen Entscheidungen.

Die Berechtigungsprüfung darf nicht nur beim Start erfolgen. Ein Agent kann während seiner Recherche neue Quellen entdecken und benötigt für jeden Zugriff eine erneute Autorisierung.

Welche Kennzahlen Agentic Search benötigt

Die reine Antwortqualität reicht als KPI nicht aus. Unternehmen sollten den Rechercheprozess komponentenspezifisch messen:

  • Evidence Recall: Wurden alle notwendigen Belege gefunden?
  • Source Precision: Wie viele verwendete Quellen waren tatsächlich relevant?
  • Reading Accuracy: Wurden die gefundenen Passagen korrekt interpretiert?
  • Search Efficiency: Wie viele Schritte waren für die Antwort notwendig?
  • Tool Success Rate: Wie häufig wurden Such- und Dokumentwerkzeuge korrekt eingesetzt?
  • Citation Accuracy: Belegt die Quelle die jeweilige Aussage?
  • Abstention Quality: Erkennt der Agent fehlende Evidenz?
  • Permission Compliance: Wurden alle Zugriffsregeln eingehalten?
  • Business Outcome: Spart der Prozess Zeit oder verbessert er Entscheidungen?

Dabei sollte nicht automatisch ein möglichst kurzer Rechercheweg angestrebt werden. Ein zusätzlicher Suchschritt kann sinnvoll sein, wenn er eine kritische Aussage verifiziert.

Ein realistischer Einstieg in Agentic Search

Unternehmen sollten nicht sofort einen universellen Recherche-Agenten einführen. Sinnvoller ist ein begrenzter Anwendungsfall mit bekannten Datenquellen und überprüfbaren Ergebnissen.

Ein pragmatisches Vorgehen:

  1. Reale, mehrstufige Geschäftsfragen sammeln.
  2. Erforderliche Quellen und Soll-Antworten definieren.
  3. Bestehende Retrieval-Qualität messen.
  4. Agentische Folgeabfragen kontrolliert ergänzen.
  5. Such- und Lesefehler getrennt evaluieren.
  6. Berechtigungen, Budgets und Freigaben festlegen.
  7. Nutzen gegen Latenz und Betriebskosten abwägen.

Erst wenn dieser Prozess stabil funktioniert, sollte der Agent zusätzliche Systeme oder Handlungsmöglichkeiten erhalten.

Fazit: KI-Agenten brauchen eine belastbare Wissensgrundlage

Agentic Search im Unternehmen macht aus Suche einen dynamischen Rechercheprozess. Das eröffnet neue Möglichkeiten für Support, Vertrieb, Compliance und Wissensarbeit.

Der geschäftliche Wert entsteht jedoch nicht allein durch den Agenten. Er benötigt eine leistungsfähige Retrieval-Schicht, klar definierte Zugriffsrechte, nachvollziehbare Quellen und die Fähigkeit, bei fehlender Evidenz nicht zu antworten.

Unternehmen sollten AI Agents nicht direkt auf Datenbanken und Dokumentensammlungen loslassen. Eine kontrollierbare Search- und Retrieval-Schicht bildet die Wissensgrundlage, über die Relevanz, Berechtigungen, Aktualität und Quellen nachvollziehbar gesteuert werden können.

Sprechen Sie mit unseren Search-Experten darüber, wie sich bestehende Datenquellen als verlässliche Retrieval-Basis für AI Agents und agentische Workflows erschließen lassen.

Bildhinweis: Die Abbildung enthält KI-generierte oder KI-bearbeitete Elemente und dient der Veranschaulichung.

💡 Wie gut ist Ihre Suche wirklich?

Unpassende Treffer, hohe Nulltrefferquoten und aufwendige manuelle Rankingregeln sind häufig ein Hinweis darauf, dass eine Suche ihr Potenzial noch nicht vollständig ausschöpft.

Mit unserem kostenlosen Search Review erhalten Sie eine erste Einschätzung zur Qualität Ihrer bestehenden Suche und zu möglichen Optimierungspotenzialen.

 

↓ Jetzt kostenloses Search Review anfragen ↓

Quellen

¹ Suresh, S., Mak, H., Chou, S., Kroon, F., & Bhatnagar, S. (2026). AgenticRAG: Agentic retrieval for enterprise knowledge bases [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2605.05538

² Liu, W., Ma, X., Zhu, Y., Li, Y., Shi, D., Yin, D., & Dou, Z. (2026). Agentic-R: Learning to retrieve for agentic search. In Findings of the Association for Computational Linguistics: ACL 2026 (S. 15987–16005). Association for Computational Linguistics. https://doi.org/10.18653/v1/2026.findings-acl.785

³ Woo, H., Han, J., Pham, T. X., & Kim, J. (2026). Retrieval myopia: Why RL search agents fail to read what they find. In Findings of the Association for Computational Linguistics: EMNLP 2026 (S. 36608–36622). Association for Computational Linguistics. https://doi.org/10.18653/2026.findings-emnlp.1713