Wie IskayPet das Unternehmenswissen mit Amazon Bedrock Managed Knowledge Bases vereinheitlichte

Die Office-Teams von IskayPet standen vor einer Herausforderung im Umgang mit Wissen. Antworten auf alltägliche operative Fragen, etwa zu einer Rückgaberichtlinie, einem tierärztlichen Protokoll oder einem Onboarding-Schritt, lagen in hunderten Microsoft-SharePoint-Dokumenten, verteilt über vier Sprachen und drei Länder. Das Finden der richtigen Informationen in großen Dokumentbeständen dauerte lange. Jeder neue Laden, jedes Land oder jede Prozedur vergrößerte das Problem.

Retrieval Augmented Generation (RAG) ist der übliche Weg, dies zu lösen. Der Betrieb von RAG in der Produktion bedeutet aber normalerweise, Vektordatenbanken, Embedding-Pipelines und Ingestion-Jobs selbst zu betreiben.

In diesem Beitrag zeigen wir, wie IskayPet, ein führendes Unternehmen für Heimtierbedarf auf der Iberischen Halbinsel, einen Assistenten für Unternehmenswissen auf Basis von Amazon Bedrock Managed Knowledge Bases aufgebaut hat. Der Assistent beantwortet Mitarbeiterfragen aus dem Einzelhandel, der tierärztlichen Versorgung, dem Personalwesen und Onboarding sowie dem Einkauf – in vier Sprachen und über drei Länder hinweg, ohne RAG-Infrastruktur, die verwaltet werden muss. Das Team erstellte die gesamte Lösung, vom ladseitigen Frontend bis zur AWS-Architektur und Bereitstellung, mit Kiro und Claude Haiku 4.5. Wir behandeln die Architektur, die SharePoint-Integration, die Entscheidungen zur Abrufkonfiguration und die Ergebnisse in der Produktion.

Über IskayPet

IskayPet ist ein führendes Unternehmen für Heimtierbedarf auf der Iberischen Halbinsel. Es betreibt mehr als 330 Läden in Spanien, Portugal und Frankreich unter den Marken Kiwoko, Tiendanimal, Kivet, Clinicanimal und Animalis. Mit mehr als 4,500 Mitarbeitern und 7 Millionen Kunden führt IskayPet Geschäftsabläufe, die Einzelhandel, Tierkliniken, Tierpflege, Einkauf sowie Personalwesen und Onboarding umfassen. Jeder Bereich hat eigene Richtlinien und Verfahren – auf Spanisch, Portugiesisch, Französisch und Englisch.

Die Herausforderung

In allen Geschäftsbereichen durchsuchten die Office-Mitarbeiter von IskayPet hunderte SharePoint-Dokumente manuell, um operative Fragen zu Verfahren, Richtlinien, Verträgen und Onboarding zu beantworten. Mit Aktivitäten in drei Ländern und vier Sprachen kostete dies erhebliche Zeit, und die Antwort war oft veraltet oder falsch.

Es gab keine zuverlässige Möglichkeit, Unternehmenswissen abzufragen, und das Problem wuchs mit jedem hinzugefügten Land, Bereich oder Dokument. IskayPet benötigte eine Lösung, die Folgendes leisten konnte:

• Fragen in natürlicher Sprache auf Grundlage der eigenen Unternehmensdokumente beantworten.
• Über vier Sprachen hinweg funktionieren, ohne separate Systeme zu pflegen.
• Jede Frage an den richtigen Wissensbestand (einen Bereich, ein Land) weiterleiten, ohne Cross-Kontamination.
• Auf neue Bereiche und Länder skalieren, ohne neu zu architektieren.
• Quellen zitieren, damit Mitarbeiter Antworten vertrauen und überprüfen können.
• Die vorhandenen SharePoint-Repositories wiederverwenden, ohne eine kostspielige Migration.

Warum Amazon Bedrock Managed Knowledge Bases

IskayPet wählte Amazon Bedrock Managed Knowledge Bases wegen seiner verwalteten RAG-Infrastruktur, die den Betrieb von Vektorstores, Embeddings oder Ingestion-Pipelines überflüssig machte. Die wichtigsten Gründe waren:

• Verwaltetes RAG: Amazon Bedrock übernimmt die Datenaufnahme, multimodale Verarbeitung, Vektorspeicherung, Embedding-Erzeugung und den Abruf. IskayPet zahlt nur für das, was es speichert und abruft.
• Nativer SharePoint-Konnektor: Der Konnektor nimmt Dokumente direkt aus der bestehenden SharePoint-Umgebung von IskayPet auf, wodurch eine Datenmigration vermieden wurde. Mit aktivierter erweiterter Indizierung verarbeitet er auch Inhalte aus in Dokumenten eingebetteten Bildern.
• Eingebaute hybride Suche: Die Kombination aus semantischer und Schlagwortsuche (BM25) ohne Mehrkosten findet exakte Begriffe wie Produktcodes und Referenzen, die eine rein semantische Suche verfehlen kann.
• Verwaltetes Reranking: Abrufpassagen werden ohne zusätzliche Gebühren nach Relevanz neu sortiert.
• Zugriffskontrolle auf Dokumentebene: Die Knowledge Base kann die Berechtigungen des Quellsystems zum Abrufzeitpunkt durchsetzen, sodass eine Abfrage nur Passagen aus Dokumenten zurückgibt, die der anfragende Benutzer bereits lesen darf. So kann IskayPet SharePoint-Berechtigungen wiederverwenden, statt ein eigenes Autorisierungsmodell aufzubauen.
• Modellflexibilität: IskayPet kann mit einem kosteneffizienten Modell starten und es später wechseln, ohne die Infrastruktur umzuschreiben.
• Native RAG-Auswertung: Das Team maß die Qualität bei jedem Schritt mit den integrierten Evaluierungstools.

Überblick über die Lösung

Das folgende Diagramm zeigt den End-to-End-Ablauf, von der Frage der Mitarbeiterin bzw. des Mitarbeiters über die berechtigungsorientierte Suche bis zur belegten, mit Quellenangaben versehenen Antwort.

Abbildung 1: Lösungsarchitektur

Bei der Lösung handelt es sich um einen Assistenten, den Mitarbeiterinnen und Mitarbeiter über ihre bestehenden Kanäle erreichen. Wenn eine Frage gestellt wird, ruft der Assistent die relevantesten Passagen aus seiner Wissensbasis ab, beschränkt auf die Dokumente, die die jeweilige Person lesen darf. Anschließend generiert er eine belegte, mit Quellenangaben versehene Antwort in der Sprache der Person.

Auf hoher Ebene funktioniert der Ablauf wie folgt:

1. Eine Mitarbeiterin oder ein Mitarbeiter stellt eine Frage in natürlicher Sprache über die Chat-Oberfläche.
2. Die Anwendung ruft die Wissensbasis für den angeforderten Assistenten auf und übergibt die Identität des Mitarbeiters, sodass Berechtigungen auf Dokumentebene bei der Abfrage berücksichtigt werden.
3. Die Wissensbasis führt eine hybride Suche (semantisch und stichwortbasiert) über die indizierten Inhalte durch, sortiert die Ergebnisse neu und gibt die relevantesten Passagen mit ihren Quellenverweisen zurück.
4. Ein Foundation-Modell (FM) generiert eine fundierte Antwort aus den abgerufenen Passagen. Der Prompt verlangt die Angabe von Quellen und weist das Modell an, zu sagen, wenn sich die Antwort nicht in den abgerufenen Inhalten befindet.
5. Der Mitarbeiter erhält die Antwort zusammen mit den Quelldokumenten und kann Feedback hinterlassen (Daumen hoch oder runter), das in den Evaluierungssatz einfließt.

Aufbau der Lösung mit Kiro und Claude Haiku 4.5

IskayPet erstellte die gesamte Lösung, vom frontend für die Filialen bis zur AWS-Architektur und dem Service-Deployment, mit Kiro, der agentischen Entwicklungsumgebung, betrieben auf Claude Haiku 4.5 auf Amazon Bedrock. Sobald neue Modelle auf Amazon Bedrock verfügbar werden, plant IskayPet, diese für jeden Anwendungsfall zu evaluieren und zu übernehmen.

Zur Modellverfügbarkeit nach AWS-Region siehe Unterstützte Modelle nach AWS-Region in Amazon Bedrock.

• Frontend für die Filialen – Das Team verwendete Kiro, um das Frontend zu erstellen, mit dem Filialmitarbeiter mit dem Assistenten interagieren, und generierte und iterierte den UI-Code mit Claude Haiku 4.5.
• Architektur und Deployment – Kiro half auch dabei, die AWS-Architektur zu entwerfen und die Services hinter der Lösung bereitzustellen: Konfiguration der Wissensbasis, Datenquellen, AWS Identity and Access Management (IAM)-Rollen und die Anwendungsschicht.

Ein agentischer Workflow mit Kiro und einem schnellen, kosteneffizienten Modell wie Claude Haiku 4.5 half einem kleinen Team, schnell vom Konzept zur Produktion zu gelangen. Er sorgte auch dafür, dass Anwendungscode und Infrastruktur konsistent und wartbar blieben.

Ingestion: Der SharePoint-Konnektor mit erweiterter Indizierung

Die Dokumente von IskayPet befanden sich bereits in SharePoint, organisiert nach Bereich und Land. Statt sie zu migrieren, nutzte das Team den nativen SharePoint-Konnektor in Amazon Bedrock Managed Knowledge Bases.

In den erweiterten Konfigurationen der Datenquelle unter Content indexing und Advanced indexing aktivierte IskayPet Visual content in documents. Diese Einstellung extrahiert Inhalte aus in Dokumenten eingebetteten Bildern (PDF, DOCX, PPTX) und aus eigenständigen Bildern. Abbildungen und gescannte Inhalte in Verfahrensdokumenten wurden durchsuchbar, ohne dass eine separate Vorverarbeitungspipeline nötig war.

Der Konnektor synchronisiert inkrementell, sodass neue und aktualisierte Dokumente bei jeder Synchronisierung erfasst werden.

Multi-Länder-, Multi-Bereichs-Architektur

Eine wichtige Designentscheidung war die Strukturierung des Wissens für vier Sprachen, mehrere Geschäftsbereiche und drei Länder. IskayPet wog zwei Ansätze gegeneinander ab:

• Eine einzige gemeinsame Wissensbasis, bei der jedes Dokument nach Land und Bereich gekennzeichnet ist und bei jeder Abfrage ein Retrieval-Filter angewendet wird. Dies maximiert die Wiederverwendung gemeinsamer Inhalte, koppelt aber alle Domänen in einem Index.
• Eine dedizierte Wissensbasis pro Assistent, von denen jede auf die relevanten SharePoint-Sites oder -Bibliotheken beschränkt ist. Dies hält jeden Wissensbestand vollständig isoliert und ermöglicht die unabhängige Anpassung jedes Assistenten.

IskayPet entschied sich für eine Wissensbasis pro Assistent. Jeder Assistent verweist auf bestimmte SharePoint-Sites und kann durch Inklusionspfade weiter auf bestimmte Dokumentbibliotheken oder Ordner eingeschränkt werden, sodass nur die beabsichtigten Inhalte und nicht die gesamte Unternehmenssite indiziert werden. Das Hinzufügen eines neuen Bereichs oder Landes bedeutet, einen Assistenten hinzuzufügen und auf die richtigen Inhalte zu verweisen, nicht eine Neugestaltung des Systems.

Zugriffskontrolle

Der Zugriff wird über die bestehenden SharePoint-Berechtigungen der Benutzer geregelt. Der Assistent gewährt keinen Zugriff auf etwas Neues: Er erleichtert lediglich die Abfrage von Dokumenten, die ein Mitarbeiter bereits öffnen konnte. Dies funktioniert auf zwei Ebenen.

• Welche Assistenten ein Benutzer sieht – Einem Mitarbeiter werden nur die Assistenten angezeigt, deren zugrunde liegende Dokumentation er lesen darf, unabhängig davon, ob diese Berechtigung aus einer direkten Berechtigung, einer Gruppenmitgliedschaft oder dem Zugriff auf einen bestimmten Ordner resultiert. Wenn der Zugriff nicht bestätigt werden kann, wird der Assistent ausgeblendet statt angezeigt.
• Welche Dokumente eine Antwort informieren – Der Zugriff wird auch zur Abfragezeit erneut pro Dokument durchgesetzt: Die Identität des Mitarbeiters wird an die Wissensbasis übergeben, die nur Passagen aus Dokumenten zurückgibt, die diese Person sehen darf. Amazon Bedrock Managed Knowledge Bases unterstützt diese dokumentenbasierte Zugriffskontrolle nativ, sodass dieselbe Antwort auf dieselbe Frage zwischen zwei Mitarbeitern mit unterschiedlichen Berechtigungen legitim unterschiedlich ausfallen kann.

Da die Berechtigungen bei jeder Zugriffsprüfung aus SharePoint gelesen werden, wird das Widerrufen oder Gewähren von Zugriff in SharePoint im Assistenten widergespiegelt, ohne Änderungen an der Anwendung.

Konfiguration von Retrieval und Generierung

Die Qualität eines RAG-Systems wird hauptsächlich bei Ingestion, Retrieval und Generierung entschieden. Fine-Tuning ist eine ergänzende Technik. Für diesen Anwendungsfall hat IskayPet die folgenden Einstellungen abgestimmt:

• Chunking – Wird von der verwalteten Wissensbasis übernommen, sodass das Team keine Chunking-Pipeline aufbauen oder abstimmen musste. Dies eliminierte eine Komponente, die in einem selbst verwalteten RAG normalerweise erheblichen operativen Aufwand bedeutet.
• Hybride Suche – Die Wissensbasis kombiniert semantische und schlüsselwortbasierte Suche, wodurch exakte Begriffe wie Produktcodes gefunden werden, die eine rein semantische Suche verfehlen kann.
• Anzahl der Ergebnisse – Abgestimmt anhand eines Evaluierungsdatensatzes. Der Assistent ruft 25 Passagen ab und fügt nach dem Entfernen von Duplikaten und zu kurzen Fragmenten ohne Kontext bis zu 15 in den Prompt ein. Diese Zahl ist der wichtigste Kostenhebel, da sie die Eingabetokens bei jeder Frage vervielfacht.
• Generierungsprompt – Setzt einen unternehmensweiten Ton durch, verlangt die Angabe von Quellen und weist das Modell an, zu sagen, wenn die Antwort nicht im abgerufenen Inhalt enthalten ist, was Halluzinationen reduziert und Nachvollziehbarkeit schafft.

Als produktionsseitige Kontrolle fügt das Team Amazon Bedrock Guardrails hinzu, um Inhaltsfilterung und Richtlinien für verantwortungsvolle KI auf die generierten Antworten anzuwenden.

• Evaluation – Native Amazon Bedrock RAG-Evaluation, bei der das Daumen-hoch- und Daumen-runter-Feedback aus der tatsächlichen Nutzung als Evaluationssatz verwendet wird, um die Qualität vor und nach jeder Änderung zu messen.

Generierung der Antwort

Für die Antwortgenerierung verwendet IskayPet ein kosteneffizientes Foundation-Modell auf Amazon Bedrock. Da die Knowledge Base die Retrieval- von der Generierungsschicht entkoppelt, kann IskayPet das Generierungsmodell wechseln oder aktualisieren, ohne die Ingestion- oder Retrieval-Schichten anzufassen. So kann das Team Kosten und Antwortqualität im Einklang mit dem Nutzungswachstum ausbalancieren.

Kosteneffizienz

Die Knowledge Base umfasst multimodales Parsing, Embedding-Generierung und Reranking ohne zusätzliche Gebühren, sodass die laufenden Kosten von IskayPet hauptsächlich aus Indexspeicherung, Retrieval-API-Aufrufen und Tokens des Generierungsmodells bestehen. In der Produktion dominieren Eingabe-Tokens diese Kosten, bedingt durch die in jeden Prompt eingefügten Passagen. Das Team evaluiert weitere Optimierungen mit wachsender Nutzung, darunter Prompt-Caching für den stabilen Teil des Prompts und Batch-Inferenz für nicht-interaktive Workloads.

Ergebnisse

In ungefähr den ersten zwei Monaten im Produktionsbetrieb verzeichnete IskayPet:

• Schnellere Antworten – Die Zeit zur Auffindung einer operativen Antwort sank von 3–5 Minuten auf etwa 7 Sekunden.
• Höhere Produktivität – Rund 95 Prozent weniger Zeit für die Suche nach Verfahren und Richtlinien.
• Skalierung – Es wird erwartet, dass die Lösung etwa 100,000 Abfragen pro Monat über alle Geschäftsbereiche und Länder hinweg verarbeitet.

Fazit

IskayPet hat einen produktionsreifen Unternehmenswissensassistenten auf Amazon Bedrock Managed Knowledge Bases aufgebaut, der drei Länder, vier Sprachen und mehrere Geschäftsbereiche bedient – ohne RAG-Infrastruktur, die betrieben werden muss. Der native SharePoint-Konnektor nutzte ihre bestehenden Repositorys wieder. Eine dedizierte Knowledge Base pro Assistent ermöglichte ein sauberes Multi-Country-Design, bei dem jede Domäne Ende-zu-Ende isoliert ist. Gemanagtes Parsing, Embedding und Reranking hielten sowohl den operativen Aufwand als auch die Kosten gering. Der Aufbau des Frontends und der AWS-Architektur mit Kiro und Claude Haiku 4.5 ermöglicht es einem kleinen Team, schnell in die Produktion zu gelangen.

Wenn Sie vor einer ähnlichen Herausforderung beim Wissensabruf stehen, können Sie auf dem AWS Free Tier starten und Ihre erste Knowledge Base in der Amazon Bedrock Konsole erstellen. Für weitergehende Informationen sehen Sie sich die folgenden Ressourcen an und testen Sie den SharePoint-Konnektor sowie die Zugriffskontrolle auf Dokumentebene mit Ihren eigenen Dokumenten.

Um mehr zu erfahren, siehe Amazon Bedrock Managed Knowledge Base und Bewerten Sie die Leistung von RAG-Quellen mithilfe von Amazon Bedrock evaluations.

Über die Autoren