Was ist RAG-Architektur?
Retrieval-Augmented Generation kombiniert Wissensdatenbanken mit Large Language Models
Die KI durchsucht die Wissensdatenbank (Gerätehandbücher, Verträge, Abrechnungslogik, Compliance-Richtlinien) nach relevanten Informationen für die aktuelle Anfrage.
- Semantische Suche (nicht nur Keyword-Matching)
- Kontextbewusste Ergebnisse
- Schnelle Antwortzeiten (<2 Sekunden)
Die abgerufenen Informationen werden mit dem aktuellen Kontext (Teilnehmerdaten, Gerätestatus, Vertragslaufzeiten) angereichert, um präzise Antworten zu generieren.
- Kontextbewusste Antworten
- Personalisierte Empfehlungen
- Aktuelle Daten aus XIcare
Die KI generiert eine natürlichsprachliche Antwort basierend auf den abgerufenen und angereicherten Informationen – verständlich, präzise und handlungsorientiert.
- Verständliche Sprache
- Handlungsempfehlungen
- Quellenangaben integriert
Warum RAG statt reinem LLM?
Reine Large Language Models (wie ChatGPT) haben ein Wissensstichtag und können keine aktuellen, unternehmensspezifischen Informationen abrufen. RAG kombiniert die Sprachfähigkeiten eines LLM mit einer Wissensdatenbank, die jederzeit aktualisiert werden kann.
Aktuelle Informationen
Die Wissensdatenbank wird kontinuierlich aktualisiert (Gerätehandbücher, Verträge, Richtlinien).
Unternehmensspezifisch
Die KI kennt Ihre spezifischen Prozesse, Verträge und Geräte – nicht nur allgemeines Wissen.
Nachvollziehbar
Jede Antwort enthält Quellenangaben, sodass Mitarbeiter die Informationen überprüfen können.
8 Use Cases für XIcare AssistAI
Konkrete Anwendungsfälle mit externen Daten (UC-1 bis UC-5) und XIcare-Plattform-Daten (UC-6 bis UC-8)
Wenn in der Notrufzentrale ein Storno registriert wird, erstellt die KI-Assistenz automatisch eine Aufgabe (Task) in der Abrechnungsdatenbank. Frau Richter (Controlling) spart manuelle Eingaben und die Fehlerquote sinkt drastisch.
Nutzen
- • 95% Zeitersparnis
- • Keine vergessenen Stornos
- • Lückenlose Nachvollziehbarkeit
Technologie
- • Event-basierte Trigger
- • REST-API-Integration
- • Automatische Validierung
Status
- • Q2 2026: Pilotprojekt
- • Q3 2026: Rollout
Herr Braun (Service-Techniker) kann die KI-Assistenz vor Ort fragen: "Wie konfiguriere ich Gerät XY für Teilnehmer Z?" Auch Frau Müller oder ihre Tochter können Gerätefragen stellen. Die KI liefert präzise Anleitungen basierend auf Gerätehandbüchern und Vertragsdaten.
Nutzen
- • 30 Min/Einsatz gespart
- • 92% Trefferquote
- • Weniger Rückfragen
Wissensdatenbank
- • Gerätehandbücher
- • Vertragsdaten
- • Konfigurationsanleitungen
Status
- • Q2 2026: Pilotprojekt
- • Q4 2026: Rollout
Herr Braun (Techniker) profitiert von automatischer Analyse: Die KI-Assistenz wertet Fehler- und Logdateien von Geräten aus und erkennt Muster. Das ermöglicht proaktive Wartung und reduziert Ausfallzeiten bei Frau Müllers Gerät.
Nutzen
- • Proaktive Wartung
- • Mustererkennung
- • Reduzierte Ausfallzeiten
Technologie
- • Anomalieerkennung
- • Zeitreihenanalyse
- • Predictive Maintenance
Status
- • Q3 2026: Konzept
- • Q4 2026: Pilotprojekt
Frau Hoffmann (Frau Müllers Tochter, 52) möchte wissen: "Was kostet ein Hausnotruf?" oder "Welche Mehrwerte bietet das System?" Die KI liefert verständliche Antworten basierend auf Vertragsdaten und Kostenstrukturen – 24/7 verfügbar, empathisch formuliert.
Nutzen
- • Entlastung Vertrieb
- • 24/7 verfügbar
- • Konsistente Antworten
Wissensdatenbank
- • Vertragsdaten
- • Kostenstrukturen
- • Argumentationshilfen
Status
- • Q3 2026: Konzept
- • Q1 2027: Pilotprojekt
Frau Weber (Leitstellenmitarbeiterin) wird unterstützt: Die KI-Assistenz analysiert historische Alarmdaten und erkennt Muster, die auf Fehlalarme hindeuten. Wichtig: Die KI trifft keine Entscheidungen, sondern unterstützt Frau Weber bei der Einschätzung.
Nutzen
- • Zeitersparnis
- • Mustererkennung
- • Beratende Funktion
Datenschutz
- • Keine automatischen Entscheidungen
- • Mensch bleibt Entscheider
- • DSGVO-konform
Status
- • Q4 2026: Forschung
- • 2027: Konzept
🚀 Phase 1: Use-Cases mit XIcare-Plattform-Daten (sofort verfügbar)
Diese Use-Cases nutzen bereits vorhandene strukturierte Daten aus XIcare Core, Flow und App –ohne Abhängigkeit von externen Partnern. Ideal für schnelle MVP-Entwicklung und Kassel-Demo.
Die KI analysiert Kundendaten (Diseases, Medicines, Notices) und erstellt automatisch Risiko-Profile. Frau Weber (Leitstelle) sieht sofort, welche Teilnehmer besondere Aufmerksamkeit benötigen. Frau Müllers Tochter erhält proaktive Benachrichtigungen bei Auffälligkeiten.
Nutzen
- • Automatisches Risiko-Profiling
- • Personalisierte Empfehlungen
- • Proaktive Betreuung
Datenquellen
- • Clients API (Kundendaten)
- • Diseases API (Krankheiten)
- • Medicines API (Medikamente)
- • Notices API (Freitext-Notizen)
Status
- • Daten: Sofort verfügbar
- • Q1 2026: MVP-Entwicklung
- • Kassel-Demo: Live-Demo
Die KI analysiert Geräte-Lifecycle-Daten (BatteryDate, WarrantyDate, Repairs) und sagt voraus, wann Batterien gewechselt werden müssen. Herr Braun (Techniker) weiß genau, welche Geräte diese Woche gewartet werden müssen – keine Überraschungen mehr. Frau Richter (Controlling) reduziert ungeplante Einsätze um 40%.
Nutzen
- • Prädiktive Batteriewechsel
- • Garantie-Management
- • Austausch-Optimierung
- • 40% weniger ungeplante Einsätze
Datenquellen
- • Device API (Geräte)
- • Peripherals API (Peripheriegeräte)
- • BatteryDate, WarrantyDate
- • History & Repairs
Status
- • Daten: Sofort verfügbar
- • Q1 2026: MVP-Entwicklung
- • Kassel-Demo: Live-Demo
Die KI analysiert historische Alarmdaten und erkennt Muster: Welche Alarme sind wahrscheinlich Fehlalarme? Frau Weber (Leitstelle) spart 30% Zeit bei der Triage. Weniger Fehlalarme bedeuten weniger Stress für Frau Müller und ihre Familie.
Nutzen
- • Fehlalarm-Vorhersage
- • Muster-Erkennung
- • Automatische Priorisierung
- • 30% Zeitersparnis bei Triage
Datenquellen
- • Alarms API (historisch)
- • AlarmOperators API
- • Client-Verknüpfungen
- • Min. 6 Monate Daten
Status
- • Daten: Sofort verfügbar
- • Q1 2026: MVP-Entwicklung
- • Kassel-Demo: Live-Demo
Das Doppel-Persona-Prinzip
Jeder KI-Use-Case wird aus zwei Perspektiven gedacht: der Fachkraft, die den Prozess steuert, und der Person, für die der Prozess existiert.
Frau Müller lebt allein und trägt ihren Notrufknopf. Sie ist der Grund, warum alle Prozesse existieren – und der Maßstab, an dem wir jede Lösung messen.
Betroffen von:
UC-2 (Geräte-Assistenz), UC-4 (Beratungsassistent), UC-5 (Fehlalarm)
Frau Hoffmann lebt 200 km entfernt und sorgt sich um ihre Mutter. Sie möchte wissen: Ist Mama versorgt? Was steht ihr zu? Wen rufe ich an?
Nutzt direkt:
UC-2 (Geräte-Fragen), UC-4 (Beratungsassistent für Angehörige)
Techniker, Leitstellenmitarbeiterin, Controllerin – sie steuern die Prozesse, die Frau Müllers Versorgung sicherstellen. Die KI unterstützt sie dabei.
Nutzen direkt:
UC-1 (Storno), UC-2 (Geräte), UC-3 (Log-Analyse), UC-5 (Fehlalarm)
Persona-Zuordnung je Use Case
| Use Case | Fachkraft | Endnutzer / Angehörige | Modul |
|---|---|---|---|
| UC-1: Storno-Automatisierung | Frau Richter (Controlling) | – | XIcare Flow |
| UC-2: Geräte-Assistenz | Herr Braun (Techniker) | Frau Müller / Frau Hoffmann | XIcare App |
| UC-3: Service-Technik-Assistenz | Herr Braun (Techniker) | – | XIcare Flow |
| UC-4: Beratungsassistent | – | Frau Hoffmann (Angehörige) | XIcare App |
| UC-5: Fehlalarm-Erkennung | Frau Weber (Leitstelle) | Frau Müller (indirekt) | XIcare Core |
Live-Demo: Probieren Sie XIcare AssistAI aus
Stellen Sie eine Beispiel-Frage und erleben Sie die KI-Assistenz in Aktion
Probieren Sie eine Beispiel-Frage aus:
Wie konfiguriere ich ein SONOTEL-Gerät für einen neuen Teilnehmer?
Welche Schritte sind bei einem Storno-Fall zu beachten?
Wie erkläre ich Angehörigen die Kostenübernahme durch die Pflegekasse?
Was bedeutet Fehlercode E42 bei Tunstall-Geräten?
Wie erstelle ich einen neuen Vertrag für einen Selbstzahler?
Welche Geräte sind für Demenz-Patienten besonders geeignet?
Wie buche ich eine Geräterückgabe korrekt ab?
DSGVO-Compliance & Datenschutz
Datenschutz von Anfang an mitgedacht, nicht nachträglich hinzugefügt
Die KI-Assistenz verarbeitet nur die Daten, die für die jeweilige Anfrage notwendig sind. Keine unnötigen Datensammlungen, keine Profilbildung.
- Zweckgebundene Datenverarbeitung
- Keine Profilbildung
- Automatische Löschung nach Verarbeitung
Jede Datenverarbeitung durch die KI-Assistenz erfordert eine explizite Einwilligung. Nutzer können Einwilligungen jederzeit widerrufen.
- Explizite Einwilligungen
- Widerrufsmöglichkeit jederzeit
- Transparente Dokumentation
Die KI-Assistenz löscht Daten automatisch nach definierten Fristen. Keine unbegrenzte Datenspeicherung, keine "Datenfriedhöfe".
- Automatische Löschfristen
- Manuelle Löschung jederzeit möglich
- Lückenlose Dokumentation
Jede Datenverarbeitung durch die KI-Assistenz wird protokolliert. Das ermöglicht lückenlose Nachvollziehbarkeit für Audits und Compliance-Prüfungen.
- Lückenlose Protokollierung
- Audit-fähige Logs
- Compliance-Berichte
Azure AI Services: DSGVO-konform in deutschen Rechenzentren
Die KI-Assistenz läuft auf Azure AI Services in deutschen Rechenzentren. Das bedeutet: Ihre Daten bleiben in Deutschland, unterliegen deutschem Datenschutzrecht und werden nicht an Drittländer weitergegeben.
Deutsche Rechenzentren
Daten bleiben in Deutschland (Frankfurt, Berlin).
Deutsches Datenschutzrecht
Unterliegt DSGVO und deutschem Bundesdatenschutzgesetz.
Keine Drittland-Übermittlung
Daten werden nicht an Drittländer (z.B. USA) weitergegeben.
Implementierungs-Roadmap 2026
Schrittweise Einführung der KI-Assistenz mit Pilotprojekten
- • Anforderungsworkshops mit Pilotorganisationen
- • Architektur-Design (RAG-Modell, Azure AI Services)
- • Datenschutz-Folgenabschätzung (DSFA)
- • Wissensdatenbank-Struktur definieren
- • Pilotprojekt mit 2-3 Hausnotrufzentralen
- • Use Case 1: Storno-Automatisierung implementieren
- • Use Case 2: Geräte-Assistenz implementieren
- • Feedback-Schleifen mit Pilotorganisationen
- • Produktivsetzung für alle Organisationen
- • Schulungen für Mitarbeiter
- • Monitoring & Support-Strukturen aufbauen
- • Kontinuierliche Verbesserung basierend auf Feedback
- • Use Case 3: Service-Technik-Assistenz implementieren
- • Use Case 4: Beratungsassistent implementieren
- • Pilotprojekt mit erweiterten Funktionen
- • Use Case 5: Forschung zu Fehlalarm-Erkennung starten
Adaptiert vom DIWI-Modell des Landes Berlin
Die KI-Assistenz für Hausnotruf basiert auf dem DIWI-Modell (Digitaler Wissensassistent), das vom Land Berlin entwickelt wurde. DIWI nutzt RAG-Architektur, um Bürger bei Verwaltungsfragen zu unterstützen – wir adaptieren dieses Modell für Hausnotrufzentralen.
Bewährte Technologie
DIWI ist seit 2024 im Einsatz und hat sich in der Praxis bewährt.
DSGVO-konform
DIWI wurde von Anfang an DSGVO-konform konzipiert – wir übernehmen diese Prinzipien.
Anpassbar
Das DIWI-Modell ist flexibel und kann für verschiedene Branchen adaptiert werden.