Ihre 40'000-€-RAG-Infrastruktur kann ein Shared Folder sein: Der pragmatische Guide zu AEC-Wissensmanagement

Suchen Sie nach „how to build an AI knowledge base for your company", finden Sie einen massiven Tech-Stack: Cloud-Pipelines, komplexe Vektordatenbanken und laufende Rechnungen von 2'000 bis 10'000 € pro Monat. Für ein typisches Architektur- oder Ingenieurbüro ist das reines Over-Engineering. Ihr bestehendes SharePoint oder der Shared Network Drive ist bereits 90 % der Infrastruktur, die Sie brauchen.

BIM sollte schon immer eine Wissensmanagement-Lösung sein—nicht nur ein Geometrieproblem. Es versprach, die richtige Information zur richtigen Person im richtigen Moment zu liefern. Trotzdem liegt kritisches institutionelles Wissen (SIA-Normen, Brandschutzstandards, individuelle Ausschreibungsklauseln) in nicht durchsuchbaren Projektordnern vergraben.

Um diese Daten zu erschliessen, setzen Firmen auf RAG (Retrieval-Augmented Generation). Statt in aufgeblähte Cloud-Architekturen zu investieren, wurde iterthink local-first gebaut, um Ihre bestehende Dateistruktur in eine fortgeschrittene KI-Wissensbasis zu verwandeln.

Was ist RAG, und warum ist es für Spezifikationen relevant?

RAG (Retrieval-Augmented Generation) behebt den grössten Fehler standardmässiger KI: generische Antworten. Wenn Sie ein Vanilla-LLM eine technische Frage stellen, zieht es aus öffentlichen Trainingsdaten. Es kennt Ihre projektspezifischen Constraints nicht.

RAG scannt automatisch den internen Korpus Ihrer Firma (Normen, vergangene Spezifikationen, Vertragsvorlagen), holt relevante Snippets und füttert sie der KI als Kontext. Das Ergebnis? Die KI antwortet mit Ihren institutionellen Daten und referenzierten Standards (wie SIA 118)—statt zu erfinden.

Der „Enterprise"-Bloat vs. der iterthink-Weg

Der standard Corporate-Ansatz für RAG erfordert fünf bis acht verschiedene Web-Services, Verwaltung von Vektordatenbanken (wie Pinecone oder pgvector) und Monate Engineering.

iterthink durchbricht diese Komplexität mit Local-First-Architektur. Um Bürodateien in eine abfragbare KI-Wissensbasis zu verwandeln, ändern Sie nur einen Konfigurationswert:

documents_root: /Volumes/team-share/projects

Zeigen Sie iterthink auf gemountetes SharePoint, Dropbox oder Netzlaufwerk—das eingebaute RAG-System indexiert die Dateien automatisch.

So funktioniert die Architektur ohne Server

• Access Control: Vollständig über bestehende SharePoint- oder Server-Berechtigungen. Keine neuen IT-Setups.
• Intelligence (lokal): Der RAG-Vektorindex und die SQLite-Datenbank leben lokal auf jedem Rechner (store.rag.sqlite3).
• Shared Cache: Damit mehrere User nicht zweimal für dasselbe Dokument zahlen, werden Anreicherungsergebnisse als leichte JSON-Dateien direkt im Shared Project Folder gecached (.iterthink-cache/).

Null Cloud-Kosten: Rendering-Hardware nutzen

Die meisten KI-Guides gehen davon aus, dass jeder Dokumenten-Chunk an externe APIs wie OpenAI oder Claude geht—mit hohen Token-Rechnungen. Für architektonische Spezifikationen brauchen Sie keine Billionen-Parameter-Generalintelligenz. Kleine Open-Source-Modelle lokal handhaben strukturierte Dokumentenanalyse perfekt.

Weil iterthink lokale LLMs nativ via Ollama unterstützt, können Sie Modelle wie Llama 3.1 8B oder Mistral 7B direkt on-device betreiben.

Der AEC-Vorteil: Die meisten Architekturbüros haben bereits leistungsstarke Workstations mit High-End-GPUs für 3D-Rendering und Visualisierung. Diese Hardware steht stundenlang idle—iterthink nutzt vorhandenes VRAM, um lokale KI komplett gratis zu betreiben. Ihre Dokumente verlassen nie Ihr Gebäude.

Die natürliche AEC-Roadmap: Form Follows Function

Dieses Local-First-Setup ist kein Sackgassen-Shortcut. Es ist Phase 1 einer skalierbaren Architektur, bei der nichts weggeworfen wird.

Sie wechseln nur zur nächsten Phase, wenn echter User-Schmerz die Komplexität rechtfertigt. Kann das Team nicht über nicht synchronisierte Projekte hinweg suchen, geht es zu Phase 2. Braucht IT strikte Governance über Data-Residency-Logs, skalieren Sie zu Phase 3.

Die Lektion für modernes BIM

Wir haben zwei Jahrzehnte über IFC-Open-Standards und Model Ownership gestritten—doch unsere wertvollsten Daten (Lessons Learned, Rechtsklauseln, Designentscheide) liegen in nicht durchsuchbaren Textdateien vergraben.

RAG macht das Abrufen trivial. Lassen Sie sich von Vendor-Marketing nicht glauben, Einfachheit sei verantwortungslos. Ein lokaler Vektorindex am Shared Drive wird heute vom Team genutzt. Eine Multi-Service-Cloud-Pipeline mit Message Queue wird beschuldigt, wenn sie eine Stunde vor Tender-Deadline ausfällt.

Starten Sie einfach. Lassen Sie echte Reibung Ihren Tech-Stack diktieren.

Open-Source Document Editor auf GitHub erkunden oder iterthink herunterladen und Shared Drive heute zur aktiven Wissensbasis machen.