Was ist Retrieval Augmented Generation (RAG)?

RAG ermöglicht einem KI-System, auf aktuelle und spezifische Daten zuzugreifen, die außerhalb der ursprünglichen Trainingsdaten des Modells liegen. Dadurch können LLMs präzisere und aktuellere Antworten liefern, was besonders in Unternehmenskontexten vorteilhaft ist. Dieser Artikel erläutert, was Retrieval Augmented Generation ist, wie die Architektur funktioniert und welchen geschäftlichen Nutzen dieser Ansatz bietet.

Definition und Grundlagen

Retrieval Augmented Generation bezeichnet ein Softwaresystem, das Information Retrieval mit generativer KI kombiniert. Anstatt ausschließlich sein im Voraus erlerntes Wissen zu nutzen, liefert RAGs LLM die Antworten auf Basis externer Quellen.. Typischerweise greift RAG auf firmeneigene Datenbanken, Dokumente oder sogar das Web zu, um aktuelle Fakten bereitzustellen. So können etwa unternehmensspezifische Details oder brandneue Informationen berücksichtigt werden, die ein herkömmliches LLM allein nicht kennen würde.

Ursprung des Konzepts

Als Konzept wurde Retrieval Augmented Generation im Jahr 2020 durch das AI-Forschungsteam um Patrick Lewis eingeführt. In ihrer Publikation „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“ beschrieben sie erstmals detailliert diesen Ansatz. 

Seitdem hat RAG in kurzer Zeit große Aufmerksamkeit erlangt: Zahlreiche Wissenschaftler und Industrieexperten haben die Methode aufgegriffen und sehen darin eine Möglichkeit, den Wert generativer KI-Systeme erheblich zu steigern.

Abgrenzung zu klassischen LLM-Ausgaben

Ohne RAG sind LLM-Antworten ausschließlich auf das trainierte Wissen des Modells beschränkt. Das führt zu bekannten Problemen: 

• Halluzinierte Antworten, wenn keine echten Fakten vorliegen,
• Veraltete Informationen, die nicht mehr zutreffen,
• Zu allgemeine Aussagen, obwohl aktuelle und präzise Details erwartet werden.

Zudem kann ein Standard-LLM keine Referenzen oder Quellen liefern, was das Vertrauen der Anwender mindert. 

RAG setzt hier an: Statt einer Black-Box-Antwort ermöglicht es nachvollziehbare Ausgaben mit integriertem Faktenwissen. Das System holt z.B. bei einer komplexen Frage zunächst relevante Hintergrundinfos aus einer Datenbank und generiert dann eine Antwort, die auf diesem aktuellen Kontext basiert.

Warum ist Retrieval Augmented Generation wichtig?

Sprachmodelle sind leistungsstark, haben aber ohne RAG deutliche Einschränkungen.

Grenzen herkömmlicher Sprachmodelle

Große Sprachmodelle haben beeindruckende Fähigkeiten, stoßen jedoch ohne RAG auf mehrere Beschränkungen:

Diese Einschränkungen limitieren den Nutzen von LLMs in professionellen Anwendungen. RAG adressiert genau diese Punkte, indem es dem Modell ermöglicht, gezielt aktuelles, autoritatives Wissen abzurufen und einzubinden.

Relevanz für Unternehmen und Forschung

Für Unternehmen bietet RAG einen klaren Mehrwert: Durch die Anbindung des Sprachmodells an firmeneigene Wissensdatenbanken oder Dokumentenarchive können Chatbots und virtuelle Assistenten unternehmensspezifische Fragen zuverlässig beantworten. RAG kann dabei beispielsweise die beste Erklärung zu einem Sachverhalt liefern, sodass Kunden und Mitarbeiter präzise Auskünfte erhalten, die direkt auf den Daten des Unternehmens basieren – sei es zu Produktdetails, internen Prozessen oder neuesten Angeboten. So wird generative KI endlich praktisch nutzbar, anstatt nur allgemeine Informationen zu liefern.

In der Forschung adressiert RAG ein zentrales Problem generativer Modelle: den Zugang zu aktuellem Fachwissen. Statt ein Modell ständig neu zu trainieren, können Forscher mit RAG beispielsweise auf aktuelle Publikationen, Studien oder Daten zugreifen und diese in Echtzeit in Analysen einfließen lassen.

Vorteile von Retrieval Augmented Generation

RAG-Techniken erweitern die Fähigkeiten von LLMs in mehrerer Hinsicht. 

Aktuelle Informationen

RAG stellt sicher, dass das Modell stets Zugang zu den neuesten Fakten hat. Externe Referenzdaten können laufend aktualisiert werden, sodass generierte Antworten auch sehr aktuelle Informationen berücksichtigen, die für Nutzer relevant sind. Selbst Ereignisse von gestern oder unternehmensinterne Neuigkeiten fließen so in die Antworten ein.

Verbesserte Genauigkeit

Durch die Einbindung verlässlicher Quellen reduziert RAG falsche oder ungenaue Ausgaben. Das Modell stützt seine Antwort auf zusätzliche Referenzen, wodurch vage oder mehrdeutige Anfragen präziser beantwortet werden können. Insbesondere verringert sich das Risiko von Halluzinationen erheblich, da jede Aussage an echtes Datenmaterial gekoppelt ist.

Effizienz und Kostenoptimierung

RAG gilt als kostengünstigerer Ansatz im Vergleich zum aufwändigen Training oder Fine-Tuning großer Modelle. Anstatt ein LLM mit hohem Zeit- und Geldaufwand mit neuen Daten zu trainieren, werden Wissensinhalte einfach ausgelagert und bei Bedarf abgerufen. Das spart Rechenressourcen und macht den Einsatz generativer künstlicher Intelligenz in verschiedenen Domänen ökonomischer. Unternehmen können schneller neue Anwendungsfälle erschließen, ohne für jeden Wissensstand ein eigenes Modell entwickeln zu müssen.

Transparenz und Vertrauen

Anders als ein „black box“-LLM kann ein RAG-System die Herkunft seiner Informationen offenlegen. Es ist möglich, externe Quellen zu zitieren und dem Nutzer zugänglich zu machen. So können Anwender die Antwort bei Bedarf selbst überprüfen, was das Vertrauen in die KI-Lösung stärkt. Diese Nachvollziehbarkeit ist in sensiblen Bereichen (z.B. Medizin, Recht) ein großer Pluspunkt und fördert die Akzeptanz von KI-generierten Inhalten.

Funktionsweise von RAG

Die Funktionsweise eines Retrieval-Augmented-Generation-Systems lässt sich in vier Hauptschritte gliedern.

Erstellung der Wissensbasis

Zunächst wird eine externe Wissensbasis aufgebaut, die alle relevanten Informationen enthält. Diese kann aus internen Datenquellen oder externen Quellen bestehen. Große Dokumente werden oft in kleinere Chunks zerlegt, damit gezielter darauf zugegriffen werden kann. Anschließend werden alle Inhalte in numerische Embeddings überführt und in einer Vektordatenbank indexiert. Dabei erhält jeder Daten-Chunk einen Vektor, der seine semantische Bedeutung repräsentiert. Die Vektordatenbank verknüpft diese Vektoren mit den ursprünglichen Inhalten und ermöglicht ein schnelles Durchsuchen des Wissensbestands.

Abrufen relevanter Informationen

Kommt eine Nutzeranfrage (Query) herein, wird sie zunächst ebenfalls als semantischer Vektor dargestellt. Das RAG-System verwendet dann meist eine semantische Suche, um in der Vektordatenbank diejenigen Wissenseinheiten zu finden, die am besten zur Intention der Anfrage passen. Anders als eine rein schlüsselwortbasierte Suche kann die semantische Suche die Bedeutung der Frage erfassen und entsprechende Inhalte auffinden – selbst wenn die Wortwahl unterschiedlich ist. Aus der Wissensbasis werden so die Top-Treffer (oft die relevantesten Textpassagen oder Datensätze) abgerufen. Dieser Retrieval-Schritt ist entscheidend: Die Qualität der späteren Antwort hängt maßgeblich davon ab, wie treffend die gefundenen Informationen sind.

Integration in den Prompt 

Die vom Retrieval gelieferten Inhalte werden nun mit der ursprünglichen Benutzerfrage kombiniert und als erweiterter Prompt an das Sprachmodell gegeben. Die LLM RAG-Integration ermöglicht, dass das Modell im Inferenz-Schritt sowohl auf sein angeborenes Weltwissen als auch auf die spezifischen kontextuellen Fakten aus der Wissensbasis zugreifen kann. Das LLM hat bis zu diesem Punkt die Frage selbst noch nicht verarbeitet – es erhält sie jetzt zusammen mit den Kontextinformationen. Das LLM generiert daraufhin die Antwort in natürlicher Sprache. Dank der angereicherten Eingabe kann diese Antwort wesentlich genauer und kontextbezogener ausfallen, als es dem LLM allein möglich wäre.

Aktualisierung der Wissensbasis

Ein großer Vorteil von RAG ist die dynamische Erweiterbarkeit des Wissens. Neue oder geänderte Daten lassen sich fortlaufend in die Vektordatenbank einspeisen – ohne das LLM selbst neu trainieren zu müssen. Dadurch bleibt das System stets auf dem neuesten Stand, z.B. wenn neue Dokumente erscheinen oder sich Fakten ändern. Gelegentlich fließen auch die Interaktionen selbst zurück: Häufige Anfragen und deren Antworten können wiederum indexiert werden, um zukünftige ähnliche Fragen noch effizienter zu beantworten. Insgesamt ist der Betrieb eines RAG-Systems zwar mit kontinuierlichem Aufwand verbunden, doch diese laufende Pflege stellt sicher, dass die KI-Lösung über die Zeit lernt und sich an veränderte Wissensstände anpasst. Im Gegensatz zum starren Wissenshorizont eines einmal trainierten LLM ist ein RAG-System damit deutlich flexibler und langlebiger.

Typische Herausforderungen bei RAG

Trotz seiner Vorteile bringt RAG auch eine Reihe von Herausforderungen mit sich, die es in der Praxis zu beachten gilt.

Probleme beim Retrieval

Da ein RAG-System stark von externem Wissen abhängt, ist es anfällig für Fehler bei der Informationssuche. Werden falsche oder irrelevante Informationen abgerufen, überträgt das Modell diese Fehler in die Antwort. Die Qualität des Outputs ist also so gut wie die Qualität des Retrievals. Hinzu kommt, dass das Durchsuchen großer Wissensbestände oder des Internets rechenintensiv und mit Latenz verbunden sein kann. In umfangreichen Datenbanken muss ggf. optimiert werden, um die Antwortzeiten kurz zu halten. Außerdem erfordert die nahtlose Integration von Such- und Generationskomponente einiges an Aufwand bei der Systemarchitektur – in Aufbau und Betrieb ist ein RAG-System daher komplexer als ein reines LLM.

Probleme bei der Textgenerierung

Obwohl RAG Halluzinationen reduziert, sind generative Modelle nicht vollkommen davor gefeit, fehlerhafte Antworten zu erzeugen – etwa wenn das abgerufene Material unzureichend ist. Die Balance zwischen streng faktenbasiert und sprachlich flüssig muss durch Prompt-Design gefunden werden. Zudem ist RAG faktentreu und weniger geeignet für kreative Aufgaben: Für fiktionale oder sehr offene Generierungen ist ein RAG-System, das an echten Daten klebt, nur begrenzt tauglich. Entwickler müssen also klar abwägen, für welche Anwendungsfälle RAG die richtige Wahl ist. Bei Domänen mit widersprüchlichen Quellen kann das Modell außerdem Schwierigkeiten haben, welche Quelle maßgeblich sein soll – hier sind zusätzliche Logiken zur Quellenbewertung gefragt.

Evaluationsmetriken und Qualitätsbewertung

Die Evaluation eines RAG-Systems ist komplexer als bei einem normalen LLM, da sowohl der Retrieval-Schritt als auch die generierte Antwort bewertet werden müssen. Klassische Metriken aus dem Information-Retrieval kommen für den Abruf zum Einsatz, während für die Antwort etwa die Faktengenauigkeit oder Nutzerrückmeldungen berücksichtigt werden. Spezielle Tools und Frameworks ermöglichen mittlerweile die Evaluation von RAG-Systemen – zum Beispiel das Open-Source-Projekt RAGAS, das verschiedene Metriken zur Bewertung der Antwortqualität bereitstellt. Bereits während der Entwicklung sollten Testfragen und erwartete Antworten definiert werden, um die Performance regelmäßig zu evaluieren. Eine kontinuierliche Qualitätskontrolle ist notwendig, damit Fehler früh erkannt und behoben werden, bevor sie Endnutzer betreffen. Diese Evaluationsprozesse sollten in die Beispielarchitektur eines RAG-Systems eingebunden werden, um Qualität und Zuverlässigkeit von Anfang an sicherzustellen.

Unterschiede zu anderen Methoden

Vergleichen wir RAG mit semantischer Suche und Fine-Tuning.

RAG vs. semantische Suche

Semantische Suche und Retrieval Augmented Generation sind verwandte Konzepte, unterscheiden sich aber in der Zielsetzung. 

• Semantische Suche findet relevante Dokumente und zeigt Auszüge, die der Nutzer selbst interpretieren muss.
• RAG nutzt diese Ergebnisse und erzeugt daraus automatisch eine verständliche Antwort in natürlicher Sprache.

In der Praxis ergänzen sich beide Methoden also. Will man z.B. nur eine Liste von Dokumenten finden (wie bei einer klassischen Suchmaschine), reicht die semantische Suche aus. Benötigt man hingegen eine konkrete Antwort in Satzform oder eine Zusammenfassung, spielt RAG seine Stärke aus.

RAG vs. Fine-Tuning

Fine-Tuning und RAG sind zwei unterschiedliche Ansätze, um Sprachmodelle für spezifische Aufgaben oder Domänen zu optimieren.

• Beim Fine-Tuning wird das vortrainierte Modell mit zusätzlichen, spezialisierten Daten nachtrainiert, wodurch es firmenspezifisches Wissen und Fachterminologie besser beherrscht. Diese Methode liefert sehr präzise Ergebnisse, ist jedoch zeit- und rechenintensiv und erfordert bei neuen Informationen ein erneutes Training.
• Bei der RAG bleibt das Modell unverändert, während eine Retrieval-Schicht externe, relevante Informationen bei Anfragen einspeist. Der Architekturansatz von RAG erlaubt dabei, externe Wissensquellen dynamisch einzubinden, ohne das Modell selbst jedes Mal anzupassen.

In der Praxis werden beide Methoden oft kombiniert: Das Modell wird grob feingetunt und erhält zusätzlich über RAG tagesaktuelle Daten, wodurch Präzision und Aktualität optimal miteinander verbunden werden. 

Anwendungsfälle für RAG

RAG eröffnet Unternehmen die Möglichkeit, große Wissensbestände effektiv zu nutzen und auf Anfragen schnell und präzise zu reagieren.

Unternehmensinterne Wissensdatenbanken

Viele Unternehmen verfügen über enorme Mengen an dokumentierten Wissen – von Handbüchern und Richtlinien über Projektberichte bis zu Intranet-Seiten. Retrieval Augmented Generation eignet sich, um solche interne Wissensdatenbanken nutzbar zu machen. Mitarbeiter können in natürlicher Sprache Fragen stellen und das RAG-System durchsucht die internen Dokumente nach der passenden Antwort.

Der Chatbot bzw. virtuelle Assistent liefert dann eine konsolidierte Antwort, oft inklusive Verweis auf das Dokument, aus dem die Information stammt. Dies erhöht die Geschwindigkeit, mit der Mitarbeiter oder auch neue Teammitglieder an verlässliche Informationen gelangen.

Kundenservice und Chatbots

RAG ermöglicht leistungsfähige Chatbots, die auf Produkt-FAQs, Handbücher oder Support-Tickets zugreifen und Kunden in Echtzeit präzise Antworten liefern. Selbst ungewöhnliche Fragen können korrekt beantwortet werden, wodurch ein 24/7-Service möglich wird. So steigt die Kundenzufriedenheit, da schnelle, belastbare Antworten mit Verweisen auf relevante Quellen kombiniert werden, was besonders für Banken, Telekommunikation und E-Commerce von Vorteil ist.

Medizinische Forschung und Life Sciences

Im medizinischen Bereich und in den Life Sciences fallen enorme Daten- und Textmengen an – von wissenschaftlichen Veröffentlichungen über klinische Studien bis hin zu Patientenakten. RAG bietet hier die Chance, komplexe Recherchen zu automatisieren und Experten zeitlich zu entlasten.

E-Commerce und Produktempfehlungen

Auch im E-Commerce ergeben sich durch Retrieval Augmented Generation spannende Möglichkeiten. Online-Shops können RAG nutzen, um produktbezogene Fragen der Kunden zu beantworten oder personalisierte Empfehlungen auszusprechen. Ein Kunde fragt einen Mode-Chatbot, und das System könnte auf Basis der Produktdatenbank, Lagerbestände und vielleicht auch Kundenbewertungen eine Antwort generieren, die passende Jacken vorschlägt – inklusive Hinweis, dass diese gerade verfügbar sind. Ohne RAG müsste der Chatbot auf vordefinierte Zuordnungen zurückgreifen oder die Frage unbeantwortet lassen. 

Ein weiterer Anwendungsfall sind Produktempfehlungen: RAG-Systeme können Kundendaten mit aktuellen Produktinformationen kombinieren, um personalisierte Empfehlungen zu generieren.

Schritt-für-Schritt-Anleitung zur Implementierung von RAG

Für Unternehmen, die RAG in die Praxis umsetzen möchten, sind folgende Schritte hilfreich.

Datenpipeline aufbauen

Zunächst müssen alle relevanten Daten identifiziert und gesammelt werden, die dem LLM als Wissensquelle dienen sollen. Dies umfasst das Sourcing von unstrukturierten Texten, strukturierten Einträgen oder auch bereits vorhandenen FAQ-Listen. Die Daten sollten bereinigt und in ein einheitliches Format gebracht werden. Anschließend werden große Dokumente in handliche Abschnitte aufgeteilt, damit gezielte Abfragen möglich sind.
Wichtig ist, hier schon auf Datenqualität zu achten: Überprüfen Sie die Inhalte und filtern Sie veraltete oder falsche Informationen aus, da solche sonst zu ungenauen Antworten führen würden. Diese vorbereitete Sammlung an Wissensinhalten bildet die Grundlage des RAG-Systems.

Vektordatenbanken und Indexierung nutzen

Im nächsten Schritt wird die Wissensbasis für das KI-Modell durchsuchbar gemacht. Hier kommen Vektordatenbanken ins Spiel. Zunächst wandelt man alle Texte in numerische Embedding-Vektoren um – beispielsweise mit vortrainierten Modellen wie BERT oder Sentence Transformers. Diese Vektoren werden dann in einer spezialisierten Vektordatenbank gespeichert und mit den jeweiligen Originaltexten verknüpft. Eine Vektordatenbank ist darauf optimiert, Vektoren nach Ähnlichkeit zu durchsuchen, was die spätere semantische Suche ermöglicht. Richten Sie die Indexierung so ein, dass Sie später pro Anfrage die Top-N ähnlichsten Wissenseinträge effizient abrufen können.

Modell integrieren und testen

Jetzt wird das eigentliche LLM mit der Retrieval-Komponente verheiratet. Das Sprachmodell erhält einen Mechanismus, um vor der Generierung einer Antwort eine Suche in der Vektordatenbank auszulösen. Dies lässt sich mit Hilfe von Frameworks wie LangChain oder LlamaIndex vergleichsweise einfach orchestrieren, da diese bereits Bausteine für die Kombination von LLMs und Retrievern bereitstellen. In dieser Phase gilt es, das Prompt-Format festzulegen – also wie die abgerufenen Texte zusammen mit der Nutzerfrage an das Modell geschickt werden.

Sind alle Komponenten verbunden, beginnt die Testphase: Probieren Sie diverse Anfragen aus und prüfen Sie, ob sinnvolle, korrekte Antworten entstehen. Besonderes Augenmerk liegt auf Fällen, in denen das System keine guten Quellen findet – halluziniert das Modell dann oder verweigert es die Antwort? Gegebenenfalls sind an dieser Stelle Optimierungen vorzunehmen: etwa die Zahl der abzurufenden Dokumente anpassen, das Prompt-Template verfeinern oder weitere Datenquellen integrieren. Sobald in internen Tests die Ergebnisse überzeugen, kann das RAG-System in die produktive Umgebung überführt werden.

Best Practices und Empfehlungen

Bei der Implementierung von Retrieval Augmented Generation sollten einige Best Practices berücksichtigt werden, um Sicherheit, Leistung und Zuverlässigkeit zu gewährleisten.

Sicherheit und Datenschutz

Da RAG-Modelle auf umfangreiche Datenquellen zugreifen, ist es wichtig, Zugriffsbeschränkungen einzubauen. Nicht jeder Nutzer soll alle Dokumente sehen dürfen. Setzen Sie z.B. Sicherheitsmechanismen auf Dokumentebene ein, um vertrauliche Informationen zu schützen. Rollen- und Rechtemanagement lässt sich auch im Retrieval implementieren, indem die Suche je nach Benutzer nur bestimmte Index-Bereiche durchsucht. Darüber hinaus sollten sensible Daten möglichst anonymisiert oder maskiert in die Wissensbasis aufgenommen werden, um den Schutz persönlicher Informationen zu gewährleisten. Falls ein externer Cloud-Dienst für die Vektordatenbank genutzt wird, achten Sie auf Verschlüsselung der gespeicherten Vektoren und Übertragungswege.

Skalierbarkeit und Performance

Die Skalierung eines RAG-Systems ist entscheidend, da Embedding-Berechnung, Vektorsuche und LLM-Inferenz rechenintensiv sind und bei vielen Anfragen zum Performance-Flaschenhals werden können. Optimierungen umfassen Lastverteilung, GPU-Auslagerung der Embeddings, Sharding oder Partitionierung der Vektor-Indices, Caching häufiger Fragen sowie den Einsatz skalierbarer Hardware oder Cloud-Services. So bleibt das System auch bei großen Datenmengen und hohem Anfrageaufkommen schnell und reaktionsfähig.

Monitoring und Optimierung

Der Betrieb eines RAG-Systems erfordert kontinuierliches Monitoring von Qualität und Performance. Wichtige Metriken sind Retrieval-Präzision und Antwortgenauigkeit, ergänzt durch die Protokollierung von Fehlfällen wie Halluzinationen oder unbeantworteten Fragen. Auf Basis dieser Daten lässt sich die Pipeline optimieren: zusätzliche Quellen einbinden, irrelevante Dokumente entfernen oder Prompting anpassen. Ebenso wichtig ist die regelmäßige Pflege der Wissensbasis, um veraltete Informationen zu aktualisieren. Erfolgreiche RAG-Projekte werden daher als laufende Zusammenarbeit zwischen Fachexperten und AI-Ingenieuren betrieben, um langfristige Zuverlässigkeit und Relevanz sicherzustellen.

Zukunftsperspektiven von RAG

RAG entwickelt sich weiter und eröffnet neue Möglichkeiten über die klassische Textverarbeitung hinaus.

Multimodale Ansätze

Zukünftige RAG-Systeme könnten nicht nur Text, sondern auch Bilder, Videos, Audio oder Tabellen einbeziehen. So ließen sich z.B. Handbuchtexte mit passenden Schaubildern kombinieren oder medizinische Studien mit Röntgenbildern verknüpfen. Technisch erfordert das neue Einbettungsmodelle und Suchstrategien, doch Unternehmen wie Nvidia und Microsoft arbeiten bereits an solchen Plattformen.

Kombination mit autonomen Agenten

RAG kann künftig auch komplexe KI-Agenten unterstützen, die Aufgaben selbstständig planen und ausführen. Ein Business-Agent könnte per RAG aktuelle Daten sammeln, analysieren und Handlungsempfehlungen ableiten. Erste Systeme wie AutoGPT zeigen, wie Agenten Informationen aktiv einbinden. Die Verbindung von RAG und autonomen Agenten eröffnet neue Anwendungen, von Robotic Process Automation bis zu proaktiven digitalen Assistenten.

Welche RAG-Dienstleistungen bietet SaM Solutions an

Als Softwareentwicklungs- und IT-Beratungsunternehmen unterstützt SaM Solutions Kunden bei der Integration von Retrieval Augmented Generation und KI-Agenten in ihre Anwendungen.

Wir begleiten Sie von der Analyse Ihrer Anforderungen über die Auswahl der passenden Architektur und Vektordatenbank bis zur Entwicklung maßgeschneiderter Pipelines für semantische Suche und Retrieval.

Langfristig bieten wir Wartung und Support, um Indizes zu aktualisieren, die Relevanz der Ergebnisse zu verbessern und neue Datenquellen einzubinden – so bleibt Ihre KI stets präzise und aktuell.

Zusammenfassung