In Schweizer Medtech-Unternehmen mit 500 bis 2.000 Mitarbeitern staut sich die Arbeit im Back Office. HR-Teams beantworten dieselben Fragen zu Benefits und Onboarding t\u00e4glich, w\u00e4hrend Support-Mitarbeiter nachts und am Wochenende auf Kundenanfragen warten. Die internen Wissensbasen liegen verstreut in Google Drive, Confluence und E-Mail-Threads. Mitarbeiter verlieren im Schnitt 45 Minuten pro Tag mit der Suche nach Informationen, die eigentlich vorhanden sind. Die Folge: H\u00f6here Fehlerquoten bei der Datenerfassung, verz\u00f6gerte Antworten an Kunden und frustrierte Mitarbeiter, die sich nicht auf die internen Systeme verlassen k\u00f6nnen. Das Problem ist nicht das Fehlen von Daten, sondern die fehlende intelligente Verkn\u00fcpfung und Bereitstellung dieser Daten in Echtzeit.<\/p>\n
Viele Unternehmen greifen zu generischen Cloud-KI-L\u00f6sungen, die ihre Daten in externe Rechenzentren \u00fcbertragen. Im Gesundheitswesen ist das aus Sicherheits- und Vertraulichkeitsgr\u00fcnden oft nicht akzeptabel, selbst wenn keine explizite DSGVO-Meldungspflicht besteht. Andere versuchen, die Wissenssuche manuell zu optimieren, indem sie Ordnerstrukturen in Google Drive umorganisieren. Das f\u00fchrt kurzfristig zu Ordnung, aber nicht zu einer automatisierten, kontextbewussten Antwortgenerierung. Die meisten bestehenden Tools ersetzen die CRM- oder ERP-Systeme nicht, sondern h\u00e4ngen als Insell\u00f6sungen daneben. Das Ergebnis ist eine zus\u00e4tzliche Last f\u00fcr die Mitarbeiter, die nun zwei Systeme bedienen m\u00fcssen, anstatt eines, das nahtlos in ihre Arbeitsabl\u00e4ufe integriert ist.<\/p>\n
Forfis setzt auf eine modell-agnostische Architektur, die Open-Weight-Modelle direkt auf der Hardware des Kunden betreibt. Das bedeutet: Keine Daten verlassen das eigene Rechenzentrum. Die KI wird als RAG-System (Retrieval-Augmented Generation) \u00fcber die interne Wissensbasis gebaut \u2013 Google Drive, interne Wikis und CRM-Records. Sie generiert Antworten, die auf den spezifischen Kontext des Unternehmens zugeschnitten sind. Die Integration erfolgt \u00fcber die Google Workspace API, sodass der Assistent direkt in Google Chat, Gmail und Docs verf\u00fcgbar ist. F\u00fcr den 24\/7-Kundenservice wird die gleiche Infrastruktur genutzt, um Tickets zu triagieren und erste Antworten zu generieren. Der Mensch bleibt im Loop: Bei kritischen Anfragen oder wenn die Konfidenz des Modells unter einem Schwellenwert liegt, wird die Anfrage an einen Experten weitergeleitet.<\/p>\n
Der Pilot dauert zwei Wochen und folgt einem klaren Plan. Woche 1: Prozess-Audit und Datenanbindung. Wir identifizieren die wichtigsten Wissensquellen in Google Workspace und konfigurieren die Open-Weight-Modelle auf der lokalen Hardware. Woche 2: Feinabstimmung und Messung. Die Prompts werden auf den Fachjargon des Gesundheitswesens optimiert, eine Pilotgruppe wird geschult, und die Baseline-Metriken (Fehlerquote, Antwortzeit) werden gemessen. Am Ende der zwei Wochen liegt ein Bericht vor, der die Reduktion der Fehlerquote und die Zeitersparnis quantifiziert. Der \u00dcbergang zum Managed Service erfolgt nahtlos: Forfis \u00fcbernimmt den Betrieb, \u00fcberwacht die Modellperformance und passt die Prompts kontinuierlich an neue Daten an.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie Schweizer Medtech-Unternehmen mit 500+ Mitarbeitern durch On-Premise-KI und RAG die Fehlerquote im Back Office senken und 24\/7-Kundenservice erm\u00f6glichen \u2013 in nur zwei Wochen.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"Interne Wissenssuche im Medtech: On-Premise-KI senkt Fehlerquoten","rank_math_description":"Wie Schweizer Medtech-Unternehmen mit 500+ Mitarbeitern durch On-Premise-KI und RAG die Fehlerquote im Back Office senken und 24\/7-Kundenservice erm\u00f6glichen \u2013 in nur zwei Wochen.","rank_math_focus_keyword":"reduce error rate in the back office internal knowledge search","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/interne-wissenssuche-medtech-on-premise-ki\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:48:34.792719027+00:00\",\"datePublished\":\"2026-10-05T23:48:34.792719027+00:00\",\"description\":\"Wie Schweizer Medtech-Unternehmen mit 500+ Mitarbeitern durch On-Premise-KI und RAG die Fehlerquote im Back Office senken und 24\/7-Kundenservice erm\u00f6glichen \u2013 in nur zwei Wochen.\",\"headline\":\"Interne Wissenssuche im Medtech: On-Premise-KI senkt Fehlerquoten\",\"inLanguage\":\"en\",\"keywords\":[\"AI-Native Operations\",\"Open-Weight Models On-Premise\",\"Data Enrichment and Cleanup\",\"HR and Recruiting\",\"501-2000\",\"None\",\"Managed AI Operations\",\"Healthcare and Medtech\",\"Google Workspace\",\"German\",\"Reduce Error Rate in the Back Office\",\"Switzerland\",\"2 weeks\",\"Internal Knowledge Search\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/interne-wissenssuche-medtech-on-premise-ki\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/interne-wissenssuche-medtech-on-premise-ki\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein RAG-System (Retrieval-Augmented Generation) kombiniert eine Suchfunktion \u00fcber strukturierte und unstrukturierte Daten mit einer KI, die Antworten generiert. Im Kontext von Forfis bedeutet das: Das System durchsucht die interne Wissensbasis \u2013 etwa in Google Drive oder Confluence \u2013 und formuliert darauf basierend Antworten. Da die Modelle lokal auf der Hardware des Kunden laufen, verlassen keine Daten das Rechenzentrum. Das ist entscheidend f\u00fcr die Einhaltung interner Richtlinien im Gesundheitswesen, selbst wenn keine explizite DSGVO-Meldungspflicht besteht.\"},\"name\":\"Was ist ein RAG-System und warum ist es f\u00fcr interne Wissenssuche im Gesundheitswesen geeignet?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Kosten setzen sich aus der einmaligen Implementierung und den laufenden Betriebskosten zusammen. F\u00fcr ein Unternehmen mit 500 bis 2.000 Mitarbeitern in der Schweiz liegen die Pilotkosten f\u00fcr einen zweiw\u00f6chigen Einsatz typischerweise zwischen 15.000 und 30.000 CHF. Die laufenden Kosten f\u00fcr den Managed Service belaufen sich auf 2.000 bis 5.000 CHF monatlich, abh\u00e4ngig von der Datenmenge und der Anzahl der Nutzer. Im Vergleich zu externen Cloud-L\u00f6sungen mit hohen Lizenzgeb\u00fchren und Daten\u00fcbertragungskosten ist der On-Premise-Ansatz bei hohem Datenvolumen oft g\u00fcnstiger und skalierbarer.\"},\"name\":\"Wie hoch sind die Kosten f\u00fcr die Implementierung eines internen KI-Assistenten im Gesundheitswesen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, die Integration in Google Workspace ist ein Standardbaustein. Der Assistent wird \u00fcber die Google Workspace API angebunden und kann als Chatbot in Google Chat oder als Add-on in Gmail und Docs erscheinen. So k\u00f6nnen Mitarbeiter direkt in ihrer gewohnten Umgebung nach Informationen suchen, ohne ein neues Tool zu lernen. Die Anbindung erfolgt \u00fcber OAuth 2.0, was die Sicherheit gew\u00e4hrleistet und die Berechtigungen der einzelnen Nutzer respektiert.\"},\"name\":\"Kann der KI-Assistent direkt in Google Workspace integriert werden?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der Pilot dauert zwei Wochen. In Woche 1 wird die Infrastruktur aufgesetzt, die Datenquellen (Google Drive, interne Wikis) angebunden und die Modelle auf der lokalen Hardware konfiguriert. In Woche 2 erfolgt die Feinabstimmung der Prompts, die Schulung der Pilotgruppe und die Messung der Baseline-Metriken (Fehlerquote, Antwortzeit). Am Ende der zwei Wochen liegt ein Bericht vor, der die Reduktion der Fehlerquote und die Zeitersparnis quantifiziert.\"},\"name\":\"Wie lange dauert der Pilot f\u00fcr die interne Wissenssuche?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Genauigkeit wird durch eine Kombination aus technischer Optimierung und menschlicher Kontrolle sichergestellt. Die Modelle werden auf den spezifischen Fachjargon des Gesundheitswesens feinjustiert (Fine-Tuning oder Prompt-Engineering). Zus\u00e4tzlich wird ein Human-in-the-Loop-Prozess implementiert: Bei kritischen Anfragen oder wenn die Konfidenz des Modells unter einem definierten Schwellenwert liegt, wird die Anfrage an einen menschlichen Experten weitergeleitet. Regelm\u00e4\u00dfige Audits der Antworten durch die Fachabteilung sorgen f\u00fcr kontinuierliche Verbesserung.\"},\"name\":\"Wie wird die Genauigkeit der KI-Antworten im Gesundheitswesen sichergestellt?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die wichtigsten Metriken sind die Fehlerquote (Anzahl falscher oder irref\u00fchrender Antworten pro 100 Anfragen), die Antwortzeit (Durchschnittliche Zeit bis zur ersten n\u00fctzlichen Antwort) und die Nutzerakzeptanz (Prozent der Anfragen, die ohne menschliche Nachhilfe beantwortet werden k\u00f6nnen). Vor dem Piloten wird eine Baseline gemessen, indem man manuelle Suchvorg\u00e4nge in Google Drive oder internen Wikis zeitlich misst und die Fehlerquote durch Stichproben ermittelt. Nach dem Piloten werden die gleichen Metriken erneut gemessen, um den ROI zu berechnen.\"},\"name\":\"Welche Metriken werden im Piloten gemessen, um den Erfolg zu bewerten?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die wichtigsten Stolperfallen sind unklare Datenquellen, mangelnde Berechtigungen und unrealistische Erwartungen. Wenn die internen Dokumente nicht strukturiert sind oder die Berechtigungen in Google Workspace nicht sauber definiert sind, liefert das RAG-System ungenaue Ergebnisse. Zudem erwarten viele Unternehmen, dass die KI ab Tag 1 perfekt funktioniert. In der Praxis braucht es eine Phase der Feinabstimmung und Schulung. Ein klar definierter Scope und eine realistische Erwartungshaltung sind entscheidend f\u00fcr den Erfolg.\"},\"name\":\"Welche Stolperfallen sollten bei der Implementierung eines internen KI-Assistenten vermieden werden?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, der Assistent kann f\u00fcr die Personalgewinnung genutzt werden, indem er auf interne HR-Dokumente zugreift. Er beantwortet Fragen zu Benefits, Arbeitszeiten, Onboarding-Prozessen und Unternehmenskultur. Das entlastet die HR-Abteilung von wiederkehrenden Anfragen und verbessert die Candidate Experience, da Bewerber schnell und pr\u00e4zise Antworten erhalten. Die Integration in Google Workspace erm\u00f6glicht es, dass HR-Mitarbeiter die Antworten direkt in ihren E-Mail-Verkehr einbinden k\u00f6nnen.\"},\"name\":\"Kann der KI-Assistent auch f\u00fcr die Personalgewinnung (HR und Recruiting) genutzt werden?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/interne-wissenssuche-medtech-on-premise-ki\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/interne-wissenssuche-medtech-on-premise-ki\/\",\"name\":\"Interne Wissenssuche im Medtech: On-Premise-KI senkt Fehlerquoten\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"ac811ce40a0c9c40576f57af8dc488e26b04f605eb48d67c4585a3d793a1d73e","footnotes":""},"categories":[45],"tags":[47,49,43],"class_list":["post-155","post","type-post","status-publish","format-standard","hentry","category-healthcare-and-medtech","tag-internal-knowledge-search","tag-reduce-error-rate-in-the-back-office","tag-switzerland"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/155","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=155"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/155\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=155"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=155"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=155"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}