Maya HTT startet On-Premises-RAG-Assistenten, während Prognosen 43,75 Mrd. Dollar Marktvolumen erwarten

M-Bot läuft in der Infrastruktur des Kunden. Laut Maya HTT bleiben sensible Engineering-Daten auf den Systemen des Käufers.

Käufer bekommen zwei Zusagen. Sensible Engineering-Daten bleiben auf ihrer eigenen Infrastruktur, und die Kosten stehen von vornherein fest statt pro Token abgerechnet zu werden. Der zweite Punkt wiegt schwer, weil RAG-Projekte Dateien oft in eine separate Vektordatenbank kopieren. Dabei gehen Berechtigungen verloren, und Duplikate bleiben zurück. Ob ein On-Premises-Assistent komplexe technische Fragen in großem Umfang korrekt beantwortet, hat bislang niemand öffentlich gezeigt. Für Engineering-Teams liegt der Reiz auf der Hand. Sie können interne Dokumente abfragen, ohne sie an ein externes Modell zu schicken. Offen bleibt die Genauigkeit im großen Maßstab. Diese Lücke müssen Käufer mit ihren eigenen Dokumenten schließen.

M-Bot bindet internes Wissen aus Engineering, Fertigung und industriellem Betrieb an. Antworten liefert es nach Angaben des Unternehmens in Sekunden.

Die Architektur der Retrieval-Augmented Generation ist auf technische Inhalte ausgelegt. Dazu gehören Text, Bilder, Tabellen und Diagramme, die herkömmliche LLMs nach Angaben von Maya HTT nicht verarbeiten können. Das System bindet Teamcenter und andere PLM-Umgebungen an, außerdem SharePoint und Confluence. Jede Antwort führt zurück zum Quelldokument. Maya HTT verspricht eine Suche bis zu 60-mal schneller als die manuelle Recherche: Aus fünf Minuten Suche werden rund fünf Sekunden. Diese Zahlen stammen vom Anbieter, nicht aus unabhängigen Tests. Das Unternehmen gibt zudem an, für M-Bot fielen keine Token-Abrechnungskosten für LLMs an, sodass Kunden die Rechnung vor dem Einsatz kennen.

Remi Duquette ist Vizepräsident für industrielle KI bei Maya HTT. Er sagte, Engineering-Organisationen verfügten über große Mengen technischen Wissens. Es falle ihnen schwer, die richtige Information rechtzeitig zu der Person zu bringen, die Entscheidungen beeinflusst.

Zielbranchen sind Luft- und Raumfahrt, Verteidigung und Fertigung. Regeln zum Schutz geistigen Eigentums treiben Käufer zu Systemen, die vor Ort oder in der vom Kunden kontrollierten Infrastruktur laufen.

Der Markt hinter dem Start

Ein am 30. Oktober veröffentlichter Bericht von ResearchAndMarkets beziffert den globalen Markt für RAG-Plattformen für 2025 auf 4,00 Mrd. Dollar und für 2026 auf 5,52 Mrd. Dollar. Für 2036 prognostiziert er 43,75 Mrd. Dollar, was über das Jahrzehnt einer jährlichen Wachstumsrate von 23,0% entspricht. Der Rahmen ist weit gesteckt. Er umfasst Vektordatenbanken und Suchmaschinen, Embedding- und Reranking-Modelle, Orchestrierungsframeworks, Werkzeuge zum Einlesen und Parsen, Konnektoren, Plattformen für Evaluierung und Guardrails, cloudverwaltete RAG-Dienste und Wissensassistenten für Unternehmen. Ausgenommen sind Nutzungsgebühren für Basismodelle und Allzweckdatenbanken ohne Retrieval-Funktionen. Diese Abgrenzung ist wichtig für Käufer, die Anbieter vergleichen.

Am stärksten verbreitet ist RAG in den Bereichen Recht, Finanzen und Gesundheitswesen, wo Ergebnisse mit Quellen belegt sein müssen, heißt es in dem Bericht. Auch KI-Agenten treiben die Nachfrage. Mehrstufige Arbeitsabläufe brauchen laufenden Zugriff auf Daten, Anwendungen und Werkzeuge. Als Beleg für die Nachfrage nennt der Bericht Elastic. Elastic meldete für das erste Quartal des Geschäftsjahres 2026 mehr als 2.200 Kunden von Elastic Cloud, die generative KI-Workloads betreiben. Außerdem meldete das Unternehmen einen Umsatzanstieg von 18% im dritten Quartal auf 450 Mio. Dollar.

Der Bericht rechnet auch Wissensassistenten für Unternehmen dem Markt zu. In diese Kategorie fällt M-Bot, nicht in eine eigene Werkzeugschicht.

Genauigkeit und Sicherheit bleiben der schwierige Teil

Bei der Genauigkeit trifft das Verkaufsargument auf Belege. Eine vorab registrierte Studie der Stanford University ergab, dass RAG-basierte Produkte für juristische Recherche von LexisNexis und Thomson Reuters bei 17% bis 33% der Anfragen halluzinierten. GPT-4 halluzinierte in derselben Studie im unabhängigen Einsatz bei 43%. Retrieval half. Die Lücke schloss es nicht. Die Studie verzeichnete erfundene Fundstellen, unvollständige Antworten und falsch gelesene Rechtsprechung. Die Spanne reicht von 17% bis 33%, es ist kein einzelner Wert. Diese Ergebnisse setzen die Messlatte für jeden Anbieter, der Retrieval als Mittel gegen Halluzinationen verkauft.

Auch die Sicherheit hat ihre Vorgeschichte. Microsoft schloss im Juni 2025 die Lücke EchoLeak, CVE-2025-32711. Es handelte sich um eine Schwachstelle ohne Klick, bewertet mit 9,3 auf der CVSS-Skala. Schädliche Inhalte, die aus einer E-Mail abgerufen wurden, konnten Microsoft 365 Copilot manipulieren und sensible Informationen preisgeben. Der Bericht stellt fest, dass Unternehmen mit berechtigungsbewusstem Retrieval, Erkennung von Prompt-Injection, Data Loss Prevention, Herkunftsnachweisen und Audit-Trails reagieren. Microsoft testet Copilot inzwischen gegen synthetische Unternehmen. Die Industry Evaluation Data Generation Platform baut simulierte Unternehmensumgebungen aus öffentlichen Quellen auf, darunter Berufsdaten von O*NET, Stellenanzeigen und SEC-Einreichungen. Kundendaten fließen nicht ein. Microsoft sagt, die Arbeit solle die erste standardisierte Evaluierungsgrundlage für Copilot schaffen.

RAG oder Fine-Tuning: die Wahl der Architektur

Jeder Einkauf von Enterprise-RAG stößt auf denselben Vergleich. RAG verändert die Informationen, die ein Modell zum Zeitpunkt der Antwort erhält; Fine-Tuning verändert, wie das Modell antwortet, indem es sein gelerntes Verhalten anpasst. Das erste passt zu Dokumenten und Richtlinien, die sich häufig ändern. Das zweite passt zu gleichbleibender Aufgabenerfüllung und festen Ausgabeformaten. Parametereffiziente Verfahren wie LoRA senken den Rechenaufwand, indem sie eine kleinere Menge zusätzlicher Parameter trainieren statt des gesamten Modells. Fine-Tuning verschafft einem Modell trotzdem keinen verlässlichen Zugriff auf die neuesten Unternehmensinformationen. Es sollte nicht als garantierter Weg gelten, Halluzinationen zu beseitigen.

Der Umgang mit Daten entscheidet über vieles Weitere. Die Dell AI Data Platform lässt Modelle Dateien vor Ort abfragen, ohne doppelte Kopien oder veränderte Dateizugriffsrechte. IT Pro beschrieb sie am 29. Oktober. Sie kombiniert NVIDIA AI Enterprise Software mit GPU-Beschleunigung. Das Kopieren von Dateien in einen separaten Vektorspeicher erzeugt Schattendaten, verbraucht Bandbreite und entfernt ursprüngliche Berechtigungen, berichtete IT Pro.

Wie es weitergeht

Maya HTT gibt an, M-Bot stehe für Demonstrationen und den Unternehmenseinsatz bereit.

Die Prognose von ResearchAndMarkets reicht bis 2036 und nennt dann 43,75 Mrd. Dollar, nach 5,52 Mrd. Dollar im Jahr 2026. Microsoft beschreibt seine Plattform für synthetische Evaluierung als Anfang einer standardisierten Grundlage für Copilot. Ein fertiger Benchmark ist sie nicht.