Google: Agentic RAG für Gemini Enterprise — 90,1 % Genauigkeit und bis zu 34 % bessere Faktentreue

Google Research und Google Cloud stellten am 5. Juni 2026 ein Multi-Agenten-RAG-Framework für die Gemini Enterprise Agent Platform vor, dessen zentrale Neuerung der Sufficient Context Agent ist — eine Komponente, die beurteilt, ob der abgerufene Kontext für eine zuverlässige Antwort ausreichend ist. In einem anspruchsvollen Benchmark erreichte das Framework 90,1 % Genauigkeit bei deutlich verbesserter Faktentreue.

Was ist RAG und warum ist es wichtig?

RAG (Retrieval-Augmented Generation, Generierung mit Abruf) ist eine Technik, mit der das Modell vor dem Verfassen einer Antwort relevante Dokumente aus einer Wissensbasis abruft. Statt sich ausschließlich auf das zu stützen, was es während des Trainings gelernt hat, gründet das Modell seine Antwort auf konkreten Quellen.

Das bringt einen doppelten Nutzen: Es verringert die Neigung des Modells, Fakten zu erfinden, und erhöht die Faktentreue der Antworten. RAG ist besonders wichtig in Geschäftsumgebungen, in denen Antworten auf internen Unternehmensdokumenten beruhen müssen.

Wie arbeitet der Sufficient Context Agent?

Der größte Fortschritt gegenüber dem klassischen RAG ist der Sufficient Context Agent. Seine Aufgabe ist es zu beurteilen, ob der abgerufene Kontext wirklich ausreicht, um eine zuverlässige Antwort darauf zu gründen. Kommt der Agent zu dem Schluss, dass der Kontext nicht ausreicht, startet er iterative Suchen, statt eine unvollständige Antwort zurückzugeben.

Dieser Mechanismus behebt eine häufige Schwäche des Standard-RAG, bei dem das Modell auch dann antwortet, wenn das abgerufene Material die Frage nicht vollständig abdeckt. Der iterative Ansatz ermöglicht es dem System, zusätzliche Informationen zu sammeln, bevor es die endgültige Antwort bildet.

Aus welchen Agenten besteht die Architektur?

Das Framework ist als eine Reihe spezialisierter Agenten organisiert. Es gibt den Orchestrator (Koordinator), den Planner (Planer), den Query Rewriter (Umformulierung von Anfragen), den Search Fanout (Ausweitung der Suche) sowie die Synthesis-Agenten (Synthese der Antwort).

Jeder Agent erfüllt eine klar definierte Rolle, und zusammen bilden sie eine Pipeline, die die Anfrage zerlegt, die Suche plant, die Anfrage bei Bedarf umformuliert und schließlich die Antwort synthetisiert. Diese Arbeitsteilung ermöglicht eine präzisere Kontrolle über jeden Verarbeitungsschritt.

Wie sind die Ergebnisse im FramesQA-Benchmark?

Das Framework wurde im FramesQA-Benchmark getestet, der 824 Anfragen über 2.676 PDF-Dokumente umfasst. In Cross-Corpus-Szenarien, in denen die Antwort das Verknüpfen von Informationen aus mehreren Quellen erfordert, erreichte es 90,1 % Genauigkeit.

Gegenüber dem Standard-RAG brachte das Framework eine bis zu 34 % bessere Faktentreue. Dabei blieb der Anstieg der Latenz im Schnitt innerhalb von 3 %, was bedeutet, dass der Qualitätsgewinn ohne erhebliche Verlangsamung der Antwort erreicht wurde.

Was bedeutet das für Geschäftskunden?

Für Unternehmen, die zuverlässige, auf ihren eigenen Dokumenten beruhende Antworten wünschen, stellt die Kombination aus hoher Genauigkeit und verbesserter Faktentreue bei minimalem Latenzanstieg einen praktischen Fortschritt dar. Das System ist als Public Preview innerhalb der Gemini Enterprise Agent Platform verfügbar, womit Google es Geschäftskunden zur Erprobung unter realen Bedingungen zur Verfügung stellt.

Besonderen Wert bringt der Sufficient Context Agent, der das Risiko verringert, dass das System auf Grundlage unzureichender Informationen antwortet. Im Geschäftskontext, in dem eine falsche Antwort reale Folgen haben kann, ist die Fähigkeit des Systems, zu erkennen, wann nicht genügend Daten vorliegen, und weiterzusuchen, statt zu raten, ebenso wichtig wie die Genauigkeit selbst. Damit zielt Agentic RAG auf die Zuverlässigkeit, die eine Voraussetzung für den ernsthaften Einsatz in Geschäftsprozessen ist.