Warum ist Minerva nicht nur ein weiteres LLM?

Warum ist Minerva nicht nur ein weiteres LLM? Der Moment, in dem LLMs große Popularität erlangten, fiel auf den Jahreswechsel 2022/2023, als generative künstliche Intelligenz in den allgemeinen Gebrauch überging. Diese Modelle zogen schnell Aufmerksamkeit auf sich, da sie detaillierte Informationen aus vielen Bereichen liefern konnten. Doch nach der anfänglichen Begeisterung traten auch grundlegende Schwächen zutage – insbesondere die Häufigkeit fehlerhafter Antworten.

Laut dem Bericht von Tom’s Guide erzeugt ChatGPT-5 in etwa 25 % der Fälle falsche Antworten. Das bedeutet, dass jede vierte Antwort fehlerhaft sein kann.

Sind LLMs keine verlässlichen Informationsquellen? Obwohl Sprachmodelle wie ChatGPT oder Gemini versuchen, präzise Antworten zu liefern, irren sie sich häufig, da ihre Ausgaben auf Mustern und nicht auf überprüften Fakten basieren. In der IT-Fachsprache wird dieses Phänomen als „Halluzination der künstlichen Intelligenz“ bezeichnet. Solche Ergebnisse entstehen häufig durch interne Modellfehler, mangelndes Verständnis der realen Welt oder durch Einschränkungen in den Trainingsdaten. Mit anderen Worten: Das KI-System „halluziniert“ Informationen, die ihm während der Trainingsphase nie eindeutig vermittelt wurden, was zu unzuverlässigen oder irreführenden Antworten führt.

Der Begriff Halluzination im Zusammenhang mit künstlicher Intelligenz bezeichnet die Generierung von Ausgaben, die plausibel klingen können, aber entweder faktisch falsch oder nicht zum Kontext passend sind.

Warum ist Minerva nicht nur ein weiteres LLM? Obwohl Minerva Technologien wie ChatGPT oder Gemini nutzt, ist es falsch, sie mit einem herkömmlichen Sprachmodell (LLM) gleichzusetzen. Der grundlegende Unterschied liegt in der Verifizierbarkeit der Daten und der Verantwortlichkeit im Entscheidungsprozess.

Bei einem standardmäßigen KI-Chat erhält der Nutzer eine Antwort, die durch Halluzinationen verfälscht sein kann – das Modell kann Informationen „erfinden“, die im Text gar nicht vorkommen. Minerva eliminiert dieses Risiko, indem sie nicht nur die Antwort auf die zentrale Frage liefert, sondern auch ein konkretes Zitat samt Link, der direkt zur entsprechenden Stelle in der Ausschreibungsdokumentation führt. Dadurch kann der Nutzer die Fakten sofort überprüfen.

So hat der Nutzer die Gewissheit, dass die Information nicht zufällig generiert wurde, sondern tatsächlich aus der analysierten Datei stammt.

Ein weiteres Unterscheidungsmerkmal ist Minervas tiefes Verständnis des branchenspezifischen Kontexts – etwas, womit generische LLMs häufig Schwierigkeiten haben. Die Sprache von Ausschreibungen ist sehr speziell und nicht standardisiert: dieselben Anforderungen, wie z. B. Sicherheitsleistungen oder Vertragserfüllungsgarantien, können auf zahlreiche unterschiedliche Arten formuliert sein. Ein gewöhnliches KI-Modell könnte diese Nuancen falsch interpretieren oder wichtige Informationen übersehen, die unter ungewöhnlichen Begriffen verborgen sind.

Minerva ist in der Lage, Fakten kontextbezogen zu verknüpfen: Sie erkennt beispielsweise, dass eine Ausschreibung mit dem Titel „Straßenmodernisierung“ in Wirklichkeit den Bau eines sicheren Fußgängerüberwegs betreffen kann – ein entscheidender Unterschied für Unternehmen mit enger Spezialisierung.

Ein wesentlicher Vorteil von Minerva gegenüber der „manuellen“ Nutzung von Tools wie ChatGPT ist der umgekehrte Suchprozess durch produktbasierte Zuordnung. Anstatt den Nutzer zu zwingen, Dutzende von Schlüsselwörtern einzugeben und hunderte Seiten manuell nach Erwähnungen bestimmter Produkte (z. B. Skalpell oder Operationsbett) zu durchsuchen, analysiert das System das Portfolio des Kunden und liefert automatisch nur die Ausschreibungen, in denen diese Produkte tatsächlich vorkommen. Dies funktioniert wie eine „Reverse-Suche“: Der Nutzer sucht nicht länger die Nadel im Heuhaufen – das System präsentiert nur die Verfahren, die Lösungen aus seinem Angebot enthalten. Dadurch wird eine Vorselektion ermöglicht und Ressourcen werden bereits vor der detaillierten Analyse der Dokumentation gespart.

Sicherheit im Minerva-Ökosystem Die Implementierung von Minerva ist auch ein Schritt in Richtung Standardisierung von Prozessen und Datensicherheit – etwas, das die individuelle Nutzung öffentlicher KI-Modelle durch Mitarbeiter nicht gewährleisten kann. Wenn Mitarbeiter ChatGPT auf eigene Faust nutzen, verwendet jeder unterschiedliche, oft fehlerhafte Prompts und setzt das Unternehmen zudem dem Risiko von Datenlecks aus, indem interne Dateien in öffentliche Chats hochgeladen werden.

Minerva schafft ein geschlossenes, sicheres Ökosystem, in dem der Analyseprozess für das gesamte Team wiederholbar und standardisiert ist. Dadurch vermeidet das Unternehmen ein Chaos, in dem jeder Vertriebsmitarbeiter Ausschreibungen auf seine eigene Weise sucht und analysiert – und Entscheidungen über eine Teilnahme auf der Grundlage verlässlicher, gefilterter Daten getroffen werden.

Minerva Team.