{"id":5418,"date":"2025-12-04T14:57:12","date_gmt":"2025-12-04T13:57:12","guid":{"rendered":"https:\/\/www.orbis-group.com\/de-de\/blog\/?p=5418"},"modified":"2026-04-16T14:02:37","modified_gmt":"2026-04-16T13:02:37","slug":"sharepoint-mit-copilot-nutzen","status":"publish","type":"post","link":"https:\/\/www.orbis-group.com\/de-de\/blog\/prozesse\/modern-work\/sharepoint-mit-copilot-nutzen\/","title":{"rendered":"SharePoint als Wissensquelle mit Copilot nutzen"},"content":{"rendered":"\n

Large Language Models (LLMs) sind die Enzyklop\u00e4dien unserer Zeit. In ihnen steckt \u201edas Wissen der Welt\u201c \u2013 und, anders als fr\u00fcher m\u00fcssen wir heute nicht mehr m\u00fchsam Inhalts- und Stichwortverzeichnisse durchforsten, um den passenden Absatz zu finden. Stattdessen stellen wir einfach eine Frage und generative KI liefert uns die gesuchte Antwort.<\/p>\n\n\n\n

Erstreckt sich unsere Fragestellung \u00fcber mehrere Themengebiete, kann die KI diese miteinander verkn\u00fcpfen und eine kombinierte, kontextbezogene Antworten liefern. Dabei ist jedoch Vorsicht geboten! Die Antworten generativer KI <\/strong>sollten immer kritisch hinterfragt <\/strong>und nicht ungepr\u00fcft \u00fcbernommen <\/strong>werden!<\/p>\n\n\n\n

Wer den Komfort des einfachen Fragens aber einmal erlebt hat, kann gut verstehen, warum sich Nutzende \u00e4hnliche Unterst\u00fctzung auch im Umgang mit firmeninternen Daten direkt in ihren Gesch\u00e4ftsanwendungen w\u00fcnschen.  Nat\u00fcrlich sind diese Daten nicht in den gro\u00dfen Sprachmodellen der Hersteller enthalten \u2013 und das ist auch gut so.<\/p>\n\n\n\n

Sie k\u00f6nnen und m\u00fcssen selbst steuern, welche Daten Sie der KI, aber vor allem auch welchem Nutzerkreis sie welche Informationen zur Verf\u00fcgung stellen m\u00f6chten. Bereichs-, abteilungs- und vor allem unternehmensweit verf\u00fcgbare Daten k\u00f6nnen sehr gut geeignet sein, um Wissen einfach den Mitarbeitenden zur Verf\u00fcgung zu stellen.<\/p>\n\n\n\n

<\/a><\/p>\n\n\n\n

\"\u00dcberblick<\/figure>\n\n\n\n

Gerade bei Daten, die nur bereichs- oder abteilungsweit zur Verf\u00fcgung stehen, ist jedoch die Anwendung eines Berechtigungsmodells erforderlich.<\/p>\n\n\n\n

Stellt sich dennoch die Frage: Wie KI Ihre Unternehmensdaten, z.B. Dokumente kennenlernen kann?<\/strong> Genau diese Frage beleuchten wir in diesem Blogbeitrag Schritt f\u00fcr Schritt.<\/a><\/p>\n\n\n\n

H\u00e4ppchen vom Dokumentenbuffet<\/h2>\n\n\n\n

Um Ihre Unternehmensdokumente f\u00fcr die KI verst\u00e4ndlich zu machen, werden sie in einer sogenannten Ingestion Phase (oder Indexierungsphase) in f\u00fcr die KI verst\u00e4ndliche H\u00e4ppchen (\u201eChunks\u201c) zerlegt.<\/p>\n\n\n\n

F\u00fcr die Chunks werden sogenannte Embeddings berechnet. Embeddings sind eine mathematische Repr\u00e4sentation des Chunks, aber nicht (nur) basierend auf dessen Text, sondern dessen Bedeutung. Ein Beispiel: \u201eUrlaub beantragen\u201c und Abwesenheit sind zwar aus Sicht der Rechtschreibung v\u00f6llig unterschiedliche W\u00f6rter, liegen thematisch, aber nah beieinander. Daher liegen ihren Vektoren in einer multidimensionalen Vektordatenbank nah beieinander. Basierend auf dieser N\u00e4he im Vektorraum kann der KI-Generator einen Zusammenhang ableiten.<\/a><\/p>\n\n\n\n

\"Retrievel<\/figure>\n\n\n\n

Abrufen \u2013 Anreichern \u2013 Generieren<\/h2>\n\n\n\n

W\u00e4hrend wir oben insbesondere das Abrufen Ihrer Dokumente im Detail beleuchtet haben, nennt sich der gesamte Prozess, um Ihre Dokumente zu verarbeiten, \u201eRAG\u201c (retrieve, augment, generate).<\/p>\n\n\n\n

Retrieve:<\/strong><\/p>\n\n\n\n

Wie dies funktioniert, haben wir bereits im Bereich \u201eH\u00e4ppchen vom Dokumentenbuffet\u201c oben gesehen.<\/p>\n\n\n\n

Augment:<\/strong><\/p>\n\n\n\n

Ihre Anfrage\/der Prompt wird ebenfalls in Vektoren umgerechnet. Nun wird in der Datenbank nach \u00e4hnlichen Vektoren gesucht. Die Anfrage wird mit samt den gefunden Vektoren aus der Datenbank an den Generator und damit an die \u201eGenerate-Phase\u201c \u00fcbergeben.<\/p>\n\n\n\n

In der Augment-Phase kann auch weiter Einfluss auf den Prompt genommen werden, um den Kontext genauer zu definieren. Dies k\u00f6nnte ein Role-Prompt sein, also ein vorangestellter Prompt, der den Kontext noch genauer eingrenzt, z.B.: \u201eDu bist ein Human Ressource-Agent, der unseren Mitarbeitenden hilft, die Informationen aus unseren HR-Dokumenten, die auf dem HR-SharePoint gespeichert sind, zu finden. Liefere nur Antworten, wenn diese in den Dokumenten hinterlegt sind und gibt jeweils das Dokument als Quelle deiner Antworten bekannt.\u201c<\/p>\n\n\n\n

Generate:<\/strong><\/p>\n\n\n\n

In der Generate-Phase erzeugt das LLM nun aus den Prompts (Role-Prompt und User-Prompt) und den Informations-Chunks, die aus unseren indexierten Dokumenten entstanden sind, eine Antwort in nat\u00fcrlicher Sprache, z.B.: \u201eUrlaubsantr\u00e4ge k\u00f6nnen bei uns nur in SuccessFactors gestellt werden. Soll ich dir erkl\u00e4ren, wie du das in SuccessFactors tun kannst?\u201c<\/p>\n\n\n\n

Mit Copilot Studio Wissen in SharePoint-Dokumenten nutzen<\/h3>\n\n\n\n

Microsoft Copilot<\/a>\u00a0bietet Ihnen die M\u00f6glichkeit Ihr eigenes RAG-Setup sehr einfach zu erstellen. Viele komplexe Schritte der Ingestion-Phase werden dabei unkompliziert f\u00fcr Sie \u00fcbernommen. Wenn Sie in Copilot Studio einen neuen Agenten erstellen und in der Sektion \u201eWissen\u201c Ihre SharePoint<\/a>-Site mit den relevanten Dokumenten ausw\u00e4hlen, sind Sie eigentlich schon fast fertig. Sie k\u00f6nnten dabei noch auf Dokumentenbibliotheken oder Ordner eingrenzen. Damit geben Sie Copilot bekannt, welche Dokumente per RAG befragbar sein sollen.<\/a><\/p>\n\n\n\n

\"Konfiguration<\/figure>\n\n\n\n

Das Feintuning k\u00f6nnen Sie nun in der Sektion \u201eAnweisungen\u201c, im sogenannten \u201eRole-Prompting\u201c vornehmen. Hier geben Sie dem Agenten Detailanweisungen wie auf die Fragen reagiert, bzw. wie die Antworten beschaffen sein sollen. Da es sich immer noch um einen Microsoft Copilot mit einem LLM im Hintergrund handelt, f\u00fcgen wir gerne folgende Anweisung an, um zu verhindern, dass Antworten aus \u00f6ffentlichen Quellen einflie\u00dfen. Wir m\u00f6chten in unserem Fall nur Antworten basierend auf unseren SharePoint-Dokumenten: \u201eVerwende ausschlie\u00dflich interne Inhalte der referenzierten, internen Wissensquelle. Wenn dort keine Antwort zu finden ist, sage es und nutze keine \u00f6ffentlichen Quellen.\u201c<\/p>\n\n\n\n

Sinnvoll k\u00f6nnten auch sein:<\/p>\n\n\n\n