Was wäre, wenn AI Agents Deep Research in Sekunden statt in Minuten durchführen könnten?
Immer mehr Organisationen setzen AI Agents ein, um Fragen zu Hunderttausenden Seiten interner Dokumente, Berichte, Richtlinien und Forschungsergebnisse zu beantworten. Doch die Retrieval-Systeme, auf denen diese Agents aufbauen, wurden dafür nicht entwickelt.
Wenn ein Agent etwas finden muss, beginnt er jedes Mal eine neue Suche. Unabhängig davon, wie oft dieselben Dokumente bereits verarbeitet wurden, fallen für die nächste Frage erneut die vollen Kosten an. Wenn ein Agent beispielsweise eine Frage erhält, muss er häufig eine neue Suche durchführen, relevante Textpassagen abrufen und diese zur Verarbeitung an ein Sprachmodell senden.
Jeder dieser Schritte verbraucht kostenpflichtige Modell-Tokens, Rechenressourcen und Zeit. Selbst wenn dieselben Dokumente bereits für eine frühere Frage verarbeitet wurden, wird ein großer Teil dieser Arbeit bei der nächsten Frage wiederholt.
Hochgerechnet auf Millionen von Anfragen bedeutet das erhebliche Rechenressourcen, die dafür aufgewendet werden, bereits bekannte Informationen erneut zu finden. Die anspruchsvollsten Varianten dieses Ansatzes können bis zu 40 Minuten oder länger benötigen, um eine einzelne komplexe Frage zu beantworten – und die Textfragmente, auf denen die Antwort basiert, lassen sich häufig nicht bis zu ihrer Quelle zurückverfolgen. Je leistungsfähiger und verbreiteter AI Agents werden, desto mehr Tokens, Rechenleistung und Zeit werden dafür aufgewendet, dieselben Informationen immer wieder neu zu erschließen.
Bei aktuellen Systemen entstehen dabei zwei Arten von Problemen:
Effizienzproblem
Retrieval-Systeme, deren Kosten mit jeder Anfrage steigen, werden wirtschaftlich nicht nachhaltig, wenn die Menge an produzierten Informationen weiter zunimmt.
Transparenzproblem
In einer Welt, in der alles generiert werden kann, ist eine Antwort ohne nachvollziehbare Quelle nicht vertrauenswürdig. Wenn Agents zunehmend in regulierten und besonders sensiblen Bereichen eingesetzt werden – etwa in Finanzwesen, Medizin, Wirkstoffforschung oder Compliance – werden zuverlässige, nachvollziehbare und überprüfbare Ergebnisse zu einer grundlegenden Anforderung. Agents benötigen Antworten, auf deren Grundlage sie handeln können, und Quellen, auf die sie verweisen können.
INFOBOX: Mit Retrieval bezeichnen wir den Prozess des Zugriffs auf gespeicherte Informationen oder Daten, deren Suche und Abruf, damit ein Agent sie nutzen kann.
Beispiel für eine mögliche Frage: „Welche Entscheidungen haben wir im vergangenen Jahr zu Projekt Atlas getroffen?“
Retrieval: Das System durchsucht Meeting-Notizen, E-Mails, Designdokumente und Berichte, wählt die relevanten Informationen aus und stellt sie der AI zur Verfügung, bevor diese die Antwort generiert.
Was AI Baseline möglich macht
AI Baseline ist eine Wissensinfrastruktur für AI Agents, die auf einem neuen Retrieval-Ansatz basiert. Informationen werden in einer logisch verknüpften Ebene abgebildet, die darauf ausgelegt ist, wie Agents Informationen erschließen und Schlussfolgerungen ziehen müssen – wobei die Herkunft der Informationen bereits durch die Struktur des Knowledge Space erhalten bleibt.
Da die aufwendige Strukturierungsarbeit einmalig bei der Aufnahme der Daten erfolgt, werden agentische Prozesse effizient und auch in großem Maßstab wirtschaftlich. Die Qualität der Recherche steigt, und jede Antwort ist vollständig nachvollziehbar: Es lässt sich erkennen, wie der Agent zu seiner Antwort gelangt ist.
Bei heutigen Retrieval-Systemen muss man typischerweise einen Kompromiss eingehen: Eine bessere Antwortqualität bedeutet, mehr Informationen zu durchsuchen, mehr AI-Aufrufe durchzuführen und länger auf eine Antwort zu warten. AI Baseline löst diesen Zielkonflikt auf: Die Kosten pro Anfrage sinken, bisher unwirtschaftliche Workflows werden alltagstauglich, und Rechercheprozesse können in einem Maßstab betrieben werden, der zuvor nicht realisierbar war. Zum ersten Mal müssen Organisationen nicht mehr zwischen Geschwindigkeit, Kosten und Qualität wählen.
Wir haben Benchmarks mit bestehenden Ansätzen durchgeführt: Unser Research Mode liefert eine um 44 % höhere Antwortqualität als agentisches RAG, ist dabei 22-mal schneller und benötigt 72 % weniger Input-Tokens. Bei maximaler Performance erreicht AI Baseline Agentic Research mehr als die doppelte Antwortqualität und bleibt dabei nahezu neunmal schneller – bei rund 15 % geringeren Kosten.
Über AI Baseline
AI Baseline ist ein Wiener Startup, gegründet von Xenia Galkina, CEO, und Alexander Czech, CTO. Das Unternehmen wird von NVIDIA Inception und AWS unterstützt und ist seit Dezember 2025 Mitglied des AI Factory Austria AI.AT Coworking Hubs.
Das Gründerteam verbindet Produkt- und Engineering-Erfahrung mit einem Fokus auf die Entwicklung von Information-Retrieval-Systemen für die Wirkstoffforschung, Multi-Agent-Systemen für Untersuchungen zu Desinformation und Propaganda sowie großskaliger Informationsinfrastruktur in Behörden und im Finanzbereich.
„Die Arbeit im AI:AT Hub war für uns ein echter Booster. Wir waren eines der ersten Startups, die dem Coworking Space beigetreten sind. Darüber hinaus haben wir über AI Factory Austria und EuroHPC 20.000 GPU-Stunden auf dem Leonardo-Supercomputer erhalten. Das hat es uns als bootstrappendes Startup überhaupt ermöglicht, die erste Version eines Produkts in dieser Größenordnung umzusetzen.“
Xenia Galkina, CEO und Co-Founder von AI Baseline
„AI Factory Austria war für uns ein echter Beschleuniger. Der Zugang zu GPUs hat es uns ermöglicht, einen Knowledge Space in einer Größenordnung und Geschwindigkeit aufzubauen, die für ein Pre-Seed-Unternehmen allein nicht möglich gewesen wäre. Ebenso wertvoll ist die Community: Der Austausch mit anderen Gründer, die vor ähnlichen Herausforderungen stehen, und der Zugang zu Expert aus technischen und anderen AI-relevanten Bereichen haben uns geholfen, über die Technologie selbst hinauszudenken. Für ein ambitioniertes AI-Startup ist diese Kombination ein echter Booster.“
Alexander Czech, CTO und Co-Founder von AI Baseline
Selbst entdecken
Die Retrieval-Architektur von AI Baseline ist besonders für technische Teams relevant, die AI Agents über die eigenen Dokumente und Wissensdatenbanken ihrer Organisation einsetzen – etwa in den Bereichen Life Sciences, Healthcare, Recht und Compliance, Finanzforschung, Industrie und öffentlicher Sektor.
Während der Beta-Phase kann das System kostenlos ausprobiert werden – über eine API oder als Claude Skill.
→ API-Key anfordern
Arbeitet ihr mit eigenen Dokumenten? AI Baseline sucht außerdem Design-Partner für seine Ingestion Engine.
Mit dem Team sprechenLinkedin