Ein KI-E-Mail-Assistent schreibt in Ihrem Tonfall, indem er zwei getrennte Systeme kombiniert: Tonabgleich, der Ihren Wortschatz, Ihre Satzlänge und Ihre Grußformel aus bereits gesendeten E-Mails lernt, und RAG (retrieval-augmented generation), das die konkreten Fakten, die eine Antwort braucht, aus einer von Ihnen kontrollierten Wissensdatenbank holt. Der Tonabgleich entscheidet, wie ein Entwurf klingt; RAG entscheidet, was er sagt. Ein Entwurf, der beides richtig macht, liest sich, als hätten Sie ihn selbst geschrieben, in einem Zug, mit der richtigen Antwort bereits zur Hand.
Tonabgleich: Ihre Stimme aus gesendeter Post lernen
Der Tonabgleich arbeitet mit einer Auswahl von E-Mails, die Sie tatsächlich gesendet haben — kein Stil, den Sie in einem Einstellungsformular beschreiben, sondern der Text, den Sie bereits verfasst haben. Das Modell betrachtet Muster: wie lang Ihre Sätze typischerweise sind, ob Sie mit "Hallo" oder einem Namen einsteigen, wie formell Ihre Grußformel ist, ob Sie Ausrufezeichen nutzen oder eher sachlich bleiben, und wie sehr Sie abschwächen statt direkt zu formulieren.
Nichts davon wird wörtlich aus einer einzelnen E-Mail übernommen — es ist ein Profil, das über viele Nachrichten hinweg aufgebaut wird, sodass der Assistent nicht Ihr früheres Ich zitiert, sondern neue Sätze schreibt, die denselben Mustern folgen. Je mehr gesendete Post er gelernt hat, desto konsequenter klingt ein Entwurf nach Ihnen statt nach dem generischen "hilfsbereiten Assistenten"-Tonfall, der bei den meisten KI-Schreibwerkzeugen auftaucht.
RAG: Fakten abrufen, statt sie zu erraten
Tonfall allein löst nicht das schwierigere Problem: den Inhalt der Antwort richtig zu bekommen. Fragt ein Kunde nach Ihrem Rückgabezeitraum oder einer bestimmten Produktangabe, erzeugt ein Modell ohne Grundlage eine flüssig klingende, selbstsichere Antwort, die schlicht falsch sein kann — das bekannte Fehlerbild, oft als Halluzination bezeichnet. RAG behebt das, indem es dem Modell einen echten Ort gibt, an dem es nachschaut, bevor es überhaupt etwas schreibt.
In der Praxis bedeutet RAG, dass Ihre Wissensdatenbank — Produktdokumentation, ein Preisblatt, Richtlinien, eine hochgeladene FAQ — in kleine Abschnitte zerlegt und als Embeddings gespeichert wird, eine numerische Darstellung von Bedeutung statt exakter Wortwahl. Trifft eine neue E-Mail ein, durchsucht der Assistent diese Embeddings nach den Abschnitten, die für die gestellte Frage am relevantesten sind, und übergibt nur diese Abschnitte als Kontext an das schreibende Modell. Der Entwurf wird dann anhand dieses abgerufenen Materials verfasst, nicht aus den allgemeinen Trainingsdaten des Modells.
Warum Retrieval besser ist als das Gedächtnis eines Modells
Ein allgemeines Sprachmodell weiß nicht, was Ihre Rückgaberichtlinie heute tatsächlich besagt — es wurde nicht auf Ihr Unternehmen trainiert. RAG schließt diese Lücke, ohne irgendetwas neu zu trainieren: Sie aktualisieren Ihre Wissensdatenbank, sobald sich eine Richtlinie oder ein Preis ändert, und schon die nächste Antwort spiegelt das wider, weil das Retrieval frisch zum Zeitpunkt des Entwurfs stattfindet, statt Monate zuvor ins Modell eingebacken worden zu sein.
Wie die beiden Systeme bei einem Entwurf zusammenwirken
Trifft eine Nachricht ein, die eine Antwort braucht, durchläuft der Assistent beide Prozesse, bevor er auch nur ein Wort schreibt: Er ruft die relevanten Wissensdatenbank-Abschnitte für die gestellte Frage ab und lädt das aus Ihrer gesendeten Post aufgebaute Tonprofil. Der Entwurfsschritt kombiniert dann beides — die abgerufenen Fakten begrenzen, was die Antwort korrekt aussagen kann, und das Tonprofil formt, wie es formuliert wird. Das Ergebnis ist eine Antwort, die sowohl korrekt als auch erkennbar Ihre eigene ist.
- Tonabgleich: gelernt aus Ihren eigenen gesendeten E-Mails, keine Stilbeschreibung
- RAG: ruft Fakten aus Ihrer Wissensdatenbank ab, statt zu raten
- Retrieval erfolgt frisch beim Entwurf, sodass Änderungen an der Wissensdatenbank sofort greifen
- Keines der Systeme versendet etwas — jeder Entwurf wartet weiterhin auf Ihre Freigabe
Was eine Wissensdatenbank tatsächlich bringt
Lassen Sie die Wissensdatenbank ganz aus, kann der Assistent trotzdem Ihren Tonfall treffen — das hängt nicht davon ab —, aber er wird Antworten allein aus allgemeinem Wissen entwerfen, sobald eine Frage ein konkretes Faktum über Ihr Unternehmen erfordert. Schon eine kurze Sammlung von Dokumenten (eine Preisseite, ein Richtliniendokument, eine Produkt-FAQ) sorgt dafür, dass der Assistent korrekt statt nur plausibel antworten kann. Je aktueller und spezifischer die Wissensdatenbank ist, desto weniger Korrekturen braucht ein Entwurf, bevor Sie ihn versenden.
Nichts davon ändert, wer die Kontrolle hat. Retrieval und Tonabgleich formen nur den Entwurf, der in Ihrem Gmail- oder Outlook-Entwurfsordner landet — eine Person liest ihn weiterhin, korrigiert, was nicht passt, und entscheidet, ob er versendet wird.
DraftKite betreibt genau diese Kombination — Tonfall gelernt aus Ihrer gesendeten Post, Fakten abgerufen aus Ihrer eigenen Wissensdatenbank — bei jeder Antwort, die es entwirft. Starten Sie die 7-tägige kostenlose Testphase, keine Kreditkarte nötig, und sehen Sie, wie nah die ersten Entwürfe bereits an das herankommen, was Sie selbst schreiben würden.