Pexon Consulting | 9 Min. Lesezeit | 10.07.2026
TL;DR
SharePoint KI-Suche beantwortet Fragen zu Produktanleitungen mit Textstelle und Quellenangabe statt einer Trefferliste. Pexon Consulting (80 Mitarbeiter, Microsoft Partner, Deutschland) baut den RAG-Layer über die Copilot Retrieval API oder einen eigenen Azure-AI-Search-Index. Ein Techniker findet die richtige Wartungsanweisung in Sekunden statt in Minuten.
Ein Servicetechniker steht an einer Maschine, tippt „Drehmoment Lagerschild Baureihe 4“ in die SharePoint-Suche und bekommt 47 Dokumente zurück. Das richtige Handbuch ist Nummer 12, die Antwort auf Seite 213. Genau dieses Problem löst eine KI-gestützte Suche: Sie liefert die Textstelle mit Quelle, nicht die Dokumentenliste.
Wir bauen solche Systeme für Aftersales-Teams und technische Dokumentation seit mehreren Jahren. Dieser Artikel zeigt, wann die native SharePoint-Suche oder Microsoft Copilot ausreichen und wann ein eigener RAG-Layer die bessere Wahl ist.
Warum die native SharePoint-Suche bei Produktanleitungen scheitert
Die native Suche findet Dateien, keine Antworten. Sie matcht Keywords gegen Dateinamen, Metadaten und Volltext, aber sie versteht nicht, dass „Anzugsmoment“ und „Drehmoment“ dasselbe meinen oder dass die Antwort tief in einem 300-seitigen PDF steckt. Ein Techniker will keine Trefferliste, er will den Wert.
Das Kernproblem ist die fehlende semantische Ebene. Klassische SharePoint-Suche arbeitet lexikalisch: Steht das Wort im Dokument, ja oder nein. Produktanleitungen sind aber voll von Synonymen, Fachbegriffen, Tabellen und Explosionszeichnungen. Wer nach „Fehlercode E14 zurücksetzen“ sucht, findet nichts, wenn im Handbuch „Störungsmeldung 14 quittieren“ steht.
Dazu kommt das Format-Problem. Viele Handbücher liegen als gescannte PDFs oder in CAD-nahen Exporten vor. Ohne OCR und ohne Layout-Verständnis bleibt der Inhalt für die Suche unsichtbar. Wie stark klassisches RAG an technischen Dokumenten mit Normen und Tabellen scheitert, haben wir im Detail bei den Grenzen von Standard-RAG an DIN-Normen beschrieben.
Reicht Microsoft Copilot? Die ehrliche Antwort
Für Standard-Office-Dokumente ja, für technische Handbücher oft nein. Microsoft 365 Copilot nutzt den Semantic Index, der automatisch pro Tenant aufgebaut wird und SharePoint-Inhalte semantisch durchsuchbar macht. Das ist stark für Word-, PowerPoint- und einfache PDF-Dateien. Bei Produktanleitungen stößt es an konkrete Grenzen.
Der Semantic Index unterstützt semantisches und hybrides Retrieval nur für die Dateitypen .doc, .docx, .pptx, .pdf, .aspx und .one (Quelle: Microsoft Learn, Semantic indexing for Microsoft 365 Copilot). CAD-Exporte, komplexe technische Zeichnungen oder Dateiformate außerhalb dieser Liste fallen durch. Und die seitengenaue Quellenangabe, die ein Techniker braucht, gibt es laut Microsoft nur für PDF-Dateien, alle anderen Formate liefern nur eine Quelle auf Dokumentebene.
Die seit Februar 2026 allgemein verfügbare Copilot Retrieval API (GA-Rollout weltweit abgeschlossen Anfang März 2026) ändert das Bild. Sie gibt Entwicklern direkten Zugriff auf den hybriden Copilot-Index und liefert relevante Textstellen aus SharePoint, OneDrive und Copilot-Konnektoren zurück, ohne dass Sie Daten in einen zweiten Index kopieren müssen. Das ist der schnellste Weg zu einer eigenen KI-Suche, wenn Ihre Dokumente in den unterstützten Formaten vorliegen.
Wann ein eigener RAG-Layer die bessere Wahl ist
Sobald Format, Berechtigungen oder Antwortqualität nicht mehr in das Copilot-Schema passen, lohnt der eigene Index. Copilot ist ein Produkt mit festen Regeln, ein eigener RAG-Layer auf Azure AI Search ist eine Plattform, die Sie steuern. Die Entscheidung fällt an vier Punkten:
- Dateiformate: Gescannte Handbücher, CAD-Ableitungen, Tabellen-lastige PDFs brauchen eigenes OCR und Layout-Parsing.
- Chunking: Bei Produktanleitungen müssen Kapitel, Sicherheitshinweise und Tabellen als zusammenhängende Einheiten indexiert werden, nicht in 500-Token-Blöcke zerhackt.
- Berechtigungen: Wenn nicht jeder Techniker jedes Dokument sehen darf, brauchen Sie eine rollenbasierte Filterung auf Chunk-Ebene.
- Ohne Copilot-Lizenz: Ohne Microsoft-365-Copilot-Lizenz im selben Tenant können generative Antworten nur SharePoint-Dateien unter 7 MB nutzen, und pro Wissensquelle gelten 1.000 Dateien, 50 Ordner und 10 Ebenen als Grenze (Quelle: Microsoft Learn, Copilot Studio Knowledge). Für große Doku-Bestände ist das eng.
Unsere klare Empfehlung: Starten Sie nicht mit der Frage „Copilot oder eigener Index“, sondern mit einer Format-Analyse Ihrer Top-50-Handbücher. In der Praxis entscheidet das Format über 80 Prozent der Architektur. Wie so ein System von Grund auf entsteht, zeigen wir in der Anleitung zum RAG-System-Aufbau.
Technische Umsetzung: SharePoint-Inhalte per Graph API in den RAG-Index
Der Weg führt über die Microsoft Graph API zum Auslesen und über Azure AI Search zum Indexieren. Zuerst holen Sie die Dokumente per Graph aus der SharePoint-Bibliothek, dann verarbeiten Sie sie zu Chunks mit Metadaten, dann schreiben Sie sie in einen Vektorindex. Hier der Abruf der Dateien einer Dokumentenbibliothek:
import requests
# Graph-Token per Client-Credentials-Flow bereits vorhanden
GRAPH = "https://graph.microsoft.com/v1.0"
headers = {"Authorization": f"Bearer {token}"}
# Alle Dateien einer SharePoint-Dokumentenbibliothek auslesen
def lade_handbuecher(site_id, drive_id):
# Ordner "Produktanleitungen" rekursiv durchgehen
url = f"{GRAPH}/sites/{site_id}/drives/{drive_id}/root:/Produktanleitungen:/children"
dokumente = []
while url:
resp = requests.get(url, headers=headers).json()
for item in resp.get("value", []):
if item.get("file"): # nur Dateien, keine Ordner
dokumente.append({
"name": item["name"],
"download": item["@microsoft.graph.downloadUrl"],
"geaendert": item["lastModifiedDateTime"],
})
url = resp.get("@odata.nextLink") # Paginierung folgen
return dokumenteAlternativ nutzen Sie die Copilot Retrieval API und sparen sich den eigenen Index komplett, wenn Ihre Dateien in den unterstützten Formaten liegen. Der Aufruf liefert direkt die relevanten Textstellen samt Quelle:
# Copilot Retrieval API: RAG ohne eigenen Vektorindex
# GA seit Februar 2026, Zugriff auf den hybriden Copilot-Index
payload = {
"queryString": "Anzugsmoment Lagerschild Baureihe 4",
"dataSource": "sharePoint", # SharePoint Online als Quelle
"maximumNumberOfResults": 5, # Top-5 Textstellen
}
resp = requests.post(
f"{GRAPH}/copilot/retrieval",
headers={**headers, "Content-Type": "application/json"},
json=payload,
).json()
# Jede Antwort liefert Textstelle plus Verweis auf das Quelldokument
for treffer in resp.get("retrievalHits", []):
print(treffer["extracts"], treffer["webUrl"])Der Unterschied ist strategisch: Die Retrieval API respektiert die bestehenden SharePoint-Berechtigungen automatisch, weil sie den Copilot-Index nutzt. Beim eigenen Azure-AI-Search-Index müssen Sie die Zugriffsrechte selbst pro Chunk mitführen und bei jeder Abfrage filtern.
Kosten und Zeitrahmen: Was eine SharePoint KI-Suche kostet
Die Kosten hängen davon ab, ob Sie den Copilot-Weg oder einen eigenen Index gehen. Für den Retrieval-API-Weg zahlen Sie die Microsoft-365-Copilot-Lizenz von 30 US-Dollar pro Nutzer und Monat (jährliche Abrechnung als Add-on, Quelle: Microsoft, Copilot Pricing 2026). Für einen eigenen Azure-AI-Search-Index beginnt der produktive Standard-Tarif S1 bei rund 245 US-Dollar pro Monat und Search-Unit (Quelle: Azure AI Search Pricing).
Microsoft nennt für Copilot einen durchschnittlichen Zeitgewinn von 1,2 Stunden pro Nutzer und Woche (Quelle: Microsoft Copilot ROI 2026). Bei einem Serviceteam von 40 Technikern und einem konservativen Stundensatz sind das Größenordnungen, die eine 6-Wochen-Investition in wenigen Monaten tragen. Wir raten davon ab, das ROI-Modell auf 100 Prozent Adoption zu rechnen, realistisch liegen die belastbaren Werte im ersten Jahr deutlich niedriger.
Worauf Sie bei der Auswahl achten sollten
Die Architektur-Entscheidung fällt an fünf Punkten, die Sie vor dem Projektstart klären sollten:
- Format-Inventur: Wie viele Ihrer Top-Handbücher liegen als durchsuchbares PDF vor, wie viele als Scan oder CAD-Export?
- Berechtigungstiefe: Muss die Suche pro Nutzer filtern oder darf jeder alles sehen?
- Quellenanspruch: Reicht ein Dokumentverweis oder brauchen Ihre Techniker die exakte Seite?
- Bestehende Lizenzen: Ist Microsoft 365 Copilot ohnehin im Rollout, dann ist die Retrieval API der schnellere Weg.
- Betriebsmodell: Wer betreibt den Index, wer aktualisiert ihn bei neuen Handbuch-Versionen?
Häufig gestellte Fragen
Was kostet eine SharePoint KI-Suche für Produktanleitungen?
Über die Copilot Retrieval API zahlen Sie die Copilot-Lizenz von 30 US-Dollar pro Nutzer und Monat. Ein eigener Azure-AI-Search-Index startet bei rund 245 US-Dollar pro Monat und Search-Unit, dazu kommt die einmalige Projektarbeit für OCR, Chunking und Anbindung. Ein Pilot liegt je nach Umfang im mittleren fünfstelligen Bereich.
SharePoint KI-Suche über Copilot oder eigenen RAG-Layer, was ist besser?
Kommt auf Ihre Dokumente an. Liegen die Handbücher als Word oder Standard-PDF vor und Copilot ist ohnehin lizenziert, ist die Retrieval API schneller und günstiger. Bei gescannten Handbüchern, CAD-Exporten oder Bedarf an seitengenauer Quelle außerhalb von PDF führt kein Weg am eigenen Index vorbei.
Kann die KI-Suche seitengenaue Quellen aus PDFs liefern?
Ja, aber mit Einschränkung. Microsoft 365 Copilot liefert seitengenaue Zitate nur für PDF-Dateien, alle anderen Formate landen auf Dokumentebene. Bei einem eigenen RAG-Layer bestimmen Sie das Chunking selbst und können Seiten-, Kapitel- oder Abschnittsverweise frei gestalten.
Bleiben die SharePoint-Berechtigungen bei der KI-Suche erhalten?
Über die Copilot Retrieval API ja, sie nutzt den Copilot-Index und respektiert die bestehenden Zugriffsrechte automatisch. Bei einem eigenen Azure-AI-Search-Index müssen Sie die Berechtigungen selbst pro Chunk mitführen und bei jeder Abfrage filtern. Das ist der Hauptgrund, warum ein eigener Layer mehr Betriebsaufwand bedeutet.
Wie lange dauert die Einführung einer SharePoint KI-Suche?
Über die Retrieval API sind 2 bis 3 Wochen realistisch, wenn die Dateien in den unterstützten Formaten vorliegen. Ein eigener RAG-Layer mit OCR, Chunking und Berechtigungsfilter braucht rund 6 Wochen bis zum produktiven Pilot mit echten Nutzern.
Nächster Schritt
Bevor Sie über Copilot oder eigenen Index entscheiden, klären wir in einem kurzen Call die Format- und Berechtigungslage Ihrer Handbücher. Das ist die eine Entscheidung, die 80 Prozent der Architektur festlegt.
Produktivbetrieb: Was nach dem POC fehlt
Der Prototyp läuft, die ersten Suchtreffer sehen gut aus. Für den Produktivbetrieb fehlen dann meist: die DSGVO-konforme Verarbeitung, die Entra-ID-Anbindung für rollenbasierte Filterung, das Monitoring der Antwortqualität und der Betrieb bei jeder neuen Handbuch-Version. Genau den Sprung von „läuft im POC“ zu „läuft im Unternehmen“ machen wir als 6-Wochen-Pilot für RAG-Wissensbots.
Verwandte Themen
→Multimodale RAG: ISO-Normen und CAD durchsuchbar
Quelle Copilot Retrieval API und Semantic Index: Microsoft Learn, Microsoft 365 Copilot Retrieval API Overview.
