Zum Inhalt springen
Blog

AI

Permission-Aware RAG: Was es wirklich kostet, es richtig umzusetzen

Dokumentenberechtigungen auf Nutzerebene in einem RAG-System müssen innerhalb der Vektorabfrage durchgesetzt werden – nicht danach. Hier unterschätzen Teams den Aufwand, und so lässt er sich realistisch einschätzen.

Von Pykero Agency · Engineering team27. Juli 20265 Min. Lesezeit

TL;DR

Permission-aware RAG filtert die Retrieval-Phase danach, wer fragt – durchgesetzt direkt in der Vektorabfrage. Kalkulieren Sie eine vollständige Neuindizierung des gesamten Korpus und ein Daten-Audit ein, nicht nur einen neuen Retrieval-Schritt.

Schloss Serverraum Datenracks, Permission-Aware RAG: Was es wirklich kostet, es richtig umzusetzen

Permission-aware RAG filtert das Retrieval danach, wer fragt – nicht nur was gefragt wurde –, und dieser Filter muss direkt in der Vektorabfrage verankert sein. Die meisten Teams lernen das auf die harte Tour: Ihr RAG-Demo funktioniert einwandfrei auf einer gemeinsamen Wissensdatenbank, doch sobald jemand dokumentenbasierte Zugriffsrechte auf Nutzerebene durchsetzen möchte, muss die gesamte Retrieval-Schicht neu gestaltet werden.

Warum „einfach einen Berechtigungscheck hinzufügen" scheitert

Der naheliegende Gedanke ist, die bestehende Retrieval-Pipeline beizubehalten und am Ende einen Check anzuhängen: die Top-k-Chunks abrufen und dann prüfen, ob der Nutzer jeden einzelnen davon einsehen darf, bevor der Kontext an den Antwortschritt weitergegeben wird. Dieser Ansatz scheitert auf zwei verschiedene Arten.

Erstens ist er nicht deterministisch. Ein LLM, der mit der Durchsetzung von Zugriffskontrollen beauftragt wird, wird gelegentlich Fehler machen – und „gelegentlich falsch" ist keine akzeptable Richtlinie, wenn es um Krankenakten, Rechtsdokumente oder HR-Unterlagen geht.

Zweitens ist der Informationsabfluss bereits geschehen. Sobald Sie post-retrieval filtern, wurden die eingeschränkten Inhalte bereits in ein Kontextfenster geladen und irgendwohin übertragen. Logging, Caching oder ein versehentlicher Debug-Trace können sie preisgeben, noch bevor Ihr Filter greift.

Der richtige Ansatz besteht darin, Berechtigungen in die Abfrage selbst zu verlagern – genau wie Sie eine WHERE user_id = ?-Klausel in eine SQL-Abfrage einbauen würden, anstatt alles abzurufen und im Anwendungscode zu filtern. Filtern Sie an der Quelle. Eine mehrstufige Pipeline, die breit abruft und die Zugriffsprüfung nachgelagert vornimmt, ist günstiger zu implementieren – und weitaus kostspieliger, wenn sie schiefläuft.

Was sich in Ihrer Architektur tatsächlich ändert

Wenn Sie Postgres mit pgvector oder einem verwalteten Vektorspeicher betreiben, erfordert Permission-aware Retrieval in der Regel vier Dinge.

Berechtigungs-Metadaten auf jedem Chunk. Nicht nur eine document_id. Sie benötigen Rollen, Teams oder Nutzer-IDs, die zum Zeitpunkt der Indizierung an jeden Chunk angehängt sind. Das bedeutet, Ihren bestehenden Korpus neu zu chunken und neu einzubetten – nicht, Metadaten nachträglich auf den vorhandenen Stand aufzusetzen.

Ein Filter innerhalb des Abfragepfads. Postgres unterstützt dies nativ über Row-Level Security Policies, und Supabase baut direkt darauf für Multi-Tenant-RLS auf. Die Ähnlichkeitssuche und der Zugriffsfilter laufen als eine gemeinsame Abfrage, sodass die Vektorsuche eines Nutzers keine Zeilen zurückgeben kann, auf die er keinen Zugriff hat.

Echtzeit-Berechtigungspropagierung. Dokumente werden geteilt, Rollen werden entzogen, Teams werden umstrukturiert. Wenn Ihre Embeddings und Ihre Berechtigungen in separaten Systemen leben, die planmäßig synchronisiert werden, gibt es ein Zeitfenster, in dem eine Session eines Nutzers, dem der Zugriff gerade entzogen wurde, diese Dokumente noch abrufen kann. Sobald Sie sich in der Nähe regulierter Bereiche bewegen, ist eine Batch-Synchronisierung keine Option.

Eine Neuindizierungsstrategie – nicht nur neue Retrieval-Logik. Hier explodieren die Schätzungen. ACLs zu einem Korpus von 50.000 indizierten Dokumenten hinzuzufügen bedeutet, die gesamte Verarbeitung mit angehängten Berechtigungs-Tags erneut durchzuführen und dann zu validieren, dass die Tags korrekt sind, bevor Sie dem System sensible Inhalte anvertrauen. Das ist kein Retrieval-Rewrite. Es ist eher eine Datenmigration.

Wo die Kosten tatsächlich anfallen

Teams kalkulieren das Modell und die Retrieval-Logik ein. Die eigentlichen Kosten liegen woanders.

Daten-Audit. Jemand muss bestimmen, wer eigentlich was sehen darf. Bei 50.000 Dokumenten bedeutet das, die Zugriffsrechte abteilungsweise zu klären – oft anhand von implizitem Wissen, das nie schriftlich festgehalten wurde –, bevor ein einziger Berechtigungs-Tag an einen Chunk angehängt wird. Dieser Schritt fehlt routinemäßig in frühen Schätzungen.

Neueinbettung in großem Maßstab. Wenn das Berechtigungsmodell verändert, was als eine abrufbare Einheit gilt (etwa die Aufteilung eines gemeinsamen Ordners in teamspezifische Abschnitte), ändern sich die Chunk-Grenzen selbst. Sie überlagern keine Metadaten auf vorhandene Embeddings – Sie führen die gesamte Verarbeitungspipeline erneut aus.

Tests auf Negativfälle. Zu bestätigen, dass das System korrekt abruft, ist unkompliziert. Zu bestätigen, dass es niemals etwas abruft, das ein Nutzer nicht sehen sollte – über alle Rollenkombinationen hinweg –, erfordert echten QA-Aufwand. Das gehört in dieselbe Kategorie wie die Arbeit, die in der AI Agent Security Checklist beschrieben wird: Es verdient dieselbe Sorgfalt, die Sie auf Authentifizierungscode anwenden würden – nicht ein paar manuelle Prompts, die auf den ersten Blick in Ordnung schienen.

Audit-Logging. In Gesundheits- oder Behördenkontexten müssen Sie oft im Nachhinein belegen können, was ein Nutzer genau abgerufen hat und warum. Das bedeutet, die gefilterte Abfrage zu protokollieren – nicht nur die abschließende Antwort. Die Anforderungen an die Nachweisbarkeit überschneiden sich direkt mit dem, was wir in Court-Ready Architecture for Healthcare AI behandelt haben: Das Protokoll muss einer Prüfung standhalten, nicht nur existieren.

Build vs. Buy

Wenn Ihr Zugriffsmodell einfach ist – ein Mandant, eine gemeinsame Wissensdatenbank, alle sehen alles –, dann ist Permission-aware Retrieval unnötige Komplexität für ein Problem, das Sie nicht haben. Beginnen Sie mit den Grundlagen in RAG erklärt für Gründer und fahren Sie fort.

Bauen Sie es selbst, wenn Ihr Berechtigungsmodell zum Kern des Produkts gehört (Multi-Tenant-SaaS, Krankenakten, interne Wissensdatenbanken mit vertraulichen HR- oder Rechtsinhalten), wenn Zugriffsänderungen sofort wirksam werden müssen und nicht erst bei der nächsten Synchronisierung, oder wenn Sie sich in einem regulierten Bereich befinden, in dem Post-Retrieval-Filterung ein Audit nicht überstehen wird.

Erwägen Sie eine verwaltete Lösung, wenn Ihr Berechtigungsmodell sauber auf Standard-Rollen- und Gruppenstrukturen abbildbar ist und Sie die Filterlogik selbst nicht anpassen müssen. Viele Enterprise-Such- und RAG-Plattformen liefern ACL-fähiges Retrieval mittlerweile standardmäßig mit. Welchen Weg Sie auch wählen – wenden Sie dieselbe Sorgfalt auf die Retrieval-Garantien des Anbieters an wie auf jeden anderen KI-Anbietervertrag. Evals in AI Vendor Contracts zeigt, was Sie konkret einfordern sollten.

Der praktische Umfang

Erzwingen Sie Zugriff innerhalb der Abfrage, die das Retrieval durchführt – nicht in einem nachgelagerten Schritt. Kalkulieren Sie dann die Neuindizierung Ihres Korpus und das Audit Ihres Berechtigungsmodells ein. Der Retrieval-Rewrite ist der kleinste Teil der Arbeit.

Wenn Sie ein RAG-System planen, das echte Berechtigungsgrenzen benötigt – Krankenakten, Multi-Tenant-SaaS, interne Dokumente mit vertraulichen Bereichen –, sprechen Sie uns an.

permission-aware ragrag access controlenterprise rag permissionsrag document aclsmulti-tenant ragrag security checklist

Häufig gestellte Fragen

Was ist der Unterschied zwischen RAG und Permission-aware RAG?

Standard-RAG ruft die relevantesten Chunks für eine Anfrage ab. Permission-aware RAG ruft die relevantesten Chunks ab, die der anfragende Nutzer tatsächlich einsehen darf – durchgesetzt auf Ebene der Datenbank oder des Vektorspeichers, bevor Inhalte den LLM erreichen.

Kann ich einem bestehenden RAG-Pipeline nachträglich Berechtigungen hinzufügen?

Ja, aber das bedeutet in der Regel, den gesamten Korpus mit an jeden Chunk angehängten Berechtigungs-Metadaten neu zu indizieren und die Retrieval-Abfrage so umzuschreiben, dass sie darauf filtert. Das ist eher eine Schema-Migration als eine Konfigurationsänderung.

Verlangsamt das Filtern nach Berechtigungen das Retrieval?

Wenn der Filter innerhalb der Vektorabfrage als WHERE-Klausel neben der Ähnlichkeitssuche läuft, ist der Mehraufwand gering. Als separater Post-Retrieval-Check erhöht er die Latenz und öffnet ein Zeitfenster, in dem der LLM kurzzeitig Inhalte sieht, die er nicht sehen sollte.

Ist Permission-aware RAG nur ein Problem im Gesundheitswesen oder in Großunternehmen?

Es betrifft jeden Kontext, in dem Nutzer unterschiedliche Zugriffsrechte auf denselben Dokumentenspeicher haben: Krankenakten, HR-Systeme, Multi-Tenant-SaaS oder jede interne Wissensdatenbank mit vertraulichen Bereichen.

So kann Pykero helfen

Leistungen passend zu diesem Artikel.

Sie planen etwas Ähnliches?

Pykero Agency entwirft und liefert produktionsreife Web-, Mobile-, SaaS- und KI-Produkte.

Sprechen Sie mit uns

Discussion

Be the first to comment.

Weiterlesen