7. September 2026
DocMind: Warum vertrauliche Dokumente unser Netz nie verlassen
DocMind verarbeitet vertrauliche Firmendokumente vollständig offline. Die Architektur dahinter — und warum Schweizer KMU das brauchen.
DocMind verarbeitet vertrauliche Firmendokumente vollständig offline — kein Dokumentinhalt verlässt das eigene Netz.
Das ist keine Marketingaussage, sondern die Architekturentscheidung, die uns bei der Entwicklung am meisten Zeit gekostet hat. Der Grund, warum das nötig ist, zeigt sich in Zahlen: Laut dem „2026 AI Adoption & Risk Report" von Cyberhaven Labs — Telemetriedaten aus 222 Unternehmen — betreffen 39,7 Prozent aller KI-Interaktionen sensible Unternehmensdaten: Quellcode, Vertragsdaten, interne Reports. Cyberhaven verkauft selbst Software zur Verhinderung von Datenabfluss; die Zahl stammt aus eigener Telemetrie und ist entsprechend einzuordnen. Die Erhebung deckt keine Schweizer Unternehmen gesondert ab und taugt entsprechend als Richtungsangabe für global tätige Firmen, nicht als Messwert für den Schweizer Markt — das Muster dahinter kennen wir aber aus eigenen Beratungsmandaten genauso.
Warum das für Schweizer KMU keine abstrakte Gefahr ist
Eine im Mai 2026 veröffentlichte Umfrage von EY Schweiz unter 604 Personen aus Schweizer Unternehmen unterschiedlicher Grösse und Branche zeigt: 19 Prozent nennen Sicherheits- und Datenschutzbedenken als Hindernis für den KI-Einsatz, 40 Prozent wünschen eine Annäherung an den EU AI Act für Rechtssicherheit im internationalen Geschäft, und 56 Prozent wünschen Investitionen in eine Schweizer KI-Infrastruktur. Diese drei Zahlen beschreiben exakt die Lücke, die DocMind schliessen soll: ein RAG-Frontend für private Unternehmensdaten, das die Analyse vertraulicher Dokumente erlaubt, ohne dass Rohdaten einen Cloud-Anbieter erreichen.
DocMind ist kein zweites RAG-Wissen
RAG-Wissen ist unsere interne Wissensdatenbank — sie beantwortet Fachfragen aus dem gesamten, über Jahre gewachsenen Firmenwissen und läuft dauerhaft als geteilter Dienst. DocMind hat einen anderen Auftrag: einzelne, oft zeitlich begrenzte Projekte mit Dokumenten, die eine dritte Partei — ein Kunde, eine Kanzlei, eine Behörde — unter strikter Vertraulichkeit übergibt. Die Anforderung ist deshalb nicht «schnell durchsuchbar», sondern «beweisbar isoliert». Das verlangt eine andere Architektur, nicht nur eine andere Oberfläche.
Drei Architekturentscheidungen, die den Unterschied machen
Erstens läuft Qdrant als Sidecar-Prozess im selben Netzwerksegment wie die Dokumentenverarbeitung — nicht als gehosteter Cloud-Dienst mit eigenem Netzwerkpfad nach aussen. Zweitens läuft die Embedding-Berechnung über ein lokal gehostetes Open-Source-Modell statt über eine Cloud-API: Der Dokumentinhalt wird nie als Klartext an einen externen Embedding-Endpunkt geschickt. Drittens erreicht ein Cloud-LLM — wenn ein Kunde eines für die Antwortformulierung wünscht — ausschliesslich die bereits vom Retrieval ausgewählten Textausschnitte, nie das Ausgangsdokument selbst. Das reduziert den Explosionsradius eines kompromittierten LLM-Providers auf die paar hundert Zeichen, die tatsächlich für eine Antwort nötig waren — nicht auf den ganzen Vertrag.
Warum Isolation ohne Qualitätskontrolle wenig wert ist
Eine offline verarbeitete Antwort, die falsch ist, hilft niemandem — sie ist nur schwerer zu entdecken, weil kein Cloud-Anbieter mitprotokolliert. Deshalb läuft jedes DocMind-Projekt gegen ein projektspezifisches Golden Set: eine Handvoll kuratierter Fragen mit bekannter richtiger Antwort, gegen die wir Chunking und Retrieval vor der Übergabe an den Kunden prüfen — dasselbe Prinzip, das wir mit unserem Eval-Framework Prüfstand auch für andere KI-Systeme einsetzen. Bei vertraulichen Verträgen bedeutet das konkret: Klauseln werden nicht satzweise, sondern entlang ihrer juristischen Gliederung gechunkt, weil eine abgeschnittene Bedingung schlimmer ist als ein etwas grösserer Kontext-Block.
Das Sicherheits-Modell in der Praxis
- Netzwerk-Isolation: Während der Dokumentenverarbeitung ist kein Egress zu externen APIs erlaubt — technisch erzwungen, nicht nur per Policy.
- Verschlüsselung at rest: Qdrant-Collections und Rohdokumente liegen verschlüsselt auf dem Datenträger.
- Löschkonzept: Nach Projektende wird die Collection vollständig entfernt, nicht nur logisch markiert.
- Zugriffskontrolle: Rollenbasiert pro Projekt, nicht global für die ganze Instanz.
Keiner dieser Punkte ist exotisch. Ungewöhnlich ist nur, sie alle gemeinsam für ein Werkzeug zu verlangen, das trotzdem so schnell antworten soll wie ein Cloud-Dienst.
Was uns der Betrieb über Kunden gelehrt hat
Die grösste Überraschung war nicht technischer, sondern organisatorischer Natur: Kunden, die DocMind wegen der Offline-Garantie anfragen, stellen genau deshalb strengere Fragen zum Chunking und zur Retrieval-Qualität als Kunden von RAG-Wissen — wer sich um Vertraulichkeit sorgt, sorgt sich auch um Genauigkeit. Diese Kopplung war für uns anfangs unerwartet, macht aber im Nachhinein Sinn: Beide Sorgen entstehen aus derselben Frage — wem vertraue ich mein Dokument an, und womit rechtfertige ich das? Wer diese Frage ernst nimmt, verlangt zu Recht auch belastbare Antworten, nicht nur ein sicheres Postfach.
Häufig gestellte Fragen
Kann DocMind trotzdem ein Cloud-LLM wie GPT oder Claude für die Antwort nutzen? Ja — aber nur mit den bereits abgerufenen Textausschnitten, nie mit dem vollständigen Dokument, und nur wenn der Kunde das ausdrücklich freigibt. Ist DocMind automatisch nDSG-konform? Nein — die Architektur reduziert das Risiko einer Datenübermittlung ins Ausland strukturell, ersetzt aber keine Auftragsverarbeitungs-Vereinbarung und keine Datenschutz-Folgenabschätzung, die Kunden selbst verantworten müssen. Wie unterscheidet sich der Aufwand von einem Cloud-RAG-System? Der Aufbau dauert länger, weil lokale Embedding-Modelle und Netzwerk-Isolation Konfigurationsaufwand bedeuten, den ein Cloud-Anbieter abnimmt — dafür entfällt die Frage, ob Dokumente das Land verlassen dürfen, vollständig.
DocMind ist kein Cloud-RAG-System mit einem zusätzlichen Häkchen bei „On-Premise" — es ist von der ersten Architekturentscheidung an für Vertraulichkeit gebaut, nicht nachträglich dafür gehärtet. Wer als Schweizer KMU vor derselben Frage steht wie die 19 Prozent aus der EY-Umfrage, die Sicherheits- und Datenschutzbedenken als Hindernis nennen: Der erste Schritt ist nicht die Tool-Wahl, sondern die Frage, welche Dokumente überhaupt eine Cloud-Verarbeitung durchlaufen dürfen — und welche nicht.
Quellen: Cyberhaven Labs, „2026 AI Adoption & Risk Report", Telemetriedaten aus 222 Unternehmen (Anbieter von Software gegen Datenabfluss, eigene Telemetrie) (https://www.cyberhaven.com/resources/report/ai-adoption-risk-report-2026) — EY Schweiz, Umfrage unter 604 Personen aus Schweizer Unternehmen unterschiedlicher Grösse und Branche, veröffentlicht 27. Mai 2026 (https://www.ey.com/de_ch/newsroom/2026/05/artificial-intelligence-widely-established-in-swiss-companies-but-many-are-still-in-the-early-stages-of-scaling)