Der Vertec MCP Server hat dem RAG-System den Rang abgelaufen

Vor rund einem Jahr habe ich an der Anwendertagung 2025 unser neues Modul «AI Know-how Management» angekündigt und einen Prototypen auch präsentiert. Die Basis des neuen Moduls war ein RAG-System («Retrieval Augmented Generation») von Squirro.

Die Idee war, die Vertec Texte (z.B. Aktivitäten, Dokumente, E-Mails) mittels des RAG-Indexes von Squirro durchsuchbar und «chatbar» zu machen. Und so auch Know-how sichtbar zu machen, das irgendwo in den Vertec Daten versteckt ist («wen müsste ich intern fragen bezüglich AGB-Recht in den Niederlanden?»). Wegen der hohen Infrastrukturkosten und der Lizenzierung der Squirro-Technologie war dieses neue Modul als kostenpflichtiges 10. Vertec Modul gedacht, mit einer Mindestuseranzahl von 20 Usern, einem Jahresbetrag von CHF/EUR/GBP > 5000 also.

Parallel dazu haben wir mit der Entwicklung des Vertec MCP Servers begonnen, der jetzigen AI App. Hier ist der Ansatz ein ganz anderer: Wir stellen dem AI Client und dem LLM einen direkten Zugriff auf die Vertec Objekte zur Verfügung via dem Vertec Modell. Die Fragen werden also nicht via einen Index beantwortet, sondern live im produktiven Vertec System nachgefragt. Die Idee hinter dem Vertec MCP Server habe ich in einem Blogartikel ausführlich erläutert. Der MCP erlaubt also den Zugriff auf die strukturierten Daten in Vertec und kann Fragen beantworten wie «welche nicht bezahlten Rechnungen gibt es auf dem Projekt TRASTA?».

Für den Betrieb braucht man einen AI Client wie Claude oder ChatGPT, nichts mehr. Auch auf unserer Seite ist der MCP Server einfach in den Vertec Cloud Server eingebaut und generiert keine nennenswerten zusätzlichen Infrastrukturkosten. Der Vertec MCP Server ist denn auch ohne zusätzliche Lizenzkosten in jeder Vertec Lizenz enthalten.

In unseren Tests hat sich gezeigt, wo der Vertec MCP Server stark ist, nämlich bei strukturierten Daten. Fragen wie «welche nicht bezahlten Rechnungen gibt es auf dem Projekt TRASTA?» beantwortet er live und präzise. Bei der Suche in grossen Textmengen wie Aktivitäten, Dokumenten und E-Mails stösst der direkte Zugriff hingegen an Grenzen.

Das LLM muss die Daten bei jeder Abfrage selbst durcharbeiten. Das braucht ein Vielfaches an Tokens und damit an Kosten, und alle Inhalte gehen dabei an den Anbieter des Sprachmodells. Ein RAG-System wie das von Squirro indexiert die Daten einmal und gibt dem LLM nur die relevanten Ausschnitte weiter. Die Daten bleiben dabei in einer kontrollierten Umgebung.

Der Ansatz funktioniert also, er muss aber nicht von uns kommen. Squirro kann direkt an Vertec angebunden werden und dabei weitere Quellen einbeziehen, zum Beispiel SharePoint, das wir bereits in der Pilotphase mitindexiert haben. Ein eigenes Vertec Modul mit zusätzlichen Infrastruktur- und Lizenzkosten braucht es dafür nicht. Wir beenden deshalb die Pilotphase und führen das «AI Know-how Management» nicht als eigenes Modul weiter.

Unsere Empfehlung: Für Fragen zu strukturierten Vertec Daten reicht die AI App mit dem Vertec MCP Server. Wer Know-how in grösseren Textbeständen und über mehrere Systeme hinweg auffindbar machen will und dabei Kosten und Datenhoheit im Griff behalten möchte, lanciert am besten direkt mit Squirro ein Projekt.