Spheriq AI arbeitet als geführtes Pipeline-System und ist damit aufwendiger gebaut als ein frei improvisierender Chatbot. Diese Architektur ist entscheidend, wenn KI im gemeinnützigen Sektor verlässlich, datensparsam und nachvollziehbar eingesetzt werden soll. Dieser Hintergrundbeitrag erklärt, warum und wie Spheriq AI mit Prompt-Launchern und einer achtstufigen Pipeline arbeitet.
Die meisten KI-Werkzeuge starten mit einem leeren Eingabefeld. Die Nutzer:innen müssen selbst wissen, welche Informationen relevant sind, wie sie die Frage formulieren, welche Daten sie einfügen dürfen und wie die Antwort am Ende geprüft werden muss. Für allgemeine und einmalige Aufgaben mag das genügen. Für den Alltag in Fundraising, Förderung oder Gesuchsprüfung reicht es nicht.
Warum ein Chatbot nicht genügt
Spheriq AI arbeitet mit öffentlichen, aber auch vertraulichen institutionellen Daten. Dazu gehören zum Beispiel Projektdaten zu Vorhaben, die noch nicht öffentlich sind, Gesuche, Strategiedokumente oder personenbezogene Daten. Diese Daten sind nur für bestimmte Nutzer:innen und Rollen sichtbar – aus gutem Grund. Eine KI, die den Datensatz nicht präzise kennt, ist von bescheidenem Nutzen. Und ein händisches Copy-Paste wird schnell aufwändig und riskant.
Spheriq ist vor allem ein Werkzeugkasten. Der Nutzen entwickelt sich im Alltag und im konkreten Arbeitskontext. Eine Frage auf einem Organisationsprofil kann eine andere Antwort nahelegen als eine in der Suche, auf einem Projekt oder in einer sorgfältig aufgebauten Liste oder bei einem weit fortgeschrittenen Gesuch. Spheriq AI muss also nicht nur die Frage verstehen, sondern auch den Ort der Anfrage, die Rolle der Nutzerin oder des Nutzers und damit den Zweck des jeweiligen Arbeitsschritts mit einbeziehen.
Präzise Launcher statt Hokuspokus
Darum startet Spheriq AI im Alltag häufig über sogenannte Launcher. Das sind vordefinierte Einstiegspunkte direkt im jeweiligen Arbeitskontext, zum Beispiel für Matching, Profilverbesserung oder Förderrecherche. Nutzer:innen müssen auf diese Weise nicht zuerst lernen, wie man einen gut funktionierenden KI-Prompt schreibt. Sie wählen eine passende Aktion, und Spheriq AI nimmt den aktuellen Kontext mit.
Ein Launcher ist mehr als ein Button. Er enthält eine fachliche Logik: Was soll geprüft werden? Welche Daten dürfen verwendet werden? Geht es um das eigene Profil, um eine externe Organisation, um ein Projekt, um Förderkriterien oder um eine Suche? Spheriq AI startet damit nicht bei null, sondern mit einem geführten Auftrag.
Die acht Stufen der Pipeline
Mit dem Klick auf den Launcher oder dem Absenden eines individuellen Prompts startet die Pipeline von Spheriq AI. Sie ist in acht getrennte Schritte gegliedert, die teilweise nochmals in einzelne Teilschritte aufgesplittet werden. Jeder Schritt hat eine eigene Aufgabe und reduziert ein anderes Risiko: falscher Kontext, falscher Datenzugriff, unvollständige Evidenz, generische Antworten oder nicht nachvollziehbare Schlussfolgerungen.
1. Planung
Die Pipeline klassifiziert zuerst die Absicht der Anfrage. Sie unterscheidet etwa, ob es um eine Selbstanalyse, ein Matching, eine Förderrecherche oder eine Dokumentenanalyse geht. Gleichzeitig trennt sie Ausgangspunkt und Ziel der Anfrage («Scope» und «Target»). Das klingt einfacher als es in der Praxis ist, weil die Suchrichtung stark kontextabhängig ist. Soll das eigene Profil bewertet, mit einem fremden verglichen oder soll das fremde auf Passung geprüft werden? Durch die sorgfältige «Request Analysis» wird sichergestellt, dass die Weichen richtiggestellt sind. Es wird vermieden, dass eine Profilanalyse als Matching verstanden wird. Das ebnet den Weg für die weiteren Schritte.
2. Werkzeug-Einsatz vorbereiten
Auf Basis des Plans werden später konkrete Werkzeuge eingesetzt. Diese Werkzeuge brauchen aber klare Anweisungen: Welche Organisationen sind in organization_search konkret gesucht? Geht es um Themen, Zielgruppen oder Wirkungsgebiete? Kurz: Die Werkzeugparameter müssen in der «Tool Argument Resolution» vorbereitet werden. Dazu gehören Entitätskennungen, Suchfilter, Kategorien oder Evidenzpräferenzen. Dieser Schritt ist besonders wichtig bei Recherchen: Wenn eine Nonprofit-Organisation passende Förderorganisationen sucht, müssen der Suchtyp, die Themen, Zielgruppen und Wirkungsgebiet korrekt abgeleitet und codiert werden.
3. Werkzeuge abrufen
Nun werden die benötigten Werkzeuge genutzt. Die Pipeline ruft also selbständig Profile, Suchresultate, Listeninhalte oder Dokumente ab, bei umfangreichen Datenbeständen in mehreren Teilschritten. Die zurückgegebenen Daten, Dokumente und Suchergebnisse werden anschliessend in eine strukturierte Form gebracht, damit sie in den folgenden Schritten sauber interpretiert und verarbeitet werden können. Diesen Teilschritt nennt man «Collection Item Preparation».
4. Kandidaten auswählen
Nun ist der Tisch gedeckt – aber nicht jedes Resultat hat für die weitere Bearbeitung dieselbe Bedeutung. Bei grösseren Resultatmengen filtert und priorisiert die Pipeline in einem nächsten Schritt die abgerufenen Elemente. Schwache oder irrelevante Treffer werden dabei entfernt, damit sie die weitere Auswertung nicht belasten. Diese sogenannte «Candidate Selection» orientiert sich an Ausgangspunkt und Ziel der Abfrage: Bei einer Förderrecherche zählen beispielsweise andere Signale als bei einem Profil-Check oder einer Dokumentzusammenfassung.
5. Absicht überprüfen
Als nächstes erfolgt mit der «Target Selection» ein wichtiger Kontrollschritt: Die Pipeline überprüft nochmals, ob die richtige Zielentität oder Zielsammlung gefunden wurde. Sie unterscheidet dabei auch exakte Treffer von partiellen und prüft, ob erwartete Treffer gänzlich fehlen. Sie klärt also ab, ob Ausgangspunkt und Ziel korrekt aufgelöst wurden. Dieser Schritt verhindert, dass eine Antwort auf einer falschen oder nur scheinbar passenden Grundlage entsteht.
6. Grundlagen kondensieren
Die vorbereitete Datenmenge kann in diesem Stadium noch sehr umfangreich sein: Duzende von Suchresultaten und hunderttausende Zeichen in geladenen Dokumenten stehen für die Auswertung bereit. Deshalb werden mit dem «Batch Reducer» nun grössere Resultatsets verdichtet. Da dies ein heikler Zwischenschritt ist, stellt ein anschliessender Arbeitsschritt, der sogenannte «Exact Collection Rewrite» sicher, dass die relevante Evidenz erhalten bleibt und die Zählweise korrekt ist. Als Resultat steht nun die Grundlage für die Antwort kompakt zur Verfügung. So wird sichergestellt, dass die KI nicht einfach in einer riesigen Datenmenge «schwimmt», sondern mit einer geordneten Evidenzbasis arbeiten kann.
7. Auswertung
Wohlverstanden: Erst jetzt beginnt die eigentliche fachliche Bewertung. Die Pipeline interpretiert nun die Evidenz und beurteilt anhand der Fragestellung, was «stark» ist, was «schwach», was wirklich zusammenpasst oder welche Schlussfolgerungen aus den vorhandenen Informationen gezogen werden können. Hier kommt nun viel Philanthropie-spezifisches Know-how ins Spiel: Förderlogiken, Fit, Hope, Badges, Profilqualität, Matching, Gesuchsvorprüfung oder Förderkriterien werden nicht einfach generisch, sondern nach einer sauber aufgebauten Logik ausgewertet (siehe dazu Teil 3 der Hintergrundserie: Schlüssel für die KI). Dabei entsteht im «Final Answer Builder» eine erste Version der Antwort, die aber meist detaillierter als nötig und vor allem noch nicht konsequent auf das gewünschte Ausgabeformat verdichtet ist.
8. Antworten
Zum Schluss wird die Antwort im «Final Answer Rewrite» bereinigt und ans gewünschte Format angepasst. Sprache und Ausgabeformat werden geprüft, interne Details entfernt, Inkonsistenzen bereinigt (Final Answer Repair). Das ist zentral, denn für unterschiedliche Anwendungsfälle gelten unterschiedliche Antwortlogiken. Eine Profilanalyse braucht zum Beispiel eine andere Struktur als ein Matching, eine Badge-Einschätzung oder eine Zusammenfassung von Förderkriterien. Die Pipeline sorgt deshalb nicht nur für eine Antwort, sondern für ein passendes Format. Auch die Verankerung in der verfügbaren Evidenz wird hier noch einmal kontrolliert (Verifier). Falls nötig, geht die Pipeline nochmals auf vorherige Schritte zurück. Die finale Antwort soll verständlich, knapp, nützlich und nachvollziehbar sein: Ohne KI-Slang, ohne Übertreibungen und ohne Schmeicheleien (die sogenannte «Sycophancy»).
Die Pipeline der Spheriq AI ist kein Selbstzweck. Sie erfüllt mehrere Aufgaben gleichzeitig: Sie kontrolliert den Datenzugriff, reduziert Halluzinationen, stärkt die Nachvollziehbarkeit und sorgt dafür, dass Philanthropie-spezifische Konzepte konsistent angewendet werden. Sie hilft auch dabei, fehlende, widersprüchliche oder nicht zugängliche Informationen rechtzeitig aufzudecken und klar zu benennen, statt Lücken mit Vermutungen zu füllen. Die Pipeline ist damit mehr als schnelle Textproduktion.
Damit folgt Spheriq AI den Grundsätzen, die heute unter Begriffen wie «Responsible AI» oder «Explainable AI» diskutiert werden: KI soll unterstützend wirken, Datenzugriff begrenzen, Antworten nachvollziehbar machen und menschliche Verantwortung nicht ersetzen. Auch die Leitlinien der EU-Kommission für vertrauenswürdige KI setzen genau hier an: Bei menschlicher Aufsicht, technischer Robustheit, Datenschutz, Transparenz und Rechenschaft.
Was Nutzer:innen von dieser Architektur haben
Für Nutzer:innen bedeutet die Pipeline vor allem: Weniger Prompt-Arbeit, präzisere Kontexte und spezifischere sowie nachvollziehbarere Antworten. Wenn Spheriq AI neben Organisations- oder Projektprofilen auch Dokumente verwendet, werden diese am Ende der Antwort aufgeführt und zusammengefasst. So bleibt sichtbar, worauf sich eine Einschätzung stützt.
Kurz: Wer Spheriq AI nutzt, soll nicht überlegen müssen, welche Daten kopiert werden dürfen oder wie eine fachlich präzise Frage aufgebaut ist. Die Launcher und die Pipeline übernehmen die Führung, die Nutzung bleibt aber flexibel. Nach einer Antwort kann im Chat weitergearbeitet und die Resultate können vertieft, gekürzt oder weiterbearbeitet werden.
Zwar macht die Pipeline die KI langsamer als manche allgemeinen Chatbots. Gleichzeitig wird sie dadurch verlässlicher, präziser und stabiler. Und darin liegt ihr Zweck. So entsteht keine schnell improvisierte KI-Antwort, sondern eine geführte, prüfbare und kontextbezogene Unterstützung für den Arbeitsalltag im Nonprofit-Sektor.
