KI in 48 Stunden bauen: Die Hult Challenge

Die Herausforderung

Im November 2025 ging Aparavi eine Partnerschaft mit der Hult International Business School für einen intensiven 48-Stunden-Hackathon ein. Das Ziel: Einen funktionsfähigen KI-gestützten Chatbot von Grund auf zu bauen, basierend auf echten Organisationsdaten, in nur zwei Tagen.

Die Herausforderung war nicht nur akademischer Natur. Sie war darauf ausgelegt, die realen Einschränkungen widerzuspiegeln, mit denen Unternehmen beim Einsatz von KI konfrontiert sind: begrenzte Zeit, unordentliche Daten und die Notwendigkeit von Ergebnissen, die genau, vertrauenswürdig und sofort nutzbar sind.

Warum ein Chatbot?

Chatbots gehören zu den häufigsten ersten KI-Projekten für Unternehmen und gleichzeitig zu denjenigen, die am wahrscheinlichsten scheitern. Ein Chatbot, der halluziniert, veraltete Antworten gibt oder sensible Informationen preisgibt, zerstört das Vertrauen der Nutzer sofort. Die Hult Challenge war darauf ausgelegt, zu beweisen, dass mit der richtigen Datengrundlage selbst ein 48-Stunden-Build zuverlässige Ergebnisse liefern kann.

Der Data-First-Ansatz

Die Teams begannen nicht mit der Modellauswahl oder dem Prompt Engineering, sondern mit der Datenvorbereitung. Mit Aparavis Datenintelligenz-Plattform konnten die Teilnehmer:

• Tausende von Dokumenten aus der Wissensdatenbank der Universität scannen und klassifizieren
• Doppelte, veraltete und widersprüchliche Inhalte identifizieren und entfernen
• Sensible Informationen taggen, die aus den Trainingsdaten des Chatbots ausgeschlossen werden sollten
• Einen kuratierten Wissenskorpus aus den verbliebenen verifizierten, aktuellen Inhalten zusammenstellen

Diese Datenvorbereitungsphase beanspruchte etwa 30 % des 48-Stunden-Fensters, eine erhebliche Investition, die sich in der Ausgabequalität auszahlte.

Den Bot bauen

Mit sauberen, klassifizierten Daten in der Hand ging es an die Implementierung. Die Architektur folgte einem Retrieval-Augmented-Generation-Muster (RAG):

1. Ingestion: Kuratierte Dokumente wurden in Chunks aufgeteilt, als Embeddings vektorisiert und in einer Vektordatenbank indexiert.
2. Retrieval: Nutzeranfragen lösten eine semantische Suche gegen den Index aus und holten die relevantesten Dokumenten-Chunks.
3. Generierung: Ein Large Language Model synthetisierte Antworten aus dem abgerufenen Kontext, mit Quellenverweisen auf die Originaldokumente.
4. Guardrails: Ausgabefilter verhinderten, dass der Chatbot Fragen außerhalb seines Wissensbereichs beantwortete.

Ergebnisse

Der Chatbot des Gewinnerteams erreichte eine Genauigkeitsrate von über 90 % bei einem Blindtest mit 50 Fragen, ein bemerkenswertes Ergebnis für einen 48-Stunden-Build. Zentrale Erfolgsfaktoren:

• Datenqualität vor Modellkomplexität: Teams, die mehr Zeit in die Datenvorbereitung investierten, übertrafen durchweg diejenigen, die sich auf die Modelloptimierung konzentrierten.
• Kleiner und sauberer schlägt größer und unordentlicher: Ein kuratierter Korpus von 500 hochwertigen Dokumenten lieferte bessere Ergebnisse als ein Roh-Dump von 5.000 ungefilterten Dateien.
• Klassifizierung ist entscheidend: Teams, die Dokumente nach Thema und Aktualität klassifizierten, konnten intelligentere Retrieval-Strategien implementieren.
• Transparenz schafft Vertrauen: Chatbots, die ihre Quellen zitierten, erzielten höhere Werte bei der Nutzerzufriedenheit, selbst wenn die Antworten identisch waren.

„Die wichtigste Lektion aus der Challenge war, wie sehr die Datenvorbereitungsphase das Endergebnis bestimmte. Teams, die sie übersprangen, um schneller zur ‚coolen KI-Arbeit‘ zu kommen, produzierten durchweg schlechtere Chatbots.“

Erkenntnisse für Unternehmen

Die Hult Challenge komprimierte Monate der Enterprise-KI-Entwicklung in 48 Stunden, aber die Erkenntnisse sind skalierbar:

• Beginnen Sie mit Daten, nicht mit Modellen. Verstehen Sie, was Sie haben, bevor Sie entscheiden, was Sie bauen.
• Klassifizierung ist ein Multiplikator. Gut organisierte Daten ermöglichen besseres Retrieval, bessere Generierung und bessere Governance.
• Datenvorbereitung ist ein kontinuierlicher Prozess. Daten ändern sich ständig; Ihre KI-Wissensbasis muss Schritt halten.
• Messen Sie, was zählt. Genauigkeit, Zitierqualität und Nutzervertrauen sind bessere Metriken als Antwortgeschwindigkeit oder Volumen.

Ob Sie einen Chatbot in 48 Stunden bauen oder Enterprise Copilot für 50.000 Nutzer ausrollen - das Prinzip bleibt dasselbe: Bessere Daten machen bessere KI.