LONDON (IT BOLTWISE) – Box bringt mit „Box Content Retrieval“ eine neue Funktion an die Oberfläche seines Enterprise-Angebots, die sich gezielt an Agenten richtet. Im Kern nutzt die Lösung das Nemotron-Embedding-System von NVIDIA, das Inhalte mit semantischen Vektorrepräsentationen anreichert. Box verspricht dadurch schnellere und genauere Antworten bei gleichzeitig geringerem Token-Verbrauch. Ausgerollt wird die Funktion zunächst für Enterprise Advance Kunden, der Rollout soll schon im kommenden Jahr starten.
Box hat auf seiner Entwicklerkonferenz eine neue „agent-first“ Komponente vorgestellt, die nicht nur Suchergebnisse liefert, sondern die Grundlage für bessere Antworten von KI-Agenten legt. Die Idee wirkt zunächst simpel: Agenten stellen eine Frage, und das System entscheidet, welche Textstellen aus dem darunterliegenden Wissensbestand dafür am relevantesten sind. Doch der Teufel steckt im Detail, weil Agenten in der Praxis nicht mit reinen Keyword-Treffern arbeiten, sondern Eingaben in kurze, zusammenhängende Kontext-„Chunks“ übersetzen müssen, die zum jeweiligen Task passen. Genau an dieser Stelle setzt Box Content Retrieval an und verankert die Retrieval-Logik im Produkt selbst, statt sie als separate, schwer zu wartende Ergänzung bereitzustellen.
Technisch baut Box dafür auf dem Nemotron-Embedding-Ansatz von NVIDIA auf. Embeddings sind Vektorrepräsentationen, die Wörter, Sätze oder ganze Textabschnitte in einen semantischen Raum überführen. Im Unterschied zu klassischem Volltext- oder Keyword-Matching können Embeddings Bedeutungen näher zusammenziehen, selbst wenn die Sprache im Dokument anders ist als in der Nutzeranfrage. Box beschreibt das konkret mit dem Zusammenspiel aus eingebetteten Metadaten und der Abfrage durch Agenten: Die Lösung kann relevante Dokumentenabschnitte schneller identifizieren und als Kontext zurückgeben, ohne dass der Agent jede Quelle manuell „durchlesen“ muss. In der Unternehmenswelt ist das ein wichtiger Produktivitätshebel, weil die Zeit bis zur verwertbaren Antwort direkt von der Effizienz des Retrievals abhängt.
Box platziert die Funktion zudem im Umfeld seiner bestehenden Informationsarchitektur. Laut den Angaben zum System bleibt die Suche nicht losgelöst, sondern nutzt vor allem vorhandene Metadaten sowie die Berechtigungslogik von Box. Das macht eine freie „Rekonstruktion“ aus einzelnen Open-Weight-Komponenten schwer, selbst wenn die Nemotron-Modelle als solche öffentlich verfügbar sind: Wer Embeddings allein einsetzt, bekommt zwar semantische Ähnlichkeit, aber noch keinen identischen Governance- und Rechtekontext. Für Unternehmen ist das zugleich Chance und Risiko. Chance, weil Retrieval und Zugriffskontrolle konsistent zusammenlaufen; Risiko, weil Teams ihre Indexierungs- und Datenpipeline erst sauber mit den Box-spezifischen Metadaten- und Permission-Regeln verzahnen müssen.
Mit Blick auf Leistung und Qualität nennt NVIDIA-Vizepräsidentin Kari Briski konkrete Zielwerte: Box erwarte Antworten bis zu viermal schneller, mit 20% weniger Fehlern und einem um 90% reduzierten Token-Verbrauch. Solche Kennzahlen zielen im Kern auf zwei Engpässe, die bei agentenfähigen Workflows typischerweise auftreten: erstens die Latenz, weil mehrschrittige Agenten weniger Zeit pro Iteration auf „Rohdaten-Scan“ verwenden dürfen; zweitens die Kosten und der Kontextdruck, weil jeder unnötige Token im Prompt den Budget- und Qualitätsrahmen stärker belastet. In der Praxis bedeutet das, dass Retrieval nicht nur „irgendwelche passenden Dokumente“, sondern möglichst präzise und knappe Textsegmente liefert, damit der Agent seinen nächsten Planungsschritt ohne Overhead ausführen kann.
Box verknüpft die Neuentwicklung außerdem mit einer marktüblichen Schwerpunktsetzung: Retrieval-Qualität wird gerade dadurch zum Differenzierungsfaktor, dass viele Agent-Stacks bereits relativ „fertig“ aussehen, aber beim Kontextaufbau noch stark variieren. Box verweist explizit auf die Nemotron Embed-Projektlinie von NVIDIA, die als Open-Weight-Embedding-Modelle für automatisierte Retrieval-Systeme positioniert ist. Als Beleg für die Retrieval-Stärke nennt Box/NVIDIA die jüngste Nemotron-Veröffentlichung im Juli, die beim RTEB-Benchmark (Retrieval-Qualität) Platz 1 erreicht habe. Ob und wie stark sich ein Benchmark-Erfolg in den konkreten Daten eines Unternehmens widerspiegelt, hängt allerdings stark von Dokumentstruktur, Metadatenqualität und der Zusammensetzung der Suchanfragen ab.
Besonders anschaulich wird der Nutzen, wenn Box den Fall von juristischen Teams heranzieht: Anwälte sollen relevante Klauseln und Präzedenzfälle schneller auffinden können, auch wenn die Sprache in Anfrage und Dokument abweicht. Genau dafür sind semantische Embeddings geeignet, weil sie nicht ausschließlich auf Wortlaut reagieren, sondern auf zugrunde liegende Konzepte. Box ergänzt dieses Szenario mit der Aussage, dass die Kombination aus Nemotron-Embeddings und Box-Technologien „mehrere Bausteine“ in einer einfachen API bündelt. Damit wird Retrieval in den Alltag der Entwickler verlagert: Teams können agentische Anwendungen schneller integrieren, ohne selbst den gesamten Vektorindex-, Chunking- und Governance-Glue-Code dauerhaft pflegen zu müssen.
Der Rollout ist zunächst für alle Enterprise Advance Kunden geplant, mit einem Start „früh im kommenden Jahr“. Für Produkt- und Architekturverantwortliche ist das vor allem eine Timing-Entscheidung: Wer agentenbasierte Workflows bereits testet, sollte prüfen, ob die bestehende Retrieval-Umgebung (inklusive Berechtigungsmodell) künftig durch Box Content Retrieval ersetzt oder nur ergänzt wird. Denn wenn sich die Retrieval-Qualität tatsächlich so stark verbessern lässt, verschiebt sich auch der optimale Prompt- und Agent-Design-Ansatz: weniger Kontext ist möglich, ohne die Antwortqualität zu gefährden. Gleichzeitig wird der größere Implementierungsaufwand in Richtung Datenvorbereitung und Metadaten-Harmonisierung verschoben, was in der Regel projektseitig früh eingeplant werden muss.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Box integriert NVIDIA Nemotron für agent-first Content Retrieval" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Box integriert NVIDIA Nemotron für agent-first Content Retrieval" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Box integriert NVIDIA Nemotron für agent-first Content Retrieval« bei Google Deutschland suchen, bei Bing oder Google News!