VAllgemein

Vector Search / Semantic Search (Vektorsuche)

Findet Inhalte nach Bedeutung statt nur nach Stichworten.

Vector Search (Semantic Search, Vektorsuche) ist eine Suchmethode, die Inhalte nach ihrer Bedeutung findet – nicht nur nach exakt gleichen Wörtern. Statt „Stichwort passt / passt nicht“ erkennt die Suche auch ähnliche Formulierungen, Synonyme und den Kontext. Das ist besonders hilfreich in CRM-, ERP- oder CMS-Systemen, wenn Mitarbeitende nicht wissen, wie etwas genau benannt wurde.

Was bedeutet Vector Search / Semantic Search (Vektorsuche)?

Bei der Vektorsuche werden Texte (z. B. E-Mails, Tickets, Artikel, Angebote, PDFs) in Zahlenlisten umgewandelt, sogenannte Embeddings. Diese Zahlen beschreiben die Bedeutung eines Textes. Eine Suchanfrage wird ebenfalls in so einen „Bedeutungs-Vektor“ verwandelt. Dann findet das System die Inhalte, deren Bedeutung am ähnlichsten ist – selbst wenn die Wörter unterschiedlich sind.

Wie funktioniert Vektorsuche – Schritt für Schritt?

  • 1) Inhalte vorbereiten: Dokumente, Wissensartikel oder CRM-Notizen werden oft in handliche Abschnitte zerlegt (siehe Chunking (Text-Chunking)).
  • 2) Bedeutungs-Vektoren erzeugen: Ein Modell erstellt pro Abschnitt Embeddings.
  • 3) Speichern & indexieren: Die Vektoren landen in einem Vector Store (Vektorspeicher) bzw. einer Vektordatenbank (Vector Database).
  • 4) Anfrage umwandeln: Auch Ihre Suchfrage wird als Vektor berechnet.
  • 5) Ähnlichkeit berechnen: Das System sucht die „nächsten“ Vektoren (ähnliche Bedeutung) und liefert passende Treffer.

Wofür brauchen KMU das in CRM, ERP und CMS?

Für kleine und mittlere Unternehmen ohne eigene IT ist Vektorsuche vor allem ein Produktivitäts-Booster: Informationen werden schneller gefunden, auch wenn Daten uneinheitlich benannt sind oder Mitarbeitende unterschiedlich formulieren.

  • CRM: „Kunde hat sich über Lieferverzug beschwert“ findet auch Notizen wie „Unzufrieden wegen verspäteter Lieferung“ – selbst ohne das Wort „Lieferverzug“.
  • ERP: „Rechnung freigeben trotz Skonto“ findet interne Prozessdokumente, die anders betitelt sind („Zahlungsworkflow“, „Skontofrist“).
  • CMS/Wissensdatenbank: Support-Mitarbeitende finden passende Artikel, auch wenn Kund:innen ganz andere Begriffe nutzen („Login geht nicht“ vs. „Passwort zurücksetzen“).

Warum ist Semantic Search wichtig (und wann reicht Keyword-Suche nicht)?

Keyword-Suche scheitert oft an Synonymen, Tippfehlern, unterschiedlichen Schreibweisen und „Firmenjargon“. Semantic Search reduziert dieses Problem deutlich. In der Praxis wird sie häufig mit klassischer Suche kombiniert (siehe Hybrid Search (BM25 + Vektor) und BM25 (Keyword Retrieval)) – damit sowohl exakte Begriffe als auch Bedeutungstreffer gut funktionieren.

Was kostet Vector Search?

Die Kosten hängen vor allem von (a) Datenmenge, (b) Aktualisierungsrate (wie oft neue Inhalte indexiert werden), (c) Infrastruktur/Tool und (d) dem Embedding-Modell ab. In SaaS-Tools ist Vektorsuche teils inklusive oder als Add-on verfügbar; bei eigener Umsetzung (z. B. mit pgvector (PostgreSQL Vector Extension)) entstehen Kosten für Setup, Betrieb und Monitoring. Für KMU ist oft ein Managed-Angebot günstiger als Eigenbetrieb.

Vektorsuche + KI-Chat: der typische Praxis-Stack

Viele Unternehmen nutzen Vektorsuche als Basis für RAG (Retrieval-Augmented Generation). Dabei holt ein Large Language Model (LLM) (z. B. ChatGPT) zuerst passende Textstellen per Vektorsuche und formuliert daraus eine Antwort. Das verbessert die Trefferqualität und kann Halluzinationen reduzieren (siehe Halluzinationen (Hallucinations)) – vorausgesetzt, die Quellen sind gut gepflegt.