Was ist Semantic Search (semantische Suche)?

Semantic Search (semantische Suche) ist eine Suchtechnik, die die Bedeutung und die Absicht hinter einer Suchanfrage erfasst, statt nur nach wörtlichen Übereinstimmungen von Stichwörtern zu suchen. Sie liefert Ergebnisse, die inhaltlich zur Frage passen – auch wenn die Anfrage andere Wörter verwendet als die gefundenen Dokumente.

Ein Beispiel: Sucht jemand nach „günstiges Auto für die Stadt", findet eine semantische Suche auch Texte über „preiswerte Kleinwagen für den Stadtverkehr" – obwohl kein einziges Wort exakt übereinstimmt. Eine klassische Stichwort-Suche würde solche Treffer verpassen.

Semantische Suche vs. Keyword-Suche

Die klassische Keyword-Suche (Stichwort-Suche) vergleicht Zeichenketten: Sie prüft, ob die gesuchten Wörter buchstäblich im Text vorkommen. Das funktioniert gut, wenn man den exakten Begriff kennt – etwa eine Artikelnummer oder einen Eigennamen. Sie scheitert aber an Synonymen, Umschreibungen und unterschiedlichen Formulierungen.

Die semantische Suche arbeitet auf der Ebene der Bedeutung. Sie erkennt, dass „Kündigungsfrist" und „Wann kann ich den Vertrag beenden?" dieselbe Absicht verfolgen. Statt Wörter abzugleichen, vergleicht sie inhaltliche Nähe.

In der Praxis schließen sich beide Verfahren nicht aus. Viele Systeme kombinieren sie zu einer hybriden Suche: Die Keyword-Komponente sorgt für Präzision bei exakten Begriffen, die semantische Komponente fängt umschreibende Formulierungen ab.

Wie Semantic Search technisch funktioniert

Der Kern der semantischen Suche sind Embeddings – numerische Darstellungen von Text als Zahlenvektoren. Ein Sprachmodell wandelt jeden Satz oder Absatz in einen solchen Vektor um, der die Bedeutung des Textes abbildet. Texte mit ähnlichem Inhalt liegen in diesem Zahlenraum nahe beieinander, unabhängig von den verwendeten Wörtern. Mehr dazu im Artikel Was sind Embeddings – einfach erklärt.

Der Ablauf sieht typischerweise so aus:

1. Indexierung: Alle Dokumente werden in Abschnitte zerlegt und in Embeddings umgewandelt. Diese Vektoren werden in einer Vektordatenbank gespeichert.
2. Anfrage: Die Suchanfrage wird mit demselben Modell ebenfalls in einen Vektor umgewandelt.
3. Ähnlichkeitssuche: Das System sucht die Dokument-Vektoren, die dem Anfrage-Vektor am nächsten liegen. Die Nähe wird mathematisch berechnet, etwa über den Winkel zwischen den Vektoren.
4. Ergebnis: Die inhaltlich passendsten Abschnitte werden zurückgegeben.

Weil die Suche über Vektoren läuft, wird sie oft auch Vektorsuche genannt. Die beiden Begriffe überschneiden sich stark: Vektorsuche beschreibt eher die technische Methode (Vergleich von Zahlenvektoren), semantische Suche eher das Ziel (Bedeutung erfassen). Damit die Suche auch bei Millionen Dokumenten schnell bleibt, kommen spezielle Indexverfahren zum Einsatz, die nicht jeden Vektor einzeln prüfen müssen.

Wo Semantic Search zum Einsatz kommt

Die semantische Suche ist überall dort sinnvoll, wo Menschen in natürlicher Sprache fragen oder wo der exakte Wortlaut nicht vorhersehbar ist:

• Wissensdatenbanken und Support: Kundenanfragen in Alltagssprache treffen auf Hilfeartikel, die mit anderen Begriffen geschrieben sind.
• Produktsuche im E-Commerce: Kundinnen und Kunden beschreiben, was sie suchen, statt den genauen Produktnamen zu kennen.
• Interne Dokumentensuche: Mitarbeitende finden relevante Verträge, Protokolle oder Richtlinien, ohne die korrekte Ablage-Terminologie zu treffen.
• Grundlage für KI-Antworten: Semantische Suche ist ein zentraler Baustein von Retrieval-Augmented Generation (RAG), bei dem ein Sprachmodell seine Antworten mit passenden Dokumenten belegt.

Bedeutung für AI-Mitarbeiter

Bei uns ist die semantische Suche ein Werkzeug im Hintergrund vieler AI-Mitarbeiter. Ein AI-Mitarbeiter muss auf firmeneigenes Wissen zugreifen – auf Produktdaten, Richtlinien, frühere Vorgänge oder eine Wissensbasis. Damit die Antworten stimmen, muss das System zuverlässig die richtigen Ausschnitte finden. Genau das leistet die semantische Suche: Sie sucht die passenden Textstellen anhand ihrer Bedeutung und stellt sie dem Sprachmodell als Grundlage bereit.

Ein Beispiel: Fragt jemand einen unternehmensinternen Assistenten „Wie lange habe ich Zeit, eine Bestellung zurückzugeben?", muss das System auch dann den Abschnitt zur „Widerrufsfrist" finden, wenn dort das Wort „Rückgabe" gar nicht vorkommt. Ohne semantische Suche bliebe die Antwort lückenhaft.

Wie ein Sprachmodell die gefundenen Inhalte dann verarbeitet, erklärt der Artikel Was ist ein Large Language Model (LLM). Und warum das Nachschlagen im eigenen Wissensbestand oft dem Nachtrainieren eines Modells vorzuziehen ist, behandelt Fine-Tuning vs. RAG.

Grenzen und Praxishinweise

Die semantische Suche ist kein Allheilmittel. Sie hängt an der Qualität des Embedding-Modells: Ist es schlecht auf die Sprache oder das Fachgebiet abgestimmt, leidet die Trefferqualität. Bei sehr spezifischen Begriffen – Artikelnummern, Namen, Codes – ist die klassische Keyword-Suche oft treffsicherer. Deshalb ist die hybride Kombination beider Verfahren in der Praxis meist die robusteste Lösung.

Wichtig ist außerdem der Datenschutz: Wenn firmeneigene Dokumente in Embeddings umgewandelt und in einer Vektordatenbank gespeichert werden, gehört diese Verarbeitung in einen kontrollierten Rahmen. Worauf dabei zu achten ist, steht im Artikel Datenschutz bei KI-Agenten.