Semantische Suche erklärt: Bedeutung statt Schlüsselwörter finden
Semantische Suche findet Dokumente über die Bedeutung einer Anfrage, nicht über den exakten Wortlaut. Statt nach „Kündigungsfrist Mitarbeiter
zu suchen und nur Treffer mit genau diesen Wörtern zu bekommen, versteht ein semantisches System, dass „Wie lange muss ich vor dem Ausscheiden Bescheid geben?" dieselbe Frage ist. In diesem Artikel erklären wir die Technik dahinter, zeigen den Unterschied zu klassischer Keyword-Suche und sagen ehrlich, wann semantische Suche an ihre Grenzen stößt.
Semantische Suche vs. Keyword-Suche: der Kernunterschied
Klassische Keyword-Suche (auch Volltextsuche genannt, technisch oft auf BM25 basierend) vergleicht die Wörter einer Anfrage mit den Wörtern in einem Dokument. Taucht das Wort nicht auf, gibt es keinen Treffer, egal wie nah die Bedeutung ist. Das funktioniert hervorragend bei exakten Begriffen: Artikelnummern, Rechtsnormen, Produktnamen, Eigennamen. Es scheitert aber bei Synonymen, Umschreibungen und Tippfehlern.
Semantische Suche geht einen anderen Weg. Text wird in Embeddings umgewandelt, also numerische Vektoren, die die Bedeutung eines Satzes repräsentieren. Zwei Sätze mit ähnlicher Bedeutung landen im Vektorraum nah beieinander, selbst wenn kein einziges Wort übereinstimmt. Wie genau dieser Umwandlungsprozess funktioniert, erklären wir ausführlich in Embeddings einfach erklärt.
Keyword-Suche vs. semantische Suche im Vergleich
| Kriterium | Keyword-Suche (BM25) | Semantische Suche (Embeddings) |
|---|---|---|
| Findet Synonyme | Nein, nur bei exakter Wortübereinstimmung | Ja, über Bedeutungsnähe |
| Exakte Codes, Normen, Artikelnummern | Sehr zuverlässig | Oft unzuverlässig |
| Tippfehler und Umgangssprache | Problematisch | Robuster |
| Mehrsprachige Anfragen | Nicht möglich ohne Übersetzung | Teilweise möglich, je nach Modell |
| Rechenaufwand | Gering | Höher, braucht Vektorindex |
| Nachvollziehbarkeit der Treffer | Sehr transparent (Wort kommt vor) | Weniger intuitiv erklärbar |
Wie semantische Suche technisch funktioniert
Der Ablauf lässt sich in drei Schritte zusammenfassen. Erstens: Jedes Dokument wird in kleinere Abschnitte zerlegt (Chunking) und jeder Abschnitt wird mit einem Embedding-Modell in einen Vektor umgerechnet. Zweitens: Diese Vektoren landen in einer Vektordatenbank, die darauf spezialisiert ist, ähnliche Vektoren in Millisekunden zu finden, mehr dazu in Was ist eine Vektordatenbank?. Drittens: Bei einer Suchanfrage wird auch die Frage in einen Vektor umgewandelt, und das System sucht die nächstgelegenen Dokumentvektoren über Kosinus-Ähnlichkeit oder einen vergleichbaren Abstand.
Entscheidend ist, dass die Qualität stark von der Chunking-Strategie abhängt. Wird ein Dokument zu grob zerlegt, verwässert sich die Bedeutung eines Abschnitts. Wird es zu fein zerlegt, geht Kontext verloren. Details zu diesem Kompromiss finden Sie in unserem Artikel zu Chunking-Strategien.
Query Expansion: Wie Suchanfragen mitdenken
Query Expansion ist eine Technik, bei der eine Suchanfrage automatisch um verwandte Begriffe, Synonyme oder umformulierte Varianten erweitert wird, bevor die eigentliche Suche startet. Sucht jemand nach „Resturlaub bei Kündigung", kann das System intern zusätzlich nach „Urlaubsabgeltung", „verbleibende Urlaubstage" oder „Urlaubsanspruch beim Ausscheiden" suchen.
- Synonym-Erweiterung: fachsprachliche und umgangssprachliche Varianten eines Begriffs werden ergänzt
- Umformulierung der Frage: aus einer Frage wird eine Aussage oder umgekehrt, um mehr Treffer zu erzielen
- Hypothetische Antworten (HyDE): das System generiert zuerst eine mögliche Antwort und sucht dann nach Dokumenten, die dieser Antwort ähneln
- Mehrstufige Suche: ein erster grober Treffer liefert Kontext, der die zweite, präzisere Suche verfeinert
Query Expansion erhöht die Trefferquote deutlich, besonders bei kurzen oder unpräzisen Anfragen. Sie erhöht aber auch das Risiko, thematisch verwandte, aber inhaltlich falsche Dokumente einzubeziehen. Deshalb kombinieren gute Systeme Query Expansion fast immer mit einem nachgeschalteten Reranking-Schritt, der die tatsächliche Relevanz der gefundenen Kandidaten noch einmal prüft.
Mehrsprachige semantische Suche
Ein großer Vorteil semantischer Suche gegenüber reiner Keyword-Suche: Moderne, mehrsprachig trainierte Embedding-Modelle platzieren bedeutungsgleiche Sätze aus unterschiedlichen Sprachen oft nah beieinander im Vektorraum. Das bedeutet, eine Frage auf Deutsch kann theoretisch ein relevantes Dokument auf Englisch oder Französisch finden, ohne dass vorher übersetzt werden muss.
In der Praxis ist diese Fähigkeit jedoch unterschiedlich stark ausgeprägt, abhängig vom Embedding-Modell und der Sprachkombination. Für ein deutsches Unternehmen mit internationalen Lieferantenverträgen oder mehrsprachiger technischer Dokumentation kann das trotzdem ein echter Produktivitätsgewinn sein: Eine einzige Wissensdatenbank kann Fragen in mehreren Sprachen beantworten, ohne dass jede Sprachversion separat gepflegt werden muss.
Mehrsprachigkeit testen, nicht annehmen
Verlassen Sie sich nicht blind auf mehrsprachige Fähigkeiten. Testen Sie mit echten Fragen in jeder relevanten Sprache und vergleichen Sie die Trefferqualität, bevor Sie ein System produktiv einsetzen.
Wann semantische Suche scheitert
Semantische Suche ist kein Allheilmittel. Es gibt wiederkehrende Fälle, in denen sie schlechter abschneidet als klassische Keyword-Suche oder sogar irreführende Ergebnisse liefert.
- Exakte Codes und Identifikatoren: Artikelnummern, Gesetzesparagrafen, Seriennummern oder IBANs haben keine „Bedeutung" im semantischen Sinn, hier gewinnt Volltextsuche fast immer
- Negationen: „Verträge ohne Kündigungsklausel" wird semantisch oft fälschlich mit Verträgen gefunden, die genau diese Klausel enthalten, weil die Begriffe ähnlich sind
- Seltene Fachbegriffe ohne Trainingsdaten: hoch spezialisierte Terminologie aus Nischenbranchen wird vom Embedding-Modell manchmal unzureichend abgebildet
- Kurze, mehrdeutige Anfragen: ein einzelnes Wort wie „Bank" kann Sitzmöbel oder Kreditinstitut meinen, Kontext fehlt
- Zahlen- und Datumsvergleiche: „Verträge mit Laufzeit über 24 Monate" ist eine strukturierte Filterfrage, keine Bedeutungsfrage
Diese Schwächen sind der Grund, warum die meisten produktiven RAG-Systeme heute nicht rein semantisch suchen, sondern Hybrid Search einsetzen: eine Kombination aus Volltextsuche (für exakte Begriffe) und Vektorsuche (für Bedeutung), deren Ergebnisse zusammengeführt werden. Wie dieser Mechanismus genau funktioniert und warum er in Benchmarks regelmäßig besser abschneidet als jede der beiden Methoden allein, erklären wir ausführlich in Hybrid Search: Warum BM25 und Vektorsuche gemeinsam RAG-Abrufe gewinnen.
Semantische Suche als Grundlage für RAG-Systeme
Semantische Suche ist selten Selbstzweck. In der Praxis ist sie der Abrufmechanismus (Retrieval) hinter Retrieval Augmented Generation (RAG): Ein Sprachmodell beantwortet eine Frage nicht aus eigenem Wissen, sondern auf Basis der Passagen, die die semantische (oder hybride) Suche zuvor gefunden hat. Wie dieser gesamte Ablauf Schritt für Schritt funktioniert, zeigen wir in Wie funktioniert RAG? Schritt für Schritt an einem echten Beispiel erklärt.
Die Suchqualität entscheidet dabei direkt über die Antwortqualität: Findet die Suche die falschen Passagen, generiert das Modell eine plausibel klingende, aber falsche Antwort. Deshalb lohnt es sich, Suchqualität separat zu messen, bevor man dem Gesamtsystem vertraut, siehe dazu auch KI-Halluzinationen vermeiden: So liefern Sprachmodelle belegte Antworten und RAG-System evaluieren: Metriken, Testsets und Monitoring.
Semantische Suche ohne eigenes Entwicklerteam einrichten
Eine eigene semantische Suche aufzubauen bedeutet üblicherweise: Embedding-Modell auswählen, Chunking-Strategie festlegen, Vektordatenbank betreiben, Hybrid-Suche selbst implementieren und laufend pflegen. Für viele Teams im Mittelstand ist das ein erheblicher Aufwand, der wenig mit dem eigentlichen Geschäft zu tun hat.
Auf Kopik läuft diese Kombination aus Volltext- und semantischer Suche bereits standardmäßig im Hintergrund, sobald Sie Dokumente hochladen. Sie laden PDF, Word, Text oder Markdown hoch, Kopik übernimmt Extraktion, Chunking und Indexierung für die hybride Suche, und Sie erhalten Antworten mit zitierten Quellstellen statt bloßer Trefferlisten. Eine Wissensdatenbank können Sie unter /dashboard/bases/new kostenlos anlegen, die Abfrage erfolgt anschließend wahlweise über die Weboberfläche, per REST-API oder über einen MCP-Server, nutzbar direkt aus Claude, Cursor oder ChatGPT, siehe /developers.
Semantische Suche in wenigen Minuten testen
Legen Sie eine kostenlose Wissensdatenbank an und erleben Sie den Unterschied zwischen reiner Keyword-Suche und hybrider, bedeutungsbasierter Suche an Ihren eigenen Dokumenten.
Checkliste: Passt semantische Suche zu Ihrem Anwendungsfall?
- Enthalten Ihre Dokumente viele exakte Codes, Normen oder Artikelnummern? Dann planen Sie unbedingt Hybrid Search ein, nicht nur reine Vektorsuche
- Müssen Nutzer in mehreren Sprachen suchen können? Testen Sie die mehrsprachige Trefferqualität mit echten Beispielfragen vor dem Rollout
- Sind Negationen oder Ausschlusskriterien typisch für Ihre Suchanfragen? Planen Sie zusätzliche Filterlogik ein, da reine Bedeutungssuche hier schwächelt
- Wie wichtig ist Nachvollziehbarkeit? Lassen Sie sich Quellenangaben zu jeder Antwort anzeigen, um Treffer prüfbar zu machen
- Wie groß ist der Dokumentenbestand? Bei wenigen hundert Seiten reicht oft eine einfache Lösung, bei mehreren tausend Seiten lohnt sich eine dedizierte Suchinfrastruktur
Wenn Sie regelmäßig mit Fachbegriffen und juristischen oder regulatorischen Texten arbeiten, lohnt sich zusätzlich ein Blick in unseren KI- und LLM-Glossar, um Begriffe rund um Suche und RAG im Team einheitlich zu verwenden.
Häufige Fragen
Was ist der Unterschied zwischen semantischer Suche und Volltextsuche?
Volltextsuche (z. B. BM25) vergleicht die exakten Wörter einer Anfrage mit den Wörtern im Dokument. Semantische Suche wandelt Text in Vektoren (Embeddings) um und findet Treffer über Bedeutungsnähe, auch wenn kein Wort übereinstimmt. Beide Ansätze haben Stärken und Schwächen, weshalb Hybrid Search oft die robustere Lösung ist.
Wie funktioniert Query Expansion genau?
Query Expansion erweitert eine Suchanfrage automatisch um Synonyme, Umformulierungen oder verwandte Begriffe, bevor die Suche ausgeführt wird. So findet das System auch Dokumente, die die Frage anders formulieren, aber inhaltlich dieselbe Information enthalten.
Kann semantische Suche mehrsprachig funktionieren?
Ja, mehrsprachig trainierte Embedding-Modelle können bedeutungsgleiche Sätze aus verschiedenen Sprachen nah beieinander im Vektorraum platzieren. Die Qualität variiert jedoch je nach Modell und Sprachkombination, weshalb ein Test mit echten Fragen vor dem produktiven Einsatz empfehlenswert ist.
Wann ist Keyword-Suche besser als semantische Suche?
Bei exakten Codes, Artikelnummern, Gesetzesparagrafen oder Identifikatoren schneidet Keyword-Suche zuverlässiger ab, weil diese Begriffe keine übertragbare Bedeutung haben. Auch bei Negationen und strukturierten Filterfragen liefert reine Keyword- oder Hybrid-Suche oft präzisere Ergebnisse.
Braucht man für semantische Suche zwingend eine Vektordatenbank?
Für größere Dokumentenbestände ja, da eine Vektordatenbank Ähnlichkeitssuche über Millionen Vektoren in Millisekunden ermöglicht. Bei kleinen Mengen lässt sich das auch ohne spezialisierte Infrastruktur umsetzen, allerdings weniger performant.
Ist semantische Suche dasselbe wie RAG?
Nein. Semantische Suche ist der Abrufmechanismus, der relevante Textpassagen findet. RAG (Retrieval Augmented Generation) nutzt diese gefundenen Passagen zusätzlich, um damit eine Antwort durch ein Sprachmodell generieren zu lassen, meist inklusive Quellenangabe.
Den Kopik-Newsletter abonnieren
Neue Wissensdatenbanken, RAG-Leitfäden und Produktneuheiten. Eine E-Mail alle ein bis zwei Wochen, Abmeldung mit einem Klick.
Mit dem Abonnement stimmen Sie dem Erhalt unseres Newsletters zu. Ihre Adresse wird nie weitergegeben.