26.08.2026 | Blog Totgesagte suchen länger: Warum KI die Suchmaschine dringender braucht denn je

Wer die stürmische Entwicklung generativer Sprachmodelle (LLMs) verfolgt, könnte leicht zu dem Schluss kommen: Suchmaschinen braucht bald niemand mehr. Dieser Eindruck ist grundfalsch. Denn nahezu jedes Chat-System greift heute im Hintergrund auf eine Suchmaschine zurück. Sie liefert die Inhalte, aus denen die KI ihre Antworten überhaupt erst formt. Der Ansatz hat einen eigenen Namen: RAG (Retrieval Augmented Generation).

Ohne diese Zulieferer wären die smarten Assistenten erstaunlich hilflos. Ihnen fehlte der Zugang zu aktuellen Ereignissen ebenso wie zu internen Dokumenten eines Unternehmens. Und ihnen fehlten die Belege, mit denen sich Halluzinationen vermeiden und Antworten überprüfen lassen. Kurz: Die Suche ist nicht das Auslaufmodell des KI-Zeitalters, sondern seine Grundlage.

Der Nutzer ist immer öfter eine Maschine

Für Anbieter von Suchtechnologie – etwa im Bereich der Unternehmenssuche (Enterprise Search) – bedeutet das eine tiefgreifende Verschiebung. Der Nutzer, der eine Anfrage stellt, ist immer seltener ein Mensch. Immer häufiger ist es ein Suchagent, den ein Chat-System vorschickt.

Damit verändern sich die Anforderungen an die Suche von Grund auf. Zwei Entwicklungen stechen hervor.

1. Erstens verschwinden die klassischen Ein- oder Zwei-Wort-Anfragen. An ihre Stelle treten lange, ausformulierte Fragen. Wichtig bleibt dabei die exakte Übereinstimmung einzelner Bausteine – etwa einer Rechnungsnummer oder eines Fehlercodes. Für andere Teile der Anfrage zählt dagegen die inhaltliche Nähe: Wer nach dem Erfinder einer Technologie sucht, dem hilft auch die Information, wer das entsprechende Patent hält.
2. Zweitens genügt es nicht mehr, nur passende Dokumente zu liefern. Für eine gute Antwort muss die Suche die relevanten Stellen in oft seitenlangen Texten punktgenau finden.

Der Hoffnungsträger: Dense Vector Search

Um eine solche „semantische" Suche umzusetzen, setzt die Branche derzeit meist auf die sogenannte Dense Vector Search. Das Prinzip: Jede Textpassage wird in einen semantischen Vektor (Embedding) übersetzt – eine Art Zahlenreihe, die ihre Bedeutung abbildet – und in einer speziellen Datenbank abgelegt. Auch die Suchanfrage wird in einen solchen Vektor umgewandelt. Über ein einfaches Abstandsmaß lässt sich dann berechnen, wie nah sich Frage und Textstelle inhaltlich sind.

Dieser Ansatz ist so populär, dass „semantische Suche" und Dense Vector Search inzwischen fast als Synonyme gelten. Weil sich damit allerdings keine exakte Suche abbilden lässt, kombinieren die meisten Systeme beides zu einer hybriden Suche: einen klassischen Suchindex für die Präzision, eine Vektordatenbank für das Bedeutungsverständnis.

Wo die Vektorsuche an ihre Grenzen stößt

Die Erwartungen sind hoch. Der Nutzer möchte verstanden werden – so, wie er es von den Chat-Systemen längst gewohnt ist. Doch eine Such-Technologie, die diese Qualität wirklich liefert, gibt es bislang nicht.

Der Grund liegt im Detail. Zwar beruht die Dense Vector Search auf demselben Transformer-Ansatz wie generative Sprachmodelle. Am Ende aber steht nur ein einziger Vektor für eine ganze Passage und ein vergleichsweise grobes Abstandsmaß. Echte Sprachmodelle arbeiten anders: Sie berechnen einen Vektor pro Wort und vergleichen auf jeder Verarbeitungsebene alle Wörter mit allen anderen – über komplexe, nichtlineare Rechenoperationen. Für eine echte semantische Ähnlichkeitsbewertung müsste ein Transformer jedes Wort der Query mit jedem Wort jeder Kandidaten-Passage vergleichen.

Diese Genauigkeit hat ihren Preis. Ein Sprachmodell könnte niemals Millionen Dokumente auf einmal verarbeiten. Genau das leistet die Vektorsuche – allerdings zulasten der Qualität. Aktuelle wissenschaftliche Arbeiten, die ich in meinem Beitrag „Collapse of Dense Retrievers" ausgewertet habe, zeigen überraschende Schwächen dieses Verfahrens. Hinzu kommt ein praktisches Problem: Die Embedding-Vektoren für sämtliche Passagen zu erzeugen, ist bei der Indexierung aufwendig und teuer.

Für die Vektorsuche sprechen dennoch gewichtige Argumente. Multimodale Modelle können Vektoren auch direkt aus Bildern gewinnen und machen so Bild und Text vergleichbar. Und die zugrunde liegenden Modelle arbeiten meist sprachunabhängig – man kann mit ihnen über Sprachgrenzen hinweg suchen.

Der unterschätzte Gegenspieler: die klassische Suche

Damit stellt sich für uns als Anbieter von Enterprise-Search-Lösungen eine strategische Frage: Wie stark sollen wir auf die Vektorsuche setzen?

Denn eine semantische Suche lässt sich auch mit klassischer Suchmaschinentechnologie bauen. Die Zutaten dafür sind hochwertige Wortnormalisierung – etwa Grundformbildung und Wortzerlegung –, der Einsatz von Thesauren und ein semantisch angereicherter Index. Es sind Technologien, die wir bei IntraFind seit Jahren haben.

Diese klassische Variante einer semantischen Suche misst die Bedeutungsähnlichkeit gröber, und Feinheiten wie Verneinungen erkennt sie schlechter. Dafür ist sie deutlich schneller und lässt sich über kunden- oder branchenspezifische Thesauren viel leichter anpassen als die Vektorsuche. Auch die Multimodalität ist kein Ausschlusskriterium: Textuelle Bildbeschreibungen lassen sich automatisch erzeugen, Audio-Files lassen sich in Text transkribieren. Anfragen von Sprachmodellen können in andere Sprachen übersetzt werden.
 

Klassische Suche oder Vector Search: Was braucht RAG?

Die entscheidende Frage lautet: Wie semantisch hochwertig muss die eigentliche Suche überhaupt sein? Aus einer Nutzerfrage treffsichere Stichwortanfragen samt Synonymen zu formen – das ist eine Aufgabe, die ein Sprachmodell hervorragend beherrscht. Der Agent kann anhand der Treffer sogar entscheiden, mit anderen Begriffen ein zweites Mal zu suchen. Die Deutung der Anfrage übernimmt dann das mächtige Sprachmodell, nicht die Suche selbst. Und in jedem RAG-System ist es ohnehin das Sprachmodell, das am Ende bewertet, welche Ergebnisse in die Antwort einfließen – die letzte Kontrollinstanz für die semantische Suche.

Aus all diesen Überlegungen ziehen wir bei IntraFind einen klaren Schluss: Dense Vector Search ist für ein gutes RAG-System und eine überzeugende semantische Suche nicht zwingend nötig. Wir nutzen sie derzeit. Am Ende könnte die klassische Suchmaschinentechnologie aber die wichtigste Suchtechnologie bleiben, während die Vektorsuche nur in Spezialfällen ihre Stärken ausspielt.