Bedeutungssuche
Passende Textstellen zu einer Frage finden, auch bei abweichender Wortwahl. Grundlage von RAG.
Glossar
Embedding:
Bedeutung als Zahlenreihe.
Embeddings machen Bedeutung vergleichbar. Zwei Sätze, die dasselbe meinen, aber andere Wörter nutzen, landen nah beieinander. Das ist die Grundlage für eine Suche, die Anliegen versteht statt Buchstaben zu zählen.
Kurz gesagtEin Embedding ist eine Folge von Zahlen (ein Vektor), die ein spezielles Modell aus einem Text berechnet und die dessen Bedeutung abbildet. Ähnliche Texte haben ähnliche Zahlenfolgen. So lassen sich passende Unterlagen zu einer Frage finden, auch ohne gleiche Wörter.
Was ein Embedding ist
Eine klassische Suche prüft, ob ein Suchwort im Text vorkommt. Wer „Rückgabe“ eintippt, findet kein Dokument, in dem nur von „Retoure“ die Rede ist. Ein Embedding löst dieses Problem. Ein spezielles Modell wandelt einen Text in eine lange Zahlenreihe um, die seine Bedeutung abbildet. Texte mit ähnlichem Sinn erhalten ähnliche Zahlenreihen.
Man kann sich das als Koordinaten auf einer Karte der Bedeutung vorstellen. Retoure und Rückgabe liegen nah beieinander, Lieferzeit liegt ein Stück entfernt, Betriebsurlaub weit weg. Die Karte hat nicht zwei, sondern viele Dimensionen, was sich nicht zeichnen, aber berechnen lässt. Die Nähe zweier Punkte lässt sich mit einfacher Mathematik messen.
Das Embedding-Modell ist nicht das Sprachmodell, das antwortet. Es ist ein eigenes, kleineres Modell, das nur eine Aufgabe hat: Bedeutung in Zahlen zu übersetzen.
Beispiel (Die Frage ohne passendes Stichwort)
Fiktives Beispiel, kein Kundenfall.
Ein Kunde schreibt an einen Onlineshop: „Das Paket war offen, kann ich das zurückschicken?“ In den Unterlagen des Shops heißt das Kapitel „Retoure bei beschädigter Verpackung“. Eine Stichwortsuche nach „zurückschicken“ findet es nicht. Die Embedding-Suche stellt fest, dass die Frage inhaltlich zu diesem Kapitel gehört, und legt es dem Antwortsystem vor.
Das Antwortsystem formuliert dann auf Basis des Kapitels, nennt die Fundstelle und übergibt den Fall, falls Fotos oder eine Prüfung nötig sind. Das Embedding hat nur gesucht, nicht geantwortet.
Der Gewinn zeigt sich, wenn Kundinnen anders formulieren als Ihre Unterlagen. Die Bedeutungssuche überbrückt die Wortwahl, ersetzt aber nicht die Prüfung: Ob das gefundene Kapitel wirklich passt, sieht die Person bei der Freigabe.
Wofür Embeddings genutzt werden
Sortieren
Eingehende Nachrichten Themen zuordnen, indem man sie mit Beispielen vergleicht.
Dubletten finden
Ähnliche Dokumente oder Tickets entdecken, damit Wissen nicht doppelt gepflegt wird.
Empfehlen
Ähnliche Artikel oder passende Antworten vorschlagen.
Die berechneten Zahlenreihen werden in einer Vektordatenbank abgelegt, die das schnelle Auffinden ähnlicher Einträge übernimmt.
Abgrenzung
| Verfahren | Wie es sucht | Stärke | Schwäche |
|---|---|---|---|
| Stichwortsuche | Wörter im Text | Genau bei Namen, Nummern, Codes | Findet keine Synonyme |
| Embedding-Suche | Nähe der Bedeutung | Versteht Umschreibungen | Ungenau bei exakten Nummern |
| Kombination | Beides gewichtet | Deckt beide Fälle ab | Mehr Aufwand in der Einrichtung |
Für Artikelnummern, Rechnungsnummern und Eigennamen braucht es weiterhin exakte Suche. In der Praxis kombinieren wir beide Wege.
Grenzen und Risiken
- Ähnlich ist nicht gleich richtig. Ein Embedding findet inhaltlich Verwandtes, nicht zwingend das Gültige. Veraltete Unterlagen mit passendem Thema werden ebenfalls gefunden.
- Sprache und Fachbegriffe. Embedding-Modelle verstehen Fachjargon unterschiedlich gut. Das testen wir an Ihren Begriffen.
- Datenschutz. Aus Zahlenreihen lässt sich nicht ohne Weiteres der Originaltext lesen, aber sie stammen aus ihm. Bei personenbezogenen Texten gelten dieselben Regeln wie für die Texte (Art. 28 DSGVO für Auftragsverarbeiter).
- Neuberechnung. Wechselt man das Embedding-Modell, müssen alle Dokumente neu berechnet werden.
Wie die Qualität einer Bedeutungssuche geprüft wird
Eine Embedding-Suche kann überzeugend aussehen und trotzdem danebenliegen. Wir prüfen sie deshalb mit einer Liste echter Fragen, zu denen wir die richtige Textstelle vorher kennen. Bei jeder Frage sehen wir nach, ob die richtige Stelle unter den ersten Treffern liegt. Kommt sie nicht vor, liegt es an den Unterlagen, an der Aufteilung in Abschnitte oder am Modell.
Die Aufteilung ist ein unterschätzter Hebel. Werden Dokumente in zu große Stücke geschnitten, steht in jedem Stück zu viel Verschiedenes, und die Bedeutung verwischt. Zu kleine Stücke verlieren den Zusammenhang. Sinnvoll ist eine Gliederung nach Themen, mit Überschrift und genug Umgebung, damit ein Abschnitt für sich verständlich ist.
Auch Pflege gehört dazu: Wird eine Regel geändert, muss die alte Fassung verschwinden, nicht nur die neue hinzukommen. Sonst findet die Suche beide, und das Antwortsystem muss raten, welche gilt.
Was Sie davon haben
Sie müssen Embeddings nicht verstehen, um davon zu profitieren. Entscheidend ist, dass Ihre Unterlagen sauber und aktuell sind. Wir richten die Technik so ein, dass jede Änderung an einem Dokument die zugehörigen Zahlenreihen neu erzeugt, damit der Wissensagent nie mit altem Stand antwortet.
Wenn Sie wissen möchten, ob Ihre Unterlagenlage für einen solchen Agenten taugt, hilft das Erstgespräch oder der Entlastungs-Check. Zur Leistung: KI-Agenten entwickeln.
Prüfen Sie vorab, ob Ihre Unterlagen eindeutig benannt und aktuell sind, denn davon hängt die Trefferqualität der Bedeutungssuche ab.
Weitere Fragen aus der Praxis
Wie viel Aufwand ist es, eine Bedeutungssuche aufzubauen?
Der Aufwand liegt weniger in der Technik als in den Unterlagen. Wenn Dokumente aktuell, gegliedert und frei von Dubletten sind, ist die Einrichtung überschaubar. Sind sie es nicht, bereinigen wir sie mit Ihnen vorab. Der Wissens-Agent als Einstieg beginnt ab 1.000 € Setup und ab 100 € im Monat.
Kann man mit Embeddings auch Bilder durchsuchen?
Es gibt Modelle, die Bilder und Texte in einen gemeinsamen Raum abbilden. Für Büroabläufe wie Belege oder Produktfotos kann das nützlich sein. Ob es sich für Ihren Fall lohnt, hängt von Bildqualität und Fragestellung ab und wird im Pilot geprüft.
Häufige Fragen
Sind Embeddings dasselbe wie Verschlüsselung?
Nein. Ein Embedding ist keine Verschlüsselung, sondern eine mathematische Darstellung der Bedeutung. Es dient der Suche, nicht dem Schutz von Inhalten.
Wie genau sind Embedding-Suchen?
Gut bei sinngemäßen Fragen, schwächer bei exakten Nummern und Namen. Deshalb kombinieren wir sie mit Stichwortsuche und prüfen die Treffer im Test.
Muss ich dafür eigene Modelle trainieren?
Nein. Es gibt vortrainierte Embedding-Modelle. Wir wählen eines aus und testen es an Ihren Texten.
Was passiert, wenn ich ein Dokument ändere?
Die Zahlenreihen des Dokuments müssen neu berechnet werden. Wir automatisieren das, damit Änderungen sofort gelten.
Muss ich Dokumente anders schreiben, damit Embeddings gut funktionieren?
Nicht grundsätzlich. Klare Überschriften, abgeschlossene Abschnitte und ein Thema pro Absatz helfen aber jeder Suche. Auch Menschen finden sich in solchen Unterlagen schneller zurecht.
Quellen und rechtlicher Rahmen
- DSGVO, Art. 28 (Auftragsverarbeiter): Verarbeitet ein Dienstleister personenbezogene Daten im Auftrag, arbeitet der Verantwortliche nur mit Auftragsverarbeitern, die hinreichende Garantien für geeignete technische und organisatorische Maßnahmen bieten. Die Verarbeitung folgt einem Vertrag, der unter anderem Gegenstand, Dauer, Art und Zweck festlegt. (abgerufen 21. Oktober 2026)
Die Zusammenfassungen sind sinngemäß; maßgeblich sind die verlinkten Originaltexte. Das ist ein allgemeiner Überblick zu Ihrem Umfeld, keine Rechtsberatung und keine Aussage zu Ihrem Einzelfall.
Autor: Melvin Mümken, Gründer & Technischer Leiter. Stand: 22.10.2026. Die Hinweise sind ein allgemeiner Überblick und keine Rechtsberatung.