.png)
Du fütterst eine KI mit allem, was dein Unternehmen weiß — Angebote, Verträge, Handbücher, jede E-Mail, jede Rechnung. Dann stellst du eine simple Frage. Die Antwort klingt kompetent, klingt sicher, klingt nach jemandem, der das Dokument gerade gelesen hat.
Und ist trotzdem frei erfunden.
Das Ärgerliche daran: Es passiert nicht zufällig. Es passiert systematisch. Immer an denselben Stellen, aus demselben Grund. Wer versteht, warum eine KI erfindet, hört auf, sich über die falschen Antworten zu ärgern — und fängt an, das System so zu bauen, dass sie gar nicht erst entstehen.
Fangen wir bei dem Missverständnis an, das fast alle haben.
Die meisten stellen sich eine KI wie ein riesiges Gehirn vor, das „alles gelesen hat". Das ist das falsche Bild.
Ein besseres Bild: die KI ist ein Mitarbeiter, der sich in diesem Moment nur an das erinnern kann, was gerade auf seinem Schreibtisch liegt. Dieser Schreibtisch heißt in der Fachsprache Kontextfenster — der Bereich, den die KI bei einer einzelnen Antwort tatsächlich „vor Augen" hat.
Und dieser Tisch ist klein. Dein gesammeltes Firmenwissen — Tausende Dokumente, Jahre an Korrespondenz — passt da nie und nimmer drauf. Es passt nicht mal ein einziger dicker Ordner komplett drauf.
Jetzt kommt der entscheidende Punkt: Wenn ein Mitarbeiter etwas gefragt wird, das nicht auf seinem Tisch liegt, hat er zwei Möglichkeiten. Er sagt „weiß ich nicht" — oder er rät und tut so, als wüsste er es. Eine KI wählt fast immer die zweite Variante. Sie ist darauf trainiert, flüssig zu antworten, nicht darauf, ehrlich zu schweigen. Deshalb erfindet sie: nicht aus Bosheit, sondern weil der Tisch leer war und sie den Auftrag hatte, trotzdem etwas hinzulegen.
Der naheliegende Reflex wäre: Dann machen wir den Tisch eben größer. Genau das versuchen viele — mit immer größeren Kontextfenstern. Aber ein größerer Tisch löst das Problem nicht wirklich. Er wird teurer, langsamer, und selbst der größte Tisch ist irgendwann wieder zu klein für alles.
Die richtige Lösung ist eine andere. Man vergrößert nicht den Tisch. Man stellt ein Archiv daneben. Alles Firmenwissen liegt geordnet im Archiv. Und für jede einzelne Frage wird nur der eine, passende Ausschnitt herausgezogen und auf den Tisch gelegt. Der Tisch bleibt klein — aber es liegt immer genau das Richtige darauf.
Damit verschiebt sich die eigentliche Frage. Sie lautet nicht mehr: Wie kriege ich alles auf den Tisch? Sondern: Wie findet das System im Archiv zuverlässig den richtigen Ausschnitt?
Und dafür muss die KI etwas können, das erstaunlich klingt: Bedeutung erkennen, ohne ein einziges Wort zu verstehen.
Zwei Sätze:
Kein einziges Wort ist gleich. Ein simpler Suchmechanismus, der nur nach Wörtern sucht, würde diese beiden Sätze für völlig verschieden halten. Ein Mensch weiß sofort: Das meint dasselbe.
Damit eine Maschine das auch weiß, braucht sie einen Trick — und der heißt Embeddings.
Ein Embedding übersetzt einen Text nicht in andere Wörter, sondern in Zahlen. Genauer: in eine lange Zahlenreihe, die die Bedeutung eines Textes wie eine Position auf einer Landkarte festhält. Auf dieser Landkarte landen Texte mit ähnlicher Bedeutung nah beieinander — egal, ob sie dieselben Wörter benutzen oder nicht.
„Rechnung nicht beglichen" und „offene Forderungen" liegen auf dieser Bedeutungs-Landkarte praktisch nebeneinander. „Rechnung nicht beglichen" und „Betriebsausflug nach München" liegen weit auseinander.
Das ist die Grundlage der semantischen Suche: Das System sucht nicht nach übereinstimmenden Wörtern, sondern nach übereinstimmender Bedeutung. Es fragt nicht „Wo steht dieses Wort?", sondern „Was liegt auf der Landkarte in der Nähe von dem, was gemeint ist?".
Damit ist der zentrale Schwachpunkt der stumpfen Wortsuche gelöst. Aber — und das übersehen viele — die semantische Suche hat ihre eigenen blinden Flecken. Sie ist ein starkes Werkzeug, kein Alleskönner.
Es gibt nicht die eine richtige Suche. Es gibt drei — und jede ist genau da schwach, wo die andere stark ist.
1. Semantische Suche — sucht nach Bedeutung. Stark bei Synonymen, Umschreibungen, Sinn („offene Forderungen" findet „unbezahlte Rechnung"). Blinder Fleck: exakte Codes, Normen, Artikelnummern. „DIN EN ISO 9001" oder „Rechnung 2024-0815" haben keine Bedeutung im semantischen Sinn — sie müssen exakt stimmen.
2. Schlagwortsuche — sucht nach exakten Treffern. Unschlagbar bei Rechnungsnummer, Produktcode, präzisem Fachbegriff, der genau so dastehen muss. Blinder Fleck: Synonyme. Sie findet „offene Forderungen" nicht, wenn im Dokument „unbezahlte Rechnung" steht. Kein gemeinsames Wort, kein Treffer.
3. Graph-Suche — sucht nach Verbindungen. Fragt „Was hängt mit X zusammen?" — welcher Kunde zu welchem Vertrag, zu welcher Rechnung, zu welchem Projekt. Über viele Dokumente hinweg. Blinder Fleck: der simple Einzelfakt. Für „Wie hoch war Rechnung 0815?" ist ein Beziehungsnetz aufzuspannen schlicht Overkill.
Siehst du das Muster? Jede Suchart ist genau dort blind, wo eine andere hinschaut.
Deshalb setzen gute Systeme nicht auf eine Suche, sondern kombinieren sie — man nennt das hybride Suche. Die semantische Suche fängt die Bedeutung, die Schlagwortsuche sichert die exakten Codes ab, die Graph-Suche zieht die Verbindungen. Zusammen decken sie die blinden Flecken der jeweils anderen ab. Erst dieses Zusammenspiel bringt zuverlässig den richtigen Ausschnitt aufs kleine Tischchen — und nimmt der KI den Anlass, etwas zu erfinden.
Die drei Bausteine, die aus einer erfindenden KI eine verlässliche machen:
Damit ist die halbe Miete geklärt: wie das System die richtigen Informationen findet. Aber Finden ist noch keine Antwort. Wie aus dem gefundenen Ausschnitt eine saubere, belegte Antwort wird — statt einer neuen Erfindung — schauen wir uns in Teil 2 an: RAG (Retrieval-Augmented Generation) und der Knowledge Graph.
🎥 Das Ganze im Video: Wir haben dieses Thema in unserer aktuellen YouTube-Folge auseinandergenommen — mit Whiteboard, Beispielen und dem kompletten Bild vom kleinen Tisch bis zur hybriden Suche. → https://youtu.be/kZfeZqruABc
Eine KI, die auf deinem Firmenwissen zuverlässig antwortet statt zu erfinden, ist kein Zufall — sie ist eine Frage der Architektur. Genau da setzen wir an.
→ Buch dir eine kostenlose Erstberatung: https://hub.all-one.io/widget/bookings/allone-ai-beratung
