Grundbegriffe

Vektordatenbank

Eine Vektordatenbank speichert Texte, Bilder oder Dokumente als Zahlen-Listen (Vektoren) und findet Inhalte über Ähnlichkeit statt über exakte Suchbegriffe. Sie ist die technische Grundlage dafür, dass eine KI mit euren eigenen Firmendokumenten arbeiten kann, statt nur mit ihrem Trainingswissen.

Das Wichtigste in Kürze

Wandelt Text/Bilder in Zahlen-Vektoren um – gängige Modelle nutzen z. B. 1.536 Dimensionen pro Textabschnitt
Sucht per Ähnlichkeit (meist HNSW-Algorithmus), nicht per exaktem Wort-Treffer
Kernbaustein für RAG-Systeme, mit denen KI eure eigenen Dokumente durchsuchen kann
Kann On-Premise oder in der EU-Cloud laufen – Daten müssen die Firma nicht verlassen

Was ist das?

Stellt euch einen Aktenschrank vor, der nicht alphabetisch sortiert ist, sondern nach Bedeutung: Alle Dokumente zu ,Reklamation' stehen nah beieinander, egal ob im Text ,Beschwerde', ,Rücksendung' oder ,Mängelrüge' steht. Genau das macht eine Vektordatenbank – nur dass die ,Nähe' über Zahlen berechnet wird, nicht über ein Regal.

Technisch läuft das über sogenannte Embeddings: Ein KI-Modell übersetzt jeden Text-Abschnitt in eine lange Liste von Zahlen, einen Vektor. Ein verbreitetes Modell erzeugt dabei 1.536 solcher Zahlen pro Textabschnitt. Ähnliche Inhalte bekommen ähnliche Zahlenmuster, und die Datenbank findet sie über Ähnlichkeitssuche statt exaktem Textabgleich – meist mit einem Suchverfahren namens HNSW.

In der Praxis ist die Vektordatenbank das Gedächtnis hinter RAG-Systemen (Retrieval-Augmented Generation): Eure Handbücher, Verträge oder Angebote werden zerlegt, als Vektoren gespeichert und bei einer Anfrage gezielt durchsucht. Das kann in der Cloud laufen oder komplett bei euch im Haus – dann verlassen die Daten euer Netz nicht.

Was bringt das eurem Betrieb?

Der praktische Nutzen zeigt sich vor allem dort, wo euer Team heute Zeit mit Suchen verbringt: in Service-Handbüchern, Angebotsvorlagen, technischen Datenblättern oder der Ablage vergangener Kundenanfragen. Statt Stichwörter zu raten und mehrere Ordner durchzuklicken, stellt jemand eine Frage in normaler Sprache – die Vektordatenbank findet die passende Stelle, auch wenn die Formulierung im Dokument anders lautet.

Ein zweiter Effekt betrifft die Verlässlichkeit von KI-Antworten: Wenn ein Chatbot oder Assistent seine Antworten aus euren echten Dokumenten holt, statt aus allgemeinem Trainingswissen zu raten, sinkt das Risiko frei erfundener Antworten (KI-Halluzination) deutlich. Die KI zitiert dann eure Quelle, statt zu improvisieren – das macht Antworten nachvollziehbar und für Rückfragen prüfbar.

Was kostet das?

Die Kosten hängen stark davon ab, wie viele Dokumente ihr einspeisen wollt, wie oft sich diese ändern und ob die Lösung in der Cloud oder On-Premise laufen soll. Reine Cloud-Vektordatenbanken kosten oft nur wenige Euro im Monat für kleine Datenmengen, steigen aber mit Speichervolumen und Abfragehäufigkeit. On-Premise-Betrieb spart laufende Cloud-Gebühren, braucht dafür aber eigene Server und Wartung.

Der größere Kostenblock liegt meist nicht in der Datenbank selbst, sondern in der Anbindung: Dokumente müssen aufbereitet, regelmäßig aktualisiert und an einen Chatbot oder Assistenten angeschlossen werden. Nach unserer Erfahrung ist genau das der Aufwand, der über Erfolg oder Frust entscheidet. Euer erstes KI-System zum Festpreis ab 3.500 € (AI READY) deckt eine solche Basis-Anbindung inklusive Vektordatenbank ab.

Beispiel aus dem Mittelstand

Ein Maschinenbauer mit 45 Mitarbeitenden hat über Jahre hunderte Seiten Service-Handbücher, Ersatzteillisten und Reparaturprotokolle angesammelt – verteilt auf mehrere Laufwerke. Der Kundendienst sucht bei jedem Anruf mehrere Minuten nach der passenden Anleitung. Mit einer Vektordatenbank im Hintergrund kann ein interner Assistent die richtige Passage in Sekunden finden, weil er nach Bedeutung statt nach exaktem Dateinamen sucht.

Häufige Fragen

Brauchen wir als kleiner Betrieb überhaupt eine eigene Vektordatenbank?

Nicht zwingend als eigenständiges System – oft steckt sie bereits als Bestandteil in einer fertigen Chatbot- oder Assistenten-Lösung. Relevant wird die Frage erst, wenn ihr viele eigene Dokumente durchsuchbar machen wollt und Kontrolle über Speicherort und Daten behalten möchtet.

Ist eine Vektordatenbank DSGVO-konform?

Das hängt vom Anbieter und Hosting-Ort ab, nicht von der Technik selbst. Läuft die Datenbank auf Servern in der EU oder bei euch im Haus, lässt sich ein DSGVO-konformer Betrieb deutlich leichter umsetzen als bei Anbietern außerhalb der EU.

Was ist der Unterschied zwischen Vektordatenbank und normaler Datenbank?

Eine klassische Datenbank sucht nach exakten Übereinstimmungen (z. B. Kundennummer = 4711), eine Vektordatenbank sucht nach Bedeutungsähnlichkeit. Deshalb findet sie auch Treffer, wenn die Suchanfrage anders formuliert ist als der gespeicherte Text.