Warum hybride Suche reiner Semantik oder reinen Keywords überlegen ist
Suchmaschinen haben Dokumente historisch nach Keyword-Überlappung gerankt – enthält das Dokument die Wörter der Anfrage, gewichtet danach, wie selten und gut verteilt diese Wörter sind. Semantische Suche hat exakte Wörter durch Bedeutung ersetzt. Keines von beiden reicht für sich allein tatsächlich aus.
Worin Keyword-Matching (BM25 und ähnliche) gut ist
Klassisches Keyword-Ranking ist präzise. Sucht jemand nach einer exakten Modellnummer, einem Teilecode oder einem bestimmten Eigennamen, findet Keyword-Matching ihn zuverlässig, weil es genau nach dieser wörtlichen Zeichenkette sucht. Es hat kein Konzept von Bedeutung, und genau deshalb lässt es sich auch nicht von Bedeutung verwirren – "iPhone 15 Hülle" trifft Dokumente, die diese Wörter enthalten, Punkt.
Wo es versagt
Es hat kein Konzept von Synonymen, Umformulierungen oder Absicht. Eine Suche nach "warme Winterjacke" trifft kein Produkt, das nur als "gefütterte Parka" beschrieben ist, obwohl jeder Käufer das als offensichtlichen Treffer ansehen würde. Keyword-Suche verschlechtert sich auch stark bei natürlichen, umgangssprachlichen Anfragen – der Art, die Menschen zunehmend eingeben, wenn sie erwarten, dass ein Suchfeld sie versteht.
Was semantische Suche behebt, und was sie im Gegenzug kaputt macht
Vektorbasierte semantische Suche löst genau diese Lücke: Sie matcht nach Bedeutung, sodass "warme Winterjacke" und "gefütterte Parka" unabhängig von gemeinsamen Wörtern nah beieinander landen. Der Kompromiss ist derselbe, der bei der Funktionsweise von Embeddings beschrieben wurde – bedeutungsbasierte Ähnlichkeit ist nicht dasselbe wie exakte Trefferpräzision, sodass ein exakter Code oder seltener Eigenname in einem Meer "semantisch ähnlicher" Ergebnisse verloren gehen kann, die ihn gar nicht enthalten.
Warum Hybrid kein 50/50-Kompromiss ist
Hybride Suche führt beide Scoring-Methoden aus und kombiniert sie – manchmal als gewichtete Mischung, manchmal über eine Methode wie Reciprocal Rank Fusion, die zwei Ranglisten zusammenführt, ohne dass die Scores auf derselben Skala liegen müssen. Der Punkt ist nicht, zwei mittelmäßige Signale zu einem mittelmäßigen Signal zu mitteln. Es ist, dass die beiden Methoden an unterschiedlichen Stellen versagen, sodass ihre Kombination Anfragen abdeckt, an denen jede für sich scheitern würde: eine exakte Teilenummer innerhalb eines natürlichsprachlichen Satzes ist genau dort, wo reine semantische Suche am schwächsten und reine Keyword-Suche am stärksten ist.
Die praktische Konsequenz
Es gibt keine einzelne Ranking-Methode, die abstrakt "die beste" ist – die richtige Balance hängt davon ab, was Menschen tatsächlich eingeben. Ein Produktkatalog mit vielen exakten Codes und Modellnummern braucht mehr Keyword-Gewichtung als eine Wissensdatenbank, die natürliche Fragen in vollständigen Sätzen beantwortet. Das ist der ganze Grund, warum Suchsysteme einstellbare Profile anbieten, statt eines einzigen festen Ranking-Algorithmus.