Inside AI Search #1: Natural Language Understanding

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. Den Anfang macht Natural Language Understanding, kurz NLU. Die Technologie sorgt dafür, dass eine Suchmaschine nicht nur einzelne Begriffe verarbeitet, sondern erkennt, was ein Nutzer mit seiner Anfrage erreichen möchte.

Das wird immer wichtiger. Menschen gewöhnen sich daran, Fragen so einzugeben, wie sie sie auch einer anderen Person stellen würden. Google berichtet beispielsweise, dass sein AI Mode inzwischen mehr als eine Milliarde monatliche Nutzer erreicht und sich die Zahl der dort gestellten Anfragen seit dem Start in jedem Quartal mehr als verdoppelt hat. Gleichzeitig werden Suchanfragen komplexer und stärker in natürlicher Sprache formuliert.¹

Was bedeutet das für Suchfunktionen in Unternehmen, Shops und digitalen Anwendungen?

Was ist Natural Language Understanding?

Natural Language Understanding bezeichnet Verfahren, mit denen Systeme die Bedeutung menschlicher Sprache erfassen.

Bei einer klassischen Suche steht häufig der Abgleich von Begriffen im Mittelpunkt. Gibt ein Nutzer „Notebook 16 GB günstig“ ein, lassen sich diese Begriffe relativ direkt mit Produktdaten vergleichen.

Komplexer wird eine Anfrage wie:

„Ich brauche einen leichten Laptop für Geschäftsreisen, der einen Arbeitstag ohne Laden durchhält.“

Hier muss die Suche mehrere Informationen erkennen:

• Gesucht wird ein Laptop.
• Mobilität ist wichtig.
• Ein geringes Gewicht ist wahrscheinlich relevant.
• Die Akkulaufzeit spielt eine zentrale Rolle.
• Der Nutzungskontext sind Geschäftsreisen.

NLU hilft dabei, solche Zusammenhänge aus der Sprache herauszuarbeiten.

Das Ziel besteht nicht darin, jedes Wort isoliert zu interpretieren. Entscheidend ist die Bedeutung der Anfrage als Ganzes.

NLU ist mehr als Synonymerkennung

Natural Language Understanding wird häufig mit semantischer Suche gleichgesetzt. Beide Technologien hängen zusammen, erfüllen aber unterschiedliche Aufgaben.

Semantische Suche konzentriert sich darauf, Inhalte zu finden, die inhaltlich zu einer Anfrage passen.

NLU setzt früher an. Es hilft dabei zu verstehen, was in der Anfrage überhaupt ausgedrückt wird.

Dazu können unter anderem gehören:

Entitäten:
Produkte, Personen, Orte, Unternehmen oder andere eindeutig erkennbare Objekte.

Eigenschaften:
Größe, Farbe, Zeitraum, Preis oder technische Merkmale.

Beziehungen:
Beispielsweise „kompatibel mit“, „geeignet für“ oder „Alternative zu“.

Absichten:
Möchte jemand etwas kaufen, vergleichen, erklären lassen oder ein Problem lösen?

Kontext:
Welche Informationen aus der aktuellen Anfrage oder einem vorherigen Dialog sind relevant?

Erst auf dieser Grundlage kann eine Suchplattform entscheiden, welche Datenquellen, Filter und Rankingverfahren sinnvoll sind.

Warum natürliche Sprache für Enterprise Search relevant wird

Auch innerhalb von Unternehmen kennen Mitarbeitende häufig nicht die genaue Bezeichnung eines Dokuments.

Sie suchen beispielsweise nicht nach:

„HR Policy 4.3 Mobile Work International“

sondern fragen:

„Wie lange darf ich aus dem Ausland arbeiten?“

Für die Person ist die Frage eindeutig. Für eine klassische Keyword Search können jedoch entscheidende Begriffe fehlen.

Das Problem wird größer, wenn Unternehmenswissen über verschiedene Fachabteilungen hinweg entstanden ist. Ein Fachbereich spricht von „Mobilarbeit“, ein anderer von „Remote Work“ und ein dritter von „ortsunabhängigem Arbeiten“.

Natural Language Understanding hilft, die Sprache des Nutzers von der internen Bezeichnung der Information zu entkoppeln.

Wie relevant solche Interfaces inzwischen auch für strukturierte Unternehmensdaten werden, zeigt eine 2026 veröffentlichte Untersuchung zu Natural Language Search in Unternehmensdatenbanken. Dort konnten Nutzer komplexe Fragen in natürlicher Sprache stellen, statt Datenbankstrukturen oder Abfragesprachen kennen zu müssen. Die Autoren identifizierten dabei insbesondere die Vollständigkeit der zugrunde liegenden Daten als begrenzenden Faktor.²

Die technische Qualität der Sprachverarbeitung allein reicht also nicht aus. Das System muss auch auf die richtigen Informationen zugreifen können.

Was passiert mit einer natürlichen Suchanfrage?

Eine NLU gestützte Suche kann eine Anfrage in mehrere Verarbeitungsschritte zerlegen.

Nehmen wir die Frage:

„Welche Ersatzteile brauche ich für die Wartung von Modell X nach 5.000 Betriebsstunden?“

Das System kann daraus erkennen:

Anschließend kann die Suche gezielt relevante Datenquellen und Dokumente berücksichtigen.

Bei noch komplexeren Fragen kann auch eine automatische Umformulierung der Anfrage sinnvoll sein. Aktuelle Verfahren zeigen, dass generative Modelle aus natürlich formulierten Fragen explizite Suchspezifikationen erzeugen können, die anschließend von klassischen Retrievalsystemen verarbeitet werden. Dadurch lassen sich moderne Sprachverarbeitung und skalierbare Suchtechnologien miteinander verbinden.³

NLU schafft vor allem dort Mehrwert, wo Nutzer ihre Anfrage nicht zuverlässig in wenige Keywords übersetzen können.

Typische Einsatzgebiete sind:

• Produktsuchen mit beratungsintensiven Sortimenten
• interne Wissenssuche
• technische Dokumentationen
• Kundenservice und Self Service
• Chatbots
• mehrstufige Suchdialoge
• Suche in Fachanwendungen

Ein Ersatzteilkatalog mit Artikelnummern benötigt beispielsweise weiterhin eine präzise lexikalische Suche. Ein Serviceportal, in dem Nutzer Fehler mit eigenen Worten beschreiben, profitiert dagegen stark von Sprachverständnis.

Beides kann innerhalb derselben Suchanwendung erforderlich sein.

NLU macht schlechte Daten nicht automatisch gut

Natural Language Understanding löst nicht jedes Suchproblem.

Wenn Produktinformationen fehlen, Dokumente veraltet sind oder Metadaten widersprüchlich gepflegt wurden, kann das System aus einer gut verstandenen Frage trotzdem keine zuverlässige Antwort ableiten.

Ebenso sollte nicht jede Interpretation automatisch akzeptiert werden. Besonders bei mehrdeutigen Anfragen kann eine Rückfrage sinnvoller sein als eine falsche Annahme.

Aus:

„Apple Adapter“

könnten beispielsweise mehrere Absichten entstehen.

Meint der Nutzer einen Adapter für ein Apple Gerät? Einen bestimmten Apple Adapter? Einen Adapter für ein bestimmtes MacBook Modell?

Gute NLU erkennt daher nicht nur Bedeutung, sondern auch Unsicherheit.

Fazit: Gute Suche beginnt mit dem Verständnis der Anfrage

Natural Language Understanding verändert die Schnittstelle zwischen Nutzer und Suchmaschine.

Menschen müssen weniger darüber nachdenken, welche Begriffe ein System erwartet. Stattdessen können sie zunehmend beschreiben, was sie tatsächlich benötigen.

Für Unternehmen bedeutet das jedoch nicht, Keyword Search abzuschaffen. Der größte Nutzen entsteht, wenn Sprachverständnis mit bestehenden Suchverfahren, strukturierten Daten und einem passenden Ranking kombiniert wird.

Natural Language Understanding mit Quasiris testen

Die Quasiris Search Cloud unterstützt Natural Language Understanding für komplexe Suchanfragen und lässt sich mit weiteren Suchverfahren und bestehenden Datenquellen kombinieren.

Sprechen Sie mit unseren Search Experten darüber, wie natürlich formulierte Anfragen in Ihrem konkreten Anwendungsfall verarbeitet werden können.

Welche AI Features dabei den größten Mehrwert schaffen können, zeigen wir Ihnen zudem in unserem Überblick zu den AI Features der Quasiris Search Cloud.