Definition
Spezialisierte Datenbank zur effizienten Speicherung und Suche von hochdimensionalen Vektoren — typischerweise Embeddings aus KI-Modellen. Erlaubt semantische Ähnlichkeitssuche statt klassischer Schlüsselwort-Suche. Beispiele: Qdrant, Pinecone, Weaviate, Milvus. Zentraler Baustein in RAG-Architekturen. Im Norminator-Stack wird Qdrant für ~803.000 Wissensdatenpunkte verwendet.
In der Praxis
Die Vektordatenbank ist der Teil der KI-Architektur, über den Entscheider am seltensten nachdenken — und an dem die Antwortqualität hängt. Der entscheidende Unterschied zur klassischen Suche: Schlüsselwort-Suche findet, was wörtlich dasteht; die Vektordatenbank findet, was gemeint ist. Wer in einer Stichwort-Suche „Reklamation" eingibt, verpasst jedes Dokument, das nur von „Kundenbeanstandung" spricht — die semantische Suche findet beides. In der Praxis sehe ich zwei Fehler: Erstens wird die Vektordatenbank als reine IT-Komponente behandelt, dabei ist sie fachlich ein Wissensarchiv — was hineinkommt, in welchem Stand, und was gelöscht wird, sind Managementsystem-Entscheidungen, keine Admin-Entscheidungen. Zweitens wird die Pflege vergessen: Eine Vektordatenbank mit veralteten Dokumentenständen liefert semantisch präzise die falsche Auskunft. Und ein Hinweis für die Auswahl: Die gängigen Systeme unterscheiden sich technisch weniger, als die Anbieter behaupten — entscheidend sind Betrieb, Datenschutz und die Frage, ob Löschung und Versionierung sauber abbildbar sind.
Verwandte Begriffe
Häufige Fragen zu Vektordatenbank
Was kann die semantische Suche einer Vektordatenbank, was unsere Volltextsuche nicht kann?
Die Volltextsuche vergleicht Zeichenketten: Kein Treffer ohne wörtliche Übereinstimmung, Synonyme und Umschreibungen gehen unter. Die Vektordatenbank arbeitet mit Embeddings — numerischen Darstellungen der Bedeutung: Texte mit ähnlichem Inhalt liegen im Vektorraum nahe beieinander, egal welche Wörter sie verwenden. Praktisch heißt das: Die Frage „Was tun bei defekter Ware vom Lieferanten?" findet auch die Verfahrensanweisung, die von „Lieferantenbeanstandung" spricht, und den 8D-Report-Prozess, der das Wort „defekt" nie benutzt. Das ist der Grund, warum RAG-Architekturen auf Vektordatenbanken setzen: Fachfragen werden selten in der Terminologie der Dokumente gestellt. Die Grenze: Semantische Nähe ist keine Wahrheitsprüfung — die Datenbank findet das passendste Dokument, nicht das richtige. Veraltete Stände findet sie genauso zuverlässig.
Müssen wir den Betrieb einer Vektordatenbank im Managementsystem abbilden?
Pflicht ist das nicht — sinnvoll ist es, sobald die Datenbank Teil eines KI-Systems ist, dessen Antworten fachliche Konsequenzen haben. Der saubere Rahmen dafür ist das KI-Managementsystem nach ISO/IEC 42001: Die Norm verlangt, maßgebliche Ressourcen des KI-Systems zu erfassen und zu dokumentieren — System- und Rechenressourcen ebenso wie Datenressourcen mit Herkunft, Aktualitätsstand und Qualität. Eine Vektordatenbank mit Ihrem QM-Wissen ist genau das: eine maßgebliche Ressource. Praktisch heißt das drei Dinge festlegen: wer für Inhalt und Stand verantwortlich ist, wie Änderungen an der Dokumentenbasis in die Datenbank nachgezogen werden, und wie die Suchqualität überwacht wird. Wer das im bestehenden Prozess für dokumentierte Information verankert, hat den Aufwand von einem Nachmittag — und im Audit eine saubere Antwort auf die Frage, wer die KI-Wissensbasis kontrolliert (ISO/IEC 42001:2023).
Worauf achten wir bei Auswahl und Betrieb einer Vektordatenbank für unser Fachwissen?
Vier Kriterien, in dieser Reihenfolge. Erstens Datenhoheit: Wo liegen die Vektoren physisch — bei sensiblen Managementsystem- und Kundeninhalten ist das eine Datenschutz- und Vertraulichkeitsfrage, die vor der Technikfrage kommt. Zweitens Lösch- und Update-Fähigkeit: Dokumente werden ersetzt und zurückgezogen; die Datenbank muss einzelne Inhalte sauber entfernen und versionieren können, sonst zitiert Ihre KI nächstes Jahr die zurückgezogene Verfahrensanweisung. Drittens Integration: Die Datenbank muss an Ihre Dokumentenquellen angebbar sein — manueller Export-Import pro Dokumentenänderung ist der Punkt, an dem die Pflege stirbt. Viertens nachvollziehbare Treffer: Sie wollen sehen, welcher Dokumentauszug eine Antwort gespeist hat. Die Produktfrage — welches System — ist danach fast egal; die gängigen Lösungen unterscheiden sich in diesen vier Punkten stärker als in der Suchtechnik.