Embedding (Vektor-Repräsentation)

Ein Embedding ist die mathematische Übersetzung von Inhalt in eine Liste von Zahlen — typischerweise 384 bis 3.072 Werte pro Eintrag. Diese Zahlen sind so gewählt, dass Inhalte mit ähnlicher Bedeutung „nahe beieinander" im Vektor-Raum liegen. Der Begriff „König" hat ein Embedding, das näher zu „Königin" liegt als zu „Tisch" — auch wenn die Wörter buchstäblich nichts gemein haben.

Erzeugt werden Embeddings von spezialisierten Modellen, die für genau diese Aufgabe trainiert sind. Die wichtigsten 2026 sind text-embedding-3-small und text-embedding-3-large (OpenAI), Cohere multilingual-v3 (sehr stark für Deutsch), BGE-M3 (Open-Source, mehrsprachig), und für Bilder CLIP. Pro Anfrage werden wenige Cent an Kosten fällig — der Großteil der Kosten entsteht beim initialen Einbetten der gesamten Wissensbasis, nicht im laufenden Betrieb.

In KMU-Praxis ermöglichen Embeddings drei Hauptanwendungen. Erstens semantische Suche: ein FAQ-Bot findet die richtige Antwort auch dann, wenn der Mieter eine andere Wortwahl benutzt als im FAQ-Eintrag steht. Zweitens Klassifikation: eingehende Mails werden automatisch in Kategorien einsortiert, basierend auf inhaltlicher Ähnlichkeit zu Beispiel-Mails. Drittens Ähnlichkeits-Empfehlungen: bei einer neuen Anfrage zeigt das System ähnliche frühere Anfragen und deren Lösungen.

Wichtig für Deutsch-Inhalte: nicht jedes Embedding-Modell ist gleich gut. Englisch-trainierte Modelle (z.B. älteres OpenAI-Standard) liefern für Deutsch oft mittelmäßige Treffer-Qualität. Multilinguale Modelle wie BGE-M3 oder Cohere multilingual sind deutlich stabiler bei deutschsprachigen Wissensbasen.