Im B2B-Commerce entscheidet die Suche über den Umsatz: Wer über zehntausende Artikel verkauft, hat keine Navigationsstruktur, die jeden Bedarf abbildet. Laut SQLI navigieren 76 Prozent der B2B-Käufer primär über die Suche – und genau dort scheitern viele Shops an einem Muster: Der Käufer beschreibt ein Problem, die Suche erwartet eine Bezeichnung.
Das Anwendungssuche-Problem
„Schwerer Wassertransport" soll Industriepumpen finden – auch wenn im Suchbegriff das Wort Pumpe nicht vorkommt. „Dichtung beständig gegen Hydrauliköl, -30 Grad" soll die passenden Werkstoffklassen liefern, nicht null Treffer. Keyword-Matching kann das prinzipbedingt nicht; es findet Zeichenketten, keine Absichten. Die semantische Ebene – Embeddings, die Bedeutungsnähe abbilden – löst genau das. Aber sie allein wäre im B2B fahrlässig.
Warum Hybrid der einzige seriöse Ansatz ist
| Ebene | Aufgabe | Beispiel |
|---|---|---|
| Exakte Treffer | Artikelnummern, DIN/ISO-Normen, Herstellerbezeichnungen ohne Umwege | „DIN 933 M8x40" → genau dieser Artikel, sofort |
| Semantik (Vektor) | Anwendungs- und Problembeschreibungen verstehen | „schwerer Wassertransport" → Industriepumpen |
| ERP-Kontext | Rahmenverträge, kundenspezifische Preise, Verfügbarkeit ranken mit | bevorzugt lagernde Artikel des Rahmenvertrags zuerst |
Ein reiner Vektor-Ansatz, der eine exakte Artikelnummer „ungefähr" beantwortet, zerstört Vertrauen schneller, als Semantik es aufbaut. Deshalb gilt: exakte Matches gewinnen immer, Semantik ergänzt, Kontext sortiert. Dienstleister berichten für solche Hybrid-Umsetzungen 25 bis 45 Prozent höhere Konversionsraten – die Zahl stammt aus Anbietermaterial (SQLI) und ist entsprechend einzuordnen, die Richtung deckt sich aber mit unserer Projekterfahrung: Suchabbrüche sind im B2B der teuerste stille Umsatzverlust.
Das eigentliche Projekt steckt in den Daten
Die unbequeme Wahrheit: Semantische Suche kann nur verstehen, was in den Daten steht. Wenn Einsatzgebiete, Kompatibilitäten und Problemlösungen nirgends als Attribute existieren, hat die beste Vektor-Suche nichts zu ranken. Deshalb sind Enrichment und Suche ein Verkaufspaket: Erst werden anwendungsbezogene Attribute per KI aus Spec-Sheets und Beschreibungen extrahiert, dann wird die Suche darauf aufgebaut. Wer nur „semantische Suche" kauft, bekommt eine Demo – wer beide Hälften baut, bekommt einen Vertriebskanal.
Der Stack: Standard-Technologie statt Suchprodukt
Technisch ist Hybrid Search 2026 keine Rocket Science mehr: OpenSearch oder PostgreSQL mit pgvector für die Vektor-Ebene, Embeddings aus austauschbaren Modellen, klassische Invertierte-Index-Suche für exakte Treffer, ein Re-Ranking-Schritt für den Kontext. Das läuft auf eigener Infrastruktur, DSGVO-sauber und ohne SKU-basierte Suchprodukt-Lizenzen – derselbe Stack, mit dem wir Webapps und RAG-Systeme bauen.
Ob Ihre Produktdaten die Voraussetzung schon erfüllen, klärt unser Data-Readiness-Audit – Details auf der PIM-Leistungsseite.
