Vektorsuche & Embeddings
Wie KI findet, was die Stichwortsuche übersieht, und welche Grenzen dabei zu kennen sind.
Ein Recherchebeispiel als roter Faden
Ein praktischer Fall: eine Neuheitsrecherche zu einem „Kühlmechanismus für eine Batterieeinheit mit Mikrokanälen". Die Suche in der gewohnten Patentdatenbank startet mit einer klassischen Booleschen Abfrage (Batterie AND Kühlung AND Mikrokanal), erweitert um Synonyme und die passende CPC-Klasse. Das Ergebnis ist eine solide Trefferliste, begleitet von einem Restzweifel, dass relevante Fundstellen übersehen wurden.
Der Zweifel ist begründet. Nachfolgend wird gezeigt, wo klassische Recherche an Grenzen stößt, wie semantische Suche, Hybrid Search und Retrieval-Augmented Generation (RAG) helfen, und wo auch diese Technologien Schwächen haben, die für den professionellen Einsatz bekannt sein müssen.
Die Grenzen klassischer Stichwortsuche
Boolesche Logik funktioniert dort gut, wo die Terminologie aller relevanten Dokumente vorhersehbar ist. Bei internationalen, interdisziplinären Technologien ist genau das selten. Fünf typische Lücken:
| Problem | Im Recherchebeispiel |
|---|---|
| Synonymie | Eine EP-Schrift spricht von „Wärmeableitungsstruktur für Energiespeicher". Weder „Batterie" noch „Mikrokanal" kommen vor. |
| Sprachbarriere | Eine japanische Anmeldung beschreibt „thin channels for heat dissipation in rechargeable cells": inhaltlich passend, sprachlich unerreicht. |
| Fachdomänen-Wechsel | Eine ältere Druckschrift aus der Mikrofluidik zeigt die Kanalgeometrie, sie steht aber in einer Chemie-Klassifikation. |
| Begriffswandel | „Batteriemanagement" meinte 2008 etwas anderes als 2023; die reine Stichwortsuche vermischt beide Epochen. |
| Hierarchie | Die Suche nach „Lithium-Ionen-Batterie" erreicht keine Schriften, die nur „Sekundärzelle" nennen |
Mindestens eine dieser Lücken klafft in fast jeder größeren Recherche.
Semantische Suche: Bedeutung statt Buchstaben
Statt nach Wörtern sucht die semantische Suche nach Bedeutung. Jedes Textstück (ein Anspruch, ein Absatz, eine Druckschrift) wird in eine Position auf einer Art Landkarte der Fachkonzepte übersetzt. Inhaltlich ähnliche Texte landen nahe beieinander, unabhängig von der verwendeten Terminologie.
Im Recherchebeispiel findet die semantische Suche die drei Fundstellen, die Stichwortsuche verfehlte: die EP-Schrift mit anderer Wortwahl, die japanische Anmeldung, die Mikrofluidik-Druckschrift aus fremder Fachdomäne.
Der praktische Nutzen liegt in einer anderen Trefferliste, nicht in einer längeren. Es werden Druckschriften sichtbar, die bei reiner Stichwortsuche übersehen blieben. Umgekehrt werden solche gefiltert, die zwar die Stichworte enthalten, inhaltlich aber nicht passen.
Technische Details: Embedding-Modelle und Ähnlichkeitsmaß
Ein neuronales Netz, ein sogenanntes Embedding-Modell, codiert jeden Text in einen Vektor mit typisch 500 bis 1000 Dimensionen. Ähnlichkeit wird über das Winkelmaß zwischen Vektoren berechnet (Kosinusähnlichkeit). Aktuelle Produktions-Modelle sind multilingual-e5-large (lokal betreibbar, 1024 Dimensionen) und gemini-embedding-001 (cloudbasiert, bis 3072 Dimensionen). Helmers et al. (PLoS ONE 2019) haben empirisch gezeigt, dass Volltext-Ähnlichkeitssuche die klassische Stichwortsuche bei der Prior-Art-Identifikation übertrifft.
Wo semantische Suche scheitert: Hybrid Search
Semantik ist leistungsfähig, hat aber präzise blinde Flecken. Und zwar genau dort, wo Patentrecherche Präzision braucht:
| Blinder Fleck | Im Recherchebeispiel |
|---|---|
| Neue Aktenzeichen | Die Anmeldung EP 4 567 890 vom letzten Monat. Das Modell hat die Nummer nie gesehen, ihr Vektor ist praktisch zufällig. |
| Klassifikationscodes | CPC-Klasse H01M 10/613 muss exakt treffen. Semantik hilft hier nicht. |
| Chemische Formeln | CAS-Nummer 6484-52-2 ist eine Zeichenkette, keine Bedeutung |
| Anmeldernamen | „Nova Quantum Dynamics GmbH" hat im Embedding-Raum keine sinnvolle Position |
| Negationen | „ohne flüssiges Kühlmittel" und „mit flüssigem Kühlmittel" liegen semantisch nah beieinander. Die reine Bedeutungs-Suche erkennt die Umkehr nicht zuverlässig. |
Hybrid Search kombiniert beides: Stichwort-Exaktheit für Zeichenketten plus Bedeutungs-Ähnlichkeit für Konzepte. Beide Rangfolgen werden zu einer gemeinsamen Trefferliste fusioniert. Für Patentrecherche ist das Pflicht, nicht Kür: reine Semantik verliert Zeichenketten, reine Stichwortsuche verliert Bedeutung.
Technische Details: Reciprocal Rank Fusion
Jede Fundstelle erhält aus beiden Trefferlisten Punkte nach ihrem Rangplatz: Rang 1 gibt 1 Punkt, Rang 2 gibt ½ Punkt, Rang 3 gibt ⅓ Punkt, und so weiter. Die Summen ergeben die fusionierte Rangfolge. Ein Alpha-Parameter gewichtet die semantische und die lexikalische Komponente. Vertex AI Vector Search, Qdrant und Weaviate unterstützen Hybrid Search mit diesem Verfahren nativ.
RAG: der Recherche-Assistent mit Aktenzugriff
Eine sortierte Trefferliste ist ein Anfang, aber keine Antwort. Die nächste Stufe heißt Retrieval-Augmented Generation. Das Sprachmodell bekommt die abgerufenen Fundstellen als Kontext mit und beantwortet Fragen auf dieser Grundlage, also nicht aus seinem Trainingswissen, sondern aus den konkret übergebenen Dokumenten.
Die Analogie wird Patentpraktikern aus der eigenen Ausbildung vertraut sein: RAG funktioniert nach dem Open-Book-Prinzip der EQE. Das System darf nachschlagen, aber die Antwort muss sich aus den bereitgestellten Unterlagen belegen lassen. Die rechtliche Würdigung (Neuheit, erfinderische Tätigkeit, ausreichende Offenbarung) ist Aufgabe des Menschen, nicht des Modells.
Konkrete Anwendungen im Recherchebeispiel:
- „Zusammenfassung der Relevanz der Top-10-Treffer gegenüber Anspruch 1"
- „Welche Merkmale von Anspruch 1 der EP 3 456 789 decken den eigenen unabhängigen Anspruch?"
- „Aus 47 Ablehnungsbescheiden zu H01M 10/61 die typischen Einwände des Prüfers extrahieren"
Die Retrieval-Qualität solcher Systeme ist empirisch belegt: Ding et al. (arXiv:2508.14064, 2025) berichten für ein RAG-basiertes Patent-Retrieval-System eine Präzision von 80,5 % und einen Recall von 92,1 %. Das liegt deutlich über Ansätzen ohne Retrieval-Anbindung.
Für die praktische Umsetzung mit lokalen, datenschutzfreundlichen Werkzeugen beschreibt der RAG-Workshop-Guide eine vollständige Pipeline mit Ollama und ChromaDB. Zu autonomen Recherche-Systemen, die mehrere RAG-Schritte selbstständig abarbeiten, siehe KI-Agenten & isolierter Kontext.
Grenzen von RAG
Auch RAG löst nicht alle Probleme. Sieben Grenzen, die für den professionellen Einsatz bekannt sein müssen:
Nur im Index sichtbar
RAG findet nichts, was nicht eingepflegt wurde. Eine vollständige Prior-Art-Recherche ersetzt das System nicht; es beschleunigt die Erstsichtung und die Strukturierung der Ergebnisse.
Retrieval-Qualität ist der Flaschenhals
Landen schlechte Chunks im Kontext, liefert das Modell auch mit bestem Prompt eine schwache Antwort. Die Grounding-Wirkung ist nur so gut wie der zugrundeliegende Abruf.
Halluzinationen trotz Grounding
Selten, aber real: Das Modell erfindet Randnummern, Fundstellen oder Zitate, die in den übergebenen Chunks gar nicht stehen. Jede zitierte Stelle muss am Originaldokument nachgeprüft werden. Ein kalifornischer Anwalt wurde 2024 mit 10 000 USD Geldstrafe belegt, nachdem in seinem Berufungsantrag 21 von 23 KI-generierte Zitate als frei erfunden identifiziert wurden. Das Risiko ist nicht theoretisch.
Chunking zerreißt den Kontext
Das unterschätzte Problem der Patent-RAG. Wenn Patentdokumente in Textabschnitte zerlegt werden, um einzelne Stücke abrufen zu können, gehen strukturelle Zusammenhänge verloren. Drei typische Schäden:
- Prior-Art-Kontamination: Absatz 0012 beschreibt die Erfindung und wird als relevanter Chunk abgerufen. Der nachfolgende Absatz 0013 enthält den Übergangssatz „Im Folgenden wird der Stand der Technik beschrieben" und wird als zu wenig relevant verworfen. Absatz 0014 beschreibt ein Merkmal des Standes der Technik, ohne diesen Begriff zu wiederholen, und wird ebenfalls als relevanter Chunk abgerufen. Das Sprachmodell sieht die beiden Chunks nebeneinander und interpretiert das Merkmal aus Absatz 0014 als Teil der Erfindung. Die entscheidende Information lag im nicht abgerufenen Absatz dazwischen.
- Negations-Inversion: Der Satz „die Vorrichtung weist keine Kühlvorrichtung auf" wird beim Chunking getrennt. Überlebt nur „Kühlvorrichtung", dreht sich die Bedeutung um.
- Claim-Dependency-Verlust: Ein abhängiger Anspruch („nach Anspruch 1, dadurch gekennzeichnet, dass…") wird isoliert abgerufen. Ohne Rückbezug auf den unabhängigen Anspruch wirkt er wie eine eigenständige Lehre. Für Neuheits- oder Erfinderische-Tätigkeit-Analyse ein struktureller Fehler.
Diese Liste ist nicht abschließend. Über die drei klassischen Fälle hinaus zerbrechen Chunks auch an Begriffsdefinitionen, die in einem nicht abgerufenen Absatz stehen („Im Sinne dieser Offenbarung bezeichnet …"), an Bezugszeichen-Ketten, die sich über mehrere Absätze verteilen (Gehäuse (1), darin eine Aufnahme (2), darin ein Kühlkörper (3), der die Mikrokanäle (4) trägt), und an funktionalen, mechanischen, räumlichen, zeitlichen oder kausalen Zusammenhängen, die über grammatische Konstrukte wie „wobei", „welcher" oder anaphorische Pronomen transportiert werden. Diese Zusammenhänge haben keine Signalwörter, die ein Chunker erkennen könnte.
Abschnittserkennendes Chunking hilft dort, wo Abschnittsgrenzen das eigentliche Problem sind, etwa bei der oben beschriebenen Prior-Art-Kontamination. Innerhalb eines Abschnitts greift es nicht. Parent-Document-Retrieval (benachbarte Chunks automatisch mitziehen) und Definitionen-Extraktion (Begriffe und Bezugszeichen vorverarbeiten) decken weitere Fälle ab, aber keine Mitigation fängt alle. Für Patent-RAG ist mindestens eine dieser Maßnahmen Pflicht; naives Chunking ist systematisch gefährlich. Die pragmatische Konsequenz: Der Originaltext bleibt die letzte Instanz, besonders dort, wo Anspruchsmerkmale oder ihre Auslegung im Streit stehen.
Technische Details: Contextual Retrieval
Bei Contextual Retrieval (Anthropic, 2024) wird jeder Chunk vor dem Embedding mit einer kurzen Zusammenfassung des umgebenden Dokumentabschnitts angereichert. Der Retrieval-Index arbeitet dann mit kontextualisierten Einheiten, die strukturelle Zusammenhänge besser wahren. Ergänzend wird in der Praxis oft eine Abschnittserkennung vorgeschaltet, die „Stand der Technik"-Passagen markiert oder bei Patentanalysen gezielt ausschließt.
Zeichnungen sind unsichtbar
Reine Text-Embeddings ignorieren Figuren und Bezugszeichen-Verknüpfungen. Für viele Patente (besonders in Mechanik und Elektrotechnik) ist das ein realer Verlust. Multimodale Modelle entwickeln sich, sind aber noch nicht Produktionsstandard.
Unscharfe Zitate
Das Modell gibt „nach EP 3 456 789, Absatz 23". Die Randnummer kann aber verschoben sein, das Zitat verfälscht. Fundstellen sind grundsätzlich am Originaldokument zu verifizieren.
Index-Altern
Druckschriften, die nach dem letzten Indexbau veröffentlicht wurden, fehlen. Bei laufenden Mandaten empfiehlt sich mindestens wöchentliche Aktualisierung.
Sechs Regeln für den professionellen Einsatz
Aus den Grenzen folgen die Arbeitsregeln. Keine davon ist neu, aber sie greifen bei KI-gestützter Recherche schärfer als bei manueller Arbeit:
- Immer Hybrid Search, nie reine Semantik. Für Patentrecherche gibt es keinen guten Grund, auf die Stichwort-Komponente zu verzichten. Aktenzeichen, CPC-Codes und Anmeldernamen müssen exakt treffen.
- RAG-Antworten gegen die Original-Chunks prüfen. Jedes Zitat verifizieren, niemals blind übernehmen. Bei jeder fachlichen Schlussfolgerung gilt: zurück zum Originaltext.
- RAG für Scoping, nicht für das Gutachten. Das System beschleunigt die Erstsichtung. Die rechtliche Würdigung bleibt beim Menschen. Der Praxistest: Lässt sich das KI-Ergebnis schneller prüfen, als die Aufgabe selbst zu erledigen? Wenn nein, droht eine Schein-Effizienz mit Kontrollverlust.
- Audit-Trail führen. Welcher Chunk hat zu welcher Schlussfolgerung geführt? Aus zwei Gründen: Zweitmeinung innerhalb der Kanzlei, und Haftungsnachweis, falls Ergebnisse später angezweifelt werden.
- Mandatsbezogene Daten nur lokal. Für Cloud-KI* gelten strenge berufsrechtliche Voraussetzungen (§ 39c PAO, § 203 StGB). Für vertrauliche Erfindungsinformationen ist der lokale Betrieb die saubere Lösung, etwa mit Qdrant oder ChromaDB plus einem Open-Source-Embedding-Modell. Praktisch umsetzbar seit der nativen Ollama-Unterstützung der Anthropic-API (Januar 2026). Details im RAG-Workshop-Guide.
Ausblick
Die Entwicklung geht in drei Richtungen, die für die Patentpraxis besonders relevant sind: multimodale Modelle, die Zeichnungen und Bezugszeichen auswerten; agentenbasierte Systeme, die Rechercheaufträge in mehreren Schritten selbstständig abarbeiten (siehe KI-Agenten & isolierter Kontext); und bessere Erklärbarkeit, damit nachvollziehbar wird, warum ein Treffer als relevant eingestuft wurde. Jede dieser Entwicklungen verschiebt die Grenze sinnvollen KI-Einsatzes. Keine verändert jedoch die Grundregel: Das System schlägt vor, Patentpraktiker entscheiden.
Quellen
- Goebel, „Künstliche Intelligenz im Patentwesen – Revolution oder Evolution?", GRUR Patent 2025, 592 (beck-online)
- Helmers et al., „Automating the search for a patent's prior art with a full text similarity search", PLoS ONE 14(3), 2019
- Lewis et al., „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", NeurIPS 33, 2020
- Ding et al., „An automatic patent literature retrieval system based on LLM-RAG", arXiv:2508.14064, 2025
- Anthropic, „Contextual Retrieval", 2024 (anthropic.com)
- Liu et al., „Lost in the Middle: How Language Models Use Long Contexts", TACL 12, 2024
- Google Skills, „Vector Search and Embeddings" (Kurs): skills.google
- Vertex AI Documentation, „About hybrid search": cloud.google.com
* Für die Verarbeitung vertraulicher Inhalte gelten u.a. die berufsrechtlichen Verschwiegenheitsanforderungen. Diese können durch ein lokal laufendes Modell oder, im Einzelfall, durch eine vertrauenswürdige oder selbst betriebene Cloud-Instanz erfüllt werden. Dies ist keine Rechtsberatung.