Enterprise Search vs. KI-Context-Layer: Warum Suchen allein nicht reicht

Der Unterschied in einem Atemzug: Enterprise Search findet Dokumente; ein KI-Context-Layer lässt KI-Agenten deine Daten systemübergreifend verstehen — und darauf handeln. Die Suche ist reines Lesen: unstrukturierte Inhalte abrufen, mit Berechtigungen pro Dokument. Ein Context-Layer ergänzt ein typisiertes Modell deiner strukturierten UND unstrukturierten Daten (Angebote, Tickets, Personen, Dateien), Berechtigungen bis auf Zeilen- und Aktionsebene, ein Gedächtnis über Gespräche hinweg — und die Fähigkeit zurückzuschreiben: Aufgabe anlegen, Angebot aktualisieren, Zusammenfassung versenden. Wenn dein Ziel "Mitarbeitende finden schneller" heißt, reicht Enterprise Search. Wenn dein Ziel "KI erledigt Arbeit über unsere Werkzeuge hinweg" heißt, reicht sie nicht.

Dieser Beitrag gehört zu unserer Serie über den KI-Context-Layer — hier schauen wir genau hin, wo klassische Enterprise Search (und ihre RAG-Chatbot-Nachfolger) endet und was die nächste Stufe ergänzt.

Enterprise Search hat vier Generationen durchlaufen — jede hat den blinden Fleck der vorherigen behoben:

1. Stichwortsuche (2000er). Dateiablagen und Intranets durchsuchen, Wörter abgleichen, nach Häufigkeit sortieren. Schnell, günstig — und blind für Bedeutung: Wer "Kündigungen" sucht, findet das Dokument mit "Kundenabwanderung" nie.

2. Vektorsuche (späte 2010er). Dokumente werden zu Einbettungen; semantisch ähnliche Inhalte matchen auch ohne gemeinsame Wörter. Bessere Trefferquote, aber immer noch nur eine sortierte Linkliste.

3. RAG-Chatbots (ab 2023). Retrieval-Augmented Generation setzt ein Sprachmodell obendrauf: Passagen abrufen, Antwort mit Quellenangaben erzeugen. Hier stehen Glean-artige Produkte und die meisten "KI-Suche über Unternehmensdaten"-Angebote heute — wirklich nützlich, aber im Kern weiterhin nur lesend über unstrukturiertem Text.

4. Context-Layer (jetzt). Der eigentliche Sprung: statt eines großen Text-Index ein typisiertes, berechtigungsbewusstes Modell des Unternehmens — Entitäten, Beziehungen, strukturierte Datensätze UND Dokumente —, das Agenten abfragen, verstehen, sich merken und über das sie handeln können. Suche wird eine Fähigkeit von mehreren, nicht mehr das Produkt.

Ehre, wem Ehre gebührt: Moderne Enterprise Search macht ihren Job hervorragend. Sie verbindet Dutzende Inhaltsquellen, entfernt Duplikate, übernimmt die Berechtigungen pro Dokument aus den Quellsystemen und beantwortet "Wo ist X?" in Sekunden statt per Slack-Archäologie. Für wissensintensive Organisationen rechnet sich das schon allein.

Aber vier strukturelle Grenzen stecken im Modell selbst:

Nur lesend. Die Suche ruft ab. Sie legt nie die Folgeaufgabe an, aktualisiert nie den CRM-Datensatz, versendet nie die Antwort. Jede Antwort endet damit, dass ein Mensch die eigentliche Arbeit in einem anderen Tab erledigt.

Berechtigungen nur pro Dokument. Zugriffslisten werden auf Dokumentebene vererbt. Es gibt kein "diese Person darf den Status des Angebots sehen, aber nicht den Wert" und kein "darf lesen, aber nicht exportieren". Berechtigungsmodelle für strukturierte Daten — Zeilenebene, Feldebene, Aktionsebene — existieren in einem Dokumenten-Index schlicht nicht.

Kein Verständnis für strukturierte Daten. Ein Suchindex behandelt einen CRM-Export als Text. Er findet die Seite, die die Q3-Pipeline erwähnt; er kann aber nicht "durchschnittliche Angebotsgröße seit März, je Team" berechnen — weil er kein typisiertes Modell davon hat, was ein Angebot, eine verantwortliche Person oder eine Phase IST.

Kein Gedächtnis, kein Kontext. Jede Anfrage startet bei null. Das System weiß nicht, was du gestern gefragt hast, in welchem Team du bist oder was "das Berlin-Projekt" in deiner Firma bedeutet. Genau diese Lücke behandeln wir in Datensilos auflösen mit KI — Silos zu indexieren ist nicht dasselbe, wie sie zu verbinden.

Ein Context-Layer behält alles, was die Suche kann — Volltext- und semantische Suche über Dokumente — und ergänzt vier Fähigkeiten, die aus Abrufen echte Arbeit machen:

Eine typisierte Ontologie über strukturierte + unstrukturierte Daten. Angebote, Tickets, Personen, Teams, Termine und Dateien werden typisierte Entitäten mit Beziehungen, kein flacher Text. Agenten können filtern, aggregieren und Verknüpfungen folgen ("zeig offene Tickets der Kunden des München-Teams, nach Alter sortiert") wie eine Datenbank — über Systeme hinweg, die nie ein gemeinsames Schema hatten.

Berechtigungsgeprüfte Agenten-Aktionen. Die Schicht antwortet nicht nur, sie handelt: Aufgabe im Projektwerkzeug anlegen, Angebotsphase aktualisieren, Termin planen, Zusammenfassung versenden — jede Aktion durch dasselbe Berechtigungsmodell abgesichert wie das Lesen. Bei Teamo ist das eine Architektur aus 7 Ringen, von der Identität bis zu Berechtigungen pro Datenzeile und einer Empfänger-Prüfung für alles Ausgehende (mehr in der 7-Ringe-Berechtigungsarchitektur).

Gedächtnis auf mehreren Ebenen. Persönliches, Team- und Firmengedächtnis, das über Gespräche hinweg bestehen bleibt. "Das Berlin-Projekt" wird richtig aufgelöst, weil die Schicht das Vokabular deiner Firma gelernt hat — und den Kontext einer Person sauber vom Team trennt.

Zurückschreiben mit Prüfprotokoll. Weil Aktionen Quellsysteme verändern, muss jede einzelne protokolliert werden. Ein Context-Layer, der den Namen verdient, behandelt Nachvollziehbarkeit als Kernfunktion, nicht als Nachgedanken — Teamo führt drei unabhängige Prüfprotokolle mit 6 Monaten Aufbewahrung.

Glean-artige Enterprise-Search-Produkte liegen zwischen Spalte eins und zwei: hervorragende Suche, Assistenz-Funktionen obendrauf — aber englisch-zuerst, Konnektor-Kataloge nur mit IT-Abteilung und Preise nur für Großkunden. Wenn du diese Kategorie aus der EU heraus prüfst, lies unsere ausführliche Analyse zur Glean-Alternative für DSGVO-Unternehmen.

Hier ist das Schadensmuster, das eine unternehmensweite KI-Suche in einen DSGVO-Vorfall verwandelt: Damit die KI nützlich wird, indexieren Teams alles — Personalordner, Vertriebs-Pipelines, Support-Tickets — in einen einzigen Vektorspeicher. Einbettungen tragen keine Zugriffsrechte. Wenn Berechtigungen nicht bei jeder Anfrage gegen die Regeln des QUELLSYSTEMS geprüft werden, wird das Suchfeld zur Rechte-Ausweitungs-Maschine: Jede Person kann fragen "Was verdient mein Kollege?" — und der Index liefert brav die Passage aus dem Gehaltsabrechnungs-PDF.

Der Berechtigungs-Abgleich pro Dokument — die klassische Enterprise-Search-Antwort — hilft, hinkt aber nach und bleibt grob: Er kann ein Dokument verbergen, kein einzelnes Feld, und er sagt nichts über AKTIONEN, sobald Agenten schreiben dürfen. Das Gegenmodell ist gestaffelte Verteidigung: Jede Anfrage durchläuft mehrere unabhängige Berechtigungsringe, bevor Daten fließen oder eine Aktion ausgelöst wird. Teamos Umsetzung sind 7 Ringe — Identität (JWT), Firmenrolle, Teamrolle, Werkzeug-Reichweite, Aktions-Reichweite, Berechtigung pro Datenzeile und eine Empfänger-Prüfung für ausgehende Nachrichten. Ein Agent kann so physisch keine Zeile lesen und keine Nachricht senden, die der anfragenden Person nicht erlaubt wäre. Das ganze Modell erklären wir in der 7-Ringe-Berechtigungsarchitektur. Für EU-Unternehmen ist das keine Kür: Die Datenminimierung der DSGVO und die Steuerungspflichten der KI-Verordnung setzen beide voraus, dass Zugriffskontrolle die KI-Schicht überlebt.

1. Schreib 10 echte Fragen und 5 echte Aktionen auf. Keine Vorführungs-Beispiele — die Fragen, die dein Team letzte Woche gestellt hat, und die Folgeaktionen, die daraus wurden. Wenn 4 von 5 Aktionen zählen, scheiden Nur-Suche-Produkte früh aus.

2. Kartiere deine Daten: strukturiert vs. unstrukturiert. Liste die Systeme hinter diesen Fragen auf. Wenn CRM, Ticketsystem und Kalender ständig auftauchen, brauchst du typisiertes Verständnis strukturierter Daten, keine Passagen-Suche.

3. Teste Berechtigungen mit deinem härtesten Fall. Bring ein echtes Szenario mit ("Teamleiterin sieht die Stimmungs-Ergebnisse ihres Teams, aber keine Einzelpersonen; die Personalabteilung sieht beides nicht") und lass den Anbieter die Durchsetzung zur Anfrage- UND Aktionszeit zeigen — nicht auf einer Folie.

4. Prüf EU-Konformität jenseits der Logo-Wand. EU-Hosting, AVV, SSO/SAML/SCIM, Aufbewahrung der Prüfprotokolle und eine Antwort auf die KI-Verordnung. Prüf auch den Ausstieg: Kannst du das zugrunde liegende Sprachmodell wechseln, oder droht Anbieterbindung? (Teamo betreibt OpenAI, Anthropic, Google, Mistral und Aleph Alpha hinter einer Schnittstelle — Modellwechsel mit einer Zeile.)

5. Rechne die echte Einführung durch. Inklusive Mindestplätzen und Vertrags-Untergrenzen. Verhandelte Konzernverträge — die Einkaufsdaten-Plattform Vendr nennt für Glean einen Median von rund 98.700 $ pro Jahr bei üblichen Mindestgrößen von 100 bis 250 Plätzen — schließen die meisten mittelständischen Teams aus, bevor der Testlauf beginnt; Preise je Nutzer ohne Mindestplätze (Teamo: 9,97 € je Nutzer/Monat plus nutzungsbasierte KI-Guthaben) lassen dich mit einem Team starten und auf Basis von Ergebnissen wachsen.