Semantische Suche mit SQL Server 2025: KI-Funktionen im Überblick

Klassische Suchabfragen finden Zeichenfolgen. Sie erkennen aber nicht zuverlässig, dass „Rechnung erneut anfordern“ und „Kopie der Faktura benötigt“ dasselbe Anliegen beschreiben. Semantische Suche setzt hier an: Sie vergleicht die inhaltliche Nähe von Texten anhand numerischer Repräsentationen, sogenannter Embeddings.

SQL Server 2025 kann solche Embeddings speichern und vergleichen. Damit lassen sich fachliche Daten, Berechtigungen und Ähnlichkeitssuche in einer Datenbank zusammenführen. Das ersetzt jedoch weder ein Embedding-Modell noch eine durchdachte Sucharchitektur. Entscheidend ist, welche Funktionen Sie einsetzen – und welche betrieblichen Konsequenzen daraus entstehen.

KI-Funktionen im Überblick: Verfügbarkeit, Voraussetzungen und Preview-Status

Für die Einordnung sollten Sie vier Bausteine unterscheiden:

Der Vektor-Datentyp und die exakte Distanzberechnung gehören zur regulären Funktionalität von SQL Server 2025. Vektorindizes und die zugehörige approximative Suche sind davon zu unterscheiden: Sie wurden als Preview-Funktionen eingeführt. Prüfen Sie vor einer Implementierung den aktuellen Status sowie die Voraussetzungen für Ihren konkreten SQL-Server-Build.

Für Preview-Funktionen kann zusätzlich die datenbankbezogene Aktivierung von PREVIEW_FEATURES erforderlich sein. Übernehmen Sie solche Einstellungen nicht ungeprüft aus Demonstrationsskripten in eine Produktionsumgebung.

Auch bei der Modellintegration sollten Sie genau hinsehen: Verfügbarkeit und Voraussetzungen von sp_invoke_external_rest_endpoint, CREATE EXTERNAL MODEL und AI_GENERATE_EMBEDDINGS sind anhand der jeweiligen Dokumentation zu prüfen. Angaben für Azure SQL Database lassen sich nicht pauschal auf eine lokal betriebene SQL-Server-Instanz übertragen.

Wichtig ist außerdem: SQL Server erzeugt nicht allein deshalb Embeddings, weil eine Tabelle eine Vektorspalte enthält. Dafür benötigen Sie ein geeignetes Modell und einen Prozess, der dessen Ergebnisse in die Datenbank schreibt.

Der Vektor-Datentyp: Embeddings direkt in SQL Server speichern

Ein Embedding bildet einen Text auf eine Folge numerischer Werte ab. Ein geeignetes Modell ordnet Texte mit ähnlicher Bedeutung im Vektorraum nahe beieinander an. Die einzelnen Dimensionen haben dabei normalerweise keine unmittelbar verständliche fachliche Bedeutung.

Mit VECTOR(n) legen Sie die Anzahl der Dimensionen fest. Der etablierte Basistyp verwendet 32-Bit-Gleitkommazahlen und unterstützt bis zu 1.998 Dimensionen. Ein Embedding mit 1.536 Dimensionen benötigt damit allein für die Zahlenwerte rund 6 KB – zusätzliche Daten- und Indexstrukturen kommen hinzu.

Die Dimension muss zum verwendeten Modell passen. Prüfen Sie deshalb die Ausgabegröße, bevor Sie sich für ein Modell und ein Tabellenschema entscheiden.

In der Praxis gehören neben den Vektor weitere Informationen:

• der zugrunde liegende Text oder die Referenz darauf,
• Dokument-ID und gegebenenfalls die Position eines Textabschnitts,
• Mandant, Sprache und fachliche Kategorie,
• Embedding-Modell und dessen Version,
• Erstellungszeitpunkt oder Verarbeitungsstatus.

Ein häufiger Fehler ist das Vermischen unterschiedlicher Embedding-Modelle. Gleiche Dimensionszahl bedeutet nicht, dass die Vektoren vergleichbar sind. Bei einem Modellwechsel benötigen Sie in der Regel neue Embeddings für den gesamten betroffenen Bestand.

Bei längeren Dokumenten werden meist einzelne Abschnitte eingebettet. Dieses Chunking beeinflusst die Suchqualität erheblich: Zu große Abschnitte verwässern das Thema, zu kleine verlieren den Kontext.

VECTOR_DISTANCE: Ähnliche Inhalte finden

VECTOR_DISTANCE berechnet den Abstand zwischen zwei Vektoren. Unterstützt werden unter anderem Cosine Distance und euklidische Distanz. Welche Metrik geeignet ist, hängt vom Embedding-Modell ab; orientieren Sie sich an dessen Empfehlungen.

Das folgende Beispiel läuft ohne externen Dienst. Die dreidimensionalen Vektoren sind bewusst vereinfachte Demonstrationswerte, keine echten Text-Embeddings.

DECLARE @Dokumente TABLE
(
    DokumentID int NOT NULL PRIMARY KEY,
    Titel nvarchar(200) NOT NULL,
    Embedding vector(3) NOT NULL
);

INSERT INTO @Dokumente (DokumentID, Titel, Embedding)
VALUES
    (1, N'Rechnungskopie anfordern',
        CAST('[1.0, 0.0, 0.0]' AS vector(3))),
    (2, N'Zahlungsbeleg herunterladen',
        CAST('[0.9, 0.1, 0.0]' AS vector(3))),
    (3, N'Kennwort zurücksetzen',
        CAST('[0.0, 0.0, 1.0]' AS vector(3)));

DECLARE @Suchvektor vector(3) =
    CAST('[1.0, 0.0, 0.0]' AS vector(3));

SELECT TOP (2)
    DokumentID,
    Titel,
    VECTOR_DISTANCE(
        'cosine', Embedding, @Suchvektor
    ) AS Distanz
FROM @Dokumente
ORDER BY Distanz, DokumentID;

Bei Cosine Distance bedeutet ein kleinerer Wert eine größere Ähnlichkeit. In einer Anwendung würden Sie zunächst die Suchfrage mit demselben Modell wie die Dokumente einbetten und diesen Suchvektor an SQL Server übergeben.

Diese Abfrage berechnet die Distanz für die berücksichtigten Zeilen exakt. TOP (2) begrenzt die Ausgabe, nicht automatisch die Zahl der notwendigen Distanzberechnungen. Bei großen Datenbeständen kann das teuer werden.

Nutzen Sie deshalb fachliche Filter, etwa auf Mandant oder Dokumenttyp. Eine universelle Distanzschwelle gibt es nicht: Geeignete Grenzwerte müssen Sie anhand realer Fragen und bewerteter Treffer ermitteln.

Vektorindizes: Beschleunigte Ähnlichkeitssuche und ihre Grenzen

Für große Vektorbestände ist eine vollständige Distanzberechnung häufig zu aufwendig. Vektorindizes ermöglichen eine approximative Suche nach ähnlichen Nachbarn, auch Approximate Nearest Neighbor beziehungsweise ANN genannt. SQL Server 2025 verwendet dafür DiskANN-basierte Verfahren.

Der Unterschied zur exakten Suche ist wesentlich: Eine ANN-Suche soll gute Treffer schnell finden, garantiert aber nicht dieselbe Treffermenge wie eine vollständige Berechnung.

Zudem wird eine Abfrage mit VECTOR_DISTANCE nicht allein durch das Anlegen eines Vektorindexes automatisch zur approximativen Suche. Dafür ist die vorgesehene Suchschnittstelle VECTOR_SEARCH relevant.

Für einen belastbaren Test sollten Sie drei Größen gemeinsam betrachten:

• Latenz: Wie lange dauert eine Suchanfrage unter realistischer Parallelität?
• Recall: Wie viele der tatsächlich nächsten Nachbarn findet die approximative Suche?
• Betriebsaufwand: Welche Kosten entstehen durch Indexaufbau, Speicherbedarf und Datenänderungen?

Eine besondere Stolperfalle sind Filter. Je nach unterstütztem Ausführungsweg können Filter und Kandidatenauswahl unterschiedlich zusammenspielen. Werden zunächst ähnliche Kandidaten gesucht und anschließend fachlich gefiltert, bleiben möglicherweise weniger Treffer als angefordert übrig.

Prüfen Sie daher insbesondere für mandantenfähige Anwendungen die konkrete Filtersemantik. Ein Vektorindex ersetzt keine Zugriffskontrolle. Auch Einschränkungen bei Änderungen und Indexpflege sollten Sie für den jeweiligen Preview-Stand ausdrücklich testen.

Externe KI-Modelle aus T-SQL aufrufen: Integration, Sicherheit und Kosten

Mit sp_invoke_external_rest_endpoint kann SQL Server unterstützte externe HTTPS-Endpunkte aufrufen. Damit lassen sich beispielsweise Embedding-Dienste oder generative Modelle anbinden. Endpunkt, Authentifizierung und JSON-Verarbeitung müssen zum jeweiligen Dienst passen.

Daneben stellen CREATE EXTERNAL MODEL und AI_GENERATE_EMBEDDINGS eine auf Embedding-Erzeugung zugeschnittene Integration bereit, soweit diese in Ihrer Umgebung verfügbar ist.

Der externe Aufruf führt das Modell nicht innerhalb der Datenbank-Engine aus. Verfügbarkeit, Antwortzeit und gegebenenfalls verbrauchsabhängige Kosten des Dienstes bleiben externe Abhängigkeiten.

Aus Betriebssicht sind besonders wichtig:

• Berechtigungen: Konfiguration, Credentials und Ausführungsrechte gezielt vergeben; API-Schlüssel nicht in Prozedurtexten hinterlegen.
• Netzwerk und Datenschutz: Ausgehende Verbindungen sowie die Übertragung von Dokumentinhalten ausdrücklich freigeben.
• Fehlerbehandlung: Timeouts, Rate Limits und temporäre Dienstfehler berücksichtigen.
• Kostenkontrolle: Änderungen erkennen und unveränderte Texte nicht wiederholt einbetten.

Rufen Sie einen externen Dienst möglichst nicht innerhalb einer lange laufenden fachlichen Transaktion auf. In vielen Projekten ist ein asynchroner Verarbeitungsprozess robuster: Änderungen vormerken, Embeddings separat erzeugen und Ergebnisse anschließend speichern.

Für wen lohnt sich das?

Für Entwickler ist der Ansatz interessant, wenn Dokumente und strukturierte Geschäftsdaten gemeinsam durchsucht werden sollen: etwa Supportfälle, Produktbeschreibungen oder eine interne Wissensbasis. Die gefundenen Textabschnitte können auch als Kontext für Retrieval-Augmented Generation dienen. Die Vektorsuche selbst erzeugt jedoch noch keine Antwort.

Für DBAs stehen Kapazitätsplanung und Betriebsstabilität im Vordergrund. Zusätzlicher Speicherbedarf, Lastspitzen durch Distanzberechnungen und externe Netzwerkabhängigkeiten müssen messbar und beherrschbar bleiben.

Für IT-Entscheider ist entscheidend, ob die Integration eine zusätzliche Suchplattform tatsächlich vermeiden kann. Das lohnt sich besonders, wenn SQL Server bereits die maßgebliche Datenbasis ist und Umfang sowie Lastprofil passen.

Eine spezialisierte Suchplattform bleibt prüfenswert, wenn sehr große Suchbestände, anspruchsvolle hybride Rankings oder unabhängig skalierbare Suchdienste benötigt werden. Auch Volltextsuche bleibt relevant: Artikelnummern, exakte Begriffe und semantische Nähe lösen unterschiedliche Suchprobleme.

Fazit

SQL Server 2025 bringt wichtige Bausteine für semantische Suche direkt an die relationalen Daten. Beginnen Sie mit einem geeigneten Embedding-Modell und einer exakten Suche als Referenz. Messen Sie anschließend Suchqualität, Laufzeit und Kosten mit echten Daten.

Vektorindizes sind der nächste Optimierungsschritt – nicht der Ersatz für diesen Nachweis. Wer Preview-Status, Berechtigungen und externe Modellabhängigkeiten sauber berücksichtigt, kann semantische Suche gezielt ergänzen, ohne die Datenbankarchitektur unnötig zu verkomplizieren.

Sie möchten tiefer einsteigen? In unseren Schulungen vermitteln wir SQL Server, Power BI und KI praxisnah – online oder bei Ihnen vor Ort. Fragen? Kontaktieren Sie uns oder buchen Sie ein kostenloses Info-Gespräch.