Eine neue Ausschreibung trifft ein, der Vertrieb beginnt mit der Bearbeitung – und übersieht dabei häufig, dass im Bestand längst ein vergleichbares Projekt liegt. Andere Wortwahl, andere Struktur, aber inhaltlich nah dran: gleiche Bauform, ähnliche Werkstoffkombination, vergleichbare Anforderungen. Eine klassische Volltextsuche findet solche Treffer nur, wenn die exakten Begriffe übereinstimmen. Bei technischen Spezifikationen mit ihrer Vielfalt an Formulierungen ist das eher die Ausnahme als die Regel.
Genau hier setzt eine MCP-Anbindung mit semantischer Suche im inPoint DMS an: Sie vergleicht nicht Wörter, sondern Inhalte – und macht bereits erarbeitetes Wissen aus dem Dokumentenbestand für neue Anfragen nutzbar.
Das Problem: Vorarbeit, die schon einmal geleistet wurde
Je größer der Projektbestand, desto wahrscheinlicher ist es, dass eine neue Anfrage einem früheren Fall ähnelt – und desto schwerer wird es, diesen Fall manuell wiederzufinden. Ein Beispiel aus der Praxis macht die Größenordnung deutlich: Bei einem mittelständischen Fertigungsunternehmen mit über 10.000 Projektakten sollte eine neue technische Spezifikation künftig automatisch mit dem Bestand verglichen werden. Als Ergebnis waren die zehn ähnlichsten Treffer mit Übereinstimmungswerten vorgesehen – etwa 94 %, 93 % oder 87 % inhaltliche Nähe zur neuen Anfrage. Vertrieb, Vertriebsinnendienst und Kalkulation müssten damit nicht mehr bei null beginnen, sondern könnten direkt auf bereits kalkulierten, vergleichbaren Fällen aufbauen.
Wie die semantische Ähnlichkeitssuche in inPoint funktioniert
Der Unterschied zur klassischen Suche? Bei der klassischen Suche werden nur einzelne Wörter, also Schlagworte, abgeglichen; bei der semantischen Suche wird die inhaltliche Bedeutung von Dokumenten abgeglichen, sodass es auch zu Treffern kommt, wenn Wörter nicht exakt vorkommen. Das funktioniert so:
- Extraktion: Die relevanten Inhalte bestehender Projekt- und Spezifikationsdokumente werden ausgelesen.
- Anreicherung: Ordner-, Dokument- und Formatmetadaten ergänzen den reinen Text um Kontext.
- Vektorisierung: Aus den Inhalten entstehen Vektoren – eine mathematische Repräsentation der Bedeutung, nicht der einzelnen Begriffe.
- Indizierung: Die Vektoren landen in einer Suchinfrastruktur – inPoint nutzt hier das Open-Source-System Elasticsearch als Suchmaschine und Analyse-Plattform.
- Abgleich: Eine neue Anfrage wird ebenfalls vektorisiert und mit dem Bestand verglichen. Zurückgegeben werden die Dokumente, deren Inhalt der Anfrage inhaltlich am nächsten liegt – unabhängig davon, ob dieselben Wörter verwendet wurden.
Technisch bewegt sich dabei nichts. Das inPoint DMS bleibt das “System of Record”: Die eigentlichen Dokumente, Metadaten und Berechtigungen bleiben in inPoint. Die KI-Komponenten laufen als separat betriebene Erweiterung daneben und greifen ausschließlich über eine kontrollierte Schnittstelle zu – nie direkt auf die Datenbank.
Beispielablauf im Vertriebsalltag
So lässt sich der Use Case im Vertrieb skizzieren:
- Eine neue Anfrage oder Spezifikation trifft im Unternehmen ein.
- Eine lokal betriebene Sprachmodell-Komponente nimmt die Anfrage entgegen und stellt fest, dass ein Abgleich mit dem Projektbestand sinnvoll ist.
- Über den inPoint MCP-Server wird eine semantische Suche in den autorisierten Datenbeständen ausgelöst.
- Elastic Search vergleicht die Vektoren und liefert eine priorisierte Trefferliste zurück – etwa die zehn ähnlichsten Projektakten samt Übereinstimmungswert.
- Vertrieb und Kalkulation erhalten damit einen Ausgangspunkt statt eines leeren Blatts: bereits kalkulierte, vergleichbare Fälle als Grundlage für das neue Angebot.
Wichtig dabei: Die Suche liefert die Trefferliste, die fachliche und kaufmännische Bewertung bleibt beim Team. Die KI ersetzt keine Entscheidung, sie verkürzt den Weg dorthin.
Was Ähnlichkeit bedeutet, muss fachlich definiert werden
Ein Modell erkennt Ähnlichkeit nicht von selbst – welche Parameter zählen, ist eine fachliche, keine technische Frage. Je nach Branche können das etwa Maße, Gewicht, Volumen, Wandstärken, Materialien oder Werkstoffkombinationen sein. Diese Kriterien werden vor der Umsetzung gemeinsam festgelegt, nicht dem Modell überlassen.
Ebenso pragmatisch ist der Einstieg zu wählen: Text- und Spezifikationsdokumente eignen sich für die erste Filterung deutlich besser als ein direkter Vergleich von 2D-Zeichnungen oder 3D-Modellen, der bei größeren Datenmengen aufwändig und langsam wäre. Ein sinnvoller erster Schritt ist daher, die vorgefilterte Trefferliste bei Bedarf in einem zweiten, späteren Schritt zusätzlich visuell oder geometrisch zu bewerten.
Voraussetzungen für den Einstieg
- Vektorisierter Suchindex: Bestehende Projekt- und Spezifikationsdokumente müssen einmalig vektoriell erfasst werden – sinnvollerweise zunächst begrenzt auf einen ausgewählten Datenbestand statt auf das gesamte System.
- MCP-Server: Er stellt die Suchfunktion kontrolliert für externe oder interne KI-Anwendungen bereit, ohne direkten Datenbankzugriff zuzulassen.
- Definierte Vergleichsparameter: Das Unternehmen legt fachlich fest, welche Parameter in einem Dokument zum Vergleich wichtig sind. Das wird nicht dem Modell überlassen.
- Bestehendes Berechtigungskonzept: Auch bei der KI-gestützten Suche gelten die im DMS hinterlegten Zugriffsrechte uneingeschränkt weiter – wer ein Dokument nicht sehen darf, bekommt es auch über die Suche nicht angezeigt.
Vorteile für Vertrieb und Kalkulation
- Schnellerer Angebotsstart: Bereits erarbeitetes Wissen wird wiederverwendbar, statt bei jeder Anfrage neu erarbeitet zu werden.
- Bessere Trefferqualität: Inhaltliche statt rein begriffliche Ähnlichkeit findet auch Fälle, die anders formuliert, aber technisch vergleichbar sind.
- Kontrollierter Zugriff: Die Suche respektiert die bestehende Berechtigungsstruktur, unabhängig davon, welches KI-System sie auslöst.
- Skalierbar auf große Bestände: Auch bei mehreren tausend Projektakten bleibt die Suche performant, da zunächst textbasiert und erst später visuell verfeinert wird.
Möchten Sie Ihren Vertrieb mit semantischer Suche unterstützen?
Erfahren Sie in einer individuellen Live-Demo, wie der inPoint MCP-Server ähnliche Projekte automatisch findet und bereits erarbeitetes Wissen für neue Angebote nutzbar macht.
Demotermin vereinbarenFazit: Vom Suchen zum Finden
Wo klassische Suchfunktionen an unterschiedlicher Wortwahl scheitern, setzt die semantische Suche bei der inhaltlichen Bedeutung an. In Kombination mit MCP wird daraus ein Use Case, der bestehendes Vertriebs- und Kalkulationswissen tatsächlich nutzbar macht – als kontrollierte Erweiterung des Dokumentenmanagements, nicht als Ersatz für die fachliche Bewertung durch das Team.
Mehr zu den technischen Grundlagen von MCP im Dokumentenmanagement lesen Sie im Grundlagenartikel zum Model Context Protocol.
Anika Gladis
FAQ
Häufige Fragen zur semantischen Ähnlichkeitssuche im DMS
Mit welcher Software lässt sich die semantische Ähnlichkeitssuche für Angebote umsetzen?
Auf DMS-Seite mit inPoint DMS und dessen MCP-Server, der die semantische Suche kontrolliert bereitstellt. Für die Vektorisierung und den Ähnlichkeitsabgleich kommt Elastic Search zum Einsatz. Auf KI-Seite lässt sich die Lösung an bereits im Unternehmen eingesetzte Systeme wie Microsoft Copilot, Claude oder ChatGPT Enterprise anbinden – eine zusätzliche, proprietäre Schnittstelle für jedes einzelne KI-Tool ist dank des offenen MCP-Standards nicht nötig.
Wie unterscheidet sich die semantische Suche von der bisherigen Volltextsuche im inPoint DMS?
Die Volltextsuche findet Dokumente nur bei exakter Begriffsübereinstimmung. Die semantische Suche vergleicht die inhaltliche Bedeutung von Dokumenten über Vektoren und findet damit auch Treffer, die anders formuliert, aber fachlich vergleichbar sind.
Bleiben die im DMS hinterlegten Zugriffsrechte bei einer KI-gestützten Suche erhalten?
Ja. Die Suche greift ausschließlich auf autorisierte Datenbestände zu. Bestehende Berechtigungen im DMS gelten unverändert weiter – wer ein Dokument nicht sehen darf, bekommt es auch über die semantische Suche nicht angezeigt.
Können auch 2D-Zeichnungen oder 3D-Modelle direkt verglichen werden?
Im ersten Schritt nicht. Text- und Spezifikationsdokumente eignen sich für die erste Filterung deutlich besser, da direkte Bild- oder 3D-Vergleiche bei großen Datenmengen aufwändig und langsam wären. Eine zusätzliche visuelle oder geometrische Bewertung der vorgefilterten Treffer ist als späterer Ausbauschritt möglich.
