Startseite > Lexikon > KI im Marketing > Vektordatenbank

Bleistiftskizze: Eine Hand hält einen Hufeisenmagneten über ein Tablett mit Kugeln, nur nahe Kugeln haften orange markiert an, als Bild für Ähnlichkeitssuche
KI im Marketing

Vektordatenbank

Dein KI-Chatbot soll aus deinen eigenen Inhalten antworten, nicht aus dem Internet von gestern. Dafür braucht er ein Gedächtnis, in dem er nach Bedeutung suchen kann. Das ist die Vektordatenbank.

Auch bekannt alsVector DatabaseVector StoreVektorspeicher

5 Min

Lesezeit

14.11.2026

Letzte Aktualisierung

Was ist eine Vektordatenbank?

Ein Kunde fragt deinen Chatbot: „Kann ich die Jacke zurückschicken, wenn sie zu klein ist?“ In deiner FAQ steht aber „Umtausch und Retoure“. Kein gemeinsames Wort, trotzdem findet der Bot die richtige Antwort. Dahinter steckt oft eine Vektordatenbank.

Sie speichert Inhalte nicht als Wörter, sondern als Embeddings. Das sind lange Zahlenreihen, die die Bedeutung eines Textes abbilden. Microsoft definiert die Vektordatenbank als Datenbank, die solche Embeddings speichert und verwaltet.

Bei einer Anfrage passiert dasselbe: Die Frage wird in Zahlen übersetzt. Dann sucht die Datenbank die Einträge, deren Zahlen am nächsten liegen. Nah heißt hier: ähnliche Bedeutung.

Wofür du sie im Marketing brauchst

  • Chatbot mit eigenem Wissen: Bei RAG holt sich das Sprachmodell passende Textstücke aus der Vektordatenbank und antwortet damit.
  • Shopsuche nach Bedeutung: „Laptop“ findet auch „Notebook“.
  • Empfehlungen: Microsoft nennt das Finden ähnlicher Produkte und Empfehlungen nach Vorlieben.
  • Gedächtnis für KI-Agenten: Was ein Agent sich merkt, liegt oft genau hier.
  • Custom GPTs: Die Wissensbasis heißt bei OpenAI „Vector Store“.

Der Clou: Du musst kein Modell trainieren. Die Vektordatenbank liefert nur Nachschlagematerial. Neue Inhalte sind drin, sobald du sie einspielst.

Fall A · Nutzungsdaten

Wachstum bei Databricks

+377 %

Nutzung in einem Jahr

10.000

Kunden ausgewertet

Vektordatenbanken sind vom Nischenthema zum Standard geworden.

Databricks-Bericht 2024, gemessen nur auf der eigenen Plattform, nicht im ganzen Markt.

Rechnung B · Wissensbot

1.000 Seiten Website einlesen

< 2 Cent

Umwandeln in Vektoren

2 GB

gratis bei Pinecone

Der Einstieg ist praktisch kostenlos.

Eigene Rechnung: OpenAI nennt rund 62.500 Seiten je Dollar mit text-embedding-3-small. Pinecones Gratis-Tarif läuft nur in einem US-Rechenzentrum.

Eigene Datenbank oder Zusatz?

Microsoft unterscheidet zwei Wege. Die reine Vektordatenbank liegt getrennt von deinen übrigen Daten. Die integrierte Variante steckt in einer Datenbank, die du schon hast. Microsoft rät zur integrierten, weil du dir Kopien und Kosten sparst.

Weg

Beispiele

Spezialisiert

Pinecone, Qdrant, Weaviate, Milvus

Integriert

pgvector, MongoDB Atlas, Cosmos DB

Cloud-Dienst

Vertex AI Vector Search, Azure AI Search

Ohne Code

OpenAI Vector Stores, n8n

Für KMU ist pgvector oft der beste Start. Es macht die verbreitete Datenbank PostgreSQL zur Vektordatenbank, etwa über Supabase. In n8n hängst du solche Speicher per Baustein an einen KI-Agenten.

Häufige Fehler

Fehler 1 · Glauben, die KI werde trainiert

Mit einer Vektordatenbank trainierst du nichts. Das Modell bleibt, wie es ist. Es bekommt bei jeder Frage nur passende Textstücke dazugelegt. Microsoft nennt genau das als Vorteil: Du sparst dir häufiges Nachtrainieren.

Fehler 2 · Nur auf Bedeutung setzen

Artikelnummern oder Markennamen findet die klassische Stichwortsuche oft besser. OpenAI kombiniert in seiner Dateisuche deshalb beides. Plane das von Anfang an mit ein.

Fehler 3 · Das Embedding-Modell wechseln

Frage und Bestand müssen mit demselben Modell übersetzt sein. Die kleinen OpenAI-Vektoren haben 1.536 Zahlen, die großen 3.072. Wer wechselt, muss alles neu einlesen. Und Achtung: pgvector kann nur Vektoren bis 2.000 Zahlen indizieren.

Fehler 4 · Kundendaten ungeprüft hineinkippen

Auch als Zahlenreihe bleiben personenbezogene Daten personenbezogen. Prüf, wo der Anbieter rechnet, und schließ einen Auftragsverarbeitungsvertrag.

So startest du

  • Inhalte sammeln: FAQ, Produkttexte, Blogartikel. Sauber gegliedert, ohne Dubletten.
  • In Abschnitte teilen: Kurze Stücke treffen besser als ganze Seiten.
  • Klein anfangen: Ein Custom GPT oder ein n8n-Workflow mit Vector Store reicht für den Test.
  • Antworten prüfen: 20 echte Kundenfragen durchspielen und notieren, was danebengeht.
  • Pflegen: Geänderte Inhalte neu einspielen, sonst antwortet der Bot mit alten Preisen.

Häufige Fragen

Was ist der Unterschied zur normalen Datenbank?

Eine relationale Datenbank findet exakte Treffer, etwa alle Kunden aus Hamburg. Eine Vektordatenbank findet ähnliche Inhalte, etwa alle Texte zum Thema Rücksendung. Mit pgvector kann eine PostgreSQL-Datenbank beides.

Brauche ich eine Vektordatenbank für einen Chatbot?

Wenn er aus deinen eigenen Inhalten antworten soll, meistens ja. Bei Custom GPTs oder fertigen Chatbot-Tools ist sie schon eingebaut, du merkst davon nur das Hochladen der Dateien.

Was hat eine Vektordatenbank mit RAG zu tun?

RAG ist das Verfahren: erst passende Inhalte suchen, dann damit antworten. Die Vektordatenbank ist der Teil, der sucht. Sie liefert dem Sprachmodell die Textstücke, auf die es seine Antwort stützt.

Was kostet eine Vektordatenbank?

Der Einstieg ist oft kostenlos. Pinecone bietet einen Gratis-Tarif mit 2 GB, pgvector ist Open Source. Das Umwandeln in Vektoren kostet bei OpenAI wenige Cent für tausend Seiten. Teurer wird es erst bei großen Datenmengen und vielen Anfragen.

Kann ich meine bestehende Datenbank nutzen?

Oft ja. PostgreSQL mit pgvector, MongoDB Atlas oder Azure Cosmos DB können Vektoren speichern und durchsuchen. Microsoft empfiehlt diesen Weg sogar, weil keine zweite Datenhaltung entsteht.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.