Warum die Wiki-Suche immer wieder versagt

Du bist seit drei Tagen im neuen Job. In einem Meeting erwähnt jemand «den Spesenprozess» und du denkst: Wiki. Du öffnest es, tippst «Spesen» in die Suche und bekommst elf Treffer. Du klickst auf den ersten. Er beschreibt ein System, das vor achtzehn Monaten abgelöst wurde. Du klickst auf den zweiten. Es ist eine Projektseite einer Finanzinitiative, die Spesen nur am Rande erwähnt. Der dritte wäre der richtige gewesen. Das erfährst du aber erst später, als dir eine Kollegin den Link direkt schickt.

Das ist kein Einzelfall. Es ist die häufigste Erfahrung, die Menschen mit einem Wiki machen, und sie wiederholt sich täglich dutzendfach in Organisationen jeder Grösse. Und fast nie liegt die Ursache dort, wo man sie vermutet.

Eine schlechte Wiki-Suche ist nicht in erster Linie ein technisches Versagen der Anbieter. Sie ist die Folge von zwei Dingen, die ungünstig zusammenspielen: den strukturellen Grenzen, wie die meisten Wiki-Suchen gebaut sind, und den Qualitätsproblemen, die sich in den meisten Wikis mit der Zeit ansammeln. Wer beides versteht, sieht auch, warum «die Suche reparieren» schwieriger ist, als es aussieht, und welche Voraussetzungen es für eine wirklich gute Suche braucht.

Das Problem der Stichwortsuche

Die meisten Wiki-Suchmaschinen basieren auf einer Volltext-Indexierung nach Stichworten. Sie finden zuverlässig Seiten, die genau die Wörter enthalten, die du eingegeben hast. Schlecht sind sie darin, Seiten zu finden, die den Gedanken enthalten, den du im Kopf hattest, aber mit anderen Worten.

In einem kleinen, gut gepflegten Wiki lässt sich das handhaben. Je grösser ein Wiki wird, desto stärker wird das Vokabularproblem. Die Seite zum Kundenvertragsprozess spricht vielleicht von «Vereinbarung», während du nach «Vertrag» gesucht hast. Das Vorgehen bei Sicherheitsvorfällen heisst womöglich «Playbook für kritische Ereignisse», während du «was tun, wenn wir gehackt werden» eingetippt hast. Der Inhalt existiert also. Die Suchmaschine kann deine Anfrage nur nicht mit der Seite verbinden, die sie beantwortet.

Dazu kommen Synonyme, Abkürzungen und in internationalen Organisationen auch die Sprache. Ein Unternehmen, das auf Deutsch und Englisch arbeitet oder neben Fachbegriffen auch internen Jargon verwendet, findet relevante Inhalte per Stichwortsuche regelmässig nicht. Nicht weil die Inhalte falsch sind, sondern weil die Wörter nicht übereinstimmen.

Das Problem veralteter Inhalte

Eine Suche kann nur zurückgeben, was im Index steht. Hat ein Wiki über Jahre Inhalte angesammelt, einige aktuell, einige veraltet, einige abgelöst, aber nie gelöscht, dann bildet der Suchindex all das gleichwertig ab. Nichts im Index zeigt an, dass eine Seite zuletzt vor drei Jahren geprüft wurde, dass Lesende sie als möglicherweise veraltet markiert haben oder dass eine neuere Seite dasselbe Thema genauer behandelt.

In der Praxis sind die Suchergebnisse dadurch voller Inhaltsfriedhöfe. Eine Suche nach «Spesenprozess» liefert vielleicht vier Seiten: die aktuelle, zwei aus der Zeit vor dem letzten Systemwechsel und eine aus einem abgebrochenen Projekt. In den Ergebnissen unterscheiden sie sich optisch nicht. Du liest das oberste Ergebnis, folgst dem Ablauf und merkst, dass er falsch ist. Dein Schluss: Dem Wiki kann man nicht trauen. Und nicht etwa: Die Suche müsste besser kalibriert werden.

Das ist der sich selbst verstärkende Kreislauf: Schlechte Content-Governance macht die Suche schlechter, schlechte Suchergebnisse untergraben das Vertrauen ins Wiki, also trägt niemand mehr etwas bei, und die Content-Governance wird noch schlechter.

Was semantische Suche verändert

Die wichtigste Entwicklung der letzten Zeit ist der Wechsel von reiner Stichwortindexierung zu semantischer Suche auf Basis von Vektor-Embeddings. Statt Wörter abzugleichen, übersetzt eine semantische Suchmaschine die Bedeutung von Anfrage und Inhalt in numerische Vektoren und liefert Ergebnisse mit ähnlicher Bedeutung, auch wenn das Vokabular völlig verschieden ist.

Damit ist das Problem der fehlenden Stichwort-Übereinstimmung direkt gelöst. Die Anfrage «was tun, wenn wir gehackt werden» findet die Seite «Playbook für kritische Ereignisse», weil das Embedding-Modell versteht, dass diese Ausdrücke inhaltlich zusammengehören. Deutsche Anfragen finden englische Seiten mit passendem Inhalt. Und informelle Fragen, so wie Menschen eben fragen, führen zur formellen Dokumentation.

Das Problem veralteter Inhalte löst semantische Suche allerdings nicht. Sie findet veraltete Inhalte genauso gut wie aktuelle, vielleicht sogar besser: Eine einst gut geschriebene, aber inzwischen falsche Seite kann bei der Relevanz hoch punkten. Vertrauenswürdige Ergebnisse entstehen erst aus der Kombination von semantischer Suche und Content-Governance. Die semantische Suche erweitert, was gefunden werden kann. Die Governance sorgt dafür, dass das Gefundene aktuell ist.

Ein weiterer Punkt ist, was der Index überhaupt abdeckt. Viele Wiki-Suchen indexieren nur Wiki-Seiten. Angehängte Dateien wie PDFs, Word-Dokumente oder Tabellen werden ignoriert oder nur über den Dateinamen erfasst. Wo viel Wissen in solchen Anhängen steckt, verpasst die Suche damit einen grossen Teil der Wissensbasis. Eine Suchmaschine, die sowohl Seiteninhalte als auch den Volltext angehängter Dateien indexiert, inklusive gescannter PDFs per OCR, deckt die Wissensbasis so ab, wie sie tatsächlich genutzt wird.

Über das Wiki hinaus: Suche über alles mit MCP

Selbst ein Wiki mit hervorragender semantischer Suche und gut gepflegten Inhalten hat eine strukturelle Grenze: Es findet nur, was hineingeschrieben wurde. In den meisten Organisationen landet ein grosser Teil des Wissens nie dort. Es steckt in GitHub-Repositories, Jira-Tickets, Confluence-Bereichen, Google-Drive-Ordnern, Slack-Threads und aufgezeichneten Meetings. Eine Suche, die an der Wiki-Grenze aufhört, liefert zwangsläufig ein unvollständiges Bild.

Das Model Context Protocol (MCP) eröffnet hier eine neue Möglichkeit. MCP ist ein offener Standard, über den KI-Systeme sich über eine einheitliche Schnittstelle mit externen Datenquellen verbinden. Wenn die Tools einer Organisation, also Code-Repository, Projekttracker oder Dateiablage, MCP-Server bereitstellen, kann eine Suchebene alle gleichzeitig abfragen. Nicht als einzelne Suchen in einzelnen Tabs, sondern als eine einzige Anfrage über die gesamte Wissenslandschaft.

Der Unterschied im Alltag ist gross. Wer als Entwickler:in wissen will, wie ein bestimmter Authentifizierungsablauf umgesetzt wurde, muss nicht mehr erst das Wiki, dann GitHub und schliesslich Jira nach dem ursprünglichen Anforderungsticket durchsuchen. Wer als Product Manager alles zu einem Feature-Launch sucht, muss es nicht von Hand aus vier Systemen zusammensetzen. Die Anfrage geht einmal raus, die Ergebnisse kommen von dort, wo das Wissen tatsächlich liegt.

Damit verändert sich auch die Rolle des Wikis. Es muss nicht mehr die eine Quelle für alles sein, ein unrealistischer Anspruch, an dem die meisten Dokumentationsinitiativen scheitern. Das Wiki wird zum Ort für Wissen, das geprüft, strukturiert und als verlässlich eingestuft wurde. Andere Systeme liefern ihre Rohdaten. Eine MCP-gestützte Suche bringt beides im richtigen Kontext zusammen, als Antwort auf eine einzige Frage.

Das Wiki bleibt der Ort, an dem Antworten landen sollen, sobald sie geprüft sind. Aber dank MCP endet die Suche nach Wissen nicht mehr am Rand des Wikis.

Was es braucht, damit die Suche wirklich funktioniert

Eine gute Suche ist kein einzelnes Feature. Sie ist ein Ergebnis, das von mehreren Bedingungen gleichzeitig abhängt. Die Suchtechnologie muss Bedeutungen verstehen, nicht nur Stichworte. Der Index muss alle Inhalte abdecken: Seiten, Dateien und deren Textinhalt. Und die indexierten Inhalte müssen einigermassen aktuell und frei von Duplikaten sein.

Gerade die Qualität der Inhalte wird bei der Tool-Evaluation am häufigsten übersehen. Organisationen testen die Suche mit Dingen, von denen sie wissen, dass sie im Wiki stehen. In einer sauberen Demo-Umgebung klappt das meistens problemlos. Im Betrieb, nach zwei Jahren uneinheitlicher Beiträge, doppelter Seiten und veralteter Abläufe, sinkt dieselbe Suchqualität deutlich. Das Tool, das in der Demo beeindruckt hat, versagt im Alltag nicht, weil sich die Technologie verändert hat, sondern weil sich die Inhalte verändert haben.

Eine realistische Evaluation der Wiki-Suche testet deshalb mit Inhalten, die deiner echten Wissensbasis ähneln: einige gut geschriebene Seiten, einige veraltete, einige mit uneinheitlicher Terminologie und einige, die dasselbe Thema aus verschiedenen Blickwinkeln behandeln. Die Plattformen, die unter solchen realistischen Bedingungen gute Ergebnisse liefern, sind die, die sich im grossen Massstab lohnen.

Wer am dritten Arbeitstag nach etwas sucht, hat mehr verdient als elf Treffer und eine Kollegin, die am Ende doch den Link schickt.