DEV Community: Sarah Hänschen

Inside AI Search #2: Predictive Search

Sarah Hänschen — Mon, 21 Sep 2026 12:18:07 +0000

In our “Inside AI Search” series, we look at features that make search not only more intelligent but also genuinely more helpful in everyday use. Predictive Search comes into play particularly early: before a search query has even been fully entered.

Many people know this principle as autocomplete or typeahead. However, modern Predictive Search goes beyond completing popular search terms.

It attempts to anticipate what a user is likely looking for and which next step would be helpful.

What Is Predictive Search?

Predictive Search generates suggestions as you type.

If someone starts with:

“Hiking…”

suggestions like these might appear:

Hiking boots for men
Waterproof hiking boots
Hiking backpack 30 liters
Hiking jacket for women

The real added value does not lie in saving a few keystrokes.

Good suggestions help users formulate a better query. They introduce terms from the product range, correct spelling mistakes, and show possible search directions.

Extensive UX analyses by Baymard show precisely this. Autocomplete not only helps users type faster but, above all, helps them find suitable search queries and the right search scope.1

From Autocomplete to Predictive Search

A simple autocomplete system can rank suggestions solely by frequency.

Frequently searched terms appear near the top.

This works, but it only takes part of the context into account.

Modern Predictive Search can also process signals such as:

The text already entered
Current trends
Language
Category
Available products or documents
Previous search steps
Location
Current session

User context, where its use is permitted

For example, in addition to common search queries, Google’s autocomplete also takes language, location, current trends, and, under certain conditions, previous searches into account.2

This turns basic text completion into a ranking problem.

The system must decide which few suggestions are most helpful at that moment.

Context Becomes More Important Than Popularity Alone

Imagine two users who both enter “Java.”

One person is browsing developer documentation. The other is searching a travel platform.

For the first, suggestions about Java versions or frameworks might make sense. For the second, trips to the Indonesian island may be relevant.

Predictive Search should therefore take the context of the application into account.

Recent work on autocomplete in dialogue systems confirms this effect. An EACL publication from 2026 shows that incorporating the preceding conversation context can significantly improve the quality of completions. At the same time, the study reveals something interesting: more complex models are not automatically always better. For previously known input patterns, traditional statistical methods could be more efficient and, in some cases, perform better, while neural models showed advantages for unfamiliar queries.3

This is an important insight for practical use.

Predictive Search does not necessarily require a large language model for every input. Different methods can be combined depending on the situation and latency requirements.

Milliseconds Matter

Search suggestions need to appear while the user is typing.

A response after several seconds might be technically correct, but in practice it would hardly qualify as Predictive Search anymore.

Latency is therefore an essential part of the feature.

A method presented at ACL 2026 for a large mobile shopping application even attempts to predict whether the current input is already complete. If the search intent is recognized, the search can be prepared earlier. In the deployment described, the method reduced response time by around 640 milliseconds on average.4

This shows how closely search experience and search technology are connected.

Generating a relevant suggestion is not enough. It has to appear at the right moment.

Predictive Search Can Suggest More Than Search Terms

Depending on the use case, different types of suggestions can be useful.

Query Suggestions

Complete search queries are suggested.

Product Suggestions

Specific products appear while the user is still typing.

Inside AI Search #1: Natural Language Understanding

Sarah Hänschen — Thu, 17 Sep 2026 13:45:02 +0000

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. Den Anfang macht Natural Language Understanding, kurz NLU. Die Technologie sorgt dafür, dass eine Suchmaschine nicht nur einzelne Begriffe verarbeitet, sondern erkennt, was ein Nutzer mit seiner Anfrage erreichen möchte.

Das wird immer wichtiger. Menschen gewöhnen sich daran, Fragen so einzugeben, wie sie sie auch einer anderen Person stellen würden. Google berichtet beispielsweise, dass sein AI Mode inzwischen mehr als eine Milliarde monatliche Nutzer erreicht und sich die Zahl der dort gestellten Anfragen seit dem Start in jedem Quartal mehr als verdoppelt hat. Gleichzeitig werden Suchanfragen komplexer und stärker in natürlicher Sprache formuliert.1

Was bedeutet das für Suchfunktionen in Unternehmen, Shops und digitalen Anwendungen?
Was ist Natural Language Understanding?

Natural Language Understanding bezeichnet Verfahren, mit denen Systeme die Bedeutung menschlicher Sprache erfassen.

Bei einer klassischen Suche steht häufig der Abgleich von Begriffen im Mittelpunkt. Gibt ein Nutzer „Notebook 16 GB günstig“ ein, lassen sich diese Begriffe relativ direkt mit Produktdaten vergleichen.

Komplexer wird eine Anfrage wie:

„Ich brauche einen leichten Laptop für Geschäftsreisen, der einen Arbeitstag ohne Laden durchhält.“

Hier muss die Suche mehrere Informationen erkennen:

Gesucht wird ein Laptop.
Mobilität ist wichtig.
Ein geringes Gewicht ist wahrscheinlich relevant.
Die Akkulaufzeit spielt eine zentrale Rolle.
Der Nutzungskontext sind Geschäftsreisen.

NLU hilft dabei, solche Zusammenhänge aus der Sprache herauszuarbeiten.

Das Ziel besteht nicht darin, jedes Wort isoliert zu interpretieren. Entscheidend ist die Bedeutung der Anfrage als Ganzes.
NLU ist mehr als Synonymerkennung

Natural Language Understanding wird häufig mit semantischer Suche gleichgesetzt. Beide Technologien hängen zusammen, erfüllen aber unterschiedliche Aufgaben.

Semantische Suche konzentriert sich darauf, Inhalte zu finden, die inhaltlich zu einer Anfrage passen.

NLU setzt früher an. Es hilft dabei zu verstehen, was in der Anfrage überhaupt ausgedrückt wird.

Dazu können unter anderem gehören:

Entitäten:
Produkte, Personen, Orte, Unternehmen oder andere eindeutig erkennbare Objekte.

Eigenschaften:
Größe, Farbe, Zeitraum, Preis oder technische Merkmale.

Beziehungen:
Beispielsweise „kompatibel mit“, „geeignet für“ oder „Alternative zu“.

Absichten:
Möchte jemand etwas kaufen, vergleichen, erklären lassen oder ein Problem lösen?

Kontext:
Welche Informationen aus der aktuellen Anfrage oder einem vorherigen Dialog sind relevant?

Erst auf dieser Grundlage kann eine Suchplattform entscheiden, welche Datenquellen, Filter und Rankingverfahren sinnvoll sind.
Warum natürliche Sprache für Enterprise Search relevant wird

Auch innerhalb von Unternehmen kennen Mitarbeitende häufig nicht die genaue Bezeichnung eines Dokuments.

Sie suchen beispielsweise nicht nach:

„HR Policy 4.3 Mobile Work International“

sondern fragen:

„Wie lange darf ich aus dem Ausland arbeiten?“

Für die Person ist die Frage eindeutig. Für eine klassische Keyword Search können jedoch entscheidende Begriffe fehlen.

Das Problem wird größer, wenn Unternehmenswissen über verschiedene Fachabteilungen hinweg entstanden ist. Ein Fachbereich spricht von „Mobilarbeit“, ein anderer von „Remote Work“ und ein dritter von „ortsunabhängigem Arbeiten“.

Natural Language Understanding hilft, die Sprache des Nutzers von der internen Bezeichnung der Information zu entkoppeln.

Wie relevant solche Interfaces inzwischen auch für strukturierte Unternehmensdaten werden, zeigt eine 2026 veröffentlichte Untersuchung zu Natural Language Search in Unternehmensdatenbanken. Dort konnten Nutzer komplexe Fragen in natürlicher Sprache stellen, statt Datenbankstrukturen oder Abfragesprachen kennen zu müssen. Die Autoren identifizierten dabei insbesondere die Vollständigkeit der zugrunde liegenden Daten als begrenzenden Faktor.2

Die technische Qualität der Sprachverarbeitung allein reicht also nicht aus. Das System muss auch auf die richtigen Informationen zugreifen können.
Was passiert mit einer natürlichen Suchanfrage?

Eine NLU gestützte Suche kann eine Anfrage in mehrere Verarbeitungsschritte zerlegen.

Nehmen wir die Frage:

„Welche Ersatzteile brauche ich für die Wartung von Modell X nach 5.000 Betriebsstunden?“

Das System kann daraus erkennen:
Bestandteil Erkannte Information
Suchziel benötigte Ersatzteile
Produkt Modell X
Kontext Wartung
Bedingung 5.000 Betriebsstunden
erwartetes Ergebnis passende Teile oder Wartungsdokumentation

Anschließend kann die Suche gezielt relevante Datenquellen und Dokumente berücksichtigen.

Bei noch komplexeren Fragen kann auch eine automatische Umformulierung der Anfrage sinnvoll sein. Aktuelle Verfahren zeigen, dass generative Modelle aus natürlich formulierten Fragen explizite Suchspezifikationen erzeugen können, die anschließend von klassischen Retrievalsystemen verarbeitet werden. Dadurch lassen sich moderne Sprachverarbeitung und skalierbare Suchtechnologien miteinander verbinden.3

Wo Natural Language Understanding besonders hilfreich ist

NLU schafft vor allem dort Mehrwert, wo Nutzer ihre Anfrage nicht zuverlässig in wenige Keywords übersetzen können.

Typische Einsatzgebiete sind:

Produktsuchen mit beratungsintensiven Sortimenten
interne Wissenssuche
technische Dokumentationen
Kundenservice und Self Service
Chatbots
mehrstufige Suchdialoge
Suche in Fachanwendungen

Ein Ersatzteilkatalog mit Artikelnummern benötigt beispielsweise weiterhin eine präzise lexikalische Suche. Ein Serviceportal, in dem Nutzer Fehler mit eigenen Worten beschreiben, profitiert dagegen stark von Sprachverständnis.

Beides kann innerhalb derselben Suchanwendung erforderlich sein.
NLU macht schlechte Daten nicht automatisch gut

Natural Language Understanding löst nicht jedes Suchproblem.

Wenn Produktinformationen fehlen, Dokumente veraltet sind oder Metadaten widersprüchlich gepflegt wurden, kann das System aus einer gut verstandenen Frage trotzdem keine zuverlässige Antwort ableiten.

Ebenso sollte nicht jede Interpretation automatisch akzeptiert werden. Besonders bei mehrdeutigen Anfragen kann eine Rückfrage sinnvoller sein als eine falsche Annahme.

Aus:

„Apple Adapter“

könnten beispielsweise mehrere Absichten entstehen.

Meint der Nutzer einen Adapter für ein Apple Gerät? Einen bestimmten Apple Adapter? Einen Adapter für ein bestimmtes MacBook Modell?

Gute NLU erkennt daher nicht nur Bedeutung, sondern auch Unsicherheit.
Fazit: Gute Suche beginnt mit dem Verständnis der Anfrage

Natural Language Understanding verändert die Schnittstelle zwischen Nutzer und Suchmaschine.

Menschen müssen weniger darüber nachdenken, welche Begriffe ein System erwartet. Stattdessen können sie zunehmend beschreiben, was sie tatsächlich benötigen.

Für Unternehmen bedeutet das jedoch nicht, Keyword Search abzuschaffen. Der größte Nutzen entsteht, wenn Sprachverständnis mit bestehenden Suchverfahren, strukturierten Daten und einem passenden Ranking kombiniert wird.
Natural Language Understanding mit Quasiris testen

Die Quasiris Search Cloud unterstützt Natural Language Understanding für komplexe Suchanfragen und lässt sich mit weiteren Suchverfahren und bestehenden Datenquellen kombinieren.

Sprechen Sie mit unseren Search Experten darüber, wie natürlich formulierte Anfragen in Ihrem konkreten Anwendungsfall verarbeitet werden können.

Welche AI Features dabei den größten Mehrwert schaffen können, zeigen wir Ihnen zudem in unserem Überblick zu den AI Features der Quasiris Search Cloud.

Quellen

1 Reid, E. (2026). Eine neue Ära der KI-Suche. Google. https://blog.google/intl/de-de/produkte/suchen-entdecken/google-suche-io-2026

2 Jain, S., Tripathi, S., Qiao, S., & Jindal, A. (2026). Tursio database search: How far are we from ChatGPT? arXiv. https://doi.org/10.48550/arXiv.2603.18835

3 Satouf, A., Zong, Y., Amadou Boubacar, H., Piantanida, P., & Piwowarski, B. (2026). QueStER: Query specification for generative keyword-based retrieval. In Findings of the Association for Computational Linguistics: EACL 2026 (pp. 5957–5968). Association for Computational Linguistics. https://doi.org/10.18653/v1/2026.findings-eacl.312