Semantische Suchmaschine für innovative Organisationen

• Ausgangspunkt: Bestehende Suchmaschinen, KI-Suchmaschinen und FuE-Datenbanken stoßen bei der gezielten Suche nach FuE-Partnern, Zulieferern und Erstkunden an strukturelle Grenzen – etwa durch begrenzte Fachtiefe, mangelnde Reproduzierbarkeit oder die Abhängigkeit von Patent- und Publikationssichtbarkeit.
• Vorhaben: Die prototypisch entwickelte Suchmaschine kombiniert LLM-basierte Klassifikation, ein domänenspezifisches Embedding-Modell und die Konsolidierung umfangreicher Open-Source-Daten zu einer strukturierten, europaweiten Innovationslandkarte.
• Fallstudie: In einer ersten Fallstudie mit 8.000 Organisationen zeigten sich je Technologiefeld unterschiedliche, plausible Cluster-Muster – von Quantenclustern über Hub-Landschaften in der Raumfahrt bis zu einer heterogenen Verteilung in der Robotik.

Die Suche nach geeigneten FuE-Partnern, Zulieferern und Erstkunden ist für viele Unternehmen eine zentrale, aber auch zeitaufwendige Aufgabe mit unklaren Erfolgschancen. Bei hochspezifischen Themen – etwa Flammschutzmittel für Wellrohre, Quantensensoren für magnetische Messung oder taktische 5G-Netzwerke – müssen dabei Unternehmen gefunden werden, die exakt zum jeweiligen Suchkontext passen. Aus rund 500.000 in Frage kommenden europäischen Organisationen gibt es bei solchen hochspezifischen Suchen gewöhnlich weniger als 100 wirklich relevante Treffer. Bestehende Werkzeuge stoßen hierbei an klare strukturelle Grenzen:

1. 1.Klassische Suchmaschinen indizieren das offene Web nach Schlagwortübereinstimmung und Popularitätssignalen, nicht nach fachlicher Relevanz für eine FuE-spezifische Fragestellung. Bei einer Beispielsuche nach hochinnovativen Unternehmen im Bereich neuartiger Materialien für die Oberflächentechnik liefert dieser Ansatz nur eine begrenzte Trefferzahl mit einem hohen Anteil branchenfremder oder unpassender Ergebnisse. Fachlich einschlägige, aber wenig sichtbare Organisationen gehen dabei im Rauschen unter, während stark suchmaschinenoptimierte, inhaltlich aber weniger relevante Seiten die oberen Ränge belegen.
2. 2.KI-gestützte Suchmaschinen fassen Inhalte aus einer unstrukturierten Teilmenge öffentlich sichtbarer Quellen zusammen und liefern dadurch auf den ersten Blick präzisere, besser aufbereitete Antworten. Die zugrunde liegende Quellenauswahl bleibt für den Nutzer jedoch intransparent, unterliegt keiner einheitlichen Systematik und variiert bei wiederholter Abfrage derselben Fragestellung. Hinzu kommt, dass die generierten Zusammenfassungen häufig sachlich fehlerhafte oder veraltete Angaben enthalten, die sich auch bei manueller Prüfung nicht immer zuverlässig erkennen lassen.
3. 3.Spezialisierte FuE-Datenbanken strukturieren Organisationsdaten gezielt anhand von Patenten, Publikationen und Forschungsprojekten und ermöglichen dadurch präzise, filterbare Abfragen innerhalb ihres Datenbestands. Ihre Abdeckung bleibt jedoch gewöhnlich auf Organisationen beschränkt, die überhaupt in patent- oder publikationsbasierten Quellen sichtbar sind. Innovative Unternehmen, die nicht oder kaum patentieren oder publizieren – wie etwa weite Teile des europäischen Mittelstands – tauchen in diesen Datenbanken kaum auf. Zudem sind die Lizenzmodelle dieser Anbieter für kleine und mittlere Unternehmen oft nicht wirtschaftlich darstellbar.

HML entwickelt vor diesem Hintergrund eine semantische Suchmaschine, mit der innovative Organisationen präzise und zeiteffizient geeignete FuE-Partner, Zulieferer und Erstkunden identifizieren können. Die Suchmaschine basiert auf umfangreichen, öffentlich zugänglichen Daten, die mithilfe LLM-basierter Agenten klassifiziert und für FuE-spezifische Suchen vektorisiert werden. Dadurch lassen sich Organisationen sowohl anhand FuE-relevanter Parameter – etwa Sektor, Technologiefeld und FuE-Level, einem Indikator für die Forschungsintensität einer Organisation – als auch in natürlicher Sprache auffinden. Darüber hinaus können Branchen und Ökosysteme aus einer FuE-Perspektive exploriert und analysiert werden.

Die Suchmaschine setzt sich aus fünf Komponenten zusammen:

1. 1.Konsolidierung: Unternehmenswebsites sowie öffentliche Datenbanken wie OpenAlex, OpenAIRE, Cordis, der Open Patent Service (OPS) und TED (Tenders Electronic Daily) werden zu einem gemeinsamen Datenbestand zusammengeführt. Der Kreis der eingebundenen Quellen wächst dabei fortlaufend weiter.
2. 2.Aufbereitung: Identitätsauflösung, Bereinigung, Destillation und Extraktion überführen die konsolidierten Rohdaten in strukturierte, vergleichbare Organisationsprofile.
3. 3.Klassifikation: Jede Organisation wird entlang mehrerer Dimensionen eingeordnet – Typ, Herkunfts- und Zielsektoren, Geschäftsmodell, Fertigungstyp, Technologiefelder und FuE-Level.
4. 4.Vektorisierung: Die aufbereiteten und klassifizierten Profile werden linearisiert und in ein domänenspezifisches Embedding mit einem eigens dafür trainierten Modell überführt.
5. 5.Anwendung: Die Suchergebnisse werden in einer interaktiven Karte visualisiert und mit automatisierten Analysen ausgewertet. Zudem können die Ergebnisse über einen MCP-Server in die jeweiligen KI-Umgebungen der Nutzer überführt und dort mit eigenen Agenten und individuellem Kontext weiterverarbeitet werden.

Für eine erste Erprobung des Prototyps wurden 8.000 Unternehmen klassifiziert und eine vorläufige Suchlogik aufgesetzt. Anders als bei den eingangs beschriebenen hochspezifischen Suchanfragen wurde hier bewusst auf Ebene ganzer Technologiefelder gesucht, um die räumlichen Muster der Innovationslandschaft sichtbar zu machen – entsprechend größer fallen die Treffermengen aus.

Lesehilfe zu den Karten: Jeder Punkt markiert eine Organisation; je dunkler das Blau, desto höher ihr FuE-Level.

Die Suche nach europäischen Unternehmen im Technologiefeld Quantentechnologie ergibt etwa 350 Treffer. Es sind klare Cluster in Delft, Berlin, München, Zürich und Paris zu erkennen. Zugleich zeichnet sich ein zusammenhängender Innovationskorridor von der Schweiz über Westdeutschland bis in die Niederlande ab.

Abb. 1: Europäische Unternehmen im Technologiefeld Quantentechnologie (n ≈ 350); Farbtiefe = FuE-Level.

Grafik herunterladen

Im Technologiefeld Raumfahrt finden sich etwa 630 Unternehmen. Im Gegensatz zu den Quantenunternehmen, die sich auf wenige Zentren konzentrieren, zeigt sich hier eine stärker verteilte Hub-Landschaft. Ausgeprägte Schwerpunkte liegen in der Schweiz, den Niederlanden und Belgien sowie in Bremen, München, Paris, Madrid und Toulouse.

Abb. 2: Europäische Unternehmen im Technologiefeld Raumfahrt (n ≈ 630); Farbtiefe = FuE-Level.

Grafik herunterladen

Das Technologiefeld Robotik liefert mit etwa 960 Treffern das dichteste Kartenbild: eine deutlich heterogene Verteilung über Europa mit Verdichtungen im DACH-Raum sowie entlang großer Industrieachsen. Das Muster dürfte die Nähe zu Produktions- und Automatisierungsökosystemen widerspiegeln.

Abb. 3: Europäische Unternehmen im Technologiefeld Robotik (n ≈ 960); Farbtiefe = FuE-Level.

Grafik herunterladen

Die Fallstudie zeigt, dass der Ansatz bereits im Prototyp plausible, technologiespezifische Muster liefert: Organisationen lassen sich über FuE-relevante Dimensionen hinweg identifizieren und einem Technologiekontext zuordnen – von der konsolidierten Datengrundlage über die LLM-basierte Klassifikation bis zu den technologiegetriebenen Kartenclustern. Damit entsteht eine praktische Grundlage, um passende Kooperations- und Absatzpartner effizient zu finden sowie Innovationsökosysteme über Technologiefelder hinweg zu analysieren. In den nächsten Artikeln stellen wir die einzelnen Verfahren und Funktionen der Suchmaschine im Detail vor.

Marius Lauermann ist Gründer und Partner der Fördermittelberatung HML Capital AG. Seit mehr als zehn Jahren unterstützt er Startups und mittelständische Unternehmen bei der Beschaffung und der Verwaltung von öffentlichen Zuschüssen für Forschungs- und Entwicklungsprojekte.