Um Marqo einzuordnen, lohnt ein Blick auf die typische Architektur semantischer Suche. Moderne KI-Suche arbeitet mit Embeddings: Ein neuronales Modell übersetzt einen Text oder ein Bild in eine lange Zahlenreihe, einen Vektor. Inhaltlich ähnliche Dinge liegen im Vektorraum nah beieinander. Die Suchanfrage „luftige Sommerbluse in Hellblau“ findet so passende Produkte, auch wenn in der Artikelbeschreibung von „leichtem Oberteil aus Leinen, Farbe Himmelblau“ die Rede ist. In der klassischen Architektur sind dafür mehrere Bausteine nötig: ein Dienst, der Dokumente in Abschnitte zerlegt, ein Embedding-Modell, das sie vektorisiert, eine Vektordatenbank, die die Vektoren speichert, und Anwendungslogik, die bei jeder Suche die Anfrage mit demselben Modell vektorisiert und die Treffer wieder mit den ursprünglichen Daten verknüpft.
Marqo fasst diese Bausteine zusammen. Das Leitmotiv lautet „Documents in, documents out“: Die Anwendung übergibt ein Dokument als strukturiertes Objekt mit Feldern wie Titel, Beschreibung, Kategorie, Preis und Bild-URL. Marqo entscheidet anhand der Indexkonfiguration, welche Felder vektorisiert werden, lädt bei Bildfeldern die Bilder herunter, zerlegt lange Texte bei Bedarf in Abschnitte, berechnet die Embeddings mit dem konfigurierten Modell und speichert alles gemeinsam. Bei der Suche übergibt die Anwendung einfach die Anfrage als Text oder Bild-URL, Marqo vektorisiert sie mit demselben Modell und liefert die passenden Dokumente samt Feldern und Relevanzwert zurück. Die Anwendung muss sich weder um Modelle noch um Vektoren kümmern.
Marqo wurde Anfang der 2020er-Jahre in Australien gegründet; die Gründer kamen aus dem Umfeld von Machine Learning und großen Technologie- und Handelsunternehmen. Das Projekt machte zunächst als quelloffene Vektorsuch-Engine auf sich aufmerksam, die multimodale Suche besonders zugänglich machte: Wer ein Docker-Image startete, konnte innerhalb weniger Minuten Bilder per Textbeschreibung durchsuchen. Das Repository sammelte in kurzer Zeit eine große Zahl an Sternen auf GitHub, und Marqo wurde in vielen Vergleichen neben Weaviate, Qdrant oder Milvus genannt. Aktuelle Angaben zu Firmensitz, Gesellschaftsstruktur und Niederlassungen sollten beim Anbieter selbst geprüft werden, da sich solche Angaben bei jungen Unternehmen schnell ändern.
Mit der zweiten Hauptversion stellte Marqo die interne Architektur um: Als Speicher- und Abfrageschicht dient seither die Open-Source-Suchmaschine Vespa, während Marqo darüber die Inferenz, die Dokumentverarbeitung und eine vereinfachte Schnittstelle bereitstellt. Parallel verschob sich die strategische Ausrichtung. Statt einer allgemeinen Vektordatenbank positioniert sich Marqo heute als KI-native Such- und Discovery-Plattform für den Onlinehandel – mit Produktsuche, Empfehlungen, Personalisierung auf Basis von Klick- und Kaufdaten und auf Produktdaten trainierten Modellen. Konsequenz dieser Neuausrichtung: Das Open-Source-Repository trägt inzwischen einen deutlichen Hinweis, dass das Projekt als veraltet gilt und keine Updates mehr erhält. Für die Bewertung von Marqo im Jahr 2026 ist dieser Punkt zentral und zieht sich durch den gesamten Artikel.
Die heutige Zielgruppe ist klar umrissen: Onlinehändler und Marken, deren Kunden über die Shopsuche Produkte finden sollen, insbesondere in bildlastigen Sortimenten wie Mode, Kosmetik, Elektronik oder Wohnen. Das Versprechen lautet, die Relevanz der Suche zu erhöhen, Nulltreffer zu vermeiden, Suchanfragen in natürlicher Sprache zu verstehen und den manuellen Pflegeaufwand für Synonyme, Suchregeln und Merchandising zu senken. Wie stark diese Effekte im eigenen Shop ausfallen, lässt sich nur mit eigenen Daten und einem sauberen A/B-Test beurteilen; pauschale Versprechen zu Konversionssteigerungen sollten kritisch hinterfragt werden.
Für Entwicklungsteams, die eine allgemeine Vektordatenbank für RAG-Anwendungen, Wissensassistenten oder Dokumentensuche suchen, ist Marqo dagegen nicht mehr die naheliegende Wahl. Das Konzept der integrierten Inferenz bleibt zwar lehrreich und hat andere Systeme beeinflusst, doch mit dem eingestellten Open-Source-Projekt und dem Fokus auf E-Commerce fehlt die Perspektive für langfristige Projekte außerhalb des Handels. Wer das Prinzip „Embeddings im Datenbanksystem“ schätzt, findet es heute auch in anderen Systemen – dazu mehr in Kapitel 06.
Die Open-Source-Variante von Marqo war über Jahre der Einstieg für Entwickler: ein Container, ein Python-Client, ein paar Zeilen Code – und schon ließ sich ein Index mit Texten und Bildern anlegen und durchsuchen. Der Container brachte eine eingebaute Modellverwaltung mit, die vortrainierte Modelle aus öffentlichen Quellen herunterlud und auf CPU oder GPU ausführte. Ab der zweiten Hauptversion bestand eine Marqo-Installation aus mehreren Komponenten: der Marqo-Anwendung selbst, einem Vespa-Cluster als Speicher- und Suchschicht und den Inferenzdiensten. Das machte das System leistungsfähiger, aber auch betriebsaufwendiger.
Heute ist die Lage eindeutig: Das öffentliche Repository weist darauf hin, dass das Open-Source-Projekt als veraltet gilt und keine Updates mehr erhält, und verweist für die weitere Nutzung auf die kommerzielle Plattform. Der Quellcode bleibt unter der freizügigen Apache-2.0-Lizenz verfügbar und darf weiterhin genutzt, verändert und betrieben werden. Ohne Sicherheitsupdates, Fehlerbehebungen und Anpassungen an neue Abhängigkeiten ist ein produktiver Einsatz aber nur mit eigenem Wartungsaufwand vertretbar – oder als Übergangslösung mit klar geplantem Ausstieg.
Marqo Cloud ist der gemanagte Dienst, in dem der Anbieter Speicher, Replikate und Inferenzknoten bereitstellt. Statt selbst GPU-Server zu betreiben, wählt man Größe und Typ der Inferenzressourcen sowie die Kapazität für Speicher und Abfragen. Für die Produktsuche im Onlinehandel bildet diese Plattform die technische Grundlage. Auf welcher Cloud-Infrastruktur und in welchen Regionen der Dienst läuft und ob eine Region in der Europäischen Union verfügbar ist, sollte vor einer Entscheidung beim Anbieter geprüft werden.
Mit der strategischen Neuausrichtung konkurriert Marqo weniger mit klassischen Vektordatenbanken als mit Such- und Merchandising-Lösungen für Onlineshops. Das Angebot umfasst neben der eigentlichen Suche auch Funktionen wie ähnliche Produkte, Empfehlungen, die Auswertung von Nutzerverhalten und automatisierte Rankingoptimierung. Hinzu kommt der Anspruch, eigene, auf Produktdaten spezialisierte Modelle zu entwickeln und kundenspezifisch nachzutrainieren. Der Anbieter hat mehrere solcher Modelle für Mode und allgemeinen E-Commerce öffentlich bereitgestellt, was auch Teams nutzen können, die eine andere Suchtechnik einsetzen.
Für Entscheider bedeutet diese Positionierung: Marqo wird im Shopkontext eher als Software-as-a-Service-Produkt bewertet, nicht als Infrastrukturkomponente. Relevante Fragen sind dann Integrationsaufwand, Steuerbarkeit des Rankings durch das Merchandising-Team, Analysefunktionen, Vertragslaufzeiten, Supportqualität und Datenschutz. Die technische Frage, welcher Vektorindex im Hintergrund läuft, rückt in den Hintergrund.
Beim Anlegen eines Index in Marqo wird das Embedding-Modell festgelegt. Zur Auswahl standen in der Open-Source-Variante zahlreiche vorkonfigurierte Modelle aus verbreiteten Familien: Sentence-Transformer-Modelle und E5-Varianten für Text, CLIP- und OpenCLIP-Modelle für die gemeinsame Abbildung von Text und Bild sowie die eigenen E-Commerce-Modelle des Anbieters. Zusätzlich konnten eigene Modelle aus Hugging Face oder aus eigenen Speicherorten eingebunden werden, sofern sie einem unterstützten Format entsprachen. Das Modell bestimmt Dimension und Qualität der Vektoren und kann für einen bestehenden Index nicht einfach gewechselt werden; ein Modellwechsel bedeutet einen neuen Index und eine Neuindexierung.
Ebenfalls in der Indexkonfiguration werden Vorverarbeitung und Chunking geregelt. Lange Texte lassen sich nach Sätzen, Wörtern oder Zeichen in Abschnitte zerlegen, mit einstellbarer Länge und Überlappung. Für Bilder gab es Optionen, um sie vor der Vektorisierung in Teilbereiche zu zerlegen, damit auch kleine Objekte im Bild gefunden werden. Seit der zweiten Hauptversion unterscheidet Marqo zudem zwischen strukturierten Indizes, bei denen alle Felder und ihre Typen vorab definiert werden, und unstrukturierten Indizes, die Felder beim Einfügen dynamisch erkennen. Strukturierte Indizes sind in der Regel performanter und besser planbar, unstrukturierte bequemer für Prototypen.
Wer die Vektoren lieber selbst berechnet, kann sie als eigene Vektoren mitliefern. Das ist nützlich, wenn ein spezielles Modell außerhalb von Marqo läuft oder Vektoren aus einer bestehenden Pipeline übernommen werden sollen. Damit verlässt man allerdings das Kernversprechen des Systems und muss die Konsistenz zwischen Dokument- und Anfragevektoren selbst sicherstellen.
Marqo spricht nicht von Vektorfeldern, sondern von Tensor-Feldern. Gemeint sind die Felder eines Dokuments, die vektorisiert werden sollen – etwa Titel, Beschreibung oder Bild. Alle anderen Felder werden nur gespeichert und stehen für Filter, lexikalische Suche oder Anzeige zur Verfügung. Jedes Tensor-Feld erhält eigene Vektoren; bei der Suche lässt sich steuern, welche Felder berücksichtigt werden. So kann eine Anwendung etwa nur in Bildern, nur in Beschreibungen oder in beiden zugleich suchen.
Ein besonders praxisrelevantes Konzept sind Multimodal-Kombinationsfelder. Dabei werden mehrere Felder – etwa Produkttitel und Produktbild – zu einem gemeinsamen Vektor verrechnet, wobei jedes Feld ein eigenes Gewicht erhält. Ein Modeshop kann so festlegen, dass das Bild stärker zählt als der Titel, während ein Elektronikshop den technischen Titel stärker gewichtet. Auch Suchanfragen können gewichtet werden: Eine Anfrage lässt sich aus mehreren Teilanfragen mit positiven und negativen Gewichten zusammensetzen, etwa „Sneaker“ mit hohem Gewicht und „weiß“ mit negativem Gewicht, um weiße Modelle zurückzudrängen. Diese Form der Vektorarithmetik ist ein mächtiges Werkzeug für Merchandising und Suchverfeinerung.
Neben der Tensor-Suche bietet Marqo eine lexikalische Suche nach dem bewährten BM25-Prinzip, die exakte Begriffe wie Artikelnummern, Markennamen oder Größenangaben zuverlässig findet. In späteren Versionen kam eine echte Hybrid-Suche hinzu, die lexikalische und semantische Treffer kombiniert, etwa über Reciprocal Rank Fusion oder indem eine Methode die Kandidaten liefert und die andere sie neu bewertet. Für Produktsuchen ist das entscheidend, weil Kunden mal in Begriffen („Bosch GSR 18V“) und mal in Bedürfnissen („leiser Akkuschrauber für Möbelmontage“) suchen.
Filter werden über eine eigene, an Lucene angelehnte Abfragesyntax formuliert und erlauben Bedingungen auf Kategorien, Zahlenbereiche wie Preis oder Lagerbestand, boolesche Felder und Kombinationen mit UND, ODER und NICHT. Damit lassen sich etwa nur verfügbare Produkte einer Kategorie in einer Preisspanne durchsuchen. Score-Modifier erlauben es, den Relevanzwert eines Treffers mit numerischen Dokumentfeldern zu verrechnen: Ein Feld wie Beliebtheit, Marge oder Bewertung kann multiplikativ oder additiv einfließen. Das ist das technische Fundament für geschäftsgetriebenes Ranking, bei dem nicht nur die semantische Nähe, sondern auch wirtschaftliche Kriterien über die Reihenfolge entscheiden.
Die multimodale Suche ist die Funktion, mit der Marqo bekannt wurde. Grundlage sind CLIP-artige Modelle, die Texte und Bilder in denselben Vektorraum abbilden. Ein Produktfoto eines roten Sommerkleids und der Text „rotes Kleid für den Sommer“ landen dadurch nah beieinander. Daraus ergeben sich mehrere Suchmuster. Erstens die Text-zu-Bild-Suche: Kunden beschreiben, was sie suchen, und finden Produkte über deren Bilder – auch wenn die Produkttexte dürftig oder unvollständig sind. Zweitens die Bild-zu-Bild-Suche: Ein hochgeladenes Foto oder ein Produktbild dient als Anfrage, und die Suche liefert optisch ähnliche Artikel. Drittens die Kombination: Ein Bild als Ausgangspunkt plus ein Text wie „aber in Blau“ als Verfeinerung.
Für Händler mit großen Bildbeständen ist das ein echter Hebel. Viele Produktkataloge enthalten hochwertige Bilder, aber lückenhafte Attribute. Die multimodale Suche nutzt die Information, die im Bild steckt – Farbe, Form, Stil, Muster –, ohne dass jemand sie vorher manuell erfasst hat. Für Ersatzteile oder technische Komponenten ist der Nutzen ebenfalls gegeben, aber differenzierter: Allgemeine CLIP-Modelle erkennen Alltagsgegenstände gut, unterscheiden aber feine technische Varianten nur begrenzt. Hier zeigt sich, wie wichtig domänenspezifische Modelle und eine Kombination mit lexikalischer Suche nach Teilenummern sind.
Allgemeine Embedding-Modelle sind auf breite Internetdaten trainiert und kennen die Sprache eines konkreten Sortiments nur eingeschränkt. Marqo hat daher eigene E-Commerce-Embedding-Modelle entwickelt und teils öffentlich bereitgestellt, darunter Varianten speziell für Mode. Zusätzlich hat der Anbieter Verfahren beschrieben, mit denen Modelle auf kundeneigene Produkt- und Verhaltensdaten nachtrainiert werden: Klicks, Warenkorbaktionen und Käufe zeigen, welche Produkte für welche Anfragen tatsächlich relevant sind, und dienen als Trainingssignal. Das Ziel ist ein Modell, das die Sprache der eigenen Kunden und die Besonderheiten des eigenen Sortiments versteht.
Für den Mittelstand ist diese Entwicklung zweischneidig. Einerseits ist Fine-Tuning ohne eigenes Data-Science-Team kaum realistisch, und ein Anbieter, der es als Dienstleistung mitbringt, senkt die Einstiegshürde erheblich. Andererseits verlassen dabei Produkt- und Verhaltensdaten das eigene Haus, und das entstehende Modell ist eng an die Plattform gebunden. Vor einem Vertrag sollte geklärt werden, wem das trainierte Modell gehört, ob es exportiert werden kann, wie Verhaltensdaten verarbeitet und gespeichert werden und was bei Vertragsende passiert. Die offen veröffentlichten Modelle des Anbieters lassen sich übrigens auch unabhängig von Marqo in anderen Vektordatenbanken einsetzen – ein Weg, von der Forschungsarbeit zu profitieren, ohne sich zu binden. Lizenzbedingungen sind je Modell zu prüfen.
Auf der heutigen Plattform spielen Personalisierung und Empfehlungen eine zentrale Rolle. Aus dem Verhalten eines Besuchers in der laufenden Sitzung und gegebenenfalls aus früheren Besuchen lassen sich Präferenzen ableiten, die das Ranking beeinflussen. Technisch kann man sich das als Kontextvektor vorstellen, der die Suchanfrage in Richtung der bevorzugten Stile, Marken oder Preisklassen verschiebt. Schon in der Open-Source-Variante gab es dafür Bausteine: Empfehlungen auf Basis eines oder mehrerer Dokumente, Kontextvektoren, die in eine Suche eingemischt werden, und die erwähnten gewichteten Anfragen. Die kommerzielle Plattform ergänzt das um die Auswertung von Klick- und Kaufdaten und automatisierte Optimierung. Den konkreten Funktionsumfang sollte man beim Anbieter prüfen.
Für RAG war Marqo grundsätzlich nutzbar: Dokumente werden in Abschnitte zerlegt und vektorisiert, eine Frage liefert die passenden Abschnitte, und ein Sprachmodell formuliert die Antwort. Der Anbieter zeigte in Beispielen, wie sich Marqo mit Sprachmodellen kombinieren lässt, und es gab Integrationen in RAG-Frameworks. Im Vergleich zu Systemen, die sich auf RAG spezialisieren, fehlen jedoch viele Funktionen, die heute als Standard gelten, etwa ausgefeilte Berechtigungskonzepte für Unternehmensdokumente, Sparse-Vektoren für domänenspezifische Begriffe oder eingebautes Reranking mit Cross-Encodern. Mit der E-Commerce-Ausrichtung ist RAG für Marqo kein strategisches Feld mehr. Für Produktberater-Chatbots, die Fragen zu Sortiment und Produkteigenschaften beantworten, kann die Produktsuche aber durchaus als Retrieval-Schicht dienen.
Für die E-Commerce-Plattform sind Anbindungen an Shopsysteme der entscheidende Integrationspunkt. Der Anbieter hat insbesondere eine Integration für Shopify kommuniziert, über die Produktdaten synchronisiert und die Shopsuche ersetzt oder ergänzt werden können. Für weitere verbreitete Systeme wie Shopware, Magento beziehungsweise Adobe Commerce, WooCommerce oder Headless-Commerce-Plattformen sollte man beim Anbieter prüfen, ob es fertige Konnektoren, Partnerlösungen oder nur eine generische Programmierschnittstelle gibt. Gerade im DACH-Raum, wo Shopware stark verbreitet ist, ist diese Frage für den Integrationsaufwand oft ausschlaggebend.
Unabhängig vom Konnektor müssen bei jeder Shopintegration dieselben Fragen geklärt werden: Wie gelangen Produktdaten, Preise und Lagerbestände aktuell in den Suchindex? Wie werden Varianten wie Größen und Farben abgebildet? Wie greift die Shopoberfläche auf Suchergebnisse, Autovervollständigung und Filterfacetten zu? Und wie werden Klick- und Kaufereignisse an die Suchplattform zurückgemeldet, damit Personalisierung und Optimierung funktionieren? Wo kein fertiger Konnektor existiert, übernimmt typischerweise eine Middleware oder ein Integrationsdienst diese Aufgaben, etwa auf Basis von Export-Feeds, Webhooks oder einer Produktinformationsmanagement-Lösung.
Für Entwickler war der Python-Client das zentrale Werkzeug. Er kapselt die HTTP-Schnittstelle von Marqo und erlaubt es, Indizes anzulegen, Dokumente einzufügen, zu aktualisieren und zu löschen, Suchen mit Filtern und Gewichtungen auszuführen und Empfehlungen abzurufen. Daneben gab es Community-Clients für weitere Sprachen, deren Pflegezustand stark variiert. Da die Schnittstelle REST-basiert ist, lässt sich Marqo grundsätzlich aus jeder Programmiersprache ansprechen. Für die Cloud-Plattform gelten zusätzlich API-Schlüssel und Endpunkte des Anbieters; ob Client und Cloud-API heute noch dieselben Funktionen abbilden, sollte in der aktuellen Dokumentation geprüft werden.
In LangChain existiert eine Integration, die Marqo als Vektorspeicher nutzbar macht – mit der Besonderheit, dass die Embeddings nicht von LangChain, sondern von Marqo selbst erzeugt werden. Auch für LlamaIndex und Haystack gab es Anbindungen aus der Community oder vom Anbieter. Diese Integrationen decken Basisfunktionen wie Einfügen und Ähnlichkeitssuche ab; fortgeschrittene Möglichkeiten wie Multimodal-Kombinationen, Score-Modifier oder gewichtete Anfragen sind meist nur über den nativen Client erreichbar. Mit dem eingestellten Open-Source-Projekt ist zudem zu erwarten, dass Framework-Integrationen nicht mehr aktiv weiterentwickelt werden. Wer sie heute einsetzt, sollte Versionen fixieren und die Kompatibilität mit neueren Framework-Versionen testen.
Die Datenzufuhr ist bei Marqo vergleichsweise schlank, weil die Vektorisierung im System erfolgt. Die Anwendung liefert Dokumente stapelweise über die Schnittstelle; Bildfelder enthalten URLs, die Marqo selbst abruft. Daraus ergibt sich eine praktische Anforderung: Bilder müssen für Marqo erreichbar sein, entweder öffentlich oder über eine Infrastruktur mit passender Zugriffssteuerung. Bei großen Katalogen bestimmt der Bilddownload oft maßgeblich die Indexierungsdauer. Für Modelle griff die Open-Source-Variante auf öffentliche Modellquellen zu; in abgeschotteten Umgebungen müssen Modelle vorab bereitgestellt werden. Für Monitoring und Administration stehen Statusendpunkte und die Werkzeuge der darunterliegenden Vespa-Installation zur Verfügung.
Algolia ist im Onlinehandel einer der bekanntesten Anbieter von Such-as-a-Service. Die Stärken liegen in sehr schnellen Antworten, ausgereiften Oberflächenbausteinen, Merchandising-Werkzeugen für Fachabteilungen, Analysefunktionen und einer breiten Palette an Shopintegrationen. Algolia hat ebenfalls semantische und KI-gestützte Funktionen ergänzt. Gegenüber Marqo punktet Algolia mit Reife, Ökosystem und Bekanntheit im Handel; Marqo positioniert sich mit stärkerem Fokus auf multimodale Modelle und modellbasiertes Ranking. Beide sind US- beziehungsweise Nicht-EU-SaaS-Angebote, sodass die Datenschutzfragen ähnlich gelagert sind.
Elasticsearch und der Fork OpenSearch sind die Arbeitspferde vieler Shopsuchen, oft eingebettet in Shopsysteme oder Suchlösungen von Agenturen. Sie bieten ausgereifte Textanalyse, Facetten, Synonyme, Sprachunterstützung für Deutsch inklusive Komposita und inzwischen Vektorsuche sowie eigene semantische Modelle. Multimodale Produktsuche ist möglich, erfordert aber eigene Modelle und eine eigene Embedding-Pipeline. Wer bereits eine Elasticsearch- oder OpenSearch-basierte Shopsuche betreibt, kann semantische Funktionen oft schrittweise ergänzen, statt das System zu wechseln. Marqo nimmt Teams diese Pipelinearbeit ab, bietet aber weniger Kontrolle über Textanalyse und Infrastruktur.
Vespa nimmt eine Sonderrolle ein, denn Marqo nutzt Vespa seit der zweiten Hauptversion selbst als Speicher- und Suchschicht. Vespa ist eine ausgereifte Open-Source-Engine für Suche, Empfehlungen und komplexes Ranking mit eingebauter Modellausführung, Hybrid-Suche und mehrstufigen Ranking-Profilen. Es ist deutlich mächtiger, aber auch anspruchsvoller zu konfigurieren. Wer die Fähigkeiten von Marqo will, aber eine aktiv gepflegte Open-Source-Basis braucht, findet in Vespa einen naheliegenden, wenn auch aufwendigeren Weg.
Weaviate verfolgt mit seinen Vektorisierungsmodulen ein ähnliches Prinzip wie Marqo: Die Datenbank kann Embeddings über eingebundene Modelle selbst erzeugen, auch multimodal. Weaviate ist breiter aufgestellt, aktiv gepflegt, selbst hostbar und stark im RAG-Umfeld, hat aber keinen spezifischen E-Commerce-Fokus. Qdrant, eine Rust-basierte Vektordatenbank aus Berlin, glänzt bei Effizienz, Filterung, Quantisierung und Hybrid-Suche mit dichten und Sparse-Vektoren. Die Embedding-Erzeugung liegt dort überwiegend bei der Anwendung, wobei es Hilfsbibliotheken und Inferenzangebote gibt; den aktuellen Stand sollte man beim Anbieter prüfen. Für Unternehmen mit Souveränitätsanspruch ist der europäische Hintergrund von Qdrant ein zusätzliches Argument.
Die Kernbotschaft der Abgrenzung: Marqo ist keine allgemeine Vektordatenbank mehr, sondern eine spezialisierte Produktsuchplattform. Wer eine solche Lösung als Dienst einkaufen will, vergleicht Marqo mit Algolia und anderen KI-Shopsuchanbietern. Wer selbst bauen oder souverän betreiben will, findet in Elasticsearch, OpenSearch, Vespa, Weaviate oder Qdrant aktiv gepflegte Alternativen, muss dafür aber Modellwahl und Pipeline selbst verantworten oder einen Dienstleister einbinden.
Die Open-Source-Variante wird als Docker-Container betrieben. In der zweiten Hauptversion gehört dazu ein Vespa-Cluster, der entweder im selben Containerverbund oder separat läuft; für produktive Szenarien wird Vespa typischerweise mit mehreren Knoten für Inhalte und Abfragen sowie einer Konfigurationsschicht betrieben. Die Inferenz läuft wahlweise auf CPU oder GPU. Für kleine Kataloge, seltene Aktualisierungen und reine Textmodelle kann CPU genügen. Sobald Bildmodelle im Spiel sind, große Kataloge indexiert werden oder viele Suchanfragen in kurzer Zeit eintreffen, wird eine GPU schnell zur Pflicht, weil jede Suchanfrage selbst ein Modell durchläuft. Das betrifft insbesondere die Antwortzeit: Die Anfrage muss vektorisiert werden, bevor überhaupt gesucht werden kann.
Zu planen sind außerdem der Speicherbedarf für Vektoren und Dokumente, die Netzwerkanbindung für den Abruf von Bildern, das Vorhalten der Modelle in abgeschotteten Umgebungen sowie Backups und Wiederherstellung. Weil das Projekt keine Updates mehr erhält, kommt eine weitere Aufgabe hinzu: eigene Sicherheitspflege. Container-Basisimages, Python-Abhängigkeiten, Vespa-Version und Modellbibliotheken altern, und bekannte Schwachstellen werden nicht mehr vom Projekt behoben. Wer Marqo dennoch selbst betreibt, sollte das System strikt im internen Netz halten, regelmäßig auf Schwachstellen scannen und den Wechsel auf eine gepflegte Alternative fest einplanen.
In der Cloud-Variante übernimmt der Anbieter Infrastruktur, Skalierung, Modellbereitstellung und Updates. Typischerweise wählt man die Größe der Speicher- und Abfragekapazität, die Zahl der Replikate für Ausfallsicherheit und den Typ der Inferenzknoten. Das reduziert den Betriebsaufwand erheblich und ist für Händler ohne eigene Infrastrukturteams oft der einzig sinnvolle Weg. Im Gegenzug entsteht eine enge Bindung an den Anbieter: Indexkonfiguration, Modelle, nachtrainierte Varianten und Verhaltensdaten liegen auf seiner Plattform. Vor dem Start sollte daher geklärt werden, wie Daten und gegebenenfalls Modelle exportiert werden können, welche Verfügbarkeitszusagen gelten und wie Support und Eskalation organisiert sind.
Viele Shops im Mittelstand kämpfen mit denselben Problemen: Kunden suchen mit Begriffen, die im Katalog nicht vorkommen, und landen auf leeren Ergebnisseiten. Synonymlisten wachsen über Jahre und werden unübersichtlich. Produktattribute sind lückenhaft, weil Lieferantendaten uneinheitlich sind. Und das Merchandising-Team hat zu wenig Zeit, um Suchregeln für Tausende Artikel zu pflegen. Semantische und multimodale Suche verspricht, einen Teil dieser Pflegearbeit durch Modelle zu ersetzen.
Im B2C-Onlineshop mit bildlastigem Sortiment ist der Nutzen am schnellsten sichtbar. Ein mittelständischer Modehändler oder Möbelanbieter kann mit multimodaler Suche und ähnlichen Produkten die Produktentdeckung spürbar verbessern, ohne Attribute für jedes Produkt manuell nachzupflegen. Hier passt eine Cloud-Plattform wie Marqo inhaltlich gut, sofern die Datenschutzfragen geklärt sind und eine Integration in das eingesetzte Shopsystem verfügbar ist.
Bei der Ersatzteilsuche ist das Bild differenzierter. Kunden kennen selten die exakte Teilenummer, können aber ein Foto machen oder das Teil beschreiben. Multimodale Suche kann helfen, die Auswahl einzugrenzen. Entscheidend ist jedoch die Verknüpfung mit Gerätedaten: Welches Teil passt zu welchem Modell, Baujahr und welcher Seriennummer? Diese Logik gehört in strukturierte Daten und Filter, nicht in Vektoren. In der Praxis bewährt sich eine Kombination aus Hybrid-Suche, Filtern auf Gerätezuordnungen und gegebenenfalls einem domänenspezifisch trainierten Modell – unabhängig davon, welche Suchtechnik am Ende eingesetzt wird.
In B2B-Produktkatalogen von Großhändlern und Herstellern stehen meist präzise technische Anfragen, kundenspezifische Preise und Sortimente sowie Integration in ERP-Systeme im Vordergrund. Semantische Suche ist hier wertvoll, um Fachbegriffe, Synonyme und unterschiedliche Benennungen zwischen Herstellern zu überbrücken. Bildsuche spielt eine geringere Rolle. Da B2B-Daten wie Kundenpreise, Konditionen und Bestellhistorien besonders sensibel sind, wiegt die Frage nach Datenhoheit hier besonders schwer. Häufig ist eine selbst betriebene Lösung auf Basis einer aktiv gepflegten Suchmaschine oder Vektordatenbank, ergänzt um offene Embedding-Modelle, die passendere Wahl.
Eine KI-gestützte Produktsuche ist kein Selbstläufer. Die größten Qualitätshebel liegen weiterhin in sauberen Produktdaten, durchdachten Filtern und Facetten, guter Behandlung von Artikelnummern und Marken sowie systematischer Auswertung des Suchverhaltens. Modelle können fehlende Daten teilweise kompensieren, aber keine falschen korrigieren. Hinzu kommt: Semantische Suche liefert immer ein Ergebnis, auch wenn nichts wirklich passt. Ein Shop, der auf die Anfrage nach einem nicht geführten Produkt optisch ähnliche, aber unpassende Artikel anzeigt, kann Kunden eher verwirren als überzeugen. Schwellenwerte, Fallback-Strategien und ein ehrlicher Hinweis bei fehlenden Treffern gehören deshalb zur Konzeption.
Organisatorisch sollte das Merchandising-Team früh eingebunden werden. Es kennt die Suchanfragen, die Geschäftsziele hinter dem Ranking und die Sonderfälle des Sortiments. Eine Suchplattform, deren Ranking die Fachabteilung nicht versteht oder nicht beeinflussen kann, wird im Alltag schnell zum Konfliktthema. Bewährt hat sich ein schrittweises Vorgehen: zunächst eine Teilmenge des Sortiments oder ein einzelnes Land, dann ein sauber gemessener A/B-Test, dann der Ausbau.
Bei der Cloud-Plattform verarbeitet der Anbieter Produktdaten, Suchanfragen und – bei Personalisierung – Klick-, Warenkorb- und Kaufereignisse. Weil Marqo seinen Ursprung in Australien hat und die Plattform auf Infrastruktur großer Cloud-Anbieter läuft, sind mehrere Punkte zu prüfen: In welcher Region und auf welchen Servern werden die Daten gespeichert und verarbeitet? Gibt es einen Standort in der Europäischen Union, und gilt er für alle Datenarten einschließlich Logs, Backups und Modelltraining? Welche Unterauftragsverarbeiter sind beteiligt, und haben diese ihren Sitz in den USA oder anderen Drittländern? Welche Transfermechanismen – etwa Angemessenheitsbeschluss oder Standardvertragsklauseln – werden für Zugriffe aus Drittländern, etwa durch Support, genutzt? Diese Angaben sind beim Anbieter zu erfragen und vertraglich festzuhalten.
Besondere Aufmerksamkeit verdienen Verhaltensdaten. Suchanfragen können personenbezogene Informationen enthalten, und Klick- und Kaufhistorien sind regelmäßig personenbezogen, sobald sie einem Konto oder einer Sitzungskennung zugeordnet sind. Personalisierung setzt in vielen Konstellationen eine Einwilligung über das Consent-Management voraus. Zu klären ist außerdem, ob Kundendaten für das Training von Modellen verwendet werden, ob diese Modelle exklusiv dem eigenen Shop dienen oder auch anderen Kunden des Anbieters zugutekommen, und wie Löschersuchen in trainierten Modellen umgesetzt werden. Vektoren selbst sind keine anonymen Daten; aus Embeddings lassen sich unter Umständen Rückschlüsse auf Ursprungsdaten ziehen.
Beim Selbstbetrieb der Open-Source-Variante auf eigener Hardware oder bei einem deutschen beziehungsweise europäischen Hoster verbleiben Produktdaten, Bilder, Vektoren und Suchanfragen vollständig im eigenen Verantwortungsbereich. Da die Modelle lokal laufen, verlassen auch keine Texte oder Bilder für die Vektorisierung das Haus – vorausgesetzt, die Modelle werden einmalig bereitgestellt und es findet kein laufender Abruf aus externen Quellen statt. Aus Datenschutzsicht ist das die DSGVO-konformere Option, weil Drittlandtransfers vermieden werden. Bei einem europäischen Hoster ist dieser Auftragsverarbeiter; ein entsprechender Vertrag ist abzuschließen und dessen Unterauftragnehmer sind zu prüfen.
Der Haken liegt im Pflegezustand. Datenschutz umfasst auch die Sicherheit der Verarbeitung, und ein System, das keine Sicherheitsupdates mehr erhält, ist hier ein Risiko. Wer die Open-Source-Variante dennoch einsetzt, muss Sicherheitspflege selbst übernehmen, den Zugang strikt beschränken und den Betrieb als befristet betrachten. Für langfristige, souveräne Projekte empfehlen wir, das Prinzip der integrierten Inferenz mit aktiv gepflegten Systemen umzusetzen – etwa mit Vespa, Weaviate, Qdrant oder Elasticsearch beziehungsweise OpenSearch in Kombination mit selbst betriebenen offenen Embedding-Modellen, darunter gegebenenfalls die vom Anbieter veröffentlichten E-Commerce-Modelle.
Die Kostenstruktur von Marqo unterscheidet sich von reinen Vektordatenbanken, weil die Inferenz Teil des Systems ist. Beim Selbstbetrieb fallen keine Lizenzgebühren an, wohl aber Kosten für Server und insbesondere GPUs, für Speicher, Backups, Monitoring und die Arbeitszeit für Einrichtung und Sicherheitspflege. GPUs sind teuer, und weil jede Suchanfrage ein Modell durchläuft, skaliert der Rechenbedarf mit dem Suchvolumen. Für kleine Shops kann CPU-Inferenz mit kompakten Modellen ausreichen; für bildlastige Sortimente mit hohem Traffic wird es schnell kostspielig.
Die Cloud-Plattform und das E-Commerce-Produkt werden nach Ressourcen, Nutzung oder individuellen Vereinbarungen abgerechnet; aktuelle Preise und Konditionen sind beim Anbieter zu prüfen, da sie sich regelmäßig ändern. In die Wirtschaftlichkeitsrechnung gehören zudem die Kosten für Integration in Shopsystem und Produktdatenflüsse, für Tracking und Consent, für die Pflege von Filtern und Ranking-Regeln sowie für A/B-Tests. Auf der Nutzenseite stehen weniger Nulltreffer, eine bessere Suchkonversion und eingesparte Pflegezeit. Ob sich das rechnet, zeigt nur ein sauber gemessener Test mit realem Traffic. Als Faustregel gilt: Je bildlastiger das Sortiment, je unschärfer die Kundensprache und je kleiner das eigene Technikteam, desto eher lohnt sich eine spezialisierte Plattform – sofern Datenschutz und Ausstiegsszenario sauber geklärt sind.