---
term: "Semantic Noise"
slug: "semantic-noise"
glossar_id: "G230"
variants: []
category: "kontextfenster-kontextmanagement-und-kontextprobleme"
marker: ""
short: "Inhaltlich ähnlich wirkende, für die konkrete Frage irrelevante Informationen."
sources:
  - label: "Elastic: Context Poisoning und Retrieval"
    url: "https://www.elastic.co/search-labs/blog/context-poisoning-llm"
status: "entwurf"
updated: "2026-09-21"
---

Semantic Noise bezeichnet hier Informationen, die inhaltlich ähnlich zur Suchfrage wirken, für deren konkrete Beantwortung aber nicht relevant sind. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Solche Treffer können bei einer bedeutungsbasierten Suche plausibel erscheinen und dennoch den falschen Fall, eine andere Version oder einen ungeeigneten Zusammenhang betreffen. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm)

## Ähnlichkeit ist keine Passgenauigkeit

Bei semantischem Retrieval werden Inhalte anhand ihrer Bedeutung beziehungsweise numerischer Bedeutungsrepräsentationen gesucht. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Ein hoher Ähnlichkeitswert allein belegt jedoch nicht, dass ein Treffer zur beabsichtigten Frage und ihrem Geltungsbereich passt. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm)

Der störende Inhalt muss nicht sachlich falsch sein. Gerade korrekte Informationen aus einem ähnlichen, aber unpassenden Zusammenhang können die Auswahl erschweren. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm)

Damit liegt der Schwerpunkt anders als bei einem frei erfundenen Fakt: Das Problem ist hier die Zuordnung zum konkreten Informationsbedarf. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Für die Fehlersuche würde ich daher sowohl den Inhalt als auch seine Auswahlbedingungen prüfen.

## So kannst du dir das vorstellen

Du fragst hypothetisch nach dem Rücksetzverfahren für eine bestimmte Anlagensteuerung. Die Suche liefert eine gut passende Anleitung zur Vorgängerversion mit ähnlichem Produktnamen.

Diese Anleitung könnte für das alte Gerät vollkommen korrekt sein. Wenn die KI daraus die Schritte für die neue Version übernimmt, wäre die inhaltliche Nähe gerade keine ausreichende Rechtfertigung.

Ein passender Test würde deshalb prüfen, ob die richtige Versionskennung berücksichtigt wurde. Nur festzustellen, dass die Antwort Wörter aus einem gefundenen Handbuch enthält, wäre zu wenig.

## Auswahlkriterien ergänzen

Elastic beschreibt unter anderem Metadatenfilter und die Verbindung unterschiedlicher Suchsignale, um den Abruf besser auf die konkrete Frage auszurichten. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Angaben wie Version, Produkt oder Gültigkeitsbereich können ähnlich wirkende Treffer voneinander abgrenzen. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm)

Diese Maßnahmen sind keine Garantie für richtige Antworten. Ich würde zusätzlich kontrollieren, ob die endgültig verwendeten Auszüge den konkreten Fall tatsächlich abdecken und ob benötigte Ausnahmen in der Auswahl erhalten bleiben.

## Verwandte Begriffe

**Semantic Search**, **Retriever**, **Context Confusion**, **Context Curation**, **Context Pollution**.