Semantisk søk og
intensjonsbaserte systemer

Semantisk søk forstår intensjonen bak et søk i stedet for å matche eksakte ord. Systemet gjør teksten om til vektorer (embeddings) og finner de nærmeste treffene i et betydningsrom, slik at et søk på «noe å sitte på» også returnerer «stol» og «krakk». Med Meilisearch, skrevet i Rust, kjører hybrid vektorsøk på under 50 millisekunder, rett fra disk.

Lenge har digitalt søk vært begrenset av ren tekstmatching. Når en bruker skriver inn et søkeord, har systemet tradisjonelt bare sett etter identiske tegnrekker i en database. Denne leksikalske modellen er rask, men mangler forståelse. Den kommer til kort når brukeren og nettbutikken bruker ulike ord for samme ting (synonymi), eller når et ord kan bety flere ting avhengig av kontekst.

Konsekvensen er at kunder møter en tom side selv om varen finnes i butikken, fordi de brukte «feil» ord. For norske nettbutikker betyr slike nulltreff millioner i tapt omsetning hvert eneste år.

Semantisk søk og vektordatabaser flytter oss fra å matche tegn til å forstå hva brukeren mener. Teknologien var lenge forbeholdt gigantene, men er nå hyllevare som driver alt fra presise chatbots til anbefalingsmotorer. I 2026 er dette forskjellen på et passivt arkiv og en hjelpsom salgsassistent.

Denne artikkelen går gjennom hvordan moderne søketeknologi løfter brukeropplevelsen, teknisk og strategisk. Vi bruker Meilisearch som eksempel for å vise hvordan arkitekturen bak vektorsøk og hybridrangering fungerer i praksis, og hvordan du med rammeverk som Laravel kan bygge neste generasjons søkeløsninger.

For å forstå hva semantisk søk løser, må vi først se på begrensningene i tradisjonelt søk.

Tradisjonelle søkemotorer lener seg på en invertert indeks. Hvis du søker etter «bil», skanner motoren databasen etter nøyaktig denne bokstavkombinasjonen. Hvis et dokument kun inneholder ordet «kjøretøy», blir det i praksis usynlig for søkemotoren. Dette fenomenet kalles det leksikalske gapet.

I en nettbutikk er dette kritisk. En kunde som søker etter «varm vinterjakke» får kanskje ingen treff på en «fôret parkas», selv om det er nøyaktig det de leter etter. Leksikalsk søk krever at kunden gjetter de nøyaktige ordene produktteksten bruker. Semantisk søk fjerner denne gjetteleken ved å forstå meningen bak ordene.

Løsningen er vektorer (embeddings). Maskinlæringsmodeller som OpenAIs text-embedding-3 konverterer tekst, bilder eller lyd til lange rekker av tall, såkalte vektorer.

Se for deg et enormt, flerdimensjonalt kart. På dette kartet plasseres ordene «katt» og «hund» tett inntil hverandre fordi de deler konseptuelle egenskaper (kjæledyr, fire ben, pels). Ordet «bil» havner i et helt annet «nabolag» på kartet.

Når en bruker søker, blir spørsmålet en koordinat på samme kart. Systemet leter deretter etter de nærmeste punktene («Nearest Neighbor Search»). Derfor returnerer et søk på «noe å sitte på» både «stol», «sofa» og «krakk», uten at du har definert noen synonymer manuelt.

Meilisearch har etablert seg som en spesialisert utfordrer til markedslederen Elasticsearch. Elasticsearch (basert på Java) er det foretrukne verktøyet for tung logganalyse og big data. Meilisearch (skrevet i Rust) er designet med ett mål: raske, relevante søkeresultater rett til sluttbrukeren.

Rust og forutsigbar ytelse: Ved å unngå Java Virtual Machine (JVM) og de tilhørende pausene for minnehåndtering («garbage collection»), leverer Meilisearch stabile responstider, ofte under 50 millisekunder. Den stabiliteten trenger du for å levere «søk-mens-du-skriver» uten hakking.

Hybrid søk i én kjerne: Meilisearch har vektorsøk innebygd i kjernen, så du slipper å drifte to separate systemer (ett for tekst og ett for vektorer). Resultatet er en hybridmodell med presisjonen til tradisjonelle nøkkelord og den kontekstuelle forståelsen til AI.

Kostnadseffektiv skalering (Disk-basert HNSW): Mange vektordatabaser krever at hele indeksen ligger i dyrt minne (RAM) for å være raske nok. Meilisearch bruker derimot en egenutviklet implementasjon av HNSW-algoritmen (kalt Hannoy) som er optimalisert for å kjøre rett fra disk. Det kutter driftskostnadene betydelig, siden du ikke trenger enorme mengder RAM for store datasett.

Meilisearch gjennomførte nylig en fullstendig ombygging av sin vektormotor, der de gikk fra en tre-basert struktur (Arroy) til en graf-basert struktur (Hannoy). Tallene under viser effekten:

Reduksjonen i søkelatency fra 227 ms til 13 ms er forskjellen på en applikasjon som føles treg, og en som oppleves som umiddelbar.

Svakheten ved rent vektorsøk er at det kan bli for smart. Hvis en kunde søker etter et spesifikt delenummer, for eksempel «XJ-900», kan et rent vektorsøk finne på å returnere «XJ-800» fordi produktene ligner hverandre semantisk. I slike tilfeller er presisjon viktigere enn forståelse, og det er derfor du trenger hybrid søk.

Meilisearch kombinerer resultatene fra tradisjonelt nøkkelordsøk (BM25) og moderne vektorsøk. Utfordringen er at disse systemene snakker ulike språk: BM25 kan gi en relevans-score på 45.0, mens vektorsøket gir en score mellom 0 og 1 (f.eks. 0.9).

For å forene disse bruker Meilisearch en normaliseringsteknikk (affine transformation) som gjør scorene sammenlignbare før de slås sammen. Dette er en vesentlig forbedring sammenlignet med mange konkurrenter, som bruker en enklere metode kalt Reciprocal Rank Fusion (RRF). Mens RRF kun ser på hvilken rekkefølge resultatene kommer i, bevarer Meilisearch informasjonen om hvor godt treffet faktisk var. Det gir en mer nøyaktig sluttliste.

Meilisearch har parameteren semanticRatio, en «glidebryter» mellom 0.0 (rent tekstsøk) og 1.0 (rent AI-søk), slik at du kan justere miksen etter bruksområde:

• For nettbutikker (f.eks. 0.3): Her er ofte produktnavn og spesifikasjoner viktigst. En lav ratio sikrer at vi treffer nøyaktig på søkeordene, men samtidig fanger opp synonymer og skrivefeil via vektorene.
• For support-bots (f.eks. 0.9): Her stiller brukerne ofte vage spørsmål («hvordan fikser jeg dingsen?»). En høy ratio lar AI-en ta styringen for å forstå konteksten og intensjonen, fremfor å lete etter ordrett match. Dette er noe vi gjerne A/B-tester for å finne den optimale innstillingen.

Teknologi har liten verdi før den løser et problem. Under er tre bruksområder der intensjonsbasert søk gir målbar gevinst: mer salg, lavere kostnader og bedre kundelojalitet.

Tall fra Baymard Institute viser at 42 % av større nettbutikker ikke støtter tematiske søk (f.eks. «vårjakke til herre» fremfor bare «jakke»). Når vi vet at ca. 30 % av de besøkende bruker søkefeltet, og at disse har 2–3 ganger høyere kjøpsintensjon enn de som bare klikker rundt, er det kritisk å møte dem på riktig måte. Et svar uten treff er i praksis en oppfordring om å gå til konkurrenten.

• Bookshop.org: Nettbokhandelen opplevde at brukere ofte søkte etter konsepter fremfor titler (f.eks. «blå bok om en trollmann»). Tradisjonelt søk ga ingen treff. Da de byttet til Meilisearch med semantisk søk, økte konverteringsraten fra søk med 43 %. Systemet koblet den vage beskrivelsen til Harry Potter ut fra kontekst.
• Etsy: Etsy implementerte sin egen semantiske søkemotor for å håndtere estetiske søk som «boho chic decor». Resultatet var en betydelig økning i konvertering og salg, som ga hundrevis av millioner dollar i ekstra årlig omsetning. Kundene fant rett og slett produkter de ikke visste navnet på.
• Walmart: Når en vare er utsolgt, bruker Walmart vektorsøk for å forstå hva produktet er, slik at de kan foreslå en relevant erstatning. I stedet for å miste salget, viser de en annen vare som ligger nær i det «semantiske rommet». Dette har drastisk redusert tapt omsetning ved vareknapphet.

Retrieval-Augmented Generation (RAG) endrer hvordan kundeservice fungerer. Lar du en språkmodell (ChatGPT, Gemini, Claude) søke i bedriftens egne data før den svarer, unngår du «hallusineringer» og får presise svar. Da går AI fra å være en enkel «pratebot» til en medarbeider som gjør en jobb.

• Klarna: Klarna er kanskje det mest kjente eksempelet på RAG i 2024. Deres AI-assistent håndterte 2,3 millioner samtaler (to tredjedeler av alle henvendelser) i løpet av den første måneden. Den gjør nå jobben tilsvarende 700 fulltidsansatte, løser saker på 2 minutter (mot 11 minutter tidligere) og forventes å forbedre bunnlinjen med 400 millioner kroner årlig.
• Morningstar: Finansselskapet Morningstar utviklet «Mo», en intern assistent for analytikere. I stedet for å bruke timer på å lete gjennom tusenvis av PDF-rapporter, kan analytikerne spørre «Hva er risikoanalysen for selskap X?». Systemet henter relevante avsnitt fra interne databaser og oppsummerer svaret. Det frigjør mye tid til faktisk analyse fremfor leting.

Tradisjonelle anbefalingsmotorer («Kunder som kjøpte denne, kjøpte også...») er avhengige av historikk. De fungerer dårlig på nye produkter, et problem kjent som «Cold Start». Vektorsøk løser dette ved å analysere produktets innhold (bilde, tekst, egenskaper) fremfor brukeradferd.

• Spotify: Selv om Spotify bruker mye brukerdata, bygger anbefalingene også på semantisk forståelse av lydfiler og tekster. Derfor kan de anbefale deg en helt ny sang fra en ukjent artist, kun fordi sangens profil (tempo, stemning, sjanger) ligner på det du liker. Det holder brukerne i appen lenger.
• IKEA: IKEA bruker visuell AI og vektorsøk for å anbefale produkter som passer sammen stilmessig. Hvis du ser på en sofa, kan systemet finne puter og tepper som matcher sofaens farge og tekstur. Slike anbefalinger øker ofte snittordren med 10–30 % fordi kunden blir inspirert til å kjøpe hele stilen.
• Meilisearch: Teknisk løser Meilisearch dette via endepunktet /similar. En nettbutikk kan vise «Lignende produkter» for en vare som ble lagt inn for 5 minutter siden, så nye varer blir eksponert fra dag én uten at du må vente ukesvis på klikkdata.

PXL har spisskompetanse på Laravel, og der er integrasjonen enkel. Gjennom pakken Laravel Scout har vi full kontroll på søkelogikken rett i koden, og kan skreddersy et hybrid søk tilpasset deres behov, ned til minste detalj.

Eksempel: Aktivering av hybrid søk

Å sette opp hybrid søk i Laravel går raskt, men du må litt dypere enn standardoppsettet for å få med AI-delen. Her instruerer vi motoren til å vekte nøkkelord og semantisk forståelse likt (0.5):

For nettbutikker på WooCommerce handler det om å bryte seg løs fra begrensningene i databasen. Standard WordPress-søk belaster SQL-serveren tungt og gir ofte irrelevante treff.

Vi setter opp Meilisearch som en dedikert søkemotor ved siden av nettbutikken og kobler oss rett på API-et, så serveren slipper søkelasten helt. Det gir umiddelbart raskere søk, pluss stavekorrigering («mente du...?») og semantisk forståelse, funksjonalitet som ellers krever langt tyngre enterprise-plattformer.

I større arkitekturer kjører vi ofte Meilisearch som en isolert tjeneste. Dette betyr at vi kan ha en mobilapp (iOS/Android) og en nettside som snakker med samme søkemotor. Siden Meilisearch er agnostisk til programmeringsspråk, kan vi bygge lynraske frontender i JavaScript (Vue, React, Next.js) mens backend håndterer dataflyten.

Uavhengig av plattform er datasikkerhet kritisk, spesielt i B2B-løsninger (SaaS) hvor Kunde A aldri må kunne søke i dataene til Kunde B.

Meilisearch løser dette elegant med Tenant Tokens. I stedet for å gi frontend-applikasjonen full tilgang, genererer backend en signert nøkkel som inneholder hardkodede regler (f.eks. tenant_id = 1). Meilisearch garanterer da, på motornivå, at søket kun skjer innenfor denne kundens data. Dette eliminerer risikoen for datalekkasje gjennom søkefeltet.

Søkefeltet er ikke lenger begrenset til tekst. Meilisearch støtter multimodalt søk, som visker ut skillet mellom tekst og bilder.

Det løser et klassisk problem i netthandel: hvordan beskriver du en stil eller en estetikk med ord?

• Slik fungerer det: En bruker laster opp et bilde av en stol de liker, men som kanskje er for dyr eller feil farge.
• Vektorisering: Systemet bruker en AI-modell (som CLIP) til å «se» bildet og konvertere det visuelle uttrykket til en vektor.
• Resultat: Meilisearch finner umiddelbart produkter i din database som har samme form, stil eller uttrykk som bildet, helt uavhengig av om produktnavnet ligner.

Det åpner for helt nye brukeropplevelser i bransjer som mote, interiør og eiendom, der det visuelle ofte veier tyngre enn det tekniske.

Semantisk søk har gått fra teknologisk kuriositet til nødvendighet for moderne digitale løsninger. Evnen til å forstå hva brukeren faktisk mener, på tvers av stavefeil, synonymer og språk, er ofte det som konverterer en besøkende til en kunde.

For norske bedrifter gir verktøy som Meilisearch søkeopplevelser på høyde med de internasjonale gigantene, til en brøkdel av prisen og kompleksiteten. Det gjelder enten det er nettbutikk, chatbot eller anbefalinger: intensjonsbasert søk kobler det brukeren trenger til det bedriften selger.

PXL bygger dette for deg. Vi kombinerer tung erfaring innen systemarkitektur og moderne webutvikling med spisskompetanse på AI og søketeknologi. Vi tilpasser verktøyene etter deres behov, uavhengig av hvilken plattform dere bruker i dag, og leverer søk som faktisk forstår kundene dine.