Warum ein Archiv nicht schon durchsuchbar ist
Die Dateien liegen meistens längst da. Was fehlt, ist der Weg hinein: PDFs haben Spalten, Scans haben Silbentrennung, und die Suche des Betriebssystems findet ein Wort in einer Datei, aber nicht die Stelle in einem Jahrgang.
Deshalb ist die Textgewinnung der eigentliche Aufwand, nicht die Suche. Sie ist auch die Decke der Qualität: Wo ein Zeitungssatz zwei Spalten verschränkt, bleiben Abschnitte bruchstückhaft — daran ändert kein Modell etwas, und wer etwas anderes verspricht, hat es nicht gemacht.
Was die Fragen-Ansicht darf und was nicht
Ein Sprachmodell, das eine Datenbankabfrage schreiben darf, liefert eine exakte Zahl auf die falsche Frage. Gemessen an einem mittelgrossen Modell: Es wählt zuverlässig das richtige Werkzeug und schreibt unzuverlässiges SQL.
Deshalb kommen die Zahlen aus der Datenbank und das Modell formuliert nur. Es stehen feste, typisierte Abfragen zur Verfügung — zählen, Verlauf, Geldflüsse, Volltext, ähnliche Stellen, Umfang des Bestands — und daneben steht das Protokoll, welche davon benutzt wurde. Eine Antwort ohne Fundstelle gibt es nicht.
Das ist keine Vorsichtsmassnahme aus dem Lehrbuch. Im Prüflauf eines laufenden Systems hat ein Modell drei Zeitungstitel erfunden, die es nie gab — abgeleitet aus Ortsnamen, die im Auftrag standen. Die Ursache war der Auftragstext, nicht das Modell.
Zahlen aus einem laufenden System
Ein solches System läuft seit Juli 2026 im eigenen Haus: rund 1’970 Ausgaben, 43’232 Seiten, davon 27’566 einzigartige Inhalte, dazu 78’834 Abschnitte für die Ähnlichkeitssuche. Eine Suche braucht etwa 150 Millisekunden. Der Prüfsatz aus 19 Fragen mit bekannter Antwort stand zuletzt bei 18 richtigen.
Zwei Einschränkungen, die dazugehören: Der Bestand dahinter ist fremdes Urheberrecht, deshalb ist dieses System nicht öffentlich — ich zeige es in zwanzig Minuten am Bildschirm, aber es steht kein Link dazu auf dieser Seite. Und rohe Trefferzahlen über die Jahre täuschen, solange der Bestand pro Jahr unterschiedlich gross ist: Ein Begriff, der von 24 auf 61 Treffer steigt, ist normiert auf die Bestandsmenge unverändert. Was die Ansicht zeigt, sind Treffer je tausend Seiteninhalte.
Personen im Bestand
Alte Jahrgänge sind voller Namen von Privatpersonen. Wer den Bestand über die eigene Schreibtischkante hinaus zugänglich macht, muss vorher entscheiden, wie damit umgegangen wird — das greift in die Datenhaltung und lässt sich später nicht sauber nachrüsten. Diese Frage steht in der Klärung, nicht am Schluss.
Wofür ich nicht der Richtige bin
Für eine Suchmaschine über Millionen Dokumente mit Hochverfügbarkeit. Und für jemanden, der eine Antwort ohne Fundstelle akzeptiert — dann ist der Aufwand hier zu gross und ein fertiger Anbieter billiger.