Azure AI Search
Microsoft
Redaktionelle Einschätzung auf Basis von 9 öffentlichen Quellen. Kein Hands-on-Produkttest, sofern nicht ausdrücklich anders angegeben. Die Sternebewertung ist eine Meinung der Redaktion.
Mit KI-Agenten recherchiert und geschrieben, verantwortlich: Redaktion KI-Syndikat. So arbeiten wir Fehler melden
Azure AI Search im Team einführen? KI-Training anfragen
Microsofts Managed-Search-Service als Rückgrat vieler Enterprise-RAG-Architekturen. Kombiniert Volltext-, Vektor-, Hybrid- und semantische Suche mit mehreren EU-Regionen (darunter Germany West Central und West Europe, beide derzeit als stark nachgefragt markiert) sowie Switzerland North, tief integriert mit Azure OpenAI, SharePoint und Microsoft Foundry. Die Preisseite führt den Dienst inzwischen unter der Marke Foundry IQ (Azure AI Search).
Kosten: Free-Tier (50 MB, 1 Service pro Abonnement), Basic ab 73,73 USD/Monat, Standard S1 ab 245,28 USD, S2 ab 981,12 USD, S3 ab 1.962,24 USD, Storage-Optimized L1 ab 2.802,47 USD, L2 ab 5.604,21 USD. Semantic Ranker: 1.000 Anfragen/Monat frei, dann 1 USD pro 1.000. Agentic Retrieval (jetzt GA): 0,022 USD/1 Mio. Tokens (Min/Low), 0,10 USD (Medium), erste 50 Mio. Tokens/Monat frei. Neuer Serverless-Tier (Preview, Abrechnung laut Preisseite ab 13. September 2026).
Stärken
- Echtes Hybrid Retrieval (BM25 + Vektor + semantisches Reranking) in einem Dienst
- Mehrere EU-Regionen verfügbar (einige davon derzeit ausgelastet), Daten bleiben in der gewählten Geografie
- Nahtlose Integration mit Azure OpenAI, SharePoint, Blob Storage, Cosmos DB, OneLake
- Enterprise-Security: Entra ID, Private Link, RBAC, dokumentbasierte Zugriffsrechte
- Integrated Vectorization, Embeddings werden automatisch beim Indexieren erzeugt
Einschränkungen
- Azure-Bindung, kein Multi-Cloud-Deployment, Lock-in in Microsoft-Ökosystem
- Fixpreismodell pro Search Unit: schon der Basic-Tier kostet rund 74 USD/Monat, auch wenn leerstehend
- Preise steigen schnell: S1 (245 USD) ist Einstieg für produktive RAG-Workloads, S3 fast 2.000 USD
- Komplexes Azure-Portal, Ersteinrichtung (Skillsets, Indexer, Vektorisierer) braucht Einarbeitung
- Agentic Retrieval mit regionalen Einschränkungen, einige Teilfunktionen weiter in Preview
Passt gut zu
Wann ja, wann nein
Wann ja
- Du baust eine produktive RAG-Anwendung auf Azure OpenAI
- Dein Unternehmen ist ohnehin auf Azure und braucht EU-Hosting
- Du brauchst Hybrid Search mit dokumentbasierten Berechtigungen
- Du willst Embeddings, Chunking und Indexierung in einem Dienst
Wann nein
- Du willst Cloud-unabhängig bleiben (dann besser Elasticsearch, Weaviate)
- Du hast einen einfachen Vektor-Use-Case und kleines Budget (Pinecone Serverless ist günstiger)
- Du brauchst Volltextsuche ohne Vektoren in einem kleinen Projekt (Meilisearch oder Typesense reichen)
- Deine Infrastruktur läuft auf AWS oder GCP, Azure-Lock-in wäre Ballast
Kurzfazit
Azure AI Search ist die naheliegende Wahl, wenn dein Unternehmen ohnehin auf Microsoft setzt und du produktive RAG-Anwendungen mit Azure OpenAI bauen willst. Der Dienst kombiniert klassische Volltextsuche, Vektor-Retrieval und ein Microsoft-eigenes semantisches Reranking in einem verwalteten Paket, mit Hosting in mehreren EU-Regionen. Dafür zahlst du einen Aufpreis: Schon der Einstiegstarif für produktive Workloads (Standard S1) kostet rund 245 USD pro Monat, und du bist fest im Azure-Ökosystem verankert. Wer Cloud-Neutralität will oder einen einfachen, günstigen Vektor-Store sucht, ist mit Pinecone oder Weaviate besser bedient.
Für wen ist Azure AI Search?
Enterprise-Entwicklungsteams im Microsoft-Stack: Wenn euer Unternehmen bereits Microsoft 365, SharePoint und Azure nutzt, ist Azure AI Search die logische Suchschicht. Entra-ID-Authentifizierung, dokumentbasierte Berechtigungen und SharePoint-Indexer funktionieren ohne Custom Code.
RAG-Architekten für produktive Anwendungen: Wer einen Chatbot oder Copilot auf proprietären Unternehmensdaten aufbaut, bekommt mit Azure AI Search Hybrid Retrieval (BM25 + Vektor + semantisches Reranking) und die direkte Koppelung an Azure OpenAI. Die “Integrated Vectorization” erzeugt Embeddings beim Indexieren automatisch, ohne separates Embedding-Backend.
Compliance-getriebene Branchen: Banken, Versicherungen, Gesundheitswesen und Öffentliche Hand finden hier Datenresidenz in der gewählten Geografie, Private Link, Customer-Managed Encryption Keys und in ausgewählten Regionen (unter anderem Switzerland North, UK South, Italy North, West Europe) auch Confidential Computing, das allerdings Semantic Ranker und Agentic Retrieval einschränkt oder abschaltet.
Plattformteams mit mehreren Datenquellen: Wer SharePoint, Azure Blob, Cosmos DB und OneLake gemeinsam durchsuchbar machen will, bekommt fertige Indexer statt selbstgebauter ETL-Pipelines.
Weniger geeignet für: Startups mit knappem Budget (Fixkosten ab ca. 74 USD/Monat ohne Nutzung), Cloud-agnostische Architekturen, einfache Semantik-Suche ohne Enterprise-Features (Pinecone oder Weaviate sind hier schlanker) und Teams ohne Azure-Erfahrung, für die die Einarbeitung ins Portal zum Stolperstein wird.
Preise im Detail
Azure AI Search rechnet nach “Search Units” (SU). Eine SU ist eine Partition plus eine Replik. Du zahlst einen festen Monatspreis pro SU, auch wenn dein Index leer steht. Skalierung erfolgt über zusätzliche Partitionen (Speicher) oder Replikas (Durchsatz/SLA).
| Tier | Preis (USD/Monat) | Speicher | Partitionen × Replicas | Zielgruppe |
|---|---|---|---|---|
| Free | 0 | 50 MB, 3 Indizes | Gemeinsam genutzt | Tutorials, Prototyping, Demos |
| Basic | ~73,73 | 15 GB/Partition (max. 45 GB) | bis 3 × 3 | Kleine Produktion, erste RAG-Apps |
| Standard S1 | ~245,28 | 160 GB/Partition (max. 1,9 TB) | bis 12 × 12 (max. 36 SU) | Produktive RAG mit moderatem Volumen |
| Standard S2 | ~981,12 | 512 GB/Partition (max. 6 TB) | bis 12 × 12 | Größere Wissensdatenbanken, hohe QPS |
| Standard S3 | ~1.962,24 | 1 TB/Partition (max. 12 TB) | bis 12 × 12 | Enterprise-Workloads, hohe Relevanz-Anforderungen |
| Standard S3 HD | ~1.962,24 | High-Density-Modus | bis 3 Partitionen | Multi-Tenant-SaaS mit vielen kleinen Indizes |
| Storage-Optimized L1 | ~2.802,47 | 2 TB/Partition, bis 24 TB/Service | bis 12 × 12 | Große, selten geänderte Indizes |
| Storage-Optimized L2 | ~5.604,21 | 4 TB/Partition, bis 48 TB/Service | bis 12 × 12 | Massive Archive-ähnliche Workloads |
Serverless (Preview): Microsoft bietet zusätzlich ein verbrauchsbasiertes Serverless-Modell an (Tier “Developer”): Abrechnung nach Compute Units pro Stunde (CU/h) und GB-Speicher pro Monat, der Dienst skaliert bei Inaktivität auf null. Die Preisseite führt es weiterhin als Preview und nennt als Abrechnungsbeginn den 13. September 2026. In Europa markiert die Regionsseite Serverless unter anderem für Denmark East, Poland Central, Sweden Central, Switzerland North und UK South, nicht aber für Germany West Central, West Europe oder France Central. Für variable oder seltene Lasten kann das günstiger sein als das Fixpreismodell, Preview-Funktionen sind laut Microsoft nicht für Produktivlasten empfohlen.
Zusatzkosten:
- Semantic Ranker: 1.000 Anfragen/Monat frei, danach 1 USD pro 1.000 Anfragen
- Agentic Retrieval (jetzt GA): 0,022 USD pro 1 Mio. Tokens bei Min/Low-Reasoning, 0,10 USD bei Medium, erste 50 Mio. Tokens/Monat frei. LLM-basierte Abfrageplanung läuft über Azure OpenAI und wird dort nach Tokens abgerechnet
- AI-Anreicherung / Skillsets: Custom Entity Lookup 1 USD pro 1.000 Text-Records (gestaffelt bis 0,25 USD ab 10 Mio.), Image Extraction 1 USD pro 1.000 Transaktionen (gestaffelt bis 0,65 USD ab 5 Mio.)
- Bandbreite, Storage-Egress und angebundene Azure OpenAI Embeddings zusätzlich nach Azure-Standardtarifen
Einordnung: Der Free-Tier ist ein echter Sandkasten, 50 MB Speicher, 3 Indizes, ein Service pro Abonnement, und bei längerer Inaktivität kann er gelöscht werden. Für realistische Prototypen reicht er nicht aus. Der Basic-Tier ist die absolute Untergrenze für produktive kleine Use Cases (typisch: wenige hundert MB Index, FAQ-Chatbot). Wer semantisches Ranking oder mehrere hunderttausend Dokumente indexiert, landet schnell bei S1, und damit bei rund 3.000 USD Jahresfixkosten, bevor ein einziger User eine Anfrage gestellt hat.
Stärken im Detail
Hybrid Search aus einem Guss. Während du bei vielen Vektor-Datenbanken Lexical-Search (BM25) und Vektor-Similarity selbst kombinieren musst, liefert Azure AI Search beides nativ und fusioniert die Ergebnisse per Reciprocal Rank Fusion. Kombiniert mit dem Semantic Ranker, von Microsoft gehosteten Modellen, entsteht eine Retrieval-Qualität, die für viele RAG-Szenarien deutlich präziser ist als reine Vektor-Suche.
Integrated Vectorization spart eine komplette Pipeline. Du konfigurierst einmal einen “Vectorizer” (z.B. Azure OpenAI Embeddings), und der Dienst kümmert sich beim Indexieren um Chunking, Embedding-Erzeugung und Speicherung. Bei reinen Vektor-Datenbanken wie Pinecone musst du das selbst orchestrieren, mit Azure AI Search ist es ein JSON-Parameter.
Enterprise-Security ist Standard, nicht Premium. Entra-ID-Integration, Role-Based Access Control, Private Endpoints und IP-Firewall sind ab Basic dabei. Dokumentbasierte Zugriffskontrolle (“Security Trimming”) sorgt dafür, dass ein Mitarbeiter in einer RAG-Anwendung nur Dokumente sieht, die er laut SharePoint-Berechtigungen sehen darf, ein Feature, das in der Open-Source-Welt erheblichen Eigenbau bedeutet.
EU-Hosting mit Einschränkung bei der Kapazität. Germany West Central, West Europe, France Central, Sweden Central und Switzerland North stehen auf der Regionsseite, in allen fünf sind Semantic Ranker und Agentic Retrieval gelistet. Allerdings markiert Microsoft Germany West Central, West Europe, North Europe und Sweden Central als stark nachgefragt: dort lassen sich laut Regionsseite keine neuen Services anlegen. Confidential Computing gibt es unter anderem in Switzerland North und West Europe, schränkt aber Semantic Ranker und Agentic Retrieval ein oder schaltet sie ab.
Agentic Retrieval, inzwischen produktiv. Eingeführt Ende 2024, ist Agentic Retrieval mittlerweile generally available, allerdings nur mit minimalem, extraktivem Retrieval; LLM-basierte Abfrageplanung, Antwortsynthese und höherer Reasoning-Aufwand sind laut Microsoft weiter Preview. Im vollen Umfang zerlegt ein LLM die Frage in Teilanfragen, führt diese parallel über mehrere Wissensquellen aus und liefert ein strukturiertes Antwort-Objekt mit Activity-Log zurück. Abgerechnet wird im Token-Modell: 0,022 USD pro 1 Mio. Tokens bei niedrigem Reasoning-Aufwand (Min/Low), 0,10 USD bei mittlerem (Medium), die ersten 50 Mio. Tokens pro Monat sind frei. Für agentische Workflows ist das architektonisch interessant, regionale Einschränkungen bestehen weiterhin.
Schwächen ehrlich betrachtet
Fixkosten schmerzen bei niedriger Nutzung. Anders als bei Pinecone Serverless oder OpenSearch-Serverless zahlst du den Service-Tarif rund um die Uhr, auch wenn dein Chatbot nachts schläft. Ein Basic-Service steht auch bei null Queries mit rund 74 USD im Monat zu Buche. Für eine Abteilungslösung mit 50 Queries/Tag wirkt das teuer.
Azure-Lock-in ist real. Indexer, Skillsets, Vectorizer und die native Azure-OpenAI-Anbindung machen es einfach, tief in Azure zu gehen, und schwer, später auf AWS oder GCP zu wechseln. Migrationspfade existieren technisch (Export zu JSON), aber die Custom Skills und Semantic-Ranker-Logik sind nicht portabel.
Das Portal ist Azure-Portal. Wer zum ersten Mal einen Index mit Indexer, Skillset und Vectorizer anlegt, kämpft sich durch drei verschiedene Blades und mehrere JSON-Dokumente. Im Vergleich zu einem Dashboard von Weaviate Cloud oder der “pip install pinecone”-Einfachheit ist das ein Onboarding-Schock. Terraform oder Bicep hilft, ist aber Pflicht für ernsthafte Deployments.
Semantic Ranker ist eine Blackbox. Microsoft gibt wenig Details preis, welches Modell im Hintergrund läuft und wie es aktualisiert wird. Für hochregulierte Branchen, die jeden Teil des Retrievals auditieren müssen, ist das unschön, Open-Source-Alternativen wie Cohere Rerank (selbst gehostet) oder bge-reranker sind transparenter.
Agentic Retrieval bleibt anspruchsvoll. Zwar inzwischen generally available, aber nicht in allen EU-Regionen verfügbar, mit einzelnen Teilfunktionen weiter in Preview und separatem Token-basiertem Pricing, das bei intensiver Nutzung und höherem Reasoning-Aufwand (Medium: 0,10 USD/1 Mio. Tokens) schnell dreistellige Beträge pro Monat erreicht. Wer es einsetzt, sollte Region und Token-Budget vorab klären.
Dokumentation ist umfangreich, aber fragmentiert. Microsoft Learn hat sich seit dem Rebrand von “Cognitive Search” mehrfach umgebaut; ältere Blog-Posts verweisen auf deprecated Features. Für Einsteiger schwerer zu navigieren als die fokussierte Docs-Landschaft von Pinecone oder Weaviate.
Alternativen im Vergleich
| Wenn du… | …nimm stattdessen |
|---|---|
| Cloud-neutral bleiben willst und reines Vektor-Retrieval brauchst | Pinecone oder Weaviate |
| eine Open-Source-Lösung zum Selbsthosten suchst | Elasticsearch oder OpenSearch |
| auf AWS bist und tiefe AWS-Integration brauchst | OpenSearch (AWS-managed) |
| eine Vektor-Datenbank mit GraphQL-API willst | Weaviate |
| Volltextsuche für Dokumente ohne KI-Layer brauchst | Elasticsearch |
| nur eine RAG-Komponente zu einem bestehenden LLM-Workflow willst | Pinecone Serverless |
Unser Rat: Wenn du nicht ohnehin im Microsoft-Ökosystem lebst, ist Azure AI Search selten die kosteneffizienteste Option. Seine Stärke liegt in der Integration, steht die, ist er konkurrenzlos komfortabel. Fehlt sie, konkurriert er gegen Spezialisten, die in ihrem Kernbereich (reines Vektor-Retrieval, reine Volltextsuche) entweder günstiger oder schlanker sind.
So steigst du ein
Schritt 1: Lege im Azure-Portal einen neuen “AI Search”-Dienst an. Wähle eine EU-Region, die die Features bietet, die du brauchst (Semantic Ranker, Agentic Retrieval). Germany West Central und West Europe sind derzeit als stark nachgefragt markiert, das Portal blendet nicht verfügbare Regionen aus; prüfe also vorab, welche Region dir tatsächlich offensteht. Starte mit dem Basic-Tarif für Prototypen, Free reicht nur für Tutorials. Aktiviere semantisches Ranking in den Service-Einstellungen (Gratis-Kontingent: 1.000 Anfragen/Monat).
Schritt 2: Erstelle einen Index mit einem Vektorfeld. Verknüpfe Azure OpenAI als Embedding-Provider über einen “Vectorizer” (typisch: text-embedding-3-small). Definiere Chunking-Parameter im Skillset (gängig: 512 Tokens, 128 Overlap). Lade Dokumente per Indexer direkt aus Azure Blob, SharePoint oder Cosmos DB, der Service kümmert sich um Extraktion, Chunking, Embedding und Indexierung.
Schritt 3: Feuere eine Hybrid Query per REST oder SDK (C#, Python, Java, JavaScript) ab: BM25-Anteil + Vektor-Anteil + Semantic Ranker. Werte die Relevanz über das Azure-Portal-Metrics-Blade aus und justiere Chunking, Scoring-Profile oder Filter. Ab diesem Punkt steckst du das Ergebnis in deinen Azure-OpenAI-Prompt, fertig ist die RAG-Pipeline.
Ein konkretes Beispiel
Ein illustratives Szenario: Ein mittelständischer Versicherer aus München baut einen internen Assistenten für Schadenregulierer: Die Fachkräfte sollen in natürlicher Sprache Fragen zu Versicherungsbedingungen, internen Richtlinien und ähnlichen Schadensfällen stellen können. Die Dokumentenbasis: rund 48.000 PDFs in SharePoint Online, dazu 12.000 historische Schadenakten in Azure Blob Storage.
Die IT-Abteilung richtet in einer EU-Region einen Standard S1-Service ein (rund 245 USD/Monat) und nutzt den SharePoint-Indexer mit Berechtigungsübernahme: Ein Regulierer aus dem Kfz-Team sieht nur Dokumente, die er laut SharePoint sehen darf. Integrated Vectorization mit text-embedding-3-large erzeugt Embeddings; Semantic Ranker verfeinert die Top-50-Ergebnisse auf die tatsächlich relevanten Top-5. Die Anbindung an GPT-4o in Azure OpenAI passiert in 20 Zeilen Python.
Das Szenario ist konstruiert und keine Kundenreferenz. Der Compliance-Beauftragte würde die Lösung prüfen, weil die Daten in der gewählten Geografie bleiben, ein Auftragsverarbeitungsvertrag mit Microsoft geklärt sein muss und Entra ID die bestehende Berechtigungslogik spiegeln soll.
Nicht sicher, ob Azure AI Search zu euch passt?
Wir helfen bei der Tool-Auswahl und begleiten die Einführung in euren Arbeitsalltag, unverbindlich und kostenlos im Erstgespräch.
DSGVO & Datenschutz
- Datenhosting: Frei wählbar innerhalb der Azure-Regionen, in Europa unter anderem Germany West Central, West Europe, France Central, Sweden Central, Switzerland North/West, Italy North, Norway East, Poland Central und Spain Central. Laut Microsoft bleiben Daten in deiner Geografie, solange du keine Features nutzt, die in Azure Storage einer anderen Region schreiben (Enrichment-Cache, Debug Sessions, Knowledge Stores); Objektnamen (Indizes, Felder, Indexer) können in Telemetrie-Logs auch außerhalb der Region verarbeitet werden
- Datennutzung: Laut Microsoft Learn werden Kundendaten aus Azure AI Search nicht zum Training oder zur Verbesserung von Modellen genutzt, auch nicht für Built-in Skills oder Semantic Ranking
- Auftragsverarbeitung: Abonnierst du ein Produkt nach den Microsoft Product Terms, regelt laut Microsoft das Data Protection Addendum (DPA) die Bedingungen für Datenverarbeitung und Sicherheit. Aktuelle und frühere Fassungen des DPA stehen öffentlich zum Download
- Verschlüsselung: Verschlüsselung im Ruhezustand (256-bit AES) und im Transport (TLS 1.2 oder 1.3) standardmäßig; Customer-Managed Keys sind im Free-Tier nicht verfügbar
- Zugangskontrolle: Entra ID (ehem. Azure AD), RBAC, Private Link, IP-Firewall, dokumentbasierte Zugriffsrechte (“Security Trimming”)
- Compliance-Zertifikate: Laut Microsoft Learn hält Azure AI Search unter anderem Zertifizierungen nach ISO 27001, ISO 27018, ISO 27701, SOC 2, FedRAMP und HIPAA und verweist zusätzlich auf die DSGVO. Die vollständige Liste führt Microsoft in den Azure Compliance Offerings
- Empfehlung für Unternehmen: Region explizit auf EU festlegen (Standard ist nicht automatisch EU), Confidential Computing prüfen (schränkt Semantic Ranker und Agentic Retrieval ein oder schaltet sie ab), wenn personenbezogene Gesundheits-, Finanz- oder Mandantendaten verarbeitet werden. Für Branchen unter Berufsgeheimnis (§ 203 StGB): zusätzliche Verträge mit Microsoft über Sub-Auftragsverarbeiter klären
Gut kombiniert mit
- Azure OpenAI Service, die naheliegende LLM-Schicht oberhalb des Retrievals. Microsoft nennt die Integration mit Azure OpenAI und Microsoft Foundry ausdrücklich als Kernfunktion; Embeddings und Generierung hängst du als Vectorizer bzw. Modell an den Index.
- Microsoft 365 Copilot / SharePoint, als Datenquelle über den nativen SharePoint-Indexer. Berechtigungen werden übernommen, Änderungen automatisch reindexiert.
- LangChain oder Semantic Kernel, wenn du die Retrieval-Logik nicht im Azure-SDK, sondern in einem Orchestrator-Framework kapseln willst; beide haben vollwertige Azure-AI-Search-Retriever-Klassen.
Unser Fazit
Azure AI Search verdient 4 von 5 Sternen. Die Integration mit dem Microsoft-Stack, das solide Hybrid-Retrieval inklusive Semantic Ranker, EU-Hosting mit Confidential-Computing-Option und die Enterprise-Sicherheitsfeatures sind in dieser Tiefe bei kaum einem Konkurrenten gebündelt zu bekommen. Den fünften Stern kostet der Dienst durch die hohen Fixkosten (Basic ab 74 USD/Monat, S1 schon bei 245 USD), die Azure-Bindung, das komplexe Portal und die weiterhin als Preview laufenden Teilfunktionen des Agentic Retrieval. Wer im Microsoft-Universum sitzt, findet keine bessere Option. Wer es nicht tut, sollte ehrlich rechnen: Pinecone oder Weaviate sind oft schneller und günstiger am Ziel.
Was wir bemerkt haben
- November 2023, Microsoft hat “Azure Cognitive Search” in “Azure AI Search” umbenannt. Funktional gab es zeitgleich den produktiven Rollout von Vector Search und Hybrid Search. Ältere Blog-Posts und Tutorials nutzen noch die alte Bezeichnung, beim Googeln auf den Zeitstempel achten.
- April 2024, Microsoft hat die Partitionsgrößen und Vektor-Kontingente auf fast allen Tiers deutlich erhöht, bei unverändertem Preis. Wer einen Service vor April 2024 angelegt hat, kann über das Portal “Upgrade service” kostenlos zur größeren Kapazität wechseln. Viele Teams wissen das nicht und zahlen effektiv zu viel.
- Mai 2024, Zweite Welle der Kapazitätserweiterung. Seitdem bietet fast jede Region die Higher-Capacity-Partitionen; Ausnahmen (z.B. Spain Central, Qatar Central) sind in der Regionsliste mit Fußnoten markiert.
- Ende 2024, Agentic Retrieval wurde als Public Preview eingeführt. Das System zerlegt komplexe Fragen per LLM in Teilanfragen, führt diese parallel aus und liefert eine strukturierte Antwort mit Activity-Log. Preismodell erstmals Token-basiert (0,022 USD/1 Mio. Tokens, erste 50 Mio. frei), ungewöhnlich für Azure Search, das sonst rein SU-basiert abrechnet.
- 2025/2026, Agentic Retrieval ist inzwischen generally available (einzelne Teilfunktionen noch in Preview). Das Token-Pricing wurde um Reasoning-Stufen ergänzt: 0,022 USD/1 Mio. Tokens bei Min/Low, 0,10 USD bei Medium.
- 2025/2026, Microsoft vermarktet Azure AI Search zunehmend unter der neuen Dachmarke Foundry IQ. Die Preisseite trägt den Titel “Foundry IQ pricing”, die Abrechnung läuft weiterhin unter “Azure AI Search”. Beim Recherchieren beide Namen im Kopf behalten.
- 2026, Serverless-Modell (Preview) mit verbrauchsbasierter Abrechnung (Compute Units pro Stunde, Scale-to-Zero). Stand Oktober 2026 nennt die Preisseite als Abrechnungsbeginn den 13. September 2026; die Regionsseite listet Serverless inzwischen in deutlich mehr Regionen als zum Start, in Europa etwa Denmark East, Poland Central, Sweden Central, Switzerland North und UK South. Für unregelmäßige Lasten kann es günstiger sein als das Fixpreismodell.
- Oktober 2026, Die Regionsseite markiert in Europa North Europe, Germany West Central, West Europe und Sweden Central als stark nachgefragt: neue Services lassen sich dort laut Microsoft nicht anlegen. Ein Umzug von North Europe nach Germany West Central oder West Europe ist damit keine sichere Option mehr, prüfe die aktuelle Verfügbarkeit im Portal.
- Laufend, Ein Free-Service kann laut Microsoft nach längerer Inaktivität gelöscht werden. Für Dauer-Prototypen nicht darauf verlassen; mindestens Basic einplanen oder den Service regelmäßig anpingen.
Quellen
- Azure AI Search (Foundry IQ) - Preisübersicht. https://azure.microsoft.com/en-us/pricing/details/search/ (abgerufen am 2026-10-30). Dedicated-Tiers: Free 0 USD, Basic 73,73 USD, S1 245,28 USD, S2 981,12 USD, S3 1.962,24 USD, L1 2.802,47 USD, L2 5.604,21 USD/Monat sowie Speicher pro Partition je Tier; Semantic Ranker 1 USD/1.000 Anfragen (1.000 frei); Agentic Retrieval 0,022 USD (Min/Low) bzw. 0,10 USD (Medium) pro 1 Mio. Tokens, erste 50 Mio. frei; Custom Entity Lookup und Image Extraction gestaffelt; Serverless (Preview) mit Abrechnungsbeginn 13. September 2026.
- Microsoft Learn - Introduction to Azure AI Search. https://learn.microsoft.com/en-us/azure/search/search-what-is-azure-search (abgerufen am 2026-10-30). Voll verwalteter Dienst mit Volltext-, Vektor-, Hybrid- und Multimodal-Suche, AI-Enrichment, Integration mit Azure Blob, Cosmos DB, SharePoint, OneLake, Azure OpenAI und Microsoft Foundry; Agentic Retrieval generally available mit einzelnen Preview-Funktionen; Entra ID, Private Link, dokumentbasierte Zugriffskontrolle und rollenbasierter Zugriff.
- Microsoft Learn - Supported regions for Azure AI Search. https://learn.microsoft.com/en-us/azure/search/search-region-support (abgerufen am 2026-10-30). Regionstabelle mit Semantic Ranker, Agentic Retrieval und Serverless je Region; Hinweis auf stark nachgefragte Regionen ohne neue Services (u. a. Germany West Central, West Europe, North Europe, Sweden Central); Confidential Computing nur in ausgewählten Regionen, schränkt Semantic Ranker und Agentic Retrieval ein oder deaktiviert sie.
- Microsoft Learn - Data, privacy, and built-in protections. https://learn.microsoft.com/en-us/azure/search/search-security-overview (abgerufen am 2026-10-30). Verschlüsselung im Ruhezustand (256-bit AES) und im Transport (TLS 1.2/1.3), Datenresidenz in der gewählten Geografie mit Ausnahmen, keine Nutzung von Kundendaten für Modelltraining, Zertifizierungen unter anderem ISO 27001, ISO 27018, ISO 27701, SOC 2, FedRAMP und HIPAA.
- Microsoft – Products and Services Data Protection Addendum (DPA). https://www.microsoft.com/licensing/docs/view/Microsoft-Products-and-Services-Data-Protection-Addendum-DPA (abgerufen am 2026-10-30). Bei einem Abonnement nach den Product Terms regelt das DPA die Datenverarbeitungs- und Sicherheitsbedingungen; aktuelle und archivierte Fassungen zum Download.
- Microsoft Learn - Choose a pricing tier. https://learn.microsoft.com/en-us/azure/search/search-sku-tier (abgerufen am 2026-10-30). Customer-Managed Keys, IP-Firewall und Private Endpoint (inbound) nicht im Free-Tier.
- Microsoft Learn - Service limits in Azure AI Search. https://learn.microsoft.com/en-us/azure/search/search-limits-quotas-capacity (abgerufen am 2026-10-30). Free-Tier: ein Service pro Abonnement, geteilte Infrastruktur, 50 MB Speicher, kann nach längerer Inaktivität gelöscht werden.
- Microsoft Learn - Agentic retrieval overview. https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-overview (abgerufen am 2026-10-30). Agentic Retrieval mit GA-Funktionen (minimales, extraktives Retrieval) und Preview-Funktionen (LLM-Abfrageplanung, Antwortsynthese, höherer Reasoning-Aufwand); Abrechnung von Retrieval-Tokens und Azure-OpenAI-Tokens.
- Microsoft Learn - Hybrid search overview. https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview (abgerufen am 2026-10-30). Hybrid-Suche kombiniert Volltext (BM25) und Vektorabfragen, Ergebnisse werden per Reciprocal Rank Fusion zusammengeführt.
Diesen Inhalt teilen:
Empfohlen in 3 Use Cases
Gasversorgung & Netzbetrieb
Telekommunikation
Unternehmensberatung