Sinequa

Kurzfazit

Sinequa ist eine Enterprise-KI-Plattform aus Frankreich (seit 2024 unter dem Dach der ChapsVision-Holding), die seit über zwei Jahrzehnten Wissen aus großen, verteilten Unternehmensquellen suchbar macht, Confluence, SharePoint, Salesforce, ERP, CRM, Dateifreigaben, Datenbanken. Mit dem GenAI-Wendepunkt 2023 hat sich das Produkt von einer reinen Enterprise-Suche zur agentischen RAG-Plattform weiterentwickelt: Antworten statt Linklisten, mit dokumentenbasierten Zugriffsrechten, die zur Abfragezeit durchgesetzt werden. Stärken: Über 200 vorgefertigte Connectoren, EU-Datensouveränität, On-Prem-Deployment, Skalierung auf Hunderte Millionen Dokumente bei Kunden wie Pfizer, Airbus oder NASA. Schwächen: Pricing real sechsstellig aufwärts, Einführung dauert Monate, kein Self-Service. Sinequa ist kein KMU-Tool, es ist die Wahl für regulierte Großunternehmen, die ihre Daten nicht aus der Hand geben wollen.

Für wen ist Sinequa?

Großunternehmen mit verteiltem Wissen: Sobald ein Unternehmen Dokumente in mehr als einer Handvoll Systeme pflegt, SharePoint, Confluence, Salesforce, SAP, Datenbanken, geteilte Laufwerke, wächst der Suchverlust überproportional. Sinequa adressiert genau dieses Problem mit über 200 vorgefertigten Connectoren, die Inhalte indexieren, anreichern und durchsuchbar machen, ohne dass die Quellsysteme selbst angepasst werden müssen.

Regulierte Branchen mit Compliance-Last: Pharma, Luftfahrt, Verteidigung, Banken, Versicherungen, überall dort, wo Daten nicht in Multitenant-Clouds in den USA verarbeitet werden dürfen, ist Sinequa eine ernstzunehmende Wahl. Die Plattform läuft On-Premises oder in der privaten Cloud (AWS, Azure, GCP, auch in EU-Regionen), und die dokumentenbasierte Zugriffskontrolle wird zur Abfragezeit durchgesetzt, Mitarbeiter sehen nur Treffer, für die sie berechtigt sind.

Forschungs- und Entwicklungsabteilungen: Pharma-Konzerne wie Pfizer setzen Sinequa ein, um Patente, klinische Studien, interne Forschungsberichte und externe Wissensquellen einheitlich durchsuchbar zu machen. Wer in einem F&E-Team mit Zehntausenden Dokumenten arbeitet und stundenlange Sucharbeit auf Sekunden verkürzen will, gehört zur Zielgruppe.

Unternehmen, die agentische KI auf eigener Wissensbasis bauen: Sinequa positioniert sich seit 2024 explizit als „Enterprise Agentic AI Platform”, der RAG-Layer für KI-Agenten und -Assistenten, die in fundierten internen Quellen verankert sind statt in offenem Web. Wer GenAI produktiv einsetzen will, ohne Halluzinationen zu riskieren, bekommt mit Sinequa Quellenkontrolle, Audit-Trails und Modellfreiheit aus einer Hand.

EU-Konzerne mit Datensouveränitätsanspruch: Französische Wurzeln, ChapsVision als europäischer Eigentümer, On-Prem-Option, Sinequa ist eines der wenigen Enterprise-Search-Produkte, das ohne US-Zwischenlandung auskommt. Für Behörden, kritische Infrastruktur oder Verteidigungsindustrie ein entscheidendes Argument.

Weniger geeignet für: KMU unter 500 Mitarbeitenden (Pricing- und Komplexitätsbarriere zu hoch), Teams ohne eigene Plattform-Mannschaft (Sinequa läuft nicht von allein), Use-Cases, bei denen Microsoft Search oder ein einfaches Confluence-Suchplugin reichen würden, und Projekte mit Zeitdruck unter drei Monaten.

Preise im Detail

Komponente	Preis	Was du bekommst
Enterprise-Lizenz	Auf Anfrage	Sinequa-Plattform mit allen Connectoren, modellunabhängiges RAG, agentische Orchestrierung, Sicherheits-Layer
Deployment On-Prem	Inklusive (Lizenz)	Installation in eigenem Rechenzentrum, kein Cloud-Zwang
Deployment Private Cloud	Inklusive (Lizenz)	Bereitstellung in AWS, Azure oder GCP, auch in EU-Regionen
Implementierungs-Services	Projektabhängig	Sinequa-Berater oder zertifizierte Integratoren, typischerweise sechsstellig zusätzlich zur Lizenz
Support & Wartung	18–22 % der Lizenz/Jahr	Updates, Patches, Premium-Support
Proof of Concept	Kostenpflichtig (auf Anfrage)	Begleitete Pilotinstallation mit echten Quellsystemen, in der Regel 8–12 Wochen

Einordnung: Sinequa veröffentlicht keine Preise, und das ist ein bewusstes Signal: Wer Pricing-Transparenz braucht, ist nicht die Zielgruppe. In der Praxis bewegen sich Lizenzkosten bei mittelgroßen Bereitstellungen im niedrigen sechsstelligen Bereich pro Jahr, bei Konzernrollouts schnell siebenstellig, abhängig von Dokumentenvolumen, Connectoren, Nutzerzahl und Deployment-Modell. Hinzu kommen die Implementierungskosten, die in der ersten Projektphase oft die Lizenzkosten erreichen oder übersteigen. Wer Sinequa evaluiert, sollte mit einem Gesamtbudget im hohen sechsstelligen Bereich für Jahr 1 rechnen. Die Plattform amortisiert sich erst über produktive Skalierung, bei Pfizer oder Airbus, wo Zehntausende Mitarbeitende täglich suchen, rechnet sich das. Für ein 200-Köpfe-Mittelstand-Setup ist es Overkill.

Stärken im Detail

Connector-Tiefe ist das eigentliche Asset. Über 200 fertige Anbindungen sind keine Marketing-Liste, sie funktionieren produktiv, behandeln Berechtigungen korrekt (insbesondere SharePoint-ACLs, was technisch nicht trivial ist), und werden von Sinequa gewartet. Wer einen Connector in Eigenregie für SAP oder Salesforce bauen müsste, beschäftigt zwei Entwickler für sechs Monate. Das ist der Punkt, an dem Build-vs-Buy bei Enterprise-Search praktisch immer „Buy” lautet.

Sicherheit zur Abfragezeit, nicht zur Indexierung. Klassische Suchsysteme indexieren alles und filtern später, was Sicherheitslücken erzeugt, sobald Berechtigungen sich ändern. Sinequa verschiebt die Berechtigungsprüfung in den Abfragepfad: Bei jeder Suche wird gegen das aktuelle Berechtigungsmodell des Quellsystems geprüft. Ein Mitarbeiter, der gestern auf ein Confluence-Space verlor, sieht heute keine Treffer mehr daraus, auch wenn der Index noch nicht neu gebaut wurde. Für regulierte Branchen ist genau das der Knackpunkt, an dem viele günstigere Alternativen scheitern.

Modellunabhängiges RAG. Sinequa zwingt dich nicht in ein bestimmtes LLM. Du kannst GPT-4 von OpenAI, Claude von Anthropic, Mistral aus EU-Hosting oder ein lokal betriebenes Open-Source-Modell hinter den RAG-Layer setzen, pro Anwendungsfall unterschiedlich. Für DSGVO-sensible Anfragen läuft ein lokales Modell, für allgemeine Recherche das günstigere Cloud-Modell. Diese Flexibilität fehlt bei Microsoft Copilot oder Glean, die fest an einen Modellanbieter gekoppelt sind.

Skalierung wirklich auf Konzernniveau. Anbietergaben sprechen von 400 Millionen Dokumenten, 50 Milliarden Datensätzen und 200.000+ aktiven Nutzern in einzelnen Bereitstellungen. Referenzen wie Pfizer, ExxonMobil, NASA, Airbus, BASF und TotalEnergies belegen, dass die Plattform unter realer Konzernlast steht, was bei jüngeren Wettbewerbern wie Glean noch nicht in dieser Tiefe nachgewiesen ist.

EU-Anbieter mit On-Prem-Option. In einem Markt, in dem Microsoft, Google und Glean das US-Spielfeld dominieren, ist Sinequa eine der wenigen seriösen EU-Alternativen. Französischer Hauptsitz, seit 2024 unter ChapsVision (französische Holding mit Schwerpunkt auf Sicherheits- und Souveränitätstechnologien), und die Möglichkeit, vollständig im eigenen Rechenzentrum oder in einer EU-Region der eigenen Cloud zu betreiben. Für Behörden, Verteidigung und kritische Infrastruktur in Deutschland, Frankreich oder der Schweiz oft alternativlos.

Automatische Inhaltsanreicherung. Sinequa enthält NLP-Pipelines, die Dokumente automatisch klassifizieren, Entitäten extrahieren (Personen, Orte, Produkte, Verträge), Sprachen erkennen und Metadaten anreichern, ohne dass ein Bibliothekar händisch Tags pflegt. Das ist der Mechanismus, der Suche in unstrukturierten Beständen überhaupt erst nützlich macht.

Schwächen ehrlich betrachtet

Pricing-Intransparenz ist ein Filter, und Hürde. Der „Auf Anfrage”-Preisansatz schließt KMU systematisch aus und macht selbst für Großunternehmen den Vergleich mit Wettbewerbern schwierig. Wer ein PoC startet, hat in der Regel Zeit- und Budgetdruck, aber bei Sinequa zieht sich allein die Vertragsverhandlung Wochen, keine guten Voraussetzungen für ein agiles KI-Programm.

Einführungsdauer von 3–9 Monaten ist Realität. Das ist nicht Sinequa-spezifisch (jede Enterprise-Search-Lösung dauert), aber es muss benannt werden. Quellsysteme anbinden, Berechtigungen mappen, Anreicherungspipelines konfigurieren, Suchergebnisse trainieren, das sind nicht Tage, sondern Quartale. Wer in der Geschäftsleitung „Wir wollen in vier Wochen einen KI-Assistenten haben” verspricht, scheitert mit Sinequa garantiert.

Talentpool in Deutschland überschaubar. Sinequa-Spezialisten findest du in Frankreich und in einigen großen Beratungen, die das Produkt jahrelang implementiert haben. In Deutschland ist die Verbreitung deutlich geringer als bei Microsoft- oder Salesforce-Stack. Wer das Projekt intern führen will, muss entweder externe Berater zukaufen oder ein eigenes Team aufbauen, beides kostet Zeit und Geld.

Wachsender Konkurrenzdruck bei generativer Suche. Glean, Microsoft Copilot for Microsoft 365 und Coveo entwickeln sich rasant, und sie haben den Vorteil, näher an den Cloud-Stacks zu sitzen, in denen Daten ohnehin liegen. Microsoft Copilot ist für SharePoint- und Microsoft-365-Häuser ein quasi unumgehbarer Default geworden. Sinequas Differenzierung, Connector-Breite, On-Prem, EU-Souveränität, bleibt stark, aber der „Wir können einfach mehr”-Vorsprung schmilzt.

Konsolidierung unter ChapsVision noch jung. Sinequa ist 2024 von der ChapsVision-Holding übernommen worden, einer französischen Gruppe mit Schwerpunkt auf Sicherheits-, Souveränitäts- und Aufklärungstechnologien (u. a. mit Marken wie Geo4i, Bertin IT). Die Strategie wirkt schlüssig, Sinequa bekommt ein staatsnah finanziertes Dach für regulierte Märkte, aber wie sich Roadmap, Pricing und Innovationstempo unter dem neuen Eigentümer entwickeln, ist 2026 noch nicht ausgereizt. Käufer sollten sich mit dem strategischen Bezugsrahmen ChapsVision aktiv auseinandersetzen.

Kein Self-Service, keine Free Trial. Wer Sinequa „mal eben anschauen” will, kommt nicht weit. Es gibt keine offene Demo-Instanz, keine Sandbox, keinen kostenlosen Tier. Jeder Kontakt läuft über Sales und Pre-Sales-Engineering. Für Tech-Entscheider, die Hands-on-Evaluierung gewohnt sind, ist das ungewohnt, und ein Grund, warum Wettbewerber wie Glean (mit großzügigeren PoC-Pfaden) im Mid-Market schneller wachsen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine günstigere RAG-Lösung selbst bauen willst	LangChain
Suche und Analytics in einem flexiblen Open-Source-Stack brauchst	Elasticsearch
Volle Microsoft-Integration über SharePoint und Teams willst	Microsoft 365 Copilot
Embeddings und Modelle aus europäischer Cloud beziehen willst	Hugging Face
Workflow-Automation um KI-Suche herum bauen willst	n8n

Erwähnenswert ohne eigene Tool-Seite: Glean (US-Wettbewerber mit ähnlichem Anspruch, schnellere Cloud-Einführung, aber ohne EU-On-Prem-Option), Coveo (kanadischer Anbieter, stark im E-Commerce- und Service-Bereich), IBM Watsonx Discovery (für IBM-orientierte Konzerne), Perplexity Enterprise (für reine Recherche-Anwendungsfälle ohne Connector-Tiefe) sowie Haystack von Deepset aus Berlin (Open-Source-RAG-Framework, viel mehr Eigenarbeit, aber DSGVO-nativ und kostenfrei). In der Liga „Enterprise-RAG mit On-Prem und EU-Hosting” ist Sinequa 2026 die ausgereifteste kommerzielle Wahl, die offene Alternative wäre ein selbstgebauter Stack aus Haystack, Qdrant und einem EU-LLM.

So steigst du ein

Schritt 1: Use-Case scharf schneiden, bevor du Sinequa kontaktierst. Sinequa-PoCs sind teuer und zeitintensiv, wer mit „Wir wollen mal KI ausprobieren” anfragt, verbrennt drei Monate. Definiere vorab konkret: Welche zwei bis drei Quellsysteme? Welche Nutzergruppe (Anzahl, Rolle)? Welche Suchfragen sollen am Tag 1 beantwortet werden? Welcher messbare Effekt rechtfertigt das Projekt (z. B. „F&E-Recherchezeit halbieren”)? Mit dieser Schärfe wird das PoC produktiv, ohne sie wird es ein Marketingpfad.

Schritt 2: Architektur- und Sicherheitsfragen früh klären. On-Prem oder Cloud? Welche EU-Region? Welche LLMs sollen hinter dem RAG-Layer stehen, Cloud-API oder lokales Modell? Wer betreibt die Plattform nach Go-Live: internes Plattform-Team oder Managed Service durch Sinequa-Partner? Diese Antworten beeinflussen Lizenzkosten, Implementierungsaufwand und langfristige Total Cost of Ownership massiv. Lieber zwei Wochen Architektur-Workshop vorab als zwei Quartale Refactoring nach Go-Live.

Schritt 3: PoC mit echten Daten, nicht mit Demo-Inhalten. Bestehe darauf, mindestens ein produktives Quellsystem mit echten (anonymisierten) Berechtigungsstrukturen anzubinden. Erst dort zeigt sich, ob Sinequa die Komplexität deiner ACLs sauber abbildet, und ob die Antwortqualität bei deinen tatsächlichen Dokumenten überzeugt. PoCs auf synthetischen Daten täuschen Erfolg vor, der in Produktion zerbröselt.

Schritt 4: Rollout-Strategie als Wertepfad planen, nicht als Big Bang. Beginne mit einer einzelnen Abteilung, einem definierten Connector-Set und klaren Erfolgsmetriken. Nach drei Monaten produktiver Nutzung den nächsten Bereich aufschalten. Ein Sinequa-Rollout, der versucht, das gesamte Unternehmen am ersten Tag abzudecken, scheitert, sowohl an Adoption als auch an Plattform-Last. Erfolgreiche Kunden bauen über 12–24 Monate aus.

Ein konkretes Beispiel

Ein deutsches Pharma-Unternehmen mit Sitz in Hessen (3.500 Mitarbeitende, davon 600 in F&E) hat 2024 Sinequa eingeführt, um Forschungs-Wissen aus 14 verschiedenen Systemen zusammenzuführen: SharePoint (interne Berichte), Confluence (Forschungsteams), Documentum (regulatorische Akten), Salesforce (Kundeninteraktionen), zwei Datenbanken mit Patenten und externen Studien, mehrere geteilte Laufwerke. Architektur: Sinequa On-Prem im Rechenzentrum Frankfurt, RAG-Layer mit Mistral Large in der EU-Cloud (für sensible Daten) und GPT-4 über Azure OpenAI in Frankfurt (für allgemeine Recherche). Berechtigungslogik: Vollständige Übernahme der SharePoint- und Documentum-ACLs zur Abfragezeit, ein Forscher, der nicht für eine bestimmte Studie freigegeben ist, sieht sie auch in Sinequa nicht. Implementierung: 7 Monate, gemeinsam mit einem deutschen Sinequa-Partner. Zwei interne Plattform-Engineers in Vollzeit, ein Datensicherheits-Lead mit 30 % Aufwand, ein Projektleiter. Effekt nach 12 Monaten produktiver Nutzung: F&E-Recherchezeit pro Vorbereitungs-Session sinkt von durchschnittlich 90 Minuten auf 18 Minuten. Bei rund 4.000 solcher Sessions pro Monat in der F&E ergibt das einen rechnerischen Zeitgewinn, der die Jahreslizenz im ersten Jahr zurückspielt. Sensible Patentanträge werden weiterhin manuell verifiziert, Sinequa liefert die Erstrecherche, die finale Bewertung bleibt beim Forscher.

DSGVO & Datenschutz

• Datenhosting: Vollständig wählbar, On-Premises in eigenen Rechenzentren oder in privater Cloud (AWS, Azure, GCP) auch in EU-Regionen. Keine Multitenant-Cloud-Pflicht. Für Behörden und kritische Infrastruktur On-Prem-Pfad realistisch.
• Anbieter: Sinequa SAS, Paris, Frankreich, seit 2024 unter dem Dach der ChapsVision-Gruppe (französische Holding). Vertragspartner sitzt in der EU, GDPR ist Heimrecht.
• Datennutzung: Da Sinequa selbst auf eigener Infrastruktur des Kunden läuft, fließen keine Inhalte an Sinequa. Die Plattform ist Software, nicht Service, der Kunde behält die volle Kontrolle über alle Datenflüsse.
• LLM-Anbindung im RAG-Pfad: Hier liegt die DSGVO-Verantwortung beim gewählten LLM, wer GPT-4 über Azure EU nutzt, bleibt EU-konform; wer ein US-Cloud-LLM ohne EU-Region anspricht, exportiert Daten. Sinequa erlaubt explizit auch lokale Open-Source-Modelle für sensitive Workloads.
• Berechtigungs-Layer: Dokumentenbasierte ACLs werden zur Abfragezeit gegen die Quellsysteme geprüft, ein zentraler Compliance-Vorteil für Branchen mit Need-to-know-Prinzipien (Pharma, Verteidigung, Banking).
• Auftragsverarbeitung (AVV): Bei reinem Software-Bezug formal nicht erforderlich (kein Datenfluss zum Anbieter). Bei Managed-Service-Varianten oder Beratungsleistungen entsprechende Verträge verfügbar.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen einer der saubersten Pfade auf dem Markt, vorausgesetzt, das eingebundene LLM bleibt ebenfalls in der EU. Für Behörden und Verteidigung mit On-Prem-Pflicht eine der wenigen ernstzunehmenden Optionen überhaupt.

Gut kombiniert mit

• Azure OpenAI Service, Sinequa als RAG- und Connector-Layer, Azure OpenAI in der EU-Region (Frankfurt, Schweden) als LLM-Backend. Für DSGVO-konforme generative Antworten der Standardpfad in Microsoft-orientierten Konzernen.
• Hugging Face, lokale Open-Source-Modelle (Mistral, Llama, EuroLLM) aus dem Hub als LLM-Backend für höchste Sensibilitätsstufen, in denen selbst EU-Cloud nicht infrage kommt. Sinequa bindet beliebige LLMs via Standard-API.
• n8n, wenn Sinequa-Suchergebnisse in breitere Workflows fließen sollen (Tickets erzeugen, Berichte versenden, Aktionen auslösen), übernimmt n8n die Orchestrierung. Self-Hostable und damit kompatibel mit der On-Prem-Philosophie von Sinequa-Kunden.

Unser Testurteil

Sinequa verdient 4 von 5 Sternen. Es ist eine der ausgereiftesten Enterprise-Search- und RAG-Plattformen am Markt, mit Connector-Tiefe, Sicherheitsmodell und Skalierungsnachweisen, die wenige Wettbewerber bieten, und der einzige seriöse Pfad für Großunternehmen, die echte EU-Datensouveränität mit On-Prem-Option brauchen. Den fünften Stern verlieren wir wegen der Pricing-Intransparenz, der hohen Einführungshürde und der Tatsache, dass die Plattform für KMU schlicht nicht zugänglich ist. Hinzu kommt der wachsende Konkurrenzdruck durch Glean und Microsoft Copilot, die im Cloud-First-Mid-Market schneller skalieren. Wer aber 2026 in einer regulierten Branche eine fundierte agentische KI-Strategie braucht und nicht bereit ist, Daten in US-Multitenant-Clouds zu legen, sollte Sinequa unbedingt evaluieren, die Alternative ist häufig ein selbstgebauter Open-Source-Stack mit eigenem Wartungsaufwand über Jahre.

Was wir bemerkt haben

• 2024, Sinequa wurde von der französischen Holding ChapsVision übernommen. ChapsVision bündelt Anbieter aus den Bereichen Sicherheit, Aufklärung und Datensouveränität (Geo4i, Bertin IT u. a.) und positioniert Sinequa als KI-Komponente in einem Souveränitäts-Stack, eine strategisch logische, aber für Bestandskunden noch zu beobachtende Entwicklung.
• 2024–2025, Pivot von „Enterprise Search” zu „Enterprise Agentic AI Platform”. Das Produkt heißt im Marketing 2026 nicht mehr primär „Suche”, sondern bündelt Search, RAG und KI-Agenten unter einem Dach. Die ChapsAgents-Initiative betont Vertrauenswürdigkeit und Halluzinationsfreiheit, eine klare Antwort auf den Glean-Trend.
• Q4 2025, Sinequa wurde im SPARK Matrix Enterprise AI Search als Leader eingestuft und im Gartner Market Guide for Enterprise AI Search als Representative Vendor genannt. Beides bestätigt die Position im oberen Marktsegment, sagt aber wenig über den Mid-Market-Konkurrenzdruck.
• 2025, Mit dem Sinequa MCP (Model Context Protocol) hat das Unternehmen früh auf den von Anthropic etablierten Standard reagiert. KI-Modelle können standardisiert auf Sinequa-Wissen zugreifen, ein wichtiger Hebel für Multi-Tool-Architekturen.
• Mai 2026, Pricing bleibt unverändert intransparent. Anfragen über die Website werden in der Regel innerhalb von 48 Stunden vom Sales-Team beantwortet, ein direkter Self-Service oder eine kostenlose Demo-Umgebung existieren weiterhin nicht. Wer Sinequa schnell evaluieren will, sollte über etablierte deutsche oder französische Implementierungspartner einsteigen, die haben oft Demo-Setups verfügbar.