Kendra vs Bedrock Knowledge Bases: Umstieg 2026

Amazon Kendra ist seit dem 30.06.2026 im Maintenance Mode und für Neukunden gesperrt. Was Bedrock Knowledge Bases stattdessen kann, welche sechs Suchfunktionen fehlen und was die Migration wirklich kostet.

25 Okt.. 2026 | AI

Inhaltsverzeichnis

Robin, Consultant für GenAI bei Pexon Consulting | 10 Min. Lesezeit | 24.09.2026


TL;DR: Kendra vs Bedrock kurz erklärt

Kendra vs Bedrock Knowledge Bases ist seit Juni 2026 keine offene Frage mehr: AWS hat Kendra in den Maintenance Mode gestellt und empfiehlt selbst Bedrock. Pexon Consulting baut solche RAG-Systeme als Cloud- und KI-Dienstleister in Deutschland, ISO 27001 zertifiziert. Der Umstieg kostet Arbeit an genau zwei Stellen: Connectoren und Suchfunktionen.

Amazon Kendra Bedrock Knowledge Bases
Status Maintenance Mode seit 30.06.2026 aktive Entwicklung
Native Connectoren 32 und mehr 7
RAG eingebaut nein, externes LLM nötig ja, RetrieveAndGenerate
Suchmodus Keyword, semantisch oder hybrid immer hybrid
Neukunden seit 30.07.2026 gesperrt offen

Das Problem: Sie vergleichen zwei Dienste, AWS hat schon entschieden

Wer heute nach einem Vergleich sucht, sucht meist zu spät. In der Kendra-Dokumentation steht der Satz seit Sommer ganz oben: „Amazon Kendra is no longer open to new customers. For capabilities similar to Amazon Kendra, explore Amazon Bedrock Knowledge Bases“ (abgerufen 24.09.2026).

Die Details sind härter als die Formulierung: Maintenance Mode gilt seit dem 30.06.2026, seit dem 30.07.2026 kommen keine Neukunden mehr dazu. Bestandskunden bekommen weiterhin Bug- und Sicherheitsfixes, aber keine neuen Funktionen. Für ein Suchsystem, das gegen Modelle antritt, die sich quartalsweise erneuern, ist das ein Ablaufdatum mit Anlauf.

Praktisch heißt das: Wenn Sie kein bestehender Kendra-Kunde sind, ist die Frage beantwortet. Wenn Sie einer sind, lautet sie nicht „ob“, sondern „wann und mit welchen Lücken“. Genau darum geht es hier.

Was die beiden Dienste wirklich unterscheidet

Kendra ist eine Suchmaschine, Bedrock Knowledge Bases ist eine RAG-Pipeline. Das klingt nach Wortklauberei, erklärt aber jede Differenz in der Tabelle unten. Kendra liefert Treffer, die Sie selbst an ein Modell weitergeben. Bedrock liefert eine fertige Antwort samt Fundstellen.

Merkmal Kendra Bedrock Knowledge Bases
Embeddings intern verwaltet, nicht wählbar Titan V2, Cohere Embed v3 und v4, Nova Multimodal, alle 1.024 Dimensionen
Vektorspeicher intern vollständig von Bedrock betrieben
Chunking intern, nicht steuerbar Default rund 300 Token, Fixed-size, hierarchisch, ohne Chunking
Agentische Abfrage nicht vorhanden mehrstufige Retrieval-API
Maximale Treffer 100 Passagen 100 Ergebnisse

Die Steuerbarkeit ist der eigentliche Gewinn. Bei Kendra war Chunking eine Blackbox, bei Bedrock ist es eine Konfigurationsentscheidung, die Sie gegen Ihre eigenen Dokumente messen können. Für die Migration empfiehlt AWS Fixed-size mit 200 Token und 30 Prozent Überlappung als Startpunkt. Bei hierarchisch gegliederten Dokumenten, also Handbüchern mit Kapiteln und Abschnitten, greifen wir stattdessen zur hierarchischen Strategie. Semantisches Chunking gibt es in den Managed Knowledge Bases nicht.

Die härteste Zahl: 7 statt 32 Connectoren

Hier liegt der Aufwand, und hier verschätzen sich Projekte. Kendra bringt über 32 native Connectoren mit. Bedrock Knowledge Bases bringt sieben: S3, Confluence, SharePoint, Web Crawler, Google Drive, OneDrive und einen eigenen Custom-Connector.

Für alles andere, und das ist bei einem gewachsenen Intranet die Mehrheit, lautet der offizielle Weg: Inhalte nach S3 exportieren und dort einen S3-Datenbestand anbinden. Das ist kein Klick, das ist eine Pipeline, die Sie selbst betreiben:

# Muster für eine nicht unterstützte Quelle: exportieren, ablegen, Ingestion anstoßen
import boto3

s3 = boto3.client("s3")
agent = boto3.client("bedrock-agent", region_name="eu-central-1")

for dokument in quellsystem_export():          # eigene API-Anbindung
    s3.put_object(Bucket="mein-kb-bucket", Key=f"docs/{dokument.id}.md",
                  Body=dokument.text.encode("utf-8"))
    s3.put_object(Bucket="mein-kb-bucket", Key=f"docs/{dokument.id}.md.metadata.json",
                  Body=dokument.metadaten_json())   # max. 10 KB je Datei

agent.start_ingestion_job(knowledgeBaseId="ABCDEFGHIJ", dataSourceId="KLMNOPQRST",
                          description="Nachtlauf")

Zwei Fallstricke aus der Praxis. Die Metadaten leben in .metadata.json-Dateien neben dem Dokument, maximal 10 Kilobyte, und die Attribute dürfen nur Text, Zahl oder Wahrheitswert sein. Und die Erstellung eines Datenbestands läuft asynchron: der Status wandert über zwei bis fünf Minuten von CREATING auf AVAILABLE. Wer die Ingestion vorher startet, sieht einen Fehler, der nach fehlenden Rechten aussieht.

Unsere Einschätzung dazu ist unbequem: diese Pipeline ist der Punkt, an dem aus „managed“ wieder Eigenbetrieb wird. Sie zahlen den Betrieb entweder in Arbeitszeit oder in einem Dienstleister. Was Sie nicht kaufen können, ist der Weg drumherum.

Was in Bedrock Knowledge Bases schlicht fehlt

Sechs Kendra-Funktionen haben keine direkte Entsprechung, und jede davon trifft eine echte Oberfläche:

  1. Facettensuche. Kendra zählt Attributwerte für Filterleisten. Bedrock nicht. Ersatz: Metadatenfilter, gegen ein bekanntes Schema, ohne dynamische Trefferzahlen.
  2. Suchvorschläge. Die Autovervollständigung aus dem Index fällt weg. Ersatz: ein eigener OpenSearch-Index für häufige Begriffe.
  3. Eigene Synonyme. Kein Thesaurus. Ersatz: Query-Erweiterung vor dem Aufruf, was durch die immer aktive Hybridsuche gut funktioniert.
  4. Rechtschreibkorrektur. Keine. Ersatz: eine Lambda-Vorstufe vor der Abfrage.
  5. Lernen aus Nutzerverhalten. Die Feedback-API entfällt. Ersatz: Reranking plus eigene Klickdaten.
  6. Lambda-Hooks beim Ingest. Ersatz: eine Vorverarbeitung per Step Functions, bevor die Datei im Bucket landet.

Dazu eine Kleinigkeit mit großer Wirkung: Filter kennen kein startsWith und kein stringContains. Wer im alten System mit Teilstring-Filtern gearbeitet hat, baut das Metadatenschema um, statt den Filter zu übersetzen.

Ehrliche Einordnung: für einen Frage-Antwort-Bot über Dokumente merkt niemand den Unterschied. Für ein klassisches Suchportal mit Filterleiste, Autovervollständigung und Hauslexikon merken es alle, und zwar am ersten Tag. Die Migration ist dann kein API-Umbau, sondern ein Produktentscheid.

Migration in vier Schritten

Der technische Kern ist überschaubar. Sie tauschen zwei Clients und eine Handvoll Feldnamen, das Datenmodell bleibt.

  1. IAM-Rolle anlegen, die bedrock.amazonaws.com annehmen darf, mit Lesezugriff auf den Bucket und bedrock:InvokeModel auf das Embedding-Modell.
  2. Knowledge Base mit create_knowledge_base(type="MANAGED") erstellen und das Embedding-Modell wählen.
  3. Datenbestand anlegen, Smart Parsing aktivieren, auf AVAILABLE warten.
  4. start_ingestion_job starten und den Status abfragen, bis COMPLETE steht.

Danach ändert sich der Abfragecode, und zwar so:

# vorher: Kendra
antwort = kendra.retrieve(
    IndexId="alter-index",
    QueryText="Wie konfiguriere ich VPC-Endpunkte?",
    AttributeFilter={"EqualsTo": {"Key": "_category",
                                  "Value": {"StringValue": "networking"}}},
    PageSize=10,
)

# nachher: Bedrock Knowledge Bases
antwort = runtime.retrieve(
    knowledgeBaseId="neue-kb",
    retrievalQuery={"text": "Wie konfiguriere ich VPC-Endpunkte?"},
    retrievalConfiguration={"managedSearchConfiguration": {
        "numberOfResults": 10,
        "filter": {"equals": {"key": "category", "value": "networking"}},
    }},
)
for treffer in antwort["retrievalResults"]:
    print(treffer["score"], treffer["content"]["text"])

Drei Unterschiede stecken darin: der Suchtext rutscht in retrievalQuery.text, der Filter wandert in managedSearchConfiguration, und jedes Ergebnis bringt jetzt einen Relevanzwert mit. Den letzten Punkt unterschätzen viele, er ist die Grundlage jeder ernsthaften Qualitätsmessung.

Wie die neue Antwort-API im Zusammenspiel aussieht und was sie im Vergleich zum Eigenbau kostet, haben wir in unserem Check zu Managed RAG auf Bedrock aufgeschrieben. Wer die Dokumente vorher noch strukturieren muss, findet den Vorbau in unserer Document Intelligence.

Das läuft jetzt im POC. Was für den Produktivbetrieb fehlt: Ingest-Pipelines für die 25 fehlenden Quellsysteme, Zugriffsrechte je Dokument, ein Golden Set zur Qualitätsmessung, Kostenzuordnung je Abteilung. Genau den Sprung von „die Suche findet etwas“ zu „der Fachbereich gibt sie frei“ machen wir als RAG-Projekt mit Knowledge Bots.

Zugriffsrechte und Messung: der Teil, der Freigaben blockiert

Bevor ein Fachbereich eine Suche freigibt, will er wissen, dass niemand über die Suche Dokumente sieht, die er im Quellsystem nicht öffnen darf. Kendra hatte dafür ein Rechtemodell im Index. In der Migrationsanleitung von AWS steht Zugriffskontrolle dagegen unter den Punkten, für die Sie einen Ersatzweg brauchen und dessen Wirkung vor dem Produktivgang zu prüfen ist.

Der Weg, der bei uns trägt: Rechte als Metadatum mitschreiben, etwa die berechtigte Gruppe je Dokument, und bei jeder Abfrage einen Filter aus dem angemeldeten Nutzer setzen. Das ist kein Hexenwerk, aber es verschiebt Verantwortung in Ihre Anwendung. Wer den Filter vergisst, baut ein Leck, das keine Fehlermeldung produziert. Deshalb gehört dieser Fall in einen automatisierten Test, nicht in eine Checkliste.

Bei der Messung schlägt AWS vier Größen vor, und die sind brauchbar: Relevanz gegen ein Golden Set, gemessen als NDCG oder MRR, dazu Antwortzeiten als p50, p95 und p99, Durchsatz unter Last und Vollständigkeit, also der Anteil der erwarteten Dokumente in der Trefferliste. Unsere Empfehlung: setzen Sie die Schwelle vor der Migration und schriftlich. Sonst wird die Frage „ist es besser geworden“ nach dem Umstieg politisch statt messbar.

Ein Nebeneffekt, der selten im Plan steht: Das Golden Set ist auch nach der Migration nützlich. Jede Änderung an Chunking, Embedding-Modell oder Antwortmodell lässt sich damit in einer Stunde bewerten. Ohne Golden Set ist jede dieser Änderungen ein Blindflug, und bei einem Dienst, der sich quartalsweise erneuert, ändert sich einiges ohne Ihr Zutun.

Kosten: das Modell dreht sich

Bei Kendra zahlen Sie für bereitgestellte Indizes, auch für leere, an denen niemand eine Abfrage stellt. Nach Ablauf des Freikontingents von 750 Stunden in den ersten 30 Tagen läuft die Uhr unabhängig von der Nutzung weiter. Das war für schwankende Last immer der teure Teil.

Bedrock Knowledge Bases rechnet anders: 5,00 US-Dollar pro Gigabyte Rohdaten und Monat für den Index, dazu 1,00 US-Dollar pro 1.000 Retrieval-Aufrufe, plus die Token des Antwortmodells. Parsing, Embedding-Erzeugung und Reranking sind im verwalteten Dienst enthalten.

Rechnen Sie das gegen Ihre echten Zahlen, nicht gegen ein Gefühl. Ein 400-Gigabyte-Archiv kostet im Index rund 2.000 US-Dollar im Monat, bevor die erste Frage gestellt wurde. Genau dann lohnt der Blick darauf, wie viel von diesem Archiv überhaupt beantwortbare Fragen enthält. Wir haben mehr als ein Projekt gesehen, in dem die Antwort „ein Fünftel“ war.

Unsere Empfehlung

Für Neuprojekte ist die Sache klar, weil Kendra nicht mehr buchbar ist. Für Bestandssysteme entscheiden Sie an vier Fragen:

  1. Hängt eine Filterleiste oder Autovervollständigung an der Suche? Dann planen Sie Ersatz ein, nicht Migration.
  2. Wie viele Ihrer Quellen fallen in die sieben Connectoren? Alles darüber wird Pipeline-Arbeit.
  3. Brauchen Sie generierte Antworten mit Fundstellen? Dann gewinnt Bedrock deutlich, weil RAG eingebaut ist.
  4. Haben Sie ein Golden Set, gegen das Sie Trefferqualität messen können? Wenn nein: erst bauen, dann migrieren.

Fahren Sie beide Systeme parallel, schicken Sie identische Fragen an beide und vergleichen Sie die Überdeckung der Top-10-Treffer. Das ist eine halbe Woche Arbeit und ersetzt jede Diskussion über Bauchgefühl. Ohne diesen Vergleich wird die Migration zu einem Projekt, bei dem später niemand sagen kann, ob die Suche besser oder schlechter geworden ist.


Häufig gestellte Fragen

Ist Amazon Kendra abgekündigt?

Nein, aber im Maintenance Mode seit dem 30.06.2026. Bestandskunden können weiterarbeiten und bekommen Bug- und Sicherheitsfixes, neue Funktionen kommen nicht mehr. Seit dem 30.07.2026 sind Neukunden gesperrt. Ein Abschaltdatum hat AWS bisher nicht genannt.

Was kostet Bedrock Knowledge Bases im Vergleich zu Kendra?

Bedrock rechnet nutzungsnah: 5,00 US-Dollar pro Gigabyte Index und Monat plus 1,00 US-Dollar pro 1.000 Abfragen plus Modell-Token. Kendra rechnet nach bereitgestelltem Index, unabhängig von der Last. Bei schwankender Nutzung ist Bedrock günstiger, bei sehr großen Archiven mit wenigen Abfragen kann es umgekehrt sein.

Kann ich meinen Kendra-GenAI-Index weiterverwenden?

Ja. Ein Kendra GenAI Index lässt sich in Amazon Q Business und in Bedrock Knowledge Bases einbinden. Für Bestandskunden ist das der sanfteste Zwischenschritt, weil die Indexierung bleibt und nur die Anwendung wechselt.

Bekomme ich die Facettensuche irgendwie zurück?

Nicht als Funktion des Dienstes. Sie bauen sie mit Metadatenfiltern nach, brauchen dafür aber ein saubergezogenes Schema in den .metadata.json-Dateien. Dynamische Trefferzahlen pro Facette gibt es damit nicht, gefilterte Navigation schon.

Sollten wir stattdessen OpenSearch nehmen?

Wenn Sie ohnehin ein Team haben, das Vektorindizes betreibt, ist das eine ernsthafte Option und in der AWS-Community die häufigste Gegenempfehlung. Sie übernehmen dann Chunking, Embedding und Betrieb selbst. Für Teams ohne diese Kapazität ist der verwaltete Weg der billigere, auch wenn die Rechnung höher aussieht.


Nächster Schritt

Advanced RAG und Knowledge Bots
Sieben Connectoren statt 32. Wer schließt die Lücke?
Wir bauen die Ingest-Pipeline für die Quellen, die Bedrock nicht mitbringt, und messen die Trefferqualität gegen Ihren alten Index statt gegen ein Gefühl.
Migration bewerten lassen

ISO 27001 zertifiziert, 80 Mitarbeiter in Deutschland

Verwandte Themen


Microsoft Fabric. Bilder Blogtemplate Whitepaper

Claude Code im Unternehmen

  • Praxis-Guide für IT-Leiter – mit konkreten Einblicken zu Kosten, Sicherheit und Rollout von Claude Code im Unternehmen.

Beratungsgespräch

Sichern Sie sich Ihre kostenfreie Erstberatung

Analyse Ihres individuellen Cloud- oder KI-Bedarfs
Erste Empfehlungen zu Umsetzungsstrategien
Transparente Einblicke in unsere Methoden, Technologien & Referenzen