Amazon hat 2024 mit Rufus einen KI-Assistenten in die eigene Shopping-App geholt, der Fragen wie „Welcher Laufschuh passt zu flachen Füßen?“ beantwortet. Zalando testete schon 2023 einen Mode-Assistenten auf ChatGPT-Basis. Beide Projekte laufen über denselben Engpass: die Produktsuche. Ohne eine Suchmaschine, die Katalogdaten maschinell lesbar, aktuell und kontextreich liefert, bleibt jeder Assistent ein teures Frontend ohne Substanz.
Genau hier setzt Christina Schönfeld an, Director DACH & CEMEA beim Suchtechnologie-Anbieter Algolia. Ihre These: Die Produktsuche wandelt sich von einer Shop-Funktion zur zentralen Infrastruktur des Handels. Wer das verpasst, baut seine KI-Strategie auf Sand.
Der Streitpunkt ist nicht neu. Seit Jahren klagen Conversion-Optimierer über Suchfelder, die „Winterjacke wasserdicht Damen Größe M“ nicht verstehen. Neu ist der Druck. Mit KI-Agenten, die im Auftrag von Kunden recherchieren, vergleichen und bald auch kaufen, wird die Suche zur Schnittstelle zwischen Händler und Maschine. Und Maschinen verzeihen keine schlampigen Daten.
Warum wird die Produktsuche plötzlich zur KI-Infrastruktur?
Die kurze Antwort: Weil jede KI-Anwendung im Commerce, ob Assistent, Empfehlungslogik oder agentischer Checkout, auf dieselbe Schicht zugreift. Nämlich auf eine Suchmaschine, die in Millisekunden die richtigen Produkte aus oft hunderttausenden Artikeln filtert.
Klassische Keyword-Suche arbeitet mit exakten Treffern. Ein Kunde tippt „Sofa“, der Katalog liefert alles mit „Sofa“ im Titel. Semantische Suche dagegen versteht Absichten. Wer „bequemes Sitzmöbel für kleine Wohnungen“ eingibt, bekommt Schlafcouches und Zweisitzer, auch wenn das Wort „Sofa“ nirgends steht. Moderne Anbieter wie Algolia kombinieren beide Verfahren in einer hybriden Suche: Keyword-Präzision für Artikelnummern und Markennamen, Vektorsuche für Bedeutung und Kontext.
Diese Hybride ist der entscheidende Punkt. Ein KI-Assistent formuliert seine Anfragen anders als ein Mensch am Suchfeld. Er fragt nach Attributkombinationen, Verfügbarkeiten, Preisspannen, Lieferzeiten. Dafür braucht er keine schöne Oberfläche, sondern eine API, die strukturiert antwortet. Die Produktsuche wird damit zum Retrieval-Layer, über den jede KI ihre Fakten bezieht. Schönfelds Argument läuft darauf hinaus: Die Qualität der KI-Antwort entscheidet sich nicht im Sprachmodell, sondern in der Daten- und Suchschicht darunter.
Wie verändern KI-Assistenten die Anforderungen an Händler?
Direkt beantwortet: Sie verschieben die Personalisierung von der Regel-Engine in Echtzeit. Bisher war Personalisierung im E-Commerce vor allem eines: Segmentlogik. Kunde A sieht Banner X, weil er in Kohorte Y fällt. KI-Assistenten brechen dieses Muster auf, weil jede Konversation ein eigenes Segment von eins ist.
Das klingt nach Spielerei, hat aber handfeste Konsequenzen für den Datenbestand. Ein Assistent, der „etwas Warmes für eine Skitour unter 200 Euro“ verstehen soll, braucht gepflegte Attribute: Material, Einsatzbereich, Temperaturbereich, Preis. Fehlen die, halluziniert das Modell oder liefert Generisches. Beides kostet Vertrauen, und Vertrauen ist im Handel die Währung, die über Wiederkehr entscheidet.
Hinzu kommt die Geschwindigkeitsfrage. Menschen warten vielleicht zwei Sekunden auf ein Suchergebnis. Ein Agent, der in einer Konversation mehrere Abfragen hintereinander schaltet, braucht Antwortzeiten im zweistelligen Millisekundenbereich. Algolia bewirbt seine Infrastruktur mit genau dieser Latenz und verarbeitet nach eigenen Angaben Billionen von Suchanfragen pro Jahr für über 17.000 Kunden. Dass sich ein Anbieter an dieser Stelle mit Infrastruktur-Vokabular statt mit Marketing-Sprache präsentiert, ist kein Zufall. Es zeigt, wo der Markt hinläuft.
Und dann ist da die zweite Front: fremde Agenten. Wenn KI-Assistenten von Plattformen wie OpenAI oder Perplexity Produkte im Auftrag von Nutzern suchen, entscheidet die maschinelle Lesbarkeit des Katalogs über Sichtbarkeit. Was Google für den organischen Traffic war, könnten Agenten für den produktnahen Traffic werden. Händler, deren Daten diese Systeme nicht sauber erfassen können, tauchen in den Empfehlungen schlicht nicht auf.
Was deutsche Händler jetzt konkret prüfen müssen
Für den DACH-Markt verschärft sich die Lage aus zwei Gründen. Erstens arbeiten viele Mittelständler mit Shopware oder älteren Eigenlösungen, deren Bordssuche für den Katalog von 2015 gebaut wurde. Zweitens ist der typische deutsche Onlinehändler datenkonservativ: PIM-Systeme werden gepflegt, aber die Brücke zwischen Produktdatenpflege und Suchtechnologie fehlt oft.
Ein realistischer Prüfpfad sieht so aus:
- Attributtiefe messen: Wie viele Produkte haben vollständige Attribute für Material, Einsatz, Kompatibilität? Unter 80 Prozent Abdeckung wird semantische Suche zur Lotterie.
- Null-Treffer-Quote prüfen: Alles über zehn Prozent bedeutet, dass Kunden (und künftig Agenten) regelmäßig ins Leere laufen.
- API-Reife testen: Kann die Suche headless angesprochen werden, mit strukturierten Filtern und Antwortzeiten unter 100 Millisekunden?
- Synonym- und Mehrsprachenlogik: „Turnschuhe“, „Sneaker“, „Sportschuhe“ müssen auf denselben Katalog zeigen, im deutschen Sprachraum eine unterschätzte Baustelle.
Wer bei diesen Punkten scheitert, hat ein Datenproblem, kein KI-Problem. Und Datenprobleme löst man nicht mit dem nächsten Sprachmodell, sondern mit Kataloghygiene und einer Suchschicht, die diese Hygiene honorieren kann.
Die teuerste KI im Handel ist die, die auf schlechten Produktdaten sitzt. Sie beantwortet jede Frage souverän und jede zweite falsch.
Wo Personalisierung an ihre Grenzen stößt
Die Erzählung vom grenzenlos personalisierten Einkauf hat Schwächen, und sie auszublenden wäre fahrlässig. Erstens kostet Echtzeit-Personalisierung Rechenleistung und Lizenzgebühren, die sich für Händler mit dünnen Margen nicht automatisch rechnen. Ein Nischenversender mit 5.000 Artikeln braucht keine Vektorsuche, er braucht saubere Kategorien.
Zweitens kollidiert tiefe Personalisierung im DACH-Raum mit der DSGVO-Realität. Deutsche Kunden reagieren empfindlicher auf das Gefühl, „durchschaut“ zu werden, als US-Kunden. Eine Suche, die zu viel über den Nutzer zu wissen scheint, erzeugt keinen Kaufanreiz, sondern Unbehagen. Die Kunst wird darin liegen, Kontext aus der laufenden Session zu nutzen, statt auf Profile über Monate zurückzugreifen.
Drittens bleibt der Cold-Start ungelöst. Neukunden ohne Historie, neue Produkte ohne Klickdaten: Hier hilft auch die beste KI nur begrenzt, und regelbasierte Fallbacks bleiben Pflicht. Wer verspricht, maschinelles Lernen ersetze die Sortimentslogik komplett, verkauft eine Vision, keine Infrastruktur.
Der Hebel sitzt im Datenbestand, nicht im Chatfenster
17.000 Kunden betreut Algolia weltweit, darunter Handelsmarken, die ihre Suche längst als Umsatzhebel und nicht als IT-Kostenstelle begreifen. Diese Perspektive wird sich durchsetzen, nicht weil Schönfeld sie vertritt, sondern weil die Architektur des agentischen Handels keine andere Wahl lässt.
Die Konsequenz für Händler ist unbequem, aber einfach. Bevor Budget in Assistenten, Avatare oder Konversations-Interfaces fließt, gehört es in die Suchschicht und in die Produktdaten dahinter. Die KI-Revolution im E-Commerce wird nicht im Chatfenster gewonnen. Sie wird im Katalog gewonnen, im Attribut, in der Millisekunde. Wer das verstanden hat, kann über Assistenten reden. Alle anderen bauen teure Fassaden.