88 Prozent der Online-Shopper verlassen einen Shop, wenn die Suche nicht liefert, was sie wollen — und sie kommen nicht zurück. Diese Zahl stammt aus dem aktuellen B2C-Report von Algolia, und sie trifft den deutschen Handel in einem Moment, in dem sich die Suche selbst gerade von Grund auf neu erfindet.
Wer in einem Onlineshop „rotes Kleid Größe 38 unter 100 Euro“ eingibt, erwartet ein brauchbares Ergebnis. Wer einem KI-Assistenten sagt „Ich brauche ein Outfit für eine Sommerhochzeit in der Toskana“, erwartet ein Gespräch. Der Unterschied zwischen diesen beiden Szenarien ist der Grund, warum Produktsuche 2026 nicht mehr als Frontend-Feature zu behandeln ist, sondern als Infrastrukturfrage. Christina Schönfeld, Director DACH & CEMEA beim Suchtechnologie-Anbieter Algolia, formuliert es so: Die Suche wird zur Daten-Schicht, auf der sämtliche KI-Anwendungen im Handel aufbauen — vom personalisierten Shop-Erlebnis bis zum autonomen Einkaufsagenten.
Warum reicht die klassische Stichwortsuche nicht mehr aus?
Die kurze Antwort: Weil sie Sprache nicht versteht, sondern nur Zeichenfolgen abgleicht. Ein Kunde, der nach „kühlem Kleiderschrank für kleine Küche“ sucht, bekommt bei reiner Keyword-Suche entweder nichts oder einen schmalen Side-by-Side-Kühlschrank — semantische Suche versteht dagegen die Absicht und liefert kompakte Modelle mit guten Energiewerten.
Die längere Antwort betrifft die Architektur. Traditionelle Shopsysteme — von Shopware über Shopify bis zu Eigenlösungen — behandeln die Suche als Datenbankabfrage. Das funktioniert, solange Kunden wie Datenbanken denken: in Produktnamen, Artikelnummern, exakten Attributen. KI-Assistenten denken nicht so. Sie formulieren Anfragen in natürlicher Sprache, verfeinern sie im Dialog, kombinieren Kontext aus früheren Interaktionen mit aktueller Absicht. Eine Suchschicht, die darauf nicht vorbereitet ist, liefert dem Assistenten Datenmüll — und der Assistent liefert dem Kunden entsprechend schlechte Empfehlungen.
„Die Produktsuche ist nicht mehr der Endpunkt der Customer Journey, sondern deren Infrastruktur. Wer dort schlechte Daten liefert, schwächt jedes KI-Feature, das er darauf aufsetzt.“
Das ist die Position, die Schönfeld vertritt — und sie deckt sich mit dem, was im Markt sichtbar wird. Google berichtet seit 2025 von einem deutlichen Anstieg konversationeller Suchanfragen. OpenAI hat mit Shopping-Funktionen in ChatGPT den Proof of Concept geliefert, dass Kaufentscheidungen zunehmend außerhalb des Shops beginnen. Die Frage für Händler lautet nicht mehr, ob Suche KI-fähig sein muss, sondern wie schnell sie es wird.
Wie verändert KI die Produktsuche im konkreten Shop-Alltag?
Drei Verschiebungen sind bereits messbar. Erstens: Die Anfragen werden länger und situativer. Statt „Laufschuhe“ kommt „Laufschuhe für breite Füße, Asphalt, unter 150 Euro“. Semantische Vektorsuche — also die Übersetzung von Sprache in mathematische Bedeutungsräume — verarbeitet solche Anfragen dort, wo Keyword-Matching scheitert. Algolia, aber auch Wettbewerber wie Constructor.io oder die Open-Source-Alternative Typesense, haben diese Technik längst produktiv; Shopware bietet seit Version 6.5 mit dem AI Copilot erste native Ansätze.
Zweitens: Personalisierung wandert vom „Kunden, die X kauften, kauften auch Y“ zur echten Individualisierung. Ein KI-System, das weiß, dass dieser Kunde letzte Woche Wanderstöcke gekauft hat, gewichtet bei der Suchanfrage „Jacke“ automatisch Outdoor-Sortimente höher als Business-Mäntel. Das klingt nach einem Detail. Tatsächlich entscheidet es über Warenkorbwerte — Algolia beziffert den Umsatzbeitrag suchbasierter Personalisierung bei großen Händlern mit bis zu 30 Prozent des Gesamtumsatzes.
Drittens, und das ist die strukturell wichtigste Verschiebung: Die Suche wird zur API für Agenten. Wenn ein externer KI-Assistent — sei es ChatGPT, Perplexity oder ein branchenspezifischer Agent — Produkte recherchiert, greift er auf strukturierte Daten zu. Händler, deren Kataloge nur für menschliche Augen aufbereitet sind, tauchen in diesen Antworten schlicht nicht auf.
Was bedeutet das für deutsche Mittelständler konkret?
Der deutsche E-Commerce hat bei diesem Thema ein spezifisches Problem: Viele Händler im Umsatzbereich zwischen einer und 50 Millionen Euro Jahresumsatz betreiben ihre Produktdatenpflege noch immer als Nebensache. Attribute sind unvollständig, Synonyme fehlen, Kategorien wachsen historisch statt systematisch. Bei der klassischen Keyword-Suche kompensiert das der Mensch — er klickt sich durch. Eine KI kann das nicht. Sie braucht saubere, vollständige, konsistent benannte Daten.
Für die Praxis heißt das eine klare Reihenfolge, kein Big Bang:
- Datenfundament zuerst: Produktattribute vollständig machen, Einheiten vereinheitlichen, Synonym-Listen für die eigene Branche aufbauen. Ohne diesen Schritt ist jedes KI-Projekt Makulatur.
- Suchschicht entkoppeln: Die Suche aus dem Shopsystem herauslösen und als eigenen Service betreiben — ob über Algolia, Elasticsearch oder einen anderen Anbieter, ist zweitrangig. Entscheidend ist, dass sie per API ansprechbar ist.
- Hybride Ansätze wählen: Reine Vektorsuche verliert Präzision bei exakten Anfragen wie Artikelnummern. Die Kombination aus Keyword- und semantischer Suche liefert die stabilen Ergebnisse.
Zur Einordnung gehört auch die ehrliche Gegenrede. KI-gestützte Suche ist kein Wundermittel: Die initialen Kosten für Datenaufbereitung sind erheblich, die Modelle brauchen Pflege, und ein Händler mit 200 Artikeln braucht schlicht keine semantische Suche — dort reicht ein sauber gepflegter Filterbaum. Die Infrastruktur-These gilt ab einer Sortimentsgröße, bei der Kunden ohne Hilfe verloren sind. Das ist in der Regel ab etwa 5.000 aktiven SKUs der Fall.
Wird die Suche zum Umsatzhebel oder zum Nadelöhr?
Die Zahl, die Handelsentscheider aufhorchen lassen sollte: Laut Branchenanalysen generieren Shop-Besucher, die die interne Suche nutzen, durchschnittlich zwei- bis dreimal höhere Conversion-Rates als reine Browser. Gleichzeitig nutzt je nach Branche nur eine Minderheit der Besucher die Suche überhaupt — oft, weil sie schlechte Erfahrungen gemacht hat. Das ist kein Feature-Problem, das ist ein Infrastruktur-Defizit.
Interessant wird der Blick nach vorn. Wenn agentisches Einkaufen — KI-Assistenten, die im Auftrag des Kunden recherchieren, vergleichen und schließlich kaufen — tatsächlich an Fahrt gewinnt, dann verschiebt sich der Engpass. Nicht mehr die schönste Produktseite gewinnt den Kunden, sondern der Shop, dessen Daten am besten maschinenlesbar sind. Produktsuche wird dann buchstäblich zu dem, was Schönfeld prognostiziert: zur Infrastruktur, die darüber entscheidet, ob ein Händler im KI-vermittelten Handel überhaupt existiert.
Die Handlungsempfehlung ist unbequem, aber eindeutig. Prüfen Sie nicht zuerst, welches KI-Tool Sie kaufen. Prüfen Sie, ob Ihre Produktdaten die Frage beantworten können, die ein Kunde einem Assistenten in einem Jahr stellen wird. Wenn die Antwort nein lautet, ist das Ihr Projekt für die nächsten zwölf Monate — alles andere ist Dekoration.