Begriffe von A–Z
Agentic AI
Agentic AI bezeichnet KI-Systeme, die eigenständig Ziele verfolgen, Pläne erstellen und Aktionen ausführen – ohne für jeden Schritt menschliche Eingaben zu benötigen. Im Unterschied zu reaktiven Chatbots arbeiten Agentic-AI-Systeme mit mehreren spezialisierten Teilagenten, die parallel und koordiniert agieren.
Nicht zu verwechseln mit:
Klassischen Chatbots oder regelbasierten Bots, die auf vordefinierte Antworten beschränkt sind. Agentic AI plant und handelt; ein Chatbot reagiert nur.
Praxisbezug:
Im E-Commerce übernimmt Agentic AI die Produktberatung: Anfragen analysieren, Katalog durchsuchen, Rückfragen stellen und Empfehlungen erklären – ohne manuelle Regelwartung.
Agentic Search
Agentic Search koordiniert mehrere spezialisierte KI-Agenten, die Kaufabsicht, Anforderungen und Constraints in einen vollständigen Katalogabgleich über strukturierte Produktdatenpunkte je SKU übersetzen. Ergebnis ist keine Top-k-Teilmenge, sondern eine vollständige, begründete Auswahl aller passenden Produkte.
Nicht zu verwechseln mit:
Semantic Search oder RAG. Agentic Search nutzt keine Vektorähnlichkeit, sondern attributbasiertes Intent-Matching mit Rückfrage-Mechanismus.
Praxisbezug:
Im Onlineshop: Die Zero-Result-Rate wird deutlich reduziert, weil Agenten auch bei unbekannten oder mehrdeutigen Anfragen passende Produktattribute finden.
RAG (Retrieval-Augmented Generation)
RAG kombiniert Informationssuche (Retrieval) mit Textgenerierung (Generation). Ein Sprachmodell erhält relevante Dokumente aus einer Vektordatenbank und generiert darauf basierend eine Antwort. Ziel: Halluzinationen reduzieren und aktuelle Informationen einbeziehen.
Nicht zu verwechseln mit:
Agentic Search. RAG generiert Antworten aus Dokumenten; Agentic Search liefert Produktempfehlungen aus strukturierten Katalogdaten ohne Vektorindex.
Praxisbezug:
Versicherungsunternehmen nutzen RAG für FAQ-Beantwortung aus Policendokumenten. Das Halluzinationsrisiko bleibt dennoch erhöht, da generative Ausgaben nicht verifiziert werden.
LLM (Large Language Model)
Ein Large Language Model ist ein auf großen Textmengen trainiertes neuronales Netz, das Sprache versteht und generiert. LLMs bilden die Grundlage für Systeme wie ChatGPT, Claude oder Gemini. Sie erzeugen wahrscheinliche Fortsetzungen – sie sind keine Datenbanken und prüfen keine Fakten.
Nicht zu verwechseln mit:
Einer Suchmaschine. LLMs generieren Text, sie indexieren keine URLs. Sie können halluzinieren, weil sie keine Fakten prüfen.
Praxisbezug:
Im E-Commerce dienen LLMs als Sprachschicht: Sie interpretieren Kundenanfragen und formulieren Antworten. Die eigentliche Produktlogik liegt bei spezialisierten Agenten.
Embeddings
Embeddings sind numerische Vektoren, die den semantischen Inhalt von Texten, Bildern oder Produkten repräsentieren. Ähnliche Inhalte erhalten ähnliche Vektoren – das ermöglicht Ähnlichkeitssuche. Erzeugt durch Sprachmodelle oder spezialisierte Embedding-Modelle.
Nicht zu verwechseln mit:
Keywords. Keywords sind exakte Begriffe; Embeddings repräsentieren Bedeutung. Zwei Sätze mit verschiedenen Worten können sehr ähnliche Embeddings haben.
Praxisbezug:
Im E-Commerce: Produktbeschreibungen werden als Embeddings gespeichert, um bei der Suche semantisch ähnliche Produkte zu finden – unabhängig von exakten Formulierungen.
Vector Search
Vector Search (Vektorsuche) findet Dokumente oder Produkte anhand von Ähnlichkeit zwischen Embeddings, nicht anhand exakter Schlagwörter. Jede Anfrage wird in einen Vektor umgewandelt; der Index gibt die ähnlichsten Vektoren zurück.
Nicht zu verwechseln mit:
Agentic Search. Vector Search misst Ähnlichkeit; Agentic Search versteht Kontext und stellt Rückfragen. Bei sehr spezifischen Attributanfragen kann Vector Search versagen.
Praxisbezug:
E-Commerce-Shops nutzen Vector Search für semantische Produktsuche. Neue Produkte ohne ausreichende Beschreibung werden schlecht gefunden – Agentic Search umgeht das durch Attribut-Matching.
Conversational Commerce
Conversational Commerce bezeichnet den Handel über dialogbasierte Schnittstellen: Chat, Sprache oder Messenger. Kunden führen ein Gespräch, stellen Fragen und erhalten Produktvorschläge im Dialog – automatisiert und skalierbar.
Nicht zu verwechseln mit:
Live-Chat. Live-Chat verbindet mit Menschen; Conversational Commerce ist automatisiert und skaliert auf Millionen gleichzeitiger Gespräche.
Praxisbezug:
Shops mit Agentic-AI-basiertem Conversational Commerce berichten von kürzeren Customer Journeys und höheren Warenkorbwerten durch präzise Bedarfsklärung.
AI Product Discovery
AI Product Discovery beschreibt den Prozess, mit dem KI-Systeme Kunden dabei helfen, relevante Produkte zu entdecken – auch wenn sie nicht wissen, wonach sie suchen. Typisch: dialogbasierte Bedarfsklärung, personalisierte Vorschläge, Erklärungen.
Nicht zu verwechseln mit:
Klassischer Produktsuche. Klassische Suche setzt einen bekannten Suchbegriff voraus; AI Product Discovery führt den Kunden aktiv zu passenden Produkten.
Praxisbezug:
Versicherungsanbieter nutzen AI Product Discovery für Tarifempfehlungen: Die KI fragt nach Bedarf, erklärt Unterschiede und empfiehlt den passenden Tarif.
Halluzinationen (KI)
Halluzinationen bezeichnen faktisch falsche oder erfundene Aussagen, die ein KI-Sprachmodell mit scheinbarer Sicherheit produziert. Sie entstehen, weil LLMs Wahrscheinlichkeiten maximieren, nicht Fakten prüfen. Halluzinationen sind ein systemisches Merkmal generativer Modelle – kein Fehler im klassischen Sinne.
Nicht zu verwechseln mit:
Fehlinformationen durch Datenprobleme. Halluzinationen entstehen im Generierungsprozess selbst, unabhängig von der Trainingsqualität.
Praxisbezug:
Im E-Commerce sind halluzinierte Produkteigenschaften ein Retouren- und Haftungsrisiko. Agentic Search minimiert das Risiko, indem Empfehlungen direkt aus verifizierten Produktattributen abgeleitet werden.
Explainable AI (XAI)
Explainable AI bezeichnet KI-Systeme, deren Entscheidungen nachvollziehbar erklärt werden können. Eine Empfehlung gilt als erklärbar, wenn das System begründen kann, welche Attribute oder Merkmale zur Ausgabe geführt haben.
Nicht zu verwechseln mit:
Transparentem Training. Explainability bezieht sich auf die Ausgabe, nicht auf den Trainingsvorgang.
Praxisbezug:
Ein Explain-Panel zeigt, warum ein Produkt empfohlen wurde: „Passend wegen: Gewicht < 1,5 kg, 15-Zoll-Display, langer Akkulaufzeit." Das stärkt Vertrauen und erfüllt BaFin-Anforderungen für Versicherungsprodukte.
Re-Ranking
Re-Ranking ist ein zweistufiger Suchprozess: Erste Stufe – schnelle Vorauswahl von Kandidaten. Zweite Stufe – ein Modell bewertet jeden Kandidaten genauer und sortiert die Liste neu. Ergebnis: höhere Relevanz als einstufige Suche.
Nicht zu verwechseln mit:
Sortierung durch Filter. Filter reduzieren den Suchraum regelbasiert; Re-Ranking bewertet semantische Relevanz zwischen Anfrage und Kandidaten.
Praxisbezug:
E-Commerce-Suchsysteme nutzen Re-Ranking, um Top-10-Ergebnisse nach Kaufwahrscheinlichkeit zu sortieren. Bei Agentic Search übernehmen die Agenten diese Bewertung direkt.
Query Intent
Query Intent bezeichnet die eigentliche Absicht hinter einer Suchanfrage. „Laptop für Homeoffice" signalisiert: leise, leicht, langer Akku – obwohl diese Attribute nicht explizit genannt werden. KI-Systeme, die Query Intent verstehen, liefern bessere Ergebnisse als rein lexikalische Suchen.
Nicht zu verwechseln mit:
Keywords. Keywords sind Wörter in der Anfrage; Query Intent ist die dahinterliegende Kaufabsicht. Gleicher Intent kann durch viele verschiedene Formulierungen ausgedrückt werden.
Praxisbezug:
Agentic Search erkennt Intent, stellt bei Ambiguität Rückfragen und filtert den Katalog nach erschlossenen Attributen – ohne dass der Kunde Produktspezifikationen kennen muss.
Zero-Result (Nulltreffer)
Ein Zero-Result tritt auf, wenn eine Suche keine Ergebnisse liefert – obwohl passende Produkte im Katalog vorhanden wären. Ursachen: zu enge Keyword-Matches, fehlende Synonyme, mangelndes Intent-Verständnis. Zero-Results erzeugen Kaufabbrüche.
Nicht zu verwechseln mit:
Einem leeren Katalog. Zero-Results entstehen durch unzureichende Suchlösung, nicht durch fehlende Produkte.
Praxisbezug:
Klassische Keyword-Suchen produzieren Zero-Results bei Tippfehlern, Synonymen oder kombinierten Attributen. Agentic Search eliminiert Zero-Results strukturell: Agenten finden immer passende Attribute.
POC (Proof of Concept)
Ein Proof of Concept ist ein strukturierter Testbetrieb, der zeigt, ob eine Technologie unter realen Bedingungen funktioniert. Im KI-Kontext: Integration in die echte Systemumgebung, Test mit echten Produktdaten, Messung konkreter KPIs – vor dem vollständigen Rollout.
Nicht zu verwechseln mit:
Demo oder Simulation. Demos zeigen Funktionen in Mustersystemen; ein POC läuft auf den eigenen Daten und liefert messbare Ergebnisse als Entscheidungsgrundlage.
Praxisbezug:
AGINITY AI liefert POCs in 48 Stunden: Produktkatalog hochladen, Agenten konfigurieren, live testen. Typische KPIs: Null-Treffer-Rate, Conversion, Retourenquote.
DSGVO-konforme KI
DSGVO-konforme KI bezeichnet KI-Systeme, die den Anforderungen der Datenschutz-Grundverordnung entsprechen: Datenminimierung, Zweckbindung, Transparenz und Verarbeitung im EU-Rechtsraum. Für KI gilt zusätzlich: Dokumentationspflicht bei automatisierten Entscheidungen (Art. 22 DSGVO).
Nicht zu verwechseln mit:
ISO-27001-Zertifizierung oder Sicherheitsaudits. DSGVO-Konformität betrifft den Umgang mit personenbezogenen Daten, nicht primär die IT-Sicherheit.
Praxisbezug:
Shops und Versicherungsanbieter in DACH müssen sicherstellen, dass KI-Empfehlungen nachvollziehbar und anfechtbar sind. AGINITY AI verarbeitet alle Anfragen pseudonymisiert in deutschen Rechenzentren.
KI-Produktberatung
KI-Produktberatung ist eine dialogbasierte Beratung, bei der ein System Bedarf erfasst, passende Produkte auswählt und die Empfehlung begründet. Ziel ist nicht nur eine Trefferliste, sondern Entscheidungsunterstützung. Besonders wirksam bei erklärungsbedürftigen Produkten mit vielen Varianten.
Nicht zu verwechseln mit:
Einfacher Keyword-Suche ohne Kontext. Keyword-Suchen liefern Trefferlisten; KI-Produktberatung klärt Bedarf und erklärt die Auswahl.
Praxisbezug:
Hilft Shops und Versicherern, komplexe Produkte verständlich zu empfehlen und Kaufabbrüche zu reduzieren. Beispiel: „Ich brauche einen leisen Laptop für Homeoffice" → Rückfragen + begründete Auswahl.
Agentic Shopping Assistant
Ein Agentic Shopping Assistant kombiniert Sprachverständnis, Rückfragelogik und attributbasiertes Matching. Er arbeitet mehrstufig: Bedarf erfassen, Katalog durchsuchen, Ergebnis begründen – statt auf statischen Regeln oder Skripten zu basieren.
Nicht zu verwechseln mit:
FAQ-Chatbots mit vordefinierten Antworten. FAQ-Chatbots reagieren auf vorformulierte Fragen; ein Agentic Shopping Assistant versteht freie Formulierungen und passt seine Strategie an.
Praxisbezug:
Steigert die Beratungsqualität bei großen Katalogen mit vielen Varianten. Fragt aktiv nach Budget und Präferenzen, bevor Produkte priorisiert werden.
Guided Selling mit KI
Guided Selling führt Nutzer schrittweise zur passenden Auswahl – über Fragen, attributbasierte Filter und begründete Empfehlungen. KI priorisiert dabei die jeweils sinnvollsten nächsten Fragen anhand des bisherigen Gesprächsverlaufs.
Nicht zu verwechseln mit:
Statischen Produktfiltern ohne Dialog. Filter reduzieren den Suchraum nach vordefinierten Kriterien; Guided Selling mit KI passt den Frageverlauf dynamisch an die Situation an.
Praxisbezug:
Besonders wirksam bei erklärungsbedürftigen Produkten oder komplexer Tariflogik. Einstieg über Use Case statt technische Spezifikation.
Attributbasiertes Produkt-Matching
Attributbasiertes Produkt-Matching prüft Anforderungen direkt gegen konkrete Produktattribute – nicht gegen Textähnlichkeit. Muss-Kriterien werden explizit validiert; Kann-Kriterien fließen in das Ranking ein. Das Ergebnis ist nachvollziehbar und erklärbar.
Nicht zu verwechseln mit:
Reiner Vektorähnlichkeit ohne harte Attributprüfung. Vektorähnlichkeit misst semantische Nähe, prüft aber keine konkreten Werte wie „Akkulaufzeit ≥ 10h".
Praxisbezug:
Reduziert Fehlkäufe, weil Muss-Kriterien explizit geprüft werden. Beispiel: „Akkulaufzeit ≥ 10h, Gewicht < 1,5 kg" als harte Filterkriterien vor dem Ranking.
Kaufabsichtserkennung (Purchase Intent)
Kaufabsichtserkennung extrahiert das Ziel hinter einer Suchanfrage: informativ, vergleichend oder kaufbereit. Systeme, die Intent korrekt einordnen, können Priorität und Antwortstrategie anpassen – z. B. Vergleich statt direkten Kaufvorschlag.
Nicht zu verwechseln mit:
Bloßer Keyword-Extraktion. Keywords beschreiben, was jemand tippt; Kaufabsichtserkennung schließt, warum jemand sucht.
Praxisbezug:
Bessere Priorisierung zwischen Beratung, Vergleich und Checkout-Nähe. Beispiel: „Beste Kamera fürs Reisen" → Vergleichsintention, kein spezifisches Modell.
Personalisierte Produktempfehlung
Personalisierte Produktempfehlungen passen Ergebnisse an Kontext, erfassten Bedarf und Präferenzen an. Personalisierung kann regelbasiert (z. B. nach Budget-Angabe) oder modellbasiert (z. B. durch Nutzungsmuster) erfolgen.
Nicht zu verwechseln mit:
Standardisierten „Kunden kauften auch"-Blöcken. Diese basieren auf Kaufhistorie, nicht auf dem individuellen Bedarf in der aktuellen Sitzung.
Praxisbezug:
Höhere Relevanz pro Sitzung, wenn Präferenzen sauber erfasst werden. Die Empfehlung variiert je nach Budget, Nutzungsfall und Risikoaffinität.
Beratende Produktsuche
Beratende Produktsuche verbindet Suche und Beratung: verstehen, rückfragen, filtern, begründen. Sie beantwortet „Was passt zu meinem Bedarf?" statt nur „Was enthält den gesuchten Begriff?" – und leitet aus unklaren Eingaben schrittweise präzise Anforderungen ab.
Nicht zu verwechseln mit:
Klassischer Onsite-Suche. Onsite-Suche gibt Treffer auf Basis von Begriffen zurück; beratende Produktsuche klärt den Bedarf aktiv.
Praxisbezug:
Besonders wertvoll bei langen Entscheidungszyklen und hoher Variantenvielfalt. Das System führt den Nutzer von einer vagen Anfrage zur konkreten Auswahl.
Expertenwissen-Training für Beratung
Expertenwissen-Training bezeichnet die gezielte Anpassung von Antwortstil, Priorisierungsregeln und Domänenwissen an Kundenvorgaben. Änderungen werden versioniert und überprüfbar gemacht – ohne unkontrolliertes Fine-Tuning am Gesamtmodell.
Nicht zu verwechseln mit:
Unkontrolliertem Fine-Tuning ohne Governance. Fine-Tuning verändert das Grundmodell global; Expertenwissen-Training ist regelbasiert, versioniert und rückgängig machbar.
Praxisbezug:
Kunden können festlegen, wie Antworten formuliert werden und welche Kriterien Vorrang haben. Beispiel: „Immer zuerst Sicherheit und Folgekosten erklären, dann Preis."
Kompatibilitätsabgleich (Fitment Matching)
Kompatibilitätsabgleich prüft, ob ein Produkt mit einem anderen System, Modell oder Bauteil kompatibel ist – anhand harter technischer Attribute wie Modellnummer, Serie oder Baujahr. KI-Systeme mit Fitment Matching liefern nur Treffer, bei denen alle Kompatibilitätsbedingungen vollständig erfüllt sind.
Nicht zu verwechseln mit:
Textähnlichkeit oder Keyword-Matching. Ein Keyword-Match auf „Miele" findet alle Miele-Produkte; Fitment Matching prüft, ob der Artikel mit dem konkreten Modell kompatibel ist.
Praxisbezug:
Beispiel: „Staubbeutel für Miele C2" → nur Staubbeutel, die als kompatibel mit Miele Complete C2 ausgezeichnet sind. Modell, Serie und Baujahr sind Muss-Kriterien.
Häufige Fragen zum KI-Glossar
Was ist der Unterschied zwischen Agentic AI und einem Chatbot?
Chatbots folgen Skripten oder beantworten vordefinierte Fragen. Agentic AI plant eigenständig, koordiniert mehrere Teilagenten und führt mehrstufige Aufgaben aus – ohne für jeden Schritt menschliche Eingaben zu benötigen.
Wofür steht RAG und wann ist es sinnvoll?
RAG steht für Retrieval-Augmented Generation. Es ist sinnvoll, wenn ein Sprachmodell auf aktuelle oder unternehmensspezifische Dokumente zugreifen soll – z. B. Policentexte bei Versicherungen oder interne Wissensdatenbanken.
Was ist der Unterschied zwischen Vector Search und Agentic Search?
Vector Search findet ähnliche Dokumente anhand von Embeddings. Agentic Search versteht den Intent einer Anfrage, stellt bei Bedarf Rückfragen und matcht Produktattribute direkt – ohne Vektordatenbank.
Was sind KI-Halluzinationen und wie verhindert man sie?
Halluzinationen sind faktisch falsche Aussagen, die LLMs mit scheinbarer Sicherheit formulieren. Prävention: strukturierte Datenquellen statt freier Generierung und – bei Produktempfehlungen – Agentic Search, das direkt auf verifizierten Katalogdaten arbeitet.
Was bedeutet DSGVO-konforme KI konkret für Shops?
Personenbezogene Daten müssen im EU-Rechtsraum verarbeitet werden. Automatisierte Empfehlungen müssen dokumentiert und für Kunden anfechtbar sein. AGINITY AI erfüllt diese Anforderungen durch EU-Hosting und attributbasierte, erklärbare Empfehlungen.
Was ist Query Intent und warum ist er wichtig?
Query Intent ist die tatsächliche Kaufabsicht hinter einer Suchanfrage. Ein System, das Intent versteht, findet passende Produkte auch bei ungenauen Formulierungen – und reduziert so Zero-Results und Kaufabbrüche.
Was ist ein Zero-Result und wie vermeidet man ihn?
Ein Zero-Result tritt auf, wenn die Suche trotz vorhandener Produkte kein Ergebnis liefert. Ursache: exaktes Keyword-Matching ohne Synonyme oder Intent-Verständnis. Agentic Search eliminiert Zero-Results strukturell durch attributbasiertes Matching.
Was ist ein POC bei AGINITY AI?
Ein POC (Proof of Concept) bei AGINITY AI ist ein 48-Stunden-Test mit Ihren echten Produktdaten. Sie sehen live, wie Agentic Search Kundenanfragen beantwortet, und messen KPIs wie Null-Treffer-Rate, Conversion und Sessionlänge.
Wie prüft KI Kompatibilität bei Ersatz- und Zubehörteilen?
Kompatibilitätsabgleich (Fitment Matching) prüft Anforderungen wie Modellnummer, Serie und Baujahr direkt gegen harte Produktattribute – nicht gegen Textähnlichkeit. Nur Produkte, die alle Kompatibilitätsbedingungen erfüllen, werden als Treffer ausgegeben.
AgenticSearch live erleben
Testen Sie Agentic Search mit Ihren eigenen Produktdaten – in 48 Stunden startklar.
Weiterführende Artikel
Autor
Peter Niedermeier
Gründer & CEO, AGINITY AI
Gründer & CEO von AGINITY AI. Über 15 Jahre Erfahrung in E-Commerce und KI-Produktentwicklung. Entwickelt Agentic-Shopping-Lösungen für den europäischen Onlinehandel.
LinkedIn-Profil ansehen