Termer fra A til Z
Agentic AI
Agentic AI betegner AI-systemer, der selvstændigt forfølger mål, udarbejder planer og udfører handlinger – uden at kræve menneskelig input ved hvert trin. I modsætning til reaktive chatbots arbejder Agentic AI-systemer med flere specialiserede delagenter, der agerer parallelt og koordineret.
Ikke at forveksle med:
Klassiske chatbots eller regelbaserede bots, der er begrænset til foruddefinerede svar. Agentic AI planlægger og handler; en chatbot reagerer blot.
Praktisk relevans:
Inden for e-handel varetager Agentic AI produktrådgivningen: analyserer forespørgsler, gennemsøger kataloget, stiller opklarende spørgsmål og forklarer anbefalinger – uden manuel regelvedligeholdelse.
Agentic Search
Agentic Search koordinerer flere specialiserede AI-agenter, der oversætter købsintention, krav og begrænsninger til en fuldstændig katalogafstemning på tværs af strukturerede produktdatapunkter pr. SKU. Resultatet er ikke et Top-k-delmængde, men et fuldstændigt, begrundet udvalg af alle relevante produkter.
Ikke at forveksle med:
Semantic Search eller RAG. Agentic Search anvender ikke vektorlighed, men attributbaseret Intent-Matching med en opklaringsmekanisme.
Praktisk relevans:
I onlineshops: Zero-Result-raten reduceres markant, fordi agenter finder relevante produktattributter selv ved ukendte eller flertydige forespørgsler.
RAG (Retrieval-Augmented Generation)
RAG kombinerer informationssøgning (Retrieval) med tekstgenerering (Generation). En sprogmodel modtager relevante dokumenter fra en vektordatabase og genererer på den baggrund et svar. Formål: at reducere hallucinationer og inddrage aktuelle oplysninger.
Ikke at forveksle med:
Agentic Search. RAG genererer svar fra dokumenter; Agentic Search leverer produktanbefalinger fra strukturerede katalogdata uden vektorindeks.
Praktisk relevans:
Forsikringsselskaber anvender RAG til FAQ-besvarelse ud fra policedokumenter. Hallucinationsrisikoen forbliver dog forhøjet, da generative output ikke verificeres.
LLM (Large Language Model)
Et Large Language Model er et neuralt netværk trænet på store tekstmængder, der forstår og genererer sprog. LLMs danner grundlaget for systemer som ChatGPT, Claude eller Gemini. De genererer sandsynlige fortsættelser – de er ikke databaser og verificerer ikke fakta.
Ikke at forveksle med:
En søgemaskine. LLMs genererer tekst, de indekserer ikke URL'er. De kan halluceinere, fordi de ikke verificerer fakta.
Praktisk relevans:
Inden for e-handel fungerer LLMs som sproglag: de fortolker kundeforespørgsler og formulerer svar. Den egentlige produktlogik ligger hos specialiserede agenter.
Embeddings
Embeddings er numeriske vektorer, der repræsenterer det semantiske indhold af tekster, billeder eller produkter. Lignende indhold får lignende vektorer – det muliggør lighedssøgning. Genereres af sprogmodeller eller specialiserede Embedding-modeller.
Ikke at forveksle med:
Keywords. Keywords er eksakte begreber; Embeddings repræsenterer betydning. To sætninger med forskellige ord kan have meget ens Embeddings.
Praktisk relevans:
Inden for e-handel: produktbeskrivelser lagres som Embeddings for ved søgning at finde semantisk lignende produkter – uafhængigt af præcise formuleringer.
Vector Search
Vector Search (vektorsøgning) finder dokumenter eller produkter baseret på lighed mellem Embeddings, ikke på baggrund af præcise nøgleord. Hver forespørgsel omdannes til en vektor; indekset returnerer de mest lignende vektorer.
Ikke at forveksle med:
Agentic Search. Vector Search måler lighed; Agentic Search forstår kontekst og stiller opklarende spørgsmål. Ved meget specifikke attributforespørgsler kan Vector Search komme til kort.
Praktisk relevans:
E-handelsshops anvender Vector Search til semantisk produktsøgning. Nye produkter uden tilstrækkelig beskrivelse findes dårligt – Agentic Search omgår dette via Attribut-Matching.
Conversational Commerce
Conversational Commerce betegner indkøbsprocesser, der gennemføres via dialog – gennem tekst, tale eller messaging-platforme. AI-drevne systemer kan håndtere millioner af samtidige samtaler.
Ikke at forveksle med:
Live-chat. Live-chat forbinder med mennesker; Conversational Commerce er automatiseret og skalerer til millioner af samtidige samtaler.
Praktisk relevans:
Shops med Agentic AI-baseret Conversational Commerce rapporterer om kortere customer journeys og højere kurvværdier gennem præcis behovsafklaring.
AI Product Discovery
AI Product Discovery beskriver den proces, hvormed AI-systemer hjælper kunder med at opdage relevante produkter – også når de ikke ved, hvad de søger efter. Typisk: dialogbaseret behovsafklaring, personaliserede forslag og forklaringer.
Ikke at forveksle med:
Klassisk produktsøgning. Klassisk søgning forudsætter et kendt søgeord; AI Product Discovery fører aktivt kunden frem til relevante produkter.
Praktisk relevans:
Forsikringsudbydere anvender AI Product Discovery til takstanbefalinger: AI'en spørger til behov, forklarer forskelle og anbefaler den passende takst.
Hallucinationer (AI)
Hallucinationer betegner faktuelt forkerte eller opdigtede udsagn, som et AI-sprogmodel producerer med tilsyneladende sikkerhed. De opstår, fordi LLMs maksimerer sandsynligheder og ikke verificerer fakta. Hallucinationer er et systemisk træk ved generative modeller – ikke en fejl i klassisk forstand.
Ikke at forveksle med:
Fejlinformation som følge af dataproblemer. Hallucinationer opstår i selve genereringsprocessen, uafhængigt af træningskvaliteten.
Praktisk relevans:
Inden for e-handel udgør halluceinerede produktegenskaber en risiko for returneringer og ansvar. Agentic Search minimerer risikoen ved at udlede anbefalinger direkte fra verificerede produktattributter.
Explainable AI (XAI)
Explainable AI betegner AI-systemer, hvis beslutninger kan forklares på en forståelig måde. En anbefaling anses for forklarlig, når systemet kan begrunde, hvilke attributter eller kendetegn der førte til outputtet.
Ikke at forveksle med:
Transparent træning. Explainability vedrører outputtet, ikke træningsprocessen.
Praktisk relevans:
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 er en tosporet søgeproces: Første trin – hurtig forhåndsudvælgelse af kandidater. Andet trin – en model evaluerer hver kandidat mere præcist og sorterer listen på ny. Resultat: højere relevans end ved enstrenget søgning.
Ikke at forveksle med:
Sortering via filtre. Filtre reducerer søgerummet regelbaseret; Re-Ranking vurderer semantisk relevans mellem forespørgsel og kandidater.
Praktisk relevans:
E-handelssøgesystemer anvender Re-Ranking til at sortere Top-10-resultater efter købssandsynlighed. Ved Agentic Search varetager agenterne denne vurdering direkte.
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.
Ikke at forveksle med:
Keywords. Keywords er ord i forespørgslen; Query Intent er den bagvedliggende købsintention. Den samme intention kan udtrykkes gennem mange forskellige formuleringer.
Praktisk relevans:
Agentic Search genkender intent, stiller opklarende spørgsmål ved flertydighed og filtrerer kataloget efter udledte attributter – uden at kunden behøver kende produktspecifikationerne.
Zero-Result (nulresultat)
Et Zero-Result opstår, når en søgning ikke leverer resultater – selv om relevante produkter er til stede i kataloget. Årsager: for snævre keyword-matches, manglende synonymer, utilstrækkeligt Intent-forståelse. Zero-Results medfører kønsafbrud.
Ikke at forveksle med:
Et tomt katalog. Zero-Results opstår som følge af utilstrækkelig søgeløsning, ikke manglende produkter.
Praktisk relevans:
Klassiske keyword-søgninger producerer Zero-Results ved stavefejl, synonymer eller kombinerede attributter. Agentic Search eliminerer Zero-Results strukturelt: agenter finder altid relevante attributter.
POC (Proof of Concept)
Et Proof of Concept er en struktureret testdrift, der viser, om en teknologi fungerer under reelle betingelser. I AI-kontekst: integration i det reelle systemmiljø, test med reelle produktdata, måling af konkrete KPI'er – inden fuld udrulning.
Ikke at forveksle med:
Demo eller simulation. Demoer viser funktioner i eksempelsystemer; et POC kører på egne data og leverer målbare resultater som beslutningsgrundlag.
Praktisk relevans:
AGINITY AI leverer POCs inden for 48 timer: upload produktkatalog, konfigurer agenter, test live. Typiske KPI'er: nulresultat-rate, konvertering, returneringsrate.
GDPR-konform AI
GDPR-konform AI betegner AI-systemer, der opfylder kravene i databeskyttelsesforordningen: dataminimering, formålsbegrænsning, gennemsigtighed og behandling inden for EU's retsområde. For AI gælder desuden: dokumentationspligt ved automatiserede afgørelser (art. 22 GDPR).
Ikke at forveksle med:
ISO-27001-certificering eller sikkerhedsrevisioner. GDPR-konformitet vedrører håndteringen af personoplysninger, ikke primært IT-sikkerhed.
Praktisk relevans:
Shops og forsikringsudbydere i DACH skal sikre, at AI-anbefalinger er gennemskuelige og kan anfægtes. AGINITY AI behandler alle forespørgsler pseudonymiseret i tyske datacentre.
AI-produktrådgivning
AI-produktrådgivning er en dialogbaseret rådgivning, hvor et system afdækker behov, udvælger relevante produkter og begrunder anbefalingen. Målet er ikke blot en resultatliste, men beslutningsstøtte. Særligt effektivt ved produkter med mange varianter, der kræver forklaring.
Ikke at forveksle med:
Simpel keyword-søgning uden kontekst. Keyword-søgninger leverer resultatlister; AI-produktrådgivning afdækker behov og forklarer udvalget.
Praktisk relevans:
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
En Agentic Shopping Assistant kombinerer sprogforståelse, opklaringslogik og attributbaseret matching. Den arbejder i flere trin: afdæk behov, gennemsøg katalog, begrund resultat – i stedet for at basere sig på statiske regler eller scripts.
Ikke at forveksle med:
FAQ-chatbots med foruddefinerede svar. FAQ-chatbots reagerer på forudformulerede spørgsmål; en Agentic Shopping Assistant forstår frie formuleringer og tilpasser sin strategi.
Praktisk relevans:
Forbedrer rådgivningskvaliteten ved store kataloger med mange varianter. Spørger aktivt til budget og præferencer, inden produkter prioriteres.
Guided Selling med AI
Guided Selling fører brugere trinvist frem til det rette valg – via spørgsmål, attributbaserede filtre og begrundede anbefalinger. AI prioriterer de mest hensigtsmæssige næste spørgsmål baseret på den hidtidige samtaletråd.
Ikke at forveksle med:
Statiske produktfiltre uden dialog. Filtre reducerer søgerummet efter foruddefinerede kriterier; Guided Selling med AI tilpasser dynamisk spørgsmålsforløbet til situationen.
Praktisk relevans:
Særligt effektivt ved produkter, der kræver forklaring, eller ved kompleks takstlogik. Indgang via Use Case frem for teknisk specifikation.
Attributbaseret produkt-matching
Attributbaseret produkt-matching validerer krav direkte mod konkrete produktattributter – ikke mod tekstlighed. Skal-kriterier valideres eksplicit; kan-kriterier indgår i rankingen. Resultatet er gennemskueligt og forklarligt.
Ikke at forveksle med:
Reiner Vektorähnlichkeit ohne harte Attributprüfung. Vektorähnlichkeit misst semantische Nähe, prüft aber keine konkreten Werte wie „Akkulaufzeit ≥ 10h".
Praktisk relevans:
Reduziert Fehlkäufe, weil Muss-Kriterien explizit geprüft werden. Beispiel: „Akkulaufzeit ≥ 10h, Gewicht < 1,5 kg" als harte Filterkriterien vor dem Ranking.
Købsintentionsgenkendelse (Purchase Intent)
Købsintentionsgenkendelse udtrækker målet bag en søgeforespørgsel: informativ, sammenlignende eller købeklar. Systemer, der korrekt klassificerer intent, kan tilpasse prioritet og svarstrategi – f.eks. sammenligning frem for direkte købsforslag.
Ikke at forveksle med:
Blot keyword-udtrækning. Keywords beskriver, hvad nogen skriver; købsintentionsgenkendelse udleder, hvorfor nogen søger.
Praktisk relevans:
Bessere Priorisierung zwischen Beratung, Vergleich und Checkout-Nähe. Beispiel: „Beste Kamera fürs Reisen" → Vergleichsintention, kein spezifisches Modell.
Personaliseret produktanbefaling
Personaliserede produktanbefalinger tilpasser resultater til kontekst, afdækket behov og præferencer. Personalisering kan være regelbaseret (f.eks. efter budgetangivelse) eller modelbaseret (f.eks. via brugsmønstre).
Ikke at forveksle med:
Standardisierten „Kunden kauften auch"-Blöcken. Diese basieren auf Kaufhistorie, nicht auf dem individuellen Bedarf in der aktuellen Sitzung.
Praktisk relevans:
Højere relevans pr. session, når præferencer registreres korrekt. Anbefalingen varierer alt efter budget, anvendelsestilfælde og risikoaffinitet.
Rådgivende produktsøgning
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.
Ikke at forveksle med:
Klassisk onsite-søgning. Onsite-søgning returnerer resultater baseret på udtryk; rådgivende produktsøgning afdækker aktivt behovet.
Praktisk relevans:
Særligt værdifuldt ved lange beslutningscyklusser og stor variantmangfoldighed. Systemet fører brugeren fra en vag forespørgsel til et konkret valg.
Ekspertvidens-træning til rådgivning
Ekspertvidens-træning betegner den målrettede tilpasning af svarstil, prioriteringsregler og domæneviden til kundespecifikationer. Ændringer versioneres og gøres verificerbare – uden ukontrolleret fine-tuning af hele modellen.
Ikke at forveksle med:
Ukontrolleret fine-tuning uden governance. Fine-tuning ændrer grundmodellen globalt; Ekspertvidens-træning er regelbaseret, versioneret og kan gøres om.
Praktisk relevans:
Kunden können festlegen, wie Antworten formuliert werden und welche Kriterien Vorrang haben. Beispiel: „Immer zuerst Sicherheit und Folgekosten erklären, dann Preis."
Kompatibilitetsafprøvning (Fitment Matching)
Kompatibilitetsafprøvning kontrollerer, om et produkt er kompatibelt med et andet system, model eller komponent – baseret på hårde tekniske attributter som modelnummer, serie eller produktionsår. AI-systemer med Fitment Matching leverer kun resultater, hvor alle kompatibilitetsbetingelser er fuldt opfyldt.
Ikke at forveksle med:
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.
Praktisk relevans:
Beispiel: „Staubbeutel für Miele C2" → nur Staubbeutel, die als kompatibel mit Miele Complete C2 ausgezeichnet sind. Modell, Serie und Baujahr sind Muss-Kriterien.
Hyppigt stillede spørgsmål om AI-ordlisten
Hvad er forskellen mellem Agentic AI og en chatbot?
Chatbots følger scripts eller besvarer foruddefinerede spørgsmål. Agentic AI planlægger selvstændigt, koordinerer flere underagenter og udfører flertrinede opgaver – uden at kræve menneskelig input ved hvert trin.
Hvad står RAG for og hvornår er det nyttigt?
RAG står for Retrieval-Augmented Generation. Det er nyttigt, når en sprogmodel har brug for adgang til aktuelle eller virksomhedsspecifikke dokumenter – for eksempel policetekster i forsikringer eller interne vidensbaseser.
Hvad er forskellen mellem Vector Search og Agentic Search?
Vector Search finder lignende dokumenter baseret på embeddings. Agentic Search forstår intentionen bag en forespørgsel, stiller opfølgningsspørgsmål efter behov og matcher produktattributter direkte – uden vektordatabase.
Hvad er AI-hallucinationer og hvordan forebygger man dem?
Hallucinationer er faktisk forkerte udsagn, som LLM'er formulerer med tilsyneladende sikkerhed. Forebyggelse: strukturerede datakilder frem for fri generering og – til produktanbefalinger – Agentic Search, der arbejder direkte med verificerede katalogdata.
Hvad betyder GDPR-kompatibel AI konkret for webshops?
Personoplysninger skal behandles inden for EU's retlige rammer. Automatiserede anbefalinger skal dokumenteres og kunne bestrides af kunder. AGINITY AI opfylder disse krav via EU-hosting og attributbaserede, forklarlige anbefalinger.
Hvad er Query Intent og hvorfor er det vigtigt?
Query Intent er den faktiske købsintention bag en søgeforespørgsel. Et system, der forstår intention, finder matchende produkter selv ved upræcise formuleringer – og reducerer dermed nulresultater og frafald.
Hvad er et Zero-Result og hvordan undgår man det?
Et Zero-Result opstår, når søgningen ikke returnerer resultater på trods af tilgængelige produkter i kataloget. Årsag: nøjagtig nøgleordsmatchning uden synonymer eller intentionsforståelse. Agentic Search eliminerer strukturelt nulresultater via attributbaseret matchning.
Hvad er et POC hos AGINITY AI?
Et POC (Proof of Concept) hos AGINITY AI er en 48-timers test med dine rigtige produktdata. Du ser live, hvordan Agentic Search besvarer kundeforespørgsler, og måler KPI'er som nulresultatandel, konvertering og sessionslængde.
Hvordan kontrollerer AI kompatibilitet for reservedele og tilbehør?
Fitment Matching kontrollerer krav som modelnummer, serie og produktionsår direkte mod hårde produktattributter – ikke tekstlighed. Kun produkter, der opfylder alle kompatibilitetsbetingelser, returneres som resultater.
Oplev Agentic Search live
Test Agentic Search med dine egne produktdata – klar til brug inden for 48 timer.
Relaterede artikler
Forfatter
Peter Niedermeier
Grundlægger & CEO, AGINITY AI
Grundlægger & CEO af AGINITY AI. Over 15 års erfaring inden for e-handel og AI-produktudvikling. Udvikler Agentic Shopping-løsninger til det europæiske onlinehandelsmarked.
Se LinkedIn-profil