Termen van A tot Z
Agentic AI
Agentic AI verwijst naar AI-systemen die zelfstandig doelen nastreven, plannen opstellen en acties uitvoeren zonder menselijke invoer bij elke stap. In tegenstelling tot reactieve chatbots werken Agentic AI-systemen met meerdere gespecialiseerde delagenten die parallel en gecoordineerd handelen.
Niet te verwarren met:
Klassieke chatbots of op regels gebaseerde bots die beperkt zijn tot vooraf gedefinieerde antwoorden. Agentic AI plant en handelt; een chatbot reageert alleen maar.
Praktische toepassing:
In e-commerce neemt Agentic AI de productadvisering over: verzoeken analyseren, catalogus doorzoeken, vervolgvragen stellen en aanbevelingen uitleggen, zonder handmatig onderhoud van regels.
Agentic Search
Agentic Search coördineert meerdere gespecialiseerde AI-agenten die koopintentie, vereisten en beperkingen vertalen in een volledige catalogusafstemming via gestructureerde productdatapunten per SKU. Het resultaat is geen Top-k-deelverzameling, maar een volledige, onderbouwde selectie van alle passende producten.
Niet te verwarren met:
Semantic Search of RAG. Agentic Search gebruikt geen vectorgelijkenis, maar attributgebaseerde intent-matching met terugkoppelingsmechanisme.
Praktische toepassing:
In de webshop: de Zero-Result-rate wordt aanzienlijk verminderd omdat agenten ook bij onbekende of dubbelzinnige verzoeken passende productattributen vinden.
RAG (Retrieval-Augmented Generation)
RAG combineert informatiezoeking (Retrieval) met tekstgeneratie (Generation). Een taalmodel ontvangt relevante documenten uit een vectordatabase en genereert daarop gebaseerd een antwoord. Doel: hallucinaties verminderen en actuele informatie opnemen.
Niet te verwarren met:
Agentic Search. RAG genereert antwoorden uit documenten; Agentic Search levert productaanbevelingen uit gestructureerde catalogusgegevens zonder vectorindex.
Praktische toepassing:
Verzekeringsmaatschappijen gebruiken RAG voor FAQ-beantwoording uit policydocumenten. Het hallucinatierisico blijft echter verhoogd, omdat generatieve uitvoer niet wordt geverifieerd.
LLM (Large Language Model)
Een Large Language Model is een neuraal netwerk getraind op grote hoeveelheden tekst dat taal begrijpt en genereert. LLM’s vormen de basis voor systemen zoals ChatGPT, Claude of Gemini. Ze genereren waarschijnlijke vervolgingen: ze zijn geen databases en controleren geen feiten.
Niet te verwarren met:
Een zoekmachine. LLM’s genereren tekst, ze indexeren geen URL’s. Ze kunnen hallucineren omdat ze geen feiten controleren.
Praktische toepassing:
In e-commerce dienen LLM’s als taallaag: ze interpreteren klantvragen en formuleren antwoorden. De eigenlijke productlogica ligt bij gespecialiseerde agenten.
Embeddings
Embeddings zijn numerieke vectoren die de semantische inhoud van teksten, afbeeldingen of producten vertegenwoordigen. Vergelijkbare inhoud krijgt vergelijkbare vectoren, wat gelijkeniszoeken mogelijk maakt. Gegenereerd door taalmodellen of gespecialiseerde embeddingmodellen.
Niet te verwarren met:
Trefwoorden. Trefwoorden zijn exacte termen; embeddings vertegenwoordigen betekenis. Twee zinnen met verschillende woorden kunnen zeer vergelijkbare embeddings hebben.
Praktische toepassing:
In e-commerce: productbeschrijvingen worden opgeslagen als embeddings om bij het zoeken semantisch vergelijkbare producten te vinden, ongeacht exacte formuleringen.
Vector Search
Vector Search (vectorzoeken) vindt documenten of producten op basis van gelijkenis tussen embeddings, niet op exacte zoekwoorden. Elk verzoek wordt omgezet in een vector; de index geeft de meest vergelijkbare vectoren terug.
Niet te verwarren met:
Agentic Search. Vector Search meet gelijkenis; Agentic Search begrijpt context en stelt vervolgvragen. Bij zeer specifieke attribuutverzoeken kan Vector Search falen.
Praktische toepassing:
E-commerce winkels gebruiken Vector Search voor semantisch zoeken naar producten. Nieuwe producten zonder voldoende beschrijving worden slecht gevonden; Agentic Search omzeilt dit door attribuutmatching.
Conversational Commerce
Conversational Commerce duidt op handel via op dialoog gebaseerde interfaces: chat, stem of messenger. Klanten voeren een gesprek, stellen vragen en ontvangen productvoorstellen in de dialoog, geautomatiseerd en schaalbaar.
Niet te verwarren met:
Live-chat. Live-chat verbindt met mensen; Conversational Commerce is geautomatiseerd en schaalt naar miljoenen gelijktijdige gesprekken.
Praktische toepassing:
Winkels met op Agentic AI gebaseerde Conversational Commerce rapporteren kortere klantreizen en hogere winkelwagenwaarden dankzij nauwkeurige behoefteverduidelijking.
AI Product Discovery
AI Product Discovery beschrijft het proces waarbij AI-systemen klanten helpen relevante producten te ontdekken, ook als ze niet weten wat ze zoeken. Typisch: op dialoog gebaseerde behoefteverduidelijking, gepersonaliseerde suggesties, uitleg.
Niet te verwarren met:
Klassiek zoeken naar producten. Klassiek zoeken vereist een bekend zoekwoord; AI Product Discovery leidt de klant actief naar geschikte producten.
Praktische toepassing:
Verzekeringsaanbieders gebruiken AI Product Discovery voor tariefaanbevelingen: de AI vraagt naar behoeften, legt verschillen uit en beveelt het geschikte tarief aan.
Hallucinaties (AI)
Hallucinaties zijn feitelijk onjuiste of verzonnen beweringen die een AI-taalmodel met schijnbare zekerheid produceert. Ze ontstaan omdat LLM’s kansen maximaliseren, geen feiten controleren. Hallucinaties zijn een systemisch kenmerk van generatieve modellen, geen fout in de klassieke zin.
Niet te verwarren met:
Desinformatie veroorzaakt door dataproblemen. Hallucinaties ontstaan in het generatieproces zelf, onafhankelijk van de trainingskwaliteit.
Praktische toepassing:
In e-commerce vormen gehallusineerde producteigenschappen een retour- en aansprakelijkheidsrisico. Agentic Search minimaliseert het risico door aanbevelingen rechtstreeks af te leiden van geverifieerde productattributen.
Explainable AI (XAI)
Explainable AI duidt op AI-systemen waarvan de beslissingen op begrijpelijke wijze kunnen worden uitgelegd. Een aanbeveling geldt als uitlegbaar wanneer het systeem kan verantwoorden welke attributen of kenmerken tot de uitvoer hebben geleid.
Niet te verwarren met:
Transparante training. Verklaarbaarheid verwijst naar de uitvoer, niet naar het trainingsproces.
Praktische toepassing:
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 is een tweestaps zoekproces: eerste stap: snelle voorselectie van kandidaten. Tweede stap: een model beoordeelt elke kandidaat nauwkeuriger en sorteert de lijst opnieuw. Resultaat: hogere relevantie dan eenstaps zoeken.
Niet te verwarren met:
Sortering door filters. Filters verkleinen de zoekruimte op basis van regels; Re-Ranking beoordeelt semantische relevantie tussen verzoek en kandidaten.
Praktische toepassing:
E-commerce zoeksystemen gebruiken Re-Ranking om top-10-resultaten te sorteren op koopwaarschijnlijkheid. Bij Agentic Search voeren de agenten deze beoordeling rechtstreeks uit.
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.
Niet te verwarren met:
Trefwoorden. Trefwoorden zijn woorden in het verzoek; Query Intent is de onderliggende koopintentie. Dezelfde intentie kan op veel verschillende manieren worden uitgedrukt.
Praktische toepassing:
Agentic Search herkent de intentie, stelt vervolgvragen bij ambiguiteit en filtert de catalogus op afgeleid attributen, zonder dat de klant productspecificaties hoeft te kennen.
Zero-Result (geen resultaten)
Een Zero-Result treedt op wanneer een zoekopdracht geen resultaten oplevert, hoewel passende producten in de catalogus aanwezig zouden zijn. Oorzaken: te nauwe trefwoordovereenkomsten, ontbrekende synoniemen, onvoldoende intentiebegreip. Zero-Results leiden tot koopafbrekingen.
Niet te verwarren met:
Een lege catalogus. Zero-Results ontstaan door een ontoereikende zoekoplossing, niet door ontbrekende producten.
Praktische toepassing:
Klassieke trefwoordzoekopdrachten produceren Zero-Results bij typefouten, synoniemen of gecombineerde attributen. Agentic Search elimineert Zero-Results structureel: agenten vinden altijd passende attributen.
POC (Proof of Concept)
Een Proof of Concept is een gestructureerde testoperatie die aantoont of een technologie onder reale omstandigheden werkt. In AI-context: integratie in de echte systeemomgeving, test met echte productdata, meting van concrete KPI’s, voor de volledige uitrol.
Niet te verwarren met:
Demonstratie of simulatie. Demo’s tonen functionaliteiten in voorbeeldsystemen; een POC draait op eigen data en levert meetbare resultaten als beslissingsgrondslag.
Praktische toepassing:
AGINITY AI levert POC’s in 48 uur: productcatalogus uploaden, agenten configureren, live testen. Typische KPI’s: nultrefferspercentage, conversie, retourpercentage.
AVG-conforme AI
AVG-conforme AI duidt op AI-systemen die voldoen aan de vereisten van de Algemene Verordening Gegevensbescherming: dataminimalisatie, doelbinding, transparantie en verwerking in het EU-rechtsgebied. Voor AI geldt bovendien: documentatieplicht bij geautomatiseerde beslissingen (Art. 22 AVG).
Niet te verwarren met:
ISO 27001-certificering of beveiligingsaudits. AVG-conformiteit betreft de verwerking van persoonsgegevens, niet primair de IT-beveiliging.
Praktische toepassing:
Winkels en verzekeringsaanbieders in de DACH-regio moeten ervoor zorgen dat AI-aanbevelingen begrijpelijk en aanvechtbaar zijn. AGINITY AI verwerkt alle verzoeken gepseudonimiseerd in Duitse datacentra.
AI-productadvies
AI-productadvies is een op dialoog gebaseerd advies waarbij een systeem behoeften identificeert, passende producten selecteert en de aanbeveling onderbouwt. Het doel is niet alleen een trefferlijst, maar beslissingsondersteuning. Bijzonder effectief voor producten die uitleg vereisen en met veel varianten.
Niet te verwarren met:
Eenvoudig trefwoordzoeken zonder context. Trefwoordzoekopdrachten leveren trefferlijsten; AI-productadvies verduidelijkt behoeften en legt de selectie uit.
Praktische toepassing:
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
Een Agentic Shopping Assistant combineert taalbegrip, vervolgvragenlogica en op attributen gebaseerde matching. Hij werkt meerstaps: behoeften identificeren, catalogus doorzoeken, resultaat onderbouwen, in plaats van te steunen op statische regels of scripts.
Niet te verwarren met:
FAQ-chatbots met vooraf gedefinieerde antwoorden. FAQ-chatbots reageren op vooraf geformuleerde vragen; een Agentic Shopping Assistant begrijpt vrije formuleringen en past zijn strategie aan.
Praktische toepassing:
Verhoogt de advieskwaliteit voor grote catalogi met veel varianten. Vraagt actief naar budget en voorkeuren voordat producten worden geprioriteerd.
Guided Selling met AI
Guided Selling leidt gebruikers stap voor stap naar de passende selectie via vragen, op attributen gebaseerde filters en gemotiveerde aanbevelingen. AI prioriteert de meest zinvolle volgende vragen op basis van het vorige verloop van het gesprek.
Niet te verwarren met:
Statische productfilters zonder dialoog. Filters verkleinen de zoekruimte op basis van vooraf gedefinieerde criteria; Guided Selling met AI past het vragenverloop dynamisch aan de situatie aan.
Praktische toepassing:
Bijzonder effectief voor producten die uitleg vereisen of met complexe tarieflogica. Instap via use case in plaats van technische specificatie.
Op attributen gebaseerde productmatching
Attribuutgebaseerde productmatching controleert vereisten direct tegen concrete productattributen – niet tegen tekstgelijkenis. Vereiste criteria worden expliciet gevalideerd; optionele criteria stromen in de rangschikking. Het resultaat is traceerbaar en uitlegbaar.
Niet te verwarren met:
Reiner Vektorähnlichkeit ohne harte Attributprüfung. Vektorähnlichkeit misst semantische Nähe, prüft aber keine konkreten Werte wie „Akkulaufzeit ≥ 10h".
Praktische toepassing:
Reduziert Fehlkäufe, weil Muss-Kriterien explizit geprüft werden. Beispiel: „Akkulaufzeit ≥ 10h, Gewicht < 1,5 kg" als harte Filterkriterien vor dem Ranking.
Koopintentieherkenning (Purchase Intent)
Koopintentieherkenning extraheert het doel achter een zoekopdracht: informatief, vergelijkend of koopklaar. Systemen die de intentie correct classificeren, kunnen prioriteit en antwoordstrategie aanpassen – bijv. vergelijking in plaats van directe koopvoorstel.
Niet te verwarren met:
Puur trefwoordextractie. Trefwoorden beschrijven wat iemand typt; koopintentieherkenning leidt af waarom iemand zoekt.
Praktische toepassing:
Bessere Priorisierung zwischen Beratung, Vergleich und Checkout-Nähe. Beispiel: „Beste Kamera fürs Reisen" → Vergleichsintention, kein spezifisches Modell.
Gepersonaliseerde productaanbeveling
Gepersonaliseerde productaanbevelingen passen resultaten aan op context, geïdentificeerde behoefte en voorkeuren. Personalisatie kan regelgebaseerd zijn (bijv. op basis van opgegeven budget) of modelgebaseerd (bijv. door gebruikspatronen).
Niet te verwarren met:
Standardisierten „Kunden kauften auch"-Blöcken. Diese basieren auf Kaufhistorie, nicht auf dem individuellen Bedarf in der aktuellen Sitzung.
Praktische toepassing:
Hogere relevantie per sessie wanneer voorkeuren correct worden geïdentificeerd. De aanbeveling varieert per budget, gebruiksscenario en risicoaffiniteit.
Adviserende productzoeker
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.
Niet te verwarren met:
Klassiek onsite zoeken. Onsite zoeken geeft treffers op basis van termen; adviserende productzoeker verduidelijkt de behoefte actief.
Praktische toepassing:
Bijzonder waardevol bij lange besluitvormingscycli en grote variantenverscheidenheid. Het systeem leidt de gebruiker van een vage vraag naar een concrete selectie.
Expertkennis-training voor advisering
Expertkennis-training duidt op de gerichte aanpassing van antwoordstijl, prioriteringsregels en domeinkennis aan klantvereisten. Wijzigingen worden geversioneerd en verifieerbaar gemaakt, zonder ongecontroleerde fine-tuning van het totale model.
Niet te verwarren met:
Ongecontroleerde fine-tuning zonder governance. Fine-tuning verandert het basismodel globaal; expertkennis-training is regelgebaseerd, geversioneerd en omkeerbaar.
Praktische toepassing:
Kunden können festlegen, wie Antworten formuliert werden und welche Kriterien Vorrang haben. Beispiel: „Immer zuerst Sicherheit und Folgekosten erklären, dann Preis."
Compatibiliteitscontrole (Fitment Matching)
Compatibiliteitscontrole controleert of een product compatibel is met een ander systeem, model of onderdeel aan de hand van harde technische attributen zoals modelnummer, serie of bouwjaar. AI-systemen met Fitment Matching leveren alleen treffers waarbij alle compatibiliteitsvoorwaarden volledig zijn vervuld.
Niet te verwarren met:
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.
Praktische toepassing:
Beispiel: „Staubbeutel für Miele C2" → nur Staubbeutel, die als kompatibel mit Miele Complete C2 ausgezeichnet sind. Modell, Serie und Baujahr sind Muss-Kriterien.
Veelgestelde vragen over de AI-woordenlijst
Wat is het verschil tussen Agentic AI en een chatbot?
Chatbots volgen scripts of beantwoorden vooraf gedefinieerde vragen. Agentic AI plant autonoom, coördineert meerdere sub-agents en voert meerstapsige taken uit – zonder menselijke invoer bij elke stap te vereisen.
Waarvoor staat RAG en wanneer is het nuttig?
RAG staat voor Retrieval-Augmented Generation. Het is nuttig wanneer een taalmodel toegang nodig heeft tot actuele of bedrijfsspecifieke documenten – zoals polisbeteksten bij verzekeringen of interne kennisbanken.
Wat is het verschil tussen Vector Search en Agentic Search?
Vector Search vindt vergelijkbare documenten op basis van embeddings. Agentic Search begrijpt de intentie van een zoekopdracht, stelt indien nodig vervolgvragen en matcht productattributen direct – zonder vectordatabase.
Wat zijn AI-hallucinaties en hoe voorkom je ze?
Hallucinaties zijn feitelijk onjuiste uitspraken die LLM's met schijnbare zekerheid formuleren. Preventie: gestructureerde gegevensbronnen in plaats van vrije generatie en – voor productaanbevelingen – Agentic Search, dat direct werkt op geverifieerde catalogusdata.
Wat betekent AVG-conforme AI concreet voor webshops?
Persoonsgegevens moeten worden verwerkt binnen het EU-rechtskader. Geautomatiseerde aanbevelingen moeten gedocumenteerd en betwistbaar zijn door klanten. AGINITY AI voldoet aan deze vereisten via EU-hosting en attribuutgebaseerde, uitlegbare aanbevelingen.
Wat is Query Intent en waarom is het belangrijk?
Query Intent is de werkelijke koopintentie achter een zoekopdracht. Een systeem dat intentie begrijpt, vindt passende producten ook bij onnauwkeurige formuleringen – en vermindert zo nulresultaten en afhaakpunten.
Wat is een Zero-Result en hoe vermijd je het?
Een Zero-Result treedt op wanneer de zoekopdracht geen resultaten geeft ondanks beschikbare producten in de catalogus. Oorzaak: exacte trefwoordmatching zonder synoniemen of intentbegrip. Agentic Search elimineert structureel nulresultaten via attribuutgebaseerde matching.
Wat is een POC bij AGINITY AI?
Een POC (Proof of Concept) bij AGINITY AI is een 48-urentest met uw echte productdata. U ziet live hoe Agentic Search klantvragen beantwoordt en meet KPI's zoals het nulresultaatpercentage, conversie en sessieduur.
Hoe controleert AI compatibiliteit voor reserveonderdelen en accessoires?
Fitment Matching controleert vereisten zoals modelnummer, serie en bouwjaar direct aan de hand van harde productattributen – niet tekstgelijkenis. Alleen producten die aan alle compatibiliteitsvoorwaarden voldoen, worden als resultaten teruggegeven.
AgenticSearch live ervaren
Test Agentic Search met uw eigen productdata – binnen 48 uur klaar voor gebruik.
Gerelateerde artikelen
Auteur
Peter Niedermeier
Oprichter en CEO, AGINITY AI
Oprichter en CEO van AGINITY AI. Meer dan 15 jaar ervaring in e-commerce en AI-productontwikkeling. Ontwikkelt Agentic Shopping-oplossingen voor de Europese online handel.
LinkedIn-profiel bekijken