Termer från A till Ö
Agentic AI
Agentic AI betecknar KI-system som självständigt strävar mot mål, skapar planer och utför åtgärder – utan att behöva mänsklig inmatning för varje steg. Till skillnad från reaktiva chatbottar arbetar Agentic AI-system med flera specialiserade delagenter som agerar parallellt och koordinerat.
Ska inte förväxlas med:
Klassiska chatbottar eller regelbaserade bottar som är begränsade till fördefinierade svar. Agentic AI planerar och handlar; en chatbot reagerar bara.
Praktisk relevans:
Inom e-handel tar Agentic AI över produktrådgivningen: analyserar förfrågningar, söker igenom katalogen, ställer följdfrågor och förklarar rekommendationer – utan manuellt regelunderhåll.
Agentic Search
Agentic Search koordinerar flera specialiserade KI-agenter som översätter köpavsikt, krav och begränsningar till en fullständig katalogmatchning över strukturerade produktdatapunkter per SKU. Resultatet är ingen Top-k-delmängd, utan ett fullständigt och motiverat urval av alla passande produkter.
Ska inte förväxlas med:
Semantic Search eller RAG. Agentic Search använder ingen vektorlikhet, utan attributbaserad avsiktsmatchning med en återfrågningmekanism.
Praktisk relevans:
I onlinebutiken: Zero-Result-frekvensen minskar avsevärt, eftersom agenter hittar passande produktattribut även vid okända eller tvetydiga förfrågningar.
RAG (Retrieval-Augmented Generation)
RAG kombinerar informationssökning (Retrieval) med textgenerering (Generation). En språkmodell får relevanta dokument från en vektordatabas och genererar ett svar baserat på dessa. Målet är att minska hallucineringar och inkludera aktuell information.
Ska inte förväxlas med:
Agentic Search. RAG genererar svar från dokument; Agentic Search levererar produktrekommendationer från strukturerade katalogdata utan vektorindex.
Praktisk relevans:
Försäkringsbolag använder RAG för att besvara FAQ-frågor från policydokument. Hallucineringsrisken förblir ändå förhöjd eftersom generativa utdata inte verifieras.
LLM (Large Language Model)
En Large Language Model är ett neuralt nätverk tränat på stora textmängder som förstår och genererar språk. LLM:er utgör grunden för system som ChatGPT, Claude eller Gemini. De genererar sannolika fortsättningar – de är inga databaser och kontrollerar inga fakta.
Ska inte förväxlas med:
En sökmotor. LLM:er genererar text, de indexerar inga URL:er. De kan hallucinerera eftersom de inte kontrollerar fakta.
Praktisk relevans:
Inom e-handel fungerar LLM:er som språklager: de tolkar kundförfrågningar och formulerar svar. Den faktiska produktlogiken ligger hos specialiserade agenter.
Embeddings
Embeddings är numeriska vektorer som representerar det semantiska innehållet i texter, bilder eller produkter. Liknande innehåll får liknande vektorer – vilket möjliggör likhetssökning. Genereras av språkmodeller eller specialiserade Embedding-modeller.
Ska inte förväxlas med:
Nyckelord. Nyckelord är exakta termer; Embeddings representerar betydelse. Två meningar med olika ord kan ha mycket likartade Embeddings.
Praktisk relevans:
Inom e-handel: Produktbeskrivningar lagras som Embeddings för att hitta semantiskt liknande produkter vid sökning – oberoende av exakta formuleringar.
Vector Search
Vector Search (vektorsökning) hittar dokument eller produkter baserat på likhet mellan Embeddings, inte på exakta nyckelord. Varje förfrågan omvandlas till en vektor; indexet returnerar de mest liknande vektorerna.
Ska inte förväxlas med:
Agentic Search. Vector Search mäter likhet; Agentic Search förstår kontext och ställer följdfrågor. Vid mycket specifika attributförfrågningar kan Vector Search misslyckas.
Praktisk relevans:
E-handelsbutiker använder Vector Search för semantisk produktsökning. Nya produkter utan tillräcklig beskrivning hittas dåligt – Agentic Search kringgår det via attributmatchning.
Conversational Commerce
Conversational Commerce betecknar handel via dialogbaserade gränssnitt: chatt, röst eller messenger. Kunder för ett samtal, ställer frågor och får produktförslag i dialog – automatiserat och skalbart.
Ska inte förväxlas med:
Live-chatt. Live-chatt kopplar samman med människor; Conversational Commerce är automatiserat och skalar till miljontals samtidiga samtal.
Praktisk relevans:
Butiker med Agentic AI-baserad Conversational Commerce rapporterar kortare kundresor och högre kundvagnsvärden tack vare precis behovsklargörning.
AI Product Discovery
AI Product Discovery beskriver den process genom vilken KI-system hjälper kunder att hitta relevanta produkter – även när de inte vet vad de söker efter. Typiskt: dialogbaserad behovsklargörning, personaliserade förslag, förklaringar.
Ska inte förväxlas med:
Klassisk produktsökning. Klassisk sökning förutsätter ett känt sökord; AI Product Discovery leder aktivt kunden till passande produkter.
Praktisk relevans:
Försäkringsleverantörer använder AI Product Discovery för tarifferekommendationer: KI:n frågar om behov, förklarar skillnader och rekommenderar rätt tariff.
Hallucineringar (KI)
Hallucineringar betecknar faktamässigt felaktiga eller påhittade påståenden som en KI-språkmodell producerar med skenbar säkerhet. De uppstår eftersom LLM:er maximerar sannolikheter, inte kontrollerar fakta. Hallucineringar är ett systemiskt drag hos generativa modeller – inget fel i klassisk mening.
Ska inte förväxlas med:
Felinformation på grund av dataproblem. Hallucineringar uppstår i själva genereringsprocessen, oberoende av träningskvaliteten.
Praktisk relevans:
Inom e-handel utgör hallucinerande produktegenskaper en risk för returer och ansvar. Agentic Search minimerar risken genom att rekommendationer härleds direkt från verifierade produktattribut.
Explainable AI (XAI)
Explainable AI betecknar KI-system vars beslut kan förklaras på ett förståeligt sätt. En rekommendation anses förklarlig om systemet kan motivera vilka attribut eller egenskaper som ledde till utdata.
Ska inte förväxlas med:
Transparent träning. Explainability avser utdata, inte träningsprocessen.
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 är en tvåstegs sökprocess: Första steget – snabbt förurval av kandidater. Andra steget – en modell utvärderar varje kandidat noggrannare och sorterar om listan. Resultat: högre relevans än enstegs sökning.
Ska inte förväxlas med:
Sortering via filter. Filter reducerar sökriymden regelbaserat; Re-Ranking utvärderar semantisk relevans mellan förfrågan och kandidater.
Praktisk relevans:
E-handelssöksystem använder Re-Ranking för att sortera topp-10-resultat efter köpsannolikhet. Vid Agentic Search hanterar agenterna denna utvärdering 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.
Ska inte förväxlas med:
Nyckelord. Nyckelord är ord i förfrågan; Query Intent är den bakomliggande köpavsikten. Samma avsikt kan uttryckas på många olika sätt.
Praktisk relevans:
Agentic Search identifierar avsikten, ställer följdfrågor vid tvetydighet och filtrerar katalogen efter slutledda attribut – utan att kunden behöver känna till produktspecifikationer.
Zero-Result (nollträff)
Ett Zero-Result uppstår när en sökning inte ger några resultat – trots att passande produkter finns i katalogen. Orsaker: för snäva nyckelordsmatchningar, saknade synonymer, bristande avsiktsförståelse. Zero-Results leder till avbrutna köp.
Ska inte förväxlas med:
En tom katalog. Zero-Results beror på otillräcklig söklösning, inte på saknade produkter.
Praktisk relevans:
Klassiska nyckelordssökningar producerar Zero-Results vid stavfel, synonymer eller kombinerade attribut. Agentic Search eliminerar Zero-Results strukturellt: agenter hittar alltid passande attribut.
POC (Proof of Concept)
Ett Proof of Concept är ett strukturerat testdriftsförfarande som visar om en teknologi fungerar under verkliga förhållanden. I KI-sammanhang: integration i den verkliga systemmiljön, test med verkliga produktdata, mätning av konkreta KPI:er – före fullständig utrullning.
Ska inte förväxlas med:
Demo eller simulering. Demos visar funktioner i exempelsystem; ett POC körs på egna data och levererar mätbara resultat som beslutsunderlag.
Praktisk relevans:
AGINITY AI levererar POC:er inom 48 timmar: ladda upp produktkatalog, konfigurera agenter, testa live. Typiska KPI:er: nollträffsfrekvens, konvertering, returkvot.
DSGVO-kompatibel KI
DSGVO-kompatibel KI betecknar KI-system som uppfyller kraven i dataskyddsförordningen: dataminimering, ändamålsbegränsning, transparens och behandling inom EU:s rättsliga område. För KI gäller dessutom: dokumentationsskyldighet vid automatiserade beslut (Art. 22 DSGVO).
Ska inte förväxlas med:
ISO-27001-certifiering eller säkerhetsrevisioner. DSGVO-konformitet avser hanteringen av personuppgifter, inte primärt IT-säkerheten.
Praktisk relevans:
Butiker och försäkringsleverantörer i DACH måste säkerställa att KI-rekommendationer är spårbara och möjliga att bestrida. AGINITY AI behandlar alla förfrågningar pseudonymiserat i tyska datacenter.
KI-produktrådgivning
KI-produktrådgivning är en dialogbaserad rådgivning där ett system kartlägger behov, väljer ut passande produkter och motiverar rekommendationen. Målet är inte bara en träfflista utan beslutsstöd. Särskilt effektivt vid förklaringskrävande produkter med många varianter.
Ska inte förväxlas med:
Enkel nyckelordssökning utan kontext. Nyckelordssökningar levererar träfflistor; KI-produktrådgivning klargör behov och förklarar urvalet.
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 kombinerar språkförståelse, återfrågningslogik och attributbaserad matchning. Den arbetar i flera steg: kartlägga behov, söka igenom katalog, motivera resultat – i stället för att baseras på statiska regler eller skript.
Ska inte förväxlas med:
FAQ-chatbottar med fördefinierade svar. FAQ-chatbottar reagerar på förformulerade frågor; en Agentic Shopping Assistant förstår fritt formulerade uttryck och anpassar sin strategi.
Praktisk relevans:
Höjer rådgivningskvaliteten vid stora kataloger med många varianter. Frågar aktivt om budget och preferenser innan produkter prioriteras.
Guided Selling med KI
Guided Selling leder användare stegvis till rätt val – via frågor, attributbaserade filter och motiverade rekommendationer. KI prioriterar därvid de mest meningsfulla nästa frågorna utifrån det hittillsvarande samtalsförloppet.
Ska inte förväxlas med:
Statiska produktfilter utan dialog. Filter reducerar sökriymden efter fördefinierade kriterier; Guided Selling med KI anpassar frågeförloppet dynamiskt till situationen.
Praktisk relevans:
Särskilt effektivt vid förklaringskrävande produkter eller komplex tarifflogik. Ingång via use case snarare än teknisk specifikation.
Attributbaserad produktmatchning
Attributbaserad produktmatchning kontrollerar krav direkt mot konkreta produktattribut – inte mot textlikhet. Måste-kriterier valideras explicit; bra-att-ha-kriterier ingår i rankningen. Resultatet är spårbart och förklarbart.
Ska inte förväxlas 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.
Köpavsiktsigenkänning (Purchase Intent)
Köpavsiktsigenkänning extraherar målet bakom en sökförfrågan: informativt, jämförande eller köpredo. System som korrekt klassificerar avsikt kan anpassa prioritet och svarsstrategi – t.ex. jämförelse i stället för direkt köpförslag.
Ska inte förväxlas med:
Ren nyckelordextrahering. Nyckelord beskriver vad någon skriver; köpavsiktsigenkänning slutleder varför någon söker.
Praktisk relevans:
Bessere Priorisierung zwischen Beratung, Vergleich und Checkout-Nähe. Beispiel: „Beste Kamera fürs Reisen" → Vergleichsintention, kein spezifisches Modell.
Personaliserad produktrekommendation
Personaliserade produktrekommendationer anpassar resultaten efter kontext, kartlagt behov och preferenser. Personalisering kan ske regelbaserat (t.ex. efter budgetuppgift) eller modellbaserat (t.ex. via användningsmönster).
Ska inte förväxlas med:
Standardisierten „Kunden kauften auch"-Blöcken. Diese basieren auf Kaufhistorie, nicht auf dem individuellen Bedarf in der aktuellen Sitzung.
Praktisk relevans:
Högre relevans per session när preferenser kartläggs noggrant. Rekommendationen varierar beroende på budget, användningsfall och risktolerans.
Rådgivande produktsökning
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.
Ska inte förväxlas med:
Klassisk onsite-sökning. Onsite-sökning returnerar träffar baserat på termer; rådgivande produktsökning klargör aktivt behovet.
Praktisk relevans:
Särskilt värdefullt vid långa beslutscykler och stor variantmångfald. Systemet leder användaren från en vag förfrågan till ett konkret urval.
Expertkunskapsträning för rådgivning
Expertkunskapsträning betecknar den målinriktade anpassningen av svarsstil, prioriteringsregler och domänkunskap efter kundspecifikationer. Ändringar versioneras och görs kontrollerbara – utan okontrollerad finjustering av grundmodellen.
Ska inte förväxlas med:
Okontrollerad finjustering utan styrning. Finjustering förändrar grundmodellen globalt; expertkunskapsträning är regelbaserad, versionerad och ångransbar.
Praktisk relevans:
Kunden können festlegen, wie Antworten formuliert werden und welche Kriterien Vorrang haben. Beispiel: „Immer zuerst Sicherheit und Folgekosten erklären, dann Preis."
Kompatibilitetskontroll (Fitment Matching)
Kompatibilitetskontroll kontrollerar om en produkt är kompatibel med ett annat system, en annan modell eller en annan komponent – utifrån hårda tekniska attribut som modellnummer, serie eller tillverkningsår. KI-system med Fitment Matching levererar bara träffar där alla kompatibilitetsvillkor är fullständigt uppfyllda.
Ska inte förväxlas 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.
Vanliga frågor om AI-ordlistan
Vad är skillnaden mellan Agentic AI och en chatbot?
Chatbots följer skript eller svarar på fördefinierade frågor. Agentic AI planerar självständigt, koordinerar flera delagenter och utför flerstegsuppgifter – utan att kräva mänsklig inmatning vid varje steg.
Vad står RAG för och när är det användbart?
RAG står för Retrieval-Augmented Generation. Det är användbart när en språkmodell behöver tillgång till aktuella eller företagsspecifika dokument – till exempel försäkringstextdokument eller interna kunskapsbaser.
Vad är skillnaden mellan vektorsökning och Agentic Search?
Vektorsökning hittar liknande dokument baserat på embeddings. Agentic Search förstår intentionen bakom en sökning, ställer följdfrågor vid behov och matchar produktattribut direkt – utan vektordatabas.
Vad är AI-hallucinationer och hur förhindrar man dem?
Hallucinationer är faktafel som LLM:er formulerar med till synes säkerhet. Förebyggande: strukturerade datakällor istället för fri generering och – för produktrekommendationer – Agentic Search, som arbetar direkt med verifierade katalogdata.
Vad innebär GDPR-kompatibel AI konkret för webbutiker?
Personuppgifter måste behandlas inom EU:s rättsliga ram. Automatiserade rekommendationer måste dokumenteras och vara möjliga att bestrida av kunder. AGINITY AI uppfyller dessa krav genom EU-hosting och attributbaserade, förklarliga rekommendationer.
Vad är Query Intent och varför är det viktigt?
Query Intent är den faktiska köpintentionen bakom en sökning. Ett system som förstår intent hittar matchande produkter även vid oprecisa formuleringar – och minskar därigenom nollresultat och avhopp.
Vad är ett Zero-Result och hur undviker man det?
Ett Zero-Result uppstår när sökningen inte returnerar några resultat trots att produkter finns i katalogen. Orsak: exakt nyckelordsmatchning utan synonymer eller intentionsförståelse. Agentic Search eliminerar strukturellt nollresultat genom attributbaserad matchning.
Vad är ett POC hos AGINITY AI?
Ett POC (Proof of Concept) hos AGINITY AI är ett 48-timmarstest med dina riktiga produktdata. Du ser live hur Agentic Search svarar på kundförfrågningar och mäter KPI:er som nollresultatandel, konvertering och sessionslängd.
Hur kontrollerar AI kompatibilitet för reservdelar och tillbehör?
Fitment Matching kontrollerar krav som modellnummer, serie och tillverkningsår direkt mot hårda produktattribut – inte textlikhet. Endast produkter som uppfyller alla kompatibilitetsvillkor returneras som resultat.
Upplev AgenticSearch live
Testa Agentic Search med dina egna produktdata – klart inom 48 timmar.
Relaterade artiklar
Författare
Peter Niedermeier
Grundare & CEO, AGINITY AI
Grundare & CEO för AGINITY AI. Över 15 års erfarenhet inom e-handel och KI-produktutveckling. Utvecklar Agentic Shopping-lösningar för den europeiska onlinehandeln.
Visa LinkedIn-profil