KI-Produktsuche: Wie LLMs und Vektor-Embeddings die Onlineshop-Suche verändern

KI-Produktsuche kombiniert klassische Volltextsuche, Vektor-Embeddings und Large Language Models, um auch unscharfe, natürlichsprachliche oder fehlerhafte Suchanfragen zuverlässig auf passende Produkte zu lenken. Für B2B-Shops mit großen technischen Sortimenten ist das kein Zukunftsthema mehr, sondern ein konkreter Conversion-Hebel.

Gerade im B2B entscheidet die Suche häufig direkt über Umsatz oder Absprung. Fact-Finder nennt die Suchfunktion in einer B2B-Befragung als wichtigste Shop-Funktion für Einkäufer. Gleichzeitig entwickeln Anbieter wie Algolia, FactFinder und Shopware ihre Suchlösungen sichtbar in Richtung KI-gestützter Product Discovery weiter. Algolia beschreibt NeuralSearch beispielsweise ausdrücklich als Kombination aus Keyword- und Vector Search. (FactFinder)

Das Wichtigste auf einen Blick

• KI-Produktsuche kombiniert Volltextsuche, Vektor-Embeddings und LLMs.
• Reine Vektorsuche ersetzt klassische Suche im B2B nicht.
• Artikelnummern, SKUs und Normbezeichnungen brauchen weiterhin exakte lexikalische Suche.
• LLMs helfen besonders beim Verstehen langer, natürlichsprachlicher Suchanfragen.
• Hybrid Search ist 2026 der realistische Standard für B2B-Shops.
• KI-Suche funktioniert nur mit guten Produktdaten.
• Der Einstieg sollte schrittweise erfolgen: Daten, Hybrid-Index, LLM-Layer.

 

Was ist KI-Produktsuche?

KI-Produktsuche bezeichnet Suchsysteme, die nicht nur Wörter mit einem Index abgleichen, sondern Bedeutung, Kontext und Nutzerintention berücksichtigen.

Klassische Suche beantwortet die Frage: „Kommt dieser Begriff im Produktdatensatz vor?“

KI-Suche beantwortet zusätzlich: „Was meint der Nutzer wahrscheinlich?“

Beispiel:

Ein Nutzer sucht: „wasserdichter Stecker für Außenbereich“

Eine klassische Suche findet nur Produkte, in deren Texten diese Begriffe vorkommen.

Eine KI-gestützte Suche kann zusätzlich erkennen:

• Schutzart IP67 oder IP68
• Outdoor-Anwendung
• Steckverbinder
• Feuchtraum-Einsatz
• passende Produktfamilien

Das Ergebnis ist eine deutlich robustere Suche, vor allem bei komplexen technischen Sortimenten.

 

Wie unterscheidet sich KI-Produktsuche von klassischer Suche?

Klassische Volltextsuche

Klassische Produktsuche arbeitet mit einem Suchindex.

Typische Verfahren:

• Tokenisierung
• Stemming
• Synonyme
• BM25-Ranking
• Fuzzy Search

Sie ist sehr gut bei:

• Artikelnummern
• exakten Produktnamen
• Herstellernummern
• technischen Normen

Sie ist schwach bei:

• natürlichsprachlichen Fragen
• unscharfen Beschreibungen
• unbekannten Synonymen
• beratungsnahen Anfragen

 

KI-Produktsuche

KI-Produktsuche ergänzt die klassische Suche um:

• Vektor-Embeddings
• semantische Ähnlichkeit
• Query-Rewriting
• Intent-Erkennung
• Re-Ranking
• Conversational Search

Dadurch kann sie auch Anfragen verstehen, die nicht exakt zu den Produktdaten passen.

 

Die drei Verfahren der Produktsuche

1. Lexikalische Suche

Lexikalische Suche ist weiterhin die Grundlage.

Sie ist unverzichtbar für:

• SKUs
• GTINs
• Herstellernummern
• exakte Normbezeichnungen
• Produktcodes

Beispiel:

„KN 03 06 200“

Hier darf die Suche nicht interpretieren. Sie muss exakt treffen.

 

2. Vektorsuche

Vektorsuche wandelt Texte in numerische Vektoren um.

Dadurch erkennt die Suche Bedeutungsähnlichkeit.

Beispiel: „Werkzeug zum kontrollierten Anziehen von Schrauben“

kann zu: „Drehmomentschlüssel“

führen.

 

3. Hybride Suche

Hybride Suche kombiniert beide Ansätze:

• Volltextsuche für exakte Treffer
• Vektorsuche für semantische Treffer
• Re-Ranking zur Sortierung der Ergebnisse

Algolia beschreibt genau diesen Ansatz bei NeuralSearch als Kombination aus Keyword- und Vector Search. (algolia.com)

 

Vergleich: Volltextsuche, Vektorsuche und Hybrid Search

Für B2B-Shops ist hybride Suche fast immer der sinnvollste Weg.

 

Welche Rolle spielen LLMs in der Produktsuche?

Large Language Models ersetzen den Suchindex nicht. Sie ergänzen ihn.

Die drei wichtigsten Einsatzbereiche sind:

 

Query-Rewriting

Das LLM schreibt eine unstrukturierte Anfrage in eine bessere Suchanfrage um.

Beispiel:

„Ich brauche einen wasserdichten Stecker für draußen mit Push-Pull-Verriegelung“

wird zu:

• Produkttyp: Steckverbinder
• Schutzart: IP67 / IP68
• Einsatzort: außen
• Verriegelung: Push-Pull

 

Filter-Extraktion

LLMs können natürlichsprachliche Angaben in strukturierte Filter übersetzen.

Beispiel:

„unter 200 Euro, sofort lieferbar, Edelstahl“

wird zu:

• Preis < 200
• Verfügbarkeit: sofort lieferbar
• Material: Edelstahl

 

Re-Ranking

Nach der ersten Suche kann ein LLM die Treffer neu bewerten.

Es prüft:

• passt das Produkt wirklich zur Anfrage?
• ist der Anwendungskontext erfüllt?
• sind wichtige Kriterien vorhanden?

 

Warum reine KI-Suche im B2B nicht reicht

Viele KI-Suchprojekte scheitern an einer falschen Erwartung: „KI ersetzt unsere Suchlogik.“

Das stimmt im B2B fast nie.

 

Artikelnummern brauchen Exaktheit

Wenn ein Einkäufer eine SKU eingibt, darf die Suche keinen „ähnlichen“ Treffer liefern.

Normen brauchen Präzision

DIN, ISO, VDE, Schutzarten und technische Grenzwerte müssen exakt verarbeitet werden.

Preise und Sortimente sind kundenspezifisch

Die Suche muss wissen:

• welcher Kunde sucht?
• welche Produkte darf er sehen?
• welcher Preis gilt?
• welche Mindestbestellmenge gilt?

KI kann das nicht automatisch lösen. Diese Logik muss sauber modelliert werden.

 

Wann lohnt sich KI-Produktsuche im B2B?

KI-Suche lohnt sich besonders, wenn mindestens drei dieser Punkte zutreffen:

• großer Produktkatalog
• viele technische Attribute
• hohe Null-Treffer-Rate
• viele Synonyme und Branchenbegriffe
• beratungsintensive Produkte
• viele natürlichsprachliche Suchanfragen
• internationale Suche
• Ersatzteil- oder After-Sales-Szenarien

Sie lohnt sich weniger, wenn fast alle Nutzer ausschließlich über Artikelnummern bestellen.

 

Anbieter und Technologien für KI-Produktsuche

Algolia NeuralSearch

Algolia kombiniert Keyword- und Vector Search in einer API und positioniert NeuralSearch ausdrücklich als Hybrid Search. Stark für API-first- und Headless-Commerce-Architekturen. (algolia.com)

FactFinder

FactFinder kombiniert KI mit kontrollierbaren Merchandising- und Search-Funktionen und wird nach eigenen Angaben in mehr als 2.000 B2B- und B2C-Shops eingesetzt. (FactFinder)

Shopware Intelligence und Deep Search

Shopware baut KI-Funktionen stärker in Commerce-Workflows ein; Shopware Deep Search wird als KI-getriebene Suchlösung für relevante Produkterlebnisse beschrieben. (Shopware)

Open-Source-Ansätze

Für technisch starke Teams kommen auch Open-Source- oder selbst gehostete Ansätze infrage:

• Typesense
• Meilisearch
• OpenSearch
• PostgreSQL + pgvector
• Qdrant
• Weaviate

Diese Ansätze bieten mehr Kontrolle, verlangen aber mehr Betriebs- und Architekturkompetenz.

 

Roadmap: KI-Produktsuche in drei Stufen einführen

Stufe 1: Datenqualität und Suchanalyse

Vor KI kommt Datenhygiene.

Prüfen Sie:

• Suchbegriffe der letzten 90 Tage
• Null-Treffer-Suchen
• häufige Reformulierungen
• Produktdatenqualität
• fehlende Synonyme
• fehlende Attribute

Diese Stufe bringt häufig bereits deutliche Verbesserungen ohne neue Suchtechnologie.

 

Stufe 2: Hybrid-Index aufbauen

Ein Vektor-Index wird parallel zur bestehenden Suche aufgebaut.

Wichtig:

• SKU-Suche bleibt lexikalisch
• semantische Suche ergänzt nur
• Ergebnisse werden zusammengeführt
• A/B-Test gegen die bestehende Suche

 

Stufe 3: LLM-Layer ergänzen

Erst jetzt lohnt der LLM-Layer.

Einsatzbereiche:

• Query-Rewriting
• Filter-Extraktion
• Re-Ranking
• Empfehlungstexte
• dialogische Suche

 

Typische Fehler bei KI-Produktsuche

Schlechte Produktdaten

Embeddings können keine fehlenden Produktinformationen erfinden.

Artikelnummern über Vektorsuche suchen

Das führt zu unzuverlässigen Ergebnissen.

Synonyme komplett abschaffen

Branchenspezifische Begriffe müssen weiterhin gepflegt werden.

Latenz unterschätzen

LLM-Calls können Suchergebnisse spürbar verzögern.

Kein A/B-Test

Ohne Vergleichsmessung lässt sich der Effekt der KI-Suche nicht belegen.

Datenschutz ignorieren

Bei B2B-Kunden ist relevant, wo Embeddings berechnet und gespeichert werden.

 

Checkliste: Ist Ihr Shop bereit für KI-Produktsuche?

• Suchdaten der letzten 90 Tage ausgewertet
• Null-Treffer-Rate bekannt
• Top-Suchbegriffe bekannt
• Produktdaten vollständig
• technische Attribute gepflegt
• Synonyme vorhanden
• SKU-Suche zuverlässig
• Filterlogik sauber
• Such-Conversion messbar
• Datenschutzanforderungen geklärt
• A/B-Test möglich

 

So unterstützt Unit M dabei

Unit M unterstützt B2B-Unternehmen bei der Auswahl, Konzeption und Integration moderner Produktsuchen.

Wir prüfen:

• Datenqualität
• Suchlogik
• Plattform-Eignung
• KI-Potenzial
• Anbieteroptionen
• Integrationsaufwand
• Betriebskosten

Der Einstieg ist ein strukturiertes Suchaudit auf Basis realer Suchdaten. Daraus entsteht eine belastbare Empfehlung, ob klassische Optimierung, hybride Suche oder ein LLM-Layer der richtige nächste Schritt ist.

Häufige Fragen zur KI-Produktsuche (FAQ)

Was ist KI-Produktsuche?

KI-Produktsuche nutzt Verfahren wie Vektor-Embeddings, semantische Suche, Query-Rewriting und Re-Ranking, um Suchanfragen besser zu verstehen und passendere Produkte zu liefern.

Was ist der Unterschied zwischen KI-Produktsuche und semantischer Suche?

Semantische Suche ist ein Teilbereich der KI-Produktsuche. Sie nutzt Embeddings, um Bedeutung statt exakter Begriffe zu vergleichen.

Ersetzt KI klassische Suchindizes?

Nein. KI ergänzt klassische Suchindizes. Gerade im B2B bleiben Volltextsuche und exakte Artikelnummernsuche unverzichtbar.

Wann lohnt sich KI-Suche im B2B?

Wenn das Sortiment groß, technisch komplex oder beratungsintensiv ist und Nutzer häufig in natürlicher Sprache suchen.

Lohnt sich KI-Suche auch für kleinere Shops?

Ja, wenn die Produkte erklärungsbedürftig sind. Bei rein artikelnummergetriebenen Bestellprozessen reicht oft eine klassische Suche.

Was kostet KI-Produktsuche?

Die Kosten hängen stark von Anbieter, Suchvolumen, Kataloggröße und Integrationsaufwand ab. Cloud-Lösungen starten oft im niedrigen fünfstelligen Jahresbereich, komplexe Enterprise-Setups deutlich darüber.

Was ist Hybrid Search?

Hybrid Search kombiniert klassische Volltextsuche mit Vektorsuche und liefert dadurch robustere Suchergebnisse.

Welche Rolle spielen Produktdaten?

Eine zentrale Rolle. Ohne gute Produktdaten kann auch KI keine guten Suchergebnisse erzeugen.

Welche Risiken gibt es?

Typische Risiken sind falsche Treffer bei Artikelnummern, hohe Latenz, Datenschutzfragen und fehlende Erfolgsmessung.

Was ist der erste Schritt?

Die Analyse realer Suchdaten der letzten 90 Tage. Erst danach sollte über Anbieter oder KI-Technologie entschieden werden.