KI & Alexa for Shopping — was 2026 zählt.
Was Geschäftsführer wissen müssen, wenn die Suche zur Antwort wird und Amazon Rufus zu Alexa for Shopping — Begriffe aus KI-Shopping, GEO und Plattform-Discovery.
Was Geschäftsführer und Amazon-Verantwortliche 2026 wissen müssen
KI-Systeme beeinflussen Kaufentscheidungen zunehmend, bevor der Nutzer auch nur die erste Suchanfrage stellt. Amazons Alexa for Shopping — bis Mai 2026 als „Rufus“ bekannt — übernimmt dabei die Rolle einer KI-Einkaufsberaterin, die Produktfragen beantwortet, Alternativen vergleicht und Empfehlungen ausspricht. Für Seller und Vendor bedeutet das: Wer seine Produktdaten nicht für KI-Systeme aufbereitet, verliert Sichtbarkeit in dem Moment, der am meisten zählt — in der Entscheidungsphase. Dieses Glossar erklärt die Begriffe, die jeder Amazon-Verantwortliche und jeder Mittelständler, der KI strategisch einsetzen will, verstehen muss — ohne Technik-Vorlesung, mit konkreten Konsequenzen.
A
AEO (Answer Engine Optimization) — Die Optimierung von Inhalten dafür, von KI-Systemen als verlässliche Quelle zitiert zu werden, statt nur in klassischen Suchergebnissen zu erscheinen. Wer bei ChatGPT Search, Perplexity oder Google AI Overviews als Antwort auftaucht, gewinnt Sichtbarkeit ohne Klick — ohne dass der Nutzer deine Website besucht. Voraussetzung: klare Struktur, belegbare Fakten, erkennbare Autorschaft. Auf Amazon wirkt AEO durch strukturierte Produktdaten, die Alexa for Shopping direkt lesen und zitieren kann. → siehe auch: GEO, AI Overviews, Alexa for Shopping
Agentic AI — KI-Systeme, die nicht nur antworten, sondern eigenständig mehrstufige Aufgaben ausführen: Webseiten durchsuchen, Formulare ausfüllen, Bestellungen aufgeben, APIs aufrufen. Amazons „Buy for Me“ / Shop Direct ist ein Paradebeispiel: Die KI recherchiert, vergleicht und kauft — ohne dass der Nutzer jeden Schritt bestätigt. Für Seller bedeutet das konkret, dass ihre Produktdaten, Verfügbarkeiten und Preise von KI-Agenten automatisch ausgewertet und in Kaufentscheidungen umgesetzt werden — ohne menschlichen Touchpoint. → siehe auch: Agentic Commerce, Buy for Me, KI-Agent
Agentic Commerce — Das Einkaufsmodell, bei dem KI-Agenten Kaufentscheidungen vollständig oder weitgehend autonom treffen — ohne dass der Mensch jeden einzelnen Schritt bestätigt. Amazon verfolgt diese Richtung strategisch seit 2025: erst „Buy for Me“, dann Abo-Nachbestellungen per KI, später vollständige Einkaufslisten-Automatisierung. Für Marken verändert das die Spielregeln grundlegend: Nicht der emotionale Reiz der Verpackung oder der visuelle Auftritt am POS entscheidet, sondern die Qualität der strukturierten Produktdaten, die der KI vorliegen. Wer hier schwach aufgestellt ist, wird schlicht nicht mehr ausgewählt. → siehe auch: Agentic AI, Buy for Me, Alexa for Shopping
AI Overviews — Googles KI-generierte Antwortboxen, die seit 2024 über den klassischen Suchergebnissen erscheinen. Die KI fasst Inhalte aus mehreren Quellen zusammen — wer darin als Quelle auftaucht, gewinnt Vertrauen bei Nutzern, die nie weiterklicken. Für Mittelständler bedeutet das: Blogs, Produktseiten und FAQ-Texte müssen faktendicht und klar strukturiert sein — Marketing-Prosa ignoriert Google AI einfach. → siehe auch: AEO, GEO, KI-Suche
Alexa for Shopping — Amazons KI-gestützter Shopping-Assistent, der im Mai 2026 aus dem bisherigen „Rufus“ hervorging. Der eigenständige Rufus-Chatbot wurde eingestellt; die Empfehlungs- und Beratungsfunktionen leben weiter — jetzt tiefer in Alexa integriert und stärker auf Voice-Commerce ausgerichtet. Was sich geändert hat: Alexa for Shopping ist nicht mehr nur ein Chatfenster auf der Website, sondern ein kanal-übergreifendes System, das auf Echo-Geräten, in der App und im Browser arbeitet. Was gleich bleibt: Das RAG-Prinzip. Alexa for Shopping liest deine Produktseite — Titel, Bullet Points, Beschreibung, A+ Content, Q&A und Kundenbewertungen — und generiert daraus Antworten auf Nutzerfragen. Wer seine Produktseiten nicht als KI-Informationsquelle betrachtet, verliert Empfehlungen an Konkurrenten, die das tun. → siehe auch: Amazon Rufus, RAG, A+ Content, Information Density, Semantic Fit
Amazon Amelia — Amazons zweiter KI-Assistent — aber für eine andere Zielgruppe: Amelia hilft Sellern und Vendoren direkt in Seller Central. Während Alexa for Shopping auf der Kundenseite arbeitet (Produktempfehlungen, Kaufberatung), ist Amelia das interne Werkzeug für Händler: Listings optimieren, Leistungskennzahlen erklären, Aktionspläne bei Account-Problemen erstellen. Amelia greift auf die eigenen Verkaufsdaten des Sellers zu und kann kontextbezogene Empfehlungen geben — „dein Conversion Rate für ASIN X ist unter Benchmark, hier sind drei mögliche Ursachen.“ Für Seller, die regelmäßig in Seller Central arbeiten, lohnt es sich, Amelia aktiv zu nutzen statt sie zu ignorieren. → siehe auch: Alexa for Shopping, Prompt Engineering
Amazon Rufus — Seit Mai 2026 nicht mehr als eigenständiger Chatbot aktiv — die Funktionen wurden in Alexa for Shopping überführt. Rufus war Amazons erster öffentlichkeitswirksamer KI-Shopping-Assistent, der ab 2024 in der Amazon-App ausgerollt wurde. Die Umbenennung ist kein Rebranding um des Rebranding willen: Amazon bündelt alle Shopping-KI-Funktionen unter der Alexa-Marke, um Voice-Commerce, App-Nutzung und Web-Shopping in einem System zu vereinen. Für Seller ändert sich an der Optimierungslogik nichts — wer für Rufus optimiert hat, ist für Alexa for Shopping bereits gut aufgestellt. → siehe auch: Alexa for Shopping
A+ Content — Amazons erweitertes Produktseiten-Format mit Bildern, Vergleichstabellen, Textspalten und Storytelling-Modulen. Aus KI-Perspektive ist A+ Content mehr als ein Verkaufstool — es ist eine strukturierte Wissensquelle für Alexa for Shopping. Das System liest A+-Texte als zusätzlichen Kontext: Technische Spezifikationen in Tabellenform, Anwendungsszenarien in Textblöcken und Produktvergleiche helfen der KI, genauere Antworten zu geben. Konsequenz: A+ Content nicht nur für optischen Eindruck schreiben, sondern mit klaren Fakten, konkreten Use Cases und beantworteten Kaufentscheidungsfragen strukturieren. → siehe auch: Alexa for Shopping, Information Density, Use-Case Clarity
B
Brand Safety KI — Das Risiko, dass KI-Systeme falsche, irreführende oder reputationsschädigende Informationen über deine Marke oder deine Produkte verbreiten. Halluzinationen passieren — auch bei Alexa for Shopping, auch bei ChatGPT. Konkrete Gefahr für Seller: Die KI kombiniert Daten aus Bewertungen, Q&A und Produktbeschreibungen und kann dabei Fehlinformationen erzeugen, die du nie geschrieben hast. Gegenmaßnahme: Regelmäßiges Monitoring, was KI-Systeme über deine Produkte sagen, und eine saubere, widerspruchsfreie Datenbasis auf deiner Produktseite — sie ist deine erste Verteidigungslinie. → siehe auch: Halluzination, Rating Hygiene, Alexa for Shopping
Buy for Me / Shop Direct — Amazons agentic Checkout-Feature, bei dem die KI nicht nur empfiehlt, sondern den Kauf direkt abschließt — auf Amazon-Plattform oder bei Drittanbietern. Für Seller bedeutet das: Conversion entsteht nicht mehr durch einen überzeugenden Produktseiten-Besuch, sondern durch eine KI-Entscheidung im Hintergrund. Preis, Verfügbarkeit, Bewertungsdurchschnitt und strukturierte Produktdaten sind die Faktoren, die der KI-Agent abwägt — wer hier nicht sauber aufgestellt ist, verliert den Auftrag automatisch. → siehe auch: Agentic Commerce, Agentic AI, Alexa for Shopping
C
Chain-of-Thought — Eine Technik, bei der ein KI-Modell seinen Lösungsweg Schritt für Schritt explizit ausformuliert, statt direkt eine Antwort zu liefern. „Denke laut nach, bevor du antwortest“ — das verbessert bei komplexen Aufgaben die Genauigkeit erheblich. Relevant für Mittelständler, die KI für Analysen, Kalkulationen oder mehrstufige Entscheidungen nutzen: Wenn du das Modell zwingst, seinen Rechenweg zu zeigen, findest du Fehler leichter und bekommst nachvollziehbare Ergebnisse statt Black-Box-Outputs. → siehe auch: Prompt Engineering, LLM, Halluzination
ChatGPT — Das bekannteste Large Language Model von OpenAI. Wird von Millionen Nutzern täglich für Recherche, Texterstellung, Analysen und Entscheidungsvorbereitung genutzt. Für Unternehmen relevant auf zwei Ebenen: als internes Produktivitätswerkzeug — und als Kanal, in dem deine Marke und Produkte erwähnt oder übersehen werden. Wer bei ChatGPT-Recherchen zu seinen Produktkategorien nicht auftaucht, verliert Sichtbarkeit bei technikaffinen Käufern. → siehe auch: LLM, ChatGPT Search, GEO
ChatGPT Search — Die in ChatGPT integrierte Web-Suchfunktion, die aktuelle Ergebnisse aus dem Internet zieht und als Fließtext beantwortet — Quellen werden zitiert. Basiert auf Bing-Infrastruktur. Für Unternehmen mit B2B-Fokus besonders relevant: Einkäufer und Entscheider nutzen ChatGPT Search für Lieferanten- und Produktrecherchen. Wer dort als Quelle fehlt oder schlecht dargestellt wird, verliert Aufmerksamkeit bevor ein Gespräch stattfindet. → siehe auch: ChatGPT, AEO, KI-Suche
Claude — Anthropics KI-Assistent, bekannt für besonders lange Kontextfenster, starke Analyse komplexer Texte und zuverlässige Leistung bei strukturierten Aufgaben wie Vertragsanalyse, Datenauswertung oder Strategiearbeit. Für Unternehmen, die Datenschutz priorisieren, attraktiv: Anthropic trainiert standardmäßig nicht auf Nutzergesprächen. Besonders nützlich, wenn du große Dokumente — Ausschreibungen, Jahresberichte, Produktdatenblätter — vollständig analysieren lassen willst. → siehe auch: LLM, Kontextfenster, DSGVO & KI
Copilot — Microsofts KI-Assistent, tief in Office 365 integriert: Word, Excel, Outlook, Teams. Automatisiert Routineaufgaben wie Besprechungsnotizen, E-Mail-Zusammenfassungen, Tabellen aus Texten oder Präsentationsentwürfe. Für Unternehmen, die bereits auf Microsoft-Infrastruktur setzen, oft der schnellste Weg zu messbarer KI-Produktivität — ohne ein weiteres Tool einzuführen oder Mitarbeiter umzuschulen. → siehe auch: LLM, Prompt Engineering
Cut-off Date — Das Datum, nach dem ein KI-Modell keine neuen Informationen mehr gelernt hat. GPT-4o hat beispielsweise einen Wissenstand bis Anfang 2024 — was danach passiert ist, weiß das Modell nicht, es sei denn, es verfügt über eine Websuch-Funktion. Für Amazon-Verantwortliche praktisch relevant: KI-Modelle kennen neue Produkte, frische Marktdaten oder regulatorische Änderungen aus dem letzten Jahr nicht. Für aktuelle Inhalte brauchst du RAG, ein Modell mit Websuche oder manuell gepflegte Prompts. → siehe auch: Training Data, RAG, LLM
D
DSGVO & KI — Europäisches Datenschutzrecht gilt auch für KI-Nutzung. Kernfragen: Werden personenbezogene Daten in KI-Tools eingegeben? Werden diese Daten für Modell-Training verwendet? Besteht ein gültiger Auftragsverarbeitungsvertrag (AVV)? Viele US-amerikanische KI-Tools haben mittlerweile DSGVO-konforme Enterprise-Versionen — die Standardversionen oft nicht. Empfehlung: Interne Richtlinie festlegen, welche Daten in welche Tools dürfen, bevor Mitarbeiter unkoordiniert mit Kundendaten oder Geschäftsdaten experimentieren. → siehe auch: EU AI Act, KI-Transparenz, KI-Compliance
E
Edge Cases — Seltene, ungewöhnliche Eingaben oder Situationen, mit denen ein KI-System nicht korrekt umgeht. In der Planung bedeutet das: Bevor du KI in einen Produktivprozess einbaust, teste sie intensiv mit ungewöhnlichen Eingaben — Sonderzeichen, fehlende Felder, mehrdeutige Anfragen, Sprache mit Tippfehlern. Edge Cases sind systematisch der Ort, wo KI-Systeme scheitern — und beim Kundenservice oder automatisierten Listing-Management ist das ein reales Reputationsrisiko. → siehe auch: Guardrails, Halluzination
Embeddings — Mathematische Darstellungen von Texten, Bildern oder anderen Daten als Vektoren (Zahlenketten), die semantische Ähnlichkeiten erfassen. Ein Embedding „weiß“, dass „Getriebe“ und „Zahnrad“ nah beieinander liegen — ohne exakte Wortübereinstimmung. Alexa for Shopping nutzt Embeddings, um Produktanfragen semantisch mit Listings abzugleichen — nicht nur Keyword für Keyword. Grundlage für KI-gestützte Suche, Produktempfehlungen und RAG-Systeme. → siehe auch: Vektordatenbank, RAG, Semantic Fit
EU AI Act — Die erste umfassende KI-Regulierung der EU, stufenweise in Kraft seit 2024/2025. Klassifiziert KI-Systeme nach Risikostufen: verbotene Systeme (z.B. Social Scoring), Hochrisiko-Systeme (z.B. KI in Medizinprodukten oder Personalentscheidungen) und Niedrigrisikogruppen. Für Mittelständler am direktesten relevant: Wenn du KI nutzt, die Personalentscheidungen beeinflusst oder in regulierten Bereichen operiert, musst du Transparenz- und Dokumentationspflichten erfüllen. Für reine Marketing- und Analyse-KI gilt derzeit Niedrigrisiko. → siehe auch: KI-Transparenz, DSGVO & KI, KI-Compliance
F
Few-Shot Learning — Eine KI erhält wenige Beispiele (2–10) im Prompt, um das gewünschte Format oder Verhalten zu lernen — ohne neu trainiert zu werden. Praktisch: Du zeigst dem Modell drei Produktbeschreibungen in deinem Stil — und die nächsten 50 folgen diesem Muster. Deutlich wirkungsvoller als keine Beispiele (Zero-Shot), aber kein Ersatz für echtes Fine-Tuning bei spezialisierten Daueraufgaben. → siehe auch: Zero-Shot Learning, Prompt Engineering, Fine-Tuning
Fine-Tuning — Das Weitertrainieren eines vortrainierten Foundation Models auf eigene Daten oder Aufgaben. Ergebnis: ein Modell, das Branchenvokabular, Unternehmenstonalität oder spezifische Formate besser beherrscht als das Basismodell. Aufwand und Kosten sind erheblich höher als Prompt Engineering — sinnvoll erst bei hohem Volumen gleichartiger, spezifischer Aufgaben. Für die meisten Mittelständler ist Few-Shot Learning der pragmatischere erste Schritt. → siehe auch: Foundation Model, Few-Shot Learning, Prompt Engineering
Foundation Model — Ein auf riesigen Datenmengen vortrainiertes KI-Modell, das als Basis für viele verschiedene Anwendungen dient. GPT-4, Claude, Gemini und Llama sind Foundation Models — sie „verstehen“ Sprache und Kontext ohne aufgabenspezifisches Training. Sie können durch Fine-Tuning oder Prompt Engineering auf spezifische Anforderungen zugeschnitten werden. Amazons eigene Foundation Models (u.a. Titan) treiben Dienste wie Alexa for Shopping an. → siehe auch: LLM, Fine-Tuning
G
GEO (Generative Engine Optimisation) — Die Weiterentwicklung von SEO für das KI-Zeitalter: Inhalte so gestalten, dass sie von generativen KI-Systemen als verlässliche Quelle erkannt und zitiert werden. Für Alexa for Shopping bedeutet das: strukturierte Produktdaten, klar formulierte Use Cases, beantwortete Kaufentscheidungsfragen direkt im Listing. Für Perplexity und ChatGPT: faktenreiche, klar gegliederte Texte auf deiner Website. GEO ist keine Option mehr — es ist die Grundvoraussetzung für organische KI-Sichtbarkeit. → siehe auch: AEO, AI Overviews, Alexa for Shopping, LLMO
Gemini — Googles Familie von KI-Modellen, tief in die Google-Infrastruktur eingebettet: Google Search, Google Workspace (Docs, Sheets, Gmail), Google Cloud. Für Unternehmen, die bereits Google Workspace nutzen, ist Gemini der natürliche KI-Einstieg — oft ohne Zusatzkosten ab dem Business-Plan. Besonders relevant: Gemini kann YouTube-Videos analysieren und Google-Suchdaten in Echtzeit einbeziehen. → siehe auch: LLM, AI Overviews
Generative AI / GenAI — Der Oberbegriff für KI-Systeme, die neue Inhalte erzeugen — Text, Bilder, Audio, Video, Code. Der Unterschied zu „KI“ allgemein: Klassische KI klassifiziert und erkennt (Betrugserkennung, Bildklassifizierung, Empfehlungsalgorithmen). GenAI generiert. ChatGPT, Claude, Midjourney, Sora — das ist alles GenAI. Amazon nutzt beides: Den Empfehlungsalgorithmus (klassische KI) und Alexa for Shopping (GenAI). Für Unternehmensentscheidungen wichtig: GenAI ist der Bereich, der gerade am schnellsten wächst und die meisten sichtbaren Veränderungen bringt. → siehe auch: LLM, Foundation Model
Grok — KI-Assistent von xAI (Elon Musk), integriert in X (ehemals Twitter). Liest in Echtzeit X-Beiträge und durchsucht das Web. Für Marken mit aktiver X-Präsenz oder News-relevantem Inhalt ein wachsender Kanal — Grok zitiert bevorzugt aktuelle, diskutierte Inhalte. Im E-Commerce aktuell weniger relevant als Alexa for Shopping oder ChatGPT Search, aber für B2B-Marken mit Meinungsführer-Anspruch ein zu beobachtender Kanal. → siehe auch: LLM, GEO
Guardrails — Technische und organisatorische Schranken, die verhindern, dass ein KI-System unerwünschte Ausgaben produziert. Alexa for Shopping hat Amazon-eigene Guardrails: Das System wird keine reputationsschädigenden Aussagen über Produkte oder Marken generieren — in der Theorie. Für eigene KI-Implementierungen im Unternehmen sind System Prompts, Moderation APIs und menschliche Überprüfungsschleifen die wichtigsten Guardrail-Werkzeuge. Je sensibler der Anwendungsfall, desto expliziter müssen diese Schranken definiert sein. → siehe auch: System Prompt, Brand Safety KI, EU AI Act
H
Halluzination — Wenn ein KI-Modell Informationen erfindet, die plausibel klingen, aber faktisch falsch sind — erfundene Quellen, falsche Zahlen, nicht existierende Zertifizierungen. Kein Fehler im klassischen Sinne, sondern eine strukturelle Eigenschaft: LLMs optimieren auf sprachliche Kohärenz, nicht auf Faktentreue. Für Unternehmen unvermeidliche Konsequenz: KI-Outputs immer gegenprüfen, bevor sie in Angeboten, rechtlichen Dokumenten oder öffentlicher Kommunikation landen. Im Amazon-Kontext kann Halluzination dazu führen, dass Alexa for Shopping falsche Produktaussagen macht — eine saubere, widerspruchsfreie Produktseite reduziert dieses Risiko. → siehe auch: RAG, LLM, Brand Safety KI, Guardrails
I
Information Density — Je mehr strukturierte, konkrete und widerspruchsfreie Informationen auf einer Produktseite stehen, desto besser versteht Alexa for Shopping das Produkt und desto präziser sind die generierten Empfehlungen. „Hohe Qualität“ ist keine Information. „Zugfestigkeit 800 N, IP67-zertifiziert, für Außeneinsatz bis -20°C getestet“ ist Information. Konkret bedeutet das: Maße, Gewicht, Materialien, Zertifizierungen, Kompatibilitäten, Zielgruppen und Anwendungsszenarien gehören in Bullet Points — nicht in den Fließtext der Beschreibung, wo KI-Systeme sie schwerer extrahieren können. → siehe auch: Alexa for Shopping, A+ Content, Use-Case Clarity, Semantic Fit
Inference — Der Moment, in dem ein trainiertes KI-Modell eine Anfrage verarbeitet und eine Antwort generiert. Training ist der Lernprozess — Inference ist die Anwendung. Inference-Kosten bestimmen, was KI-Nutzung pro Anfrage kostet und wie schnell das System antwortet. Für Unternehmen, die KI in skalierbare Prozesse einbauen — Produktdatenpflege, automatisierte Reports, Kundenservice-Bots — ist Inference-Effizienz ein direkter Kostenhebel. → siehe auch: Token, Training Data, Latenz
K
KI-Agent — Ein KI-System, das nicht nur antwortet, sondern eigenständig mehrstufige Aufgaben ausführt: Websites durchsuchen, Formulare ausfüllen, APIs aufrufen, Entscheidungen treffen, Folgeschritte einleiten. Agenten können Abläufe automatisieren, die bisher Mitarbeiter oder teure Automatisierungssoftware erforderten. Aktuelle Reife: für definierte, gut strukturierte Prozesse bereits produktiv einsetzbar — für kreative, rechtlich sensible oder schwach spezifizierte Aufgaben noch mit Vorsicht. → siehe auch: Agentic AI, Agentic Commerce, LLM
KI-Compliance — Die internen Regeln und Prozesse, mit denen ein Unternehmen den Einsatz von KI-Tools steuert und dokumentiert. Was Mittelständler mindestens regeln müssen: Welche KI-Tools sind erlaubt? Welche Daten dürfen eingegeben werden (insbesondere: keine personenbezogenen Daten, keine Geschäftsgeheimnisse in Gratis-Tools)? Wer ist für KI-Outputs verantwortlich, bevor sie nach außen gehen? Eine Seite interne Richtlinie ist besser als nichts — und schützt vor den häufigsten Compliance-Problemen. → siehe auch: DSGVO & KI, EU AI Act, KI-Transparenz
KI-Suche — Der Oberbegriff für Suchdienste, die KI einsetzen, um Anfragen direkt zu beantworten statt nur Links aufzulisten. Perplexity, ChatGPT Search, Google AI Overviews und Bing Copilot sind die relevantesten Vertreter. KI-Suche verändert das Nutzungsverhalten strukturell: Nutzer bekommen Antworten, keine Klick-Anreize — was für klassisches SEO-Traffic-Denken eine Zäsur bedeutet. → siehe auch: AEO, GEO, AI Overviews, Perplexity
KI-Transparenz — Die Anforderung, Nutzern und Betroffenen offenzulegen, wenn und wie KI im Einsatz ist und wie Entscheidungen zustande kommen. Im EU AI Act verankert, aber auch unabhängig davon ein Vertrauensfaktor. Kunden reagieren auf verantwortungsvollen, offen kommunizierten KI-Einsatz positiver als auf versteckte Automatisierung — besonders in sensiblen Bereichen wie Gesundheitsprodukte, Finanzberatung oder Personalentscheidungen. → siehe auch: EU AI Act, DSGVO & KI, Guardrails
Kontextfenster — Die maximale Menge an Text (gemessen in Token), die ein KI-Modell in einer Sitzung gleichzeitig verarbeiten kann. Größere Kontextfenster ermöglichen längere Dokumente, komplexere Analysen und mehrstufige Aufgaben ohne Informationsverlust. Claude 3.5 verarbeitet bis zu 200.000 Token — rund 600 Buchseiten. Relevant, wenn du KI für Vertragsanalysen, große Datenexporte, vollständige Produktkataloge oder umfangreiche Recherchen nutzen willst. → siehe auch: Token, LLM, Fine-Tuning
L
Latenz — Die Reaktionszeit eines KI-Modells von Anfrage bis Antwort. Bei interaktiven Anwendungen — Chatbots, Live-Suche, Alexa-Sprachinteraktion — entscheidend für die Nutzererfahrung: Wer länger als zwei Sekunden auf eine Antwort wartet, bricht die Interaktion ab. Größere, leistungsfähigere Modelle sind typischerweise langsamer — der Tradeoff zwischen Qualität und Geschwindigkeit ist eine zentrale Entscheidung beim Aufbau KI-gestützter Kundenkontaktpunkte. → siehe auch: Inference, Token
LLMO (Large Language Model Optimization) — Inhalte so aufzubauen, dass LLMs sie korrekt verstehen, richtig interpretieren und verlässlich zitieren. Verwandt mit GEO, aber technischer gedacht: Geht es bei GEO um den strategischen Ansatz, meint LLMO die konkrete inhaltliche und strukturelle Ausgestaltung. Für Amazon-Listings bedeutet das: Fakten in klarer Syntax, keine Marketing-Hyperbeln, spezifische Attribute an prominenter Stelle, Wiederholung von Schlüsselinformationen an mehreren Stellen der Seite. → siehe auch: GEO, AEO, Prompt Engineering, Information Density
LLM (Large Language Model) — Ein KI-Modell, das auf riesigen Textmengen trainiert wurde und dadurch Sprache versteht, generiert und analysiert. GPT-4, Claude, Gemini und Llama sind LLMs. Sie können schreiben, zusammenfassen, übersetzen, code generieren und Fragen beantworten — aber sie kennen keine „Wahrheit“. Sie berechnen statistische Wahrscheinlichkeiten für den nächsten Text-Token. Diese Grundeigenschaft ist der Grund für Halluzinationen und der wichtigste Kontext für jeden, der KI im Unternehmen einsetzt. → siehe auch: Foundation Model, Halluzination, Token
M
Multimodale KI — KI-Systeme, die nicht nur Text, sondern auch Bilder, Audio und Video verarbeiten und erzeugen können. GPT-4o kann ein Produktfoto analysieren und daraus eine Beschreibung generieren. Gemini kann YouTube-Videos lesen. Für E-Commerce direkt nutzbar: Produktfotos einlesen und Beschreibungen ableiten, Verpackungstexte aus Bildern extrahieren, Defekte auf Produktbildern erkennen. Amazon testet multimodale Funktionen für Alexa for Shopping — Kunden könnten in Zukunft Fotos hochladen, um ähnliche Produkte zu finden. → siehe auch: LLM, Foundation Model, Alexa for Shopping
O
Open Source vs. Proprietary Models — Proprietäre Modelle (GPT-4, Claude, Gemini) werden als Cloud-Service angeboten — der Anbieter kontrolliert Training, Updates und Datenzugriff. Open-Source-Modelle (Llama, Mistral, Phi) können selbst gehostet werden, was vollständige Datenkontrolle ermöglicht. Für DSGVO-sensible Unternehmen oder Branchen mit strengen Vertraulichkeitsanforderungen ist Self-Hosting auf eigener Infrastruktur relevant — erfordert aber IT-Kapazität und laufende Pflege. Für die meisten Mittelständler ist der pragmatische Einstieg über eine proprietäre Enterprise-Version mit AVV der schnellere Weg. → siehe auch: DSGVO & KI, Fine-Tuning, KI-Compliance
P
Perplexity — Eine KI-Suchmaschine, die Anfragen direkt mit zitierten Quellen beantwortet — Recherche-Tool statt Link-Liste. Technikaffine B2B-Entscheider nutzen Perplexity häufig für Lieferanten-, Markt- und Produktrecherchen. Für Marken im B2B: Wer auf Perplexity als Quelle fehlt oder schlecht dargestellt wird, verliert Aufmerksamkeit bei Entscheidern bevor ein erstes Gespräch stattfindet. Optimierungslogik ähnlich AEO — faktenreiche Inhalte, klare Struktur, erkennbare Autorschaft. → siehe auch: GEO, AEO, KI-Suche
Prompt Engineering — Die handwerkliche Fähigkeit, Anfragen an ein KI-Modell so zu formulieren, dass die Ausgabe nützlich, präzise und im richtigen Format ist. Kein Zaubertrick — sondern: klare Aufgabenbeschreibung, relevanter Kontext, Format-Vorgaben, Beispiele und explizite Einschränkungen. Wer gut promptet, spart in der KI-Nutzung erheblich Zeit und produziert konsistentere Ergebnisse. Für Unternehmen, die KI in Prozesse einbauen, ist Prompt Engineering eine Kernkompetenz — wichtiger als das Wissen über Modellarchitektur. → siehe auch: System Prompt, Few-Shot Learning, Chain-of-Thought
R
RAG (Retrieval-Augmented Generation) — Eine Methode, bei der ein LLM vor der Antwortgenerierung erst in einer eigenen Wissensdatenbank sucht und dann auf Basis gefundener Dokumente antwortet. Löst das Halluzinationsproblem für domänenspezifische Fragen erheblich: Statt aus dem Training zu schöpfen, zitiert das Modell deine eigenen Dokumente. Amazon Alexa for Shopping funktioniert nach RAG-Prinzip — es liest deine Produktseite. Interne KI-Lösungen für Wissensdatenbanken, Kundenservice oder Produktsuche basieren meist ebenfalls auf RAG. → siehe auch: Vektordatenbank, Embeddings, Halluzination, Alexa for Shopping
Rating Hygiene — Alexa for Shopping empfiehlt typischerweise keine Produkte unter 4,0 Sternen — der Bewertungsdurchschnitt ist ein hartes Filterkriterium im KI-Empfehlungssystem. Das bedeutet: Bewertungsmanagement ist keine Nice-to-have-Maßnahme mehr, sondern direkte Voraussetzung für KI-Sichtbarkeit. Konkret: Negative Bewertungen systematisch beantworten, über Amazons Vine-Programm qualitativ hochwertige Rezensionen aufbauen, und auf Review-Manipulation verzichten — der Algorithmus erkennt unnatürliche Bewertungsmuster und straft ab. → siehe auch: Alexa for Shopping, Brand Safety KI, „Why you might like this“
„Researched by AI“ — Amazons Modul, das KI-generierte Kaufentscheidungshilfen direkt in Suchergebnissen anzeigt: Pro/Contra-Übersichten, Produktvergleiche, Kategorie-Empfehlungen. Für Seller wichtig zu verstehen: Diese Inhalte werden von Amazon automatisch aus Produktdaten und Bewertungen generiert — Seller haben keine direkte Kontrolle über den Text, aber indirekte Kontrolle über die Rohdaten, aus denen er entsteht. Saubere Produktdaten, hohe Bewertungsqualität und klare Bullet Points erhöhen die Wahrscheinlichkeit, in diesem Modul positiv dargestellt zu werden. → siehe auch: Alexa for Shopping, A+ Content, Information Density
S
Semantic Fit — Alexa for Shopping — und jede moderne KI-Suche — matched Produktanfragen nach semantischer Relevanz, nicht nur nach exakten Keyword-Treffern. „Rutschfeste Kinderschuhe für Parkett“ findet ein Produkt, das „Anti-Slip Indoor Sohle, geeignet für glatte Böden“ als Merkmal enthält — auch ohne wörtliche Übereinstimmung. Das verändert die Listing-Optimierung: Nicht Keyword-Stuffing gewinnt, sondern vollständige, semantisch präzise Beschreibungen, die den tatsächlichen Verwendungskontext abdecken. Synonyme, Anwendungsszenarien und Zielgruppenbeschreibungen gehören ins Listing. → siehe auch: Embeddings, Information Density, LLMO, GEO
Sponsored Prompts — Amazons KI-Werbeformat: KI-generierter Anzeigentext, der zu konkreten Produktfragen passt und in Alexa for Shopping oder anderen Amazon-KI-Oberflächen ausgespielt wird. Noch im Rollout 2025/2026, noch kein flächendeckender Zugang für alle Seller. Strategisch ist das die Konsequenz von Amazons KI-Ausbau: Werbung folgt dem Nutzerverhalten — wenn Nutzer KI-Antworten statt Suchergebnisse konsumieren, verschiebt sich das Werbebudget dorthin. Seller sollten Sponsored Prompts im Blick behalten, sobald das Format verfügbar ist. → siehe auch: Alexa for Shopping, Share of Model
System Prompt — Eine versteckte Anweisung an ein KI-Modell, die vor der eigentlichen Nutzereingabe gesetzt wird und das Verhalten des Modells grundlegend steuert: Tonalität, Rollendefinition, Verbote, Formate. Wer KI-Anwendungen für das eigene Unternehmen konfiguriert, gestaltet im Wesentlichen System Prompts. „Du bist ein freundlicher Kundenservice-Mitarbeiter für Medizinprodukte und beantwortest ausschließlich Fragen zu unseren Produkten“ — das ist ein System Prompt. Qualität und Präzision des System Prompts bestimmen die Qualität jeder KI-gestützten Anwendung. → siehe auch: Prompt Engineering, Guardrails, KI-Agent
T
Token — Die kleinste Einheit, in die KI-Modelle Text aufteilen. Rund 1 Token entspricht etwa 0,75 Wörtern auf Englisch, auf Deutsch etwas mehr — Komposita wie „Produktbeschreibungsqualität“ zählen als mehrere Token. Alle KI-Kosten werden in Token gemessen: Eingabe + Ausgabe = Gesamtkosten. Für Unternehmen, die KI in skalierbare Prozesse einbauen, ist Token-Effizienz ein echter Kostenhebel — kürzere, präzisere Prompts mit weniger redundantem Kontext kosten messbar weniger. → siehe auch: Kontextfenster, Inference, LLM
Training Data — Die Datenmenge, auf der ein KI-Modell trainiert wurde. Bei LLMs: Milliarden von Texten aus dem Web, Büchern und anderen Quellen — mit Stichtag (Cut-off Date). Was nach diesem Datum passiert ist, weiß das Modell nicht. Für Amazon-Seller relevant: KI-Modelle haben möglicherweise veraltete Informationen über deine Produktkategorie, Marktpreise oder regulatorische Anforderungen — verlasse dich nicht auf KI-generierte Compliance-Aussagen ohne Gegenprüfung. → siehe auch: LLM, Fine-Tuning, RAG, Cut-off Date
U
Use-Case Clarity — Alexa for Shopping versteht Produkte nicht nur als Objekte, sondern als Lösungen für konkrete Situationen: „für wen ist das Produkt, in welcher Situation, für welchen Zweck?“ Wer das auf seiner Produktseite nicht kommuniziert, wird in situativen Suchanfragen nicht empfohlen. Beispiel: Ein Proteinriegel, der nur Nährwerte listens, wird auf die Frage „Was nehme ich mit ins Fitnessstudio als schnellen Snack?“ schlechter platziert als ein Konkurrenzprodukt, das explizit „ideal vor und nach dem Training“ formuliert. Use-Case Clarity muss in Bullet Points, Titel und A+ Content sichtbar sein — die KI liest alle drei. → siehe auch: Information Density, Semantic Fit, A+ Content, Alexa for Shopping
V
Vektordatenbank — Eine spezialisierte Datenbank, die Daten als mathematische Vektoren (Embeddings) speichert und extrem schnell nach semantisch ähnlichen Inhalten suchen kann. Grundlage für RAG-Systeme, KI-gestützte Produktsuche und interne Wissens-KIs. Wer eine eigene KI-Lösung baut — Chatbot auf Produktdatenbasis, interne Wissensdatenbank, KI-gestützte Suchfunktion — braucht früher oder später eine Vektordatenbank. Gängige Optionen: Pinecone, Weaviate, pgvector (als Postgres-Erweiterung). → siehe auch: RAG, Embeddings
W
„Why you might like this“ — Amazons Feature für personalisierte Produkterklärungen auf Product Detail Pages (PDPs): Die KI generiert auf Basis des Nutzerprofils (Kaufhistorie, Suchmuster, Präferenzen) und der Produktdaten einen kurzen Erklärungstext, warum dieses Produkt für diesen Nutzer relevant sein könnte. Was Seller direkt beeinflussen können: die Qualität und Vollständigkeit ihrer Produktdaten. Was sie nicht beeinflussen können: das Nutzerprofil. Konkret: Je mehr strukturierte Attribute, Use Cases und Zielgruppenmerkmale im Listing stehen, desto mehr Material hat die KI, um personalisierte Erklärungen zu generieren. → siehe auch: Alexa for Shopping, Use-Case Clarity, Personalization, Semantic Fit
Z
Zero-Shot Learning — Eine KI löst eine Aufgabe ohne jegliche Beispiele im Prompt — nur durch allgemeines Sprachverständnis und die Aufgabenbeschreibung. Funktioniert bei klaren, gut beschriebenen Aufgaben oft überraschend gut. Bei komplexen, format-spezifischen oder domänenspezifischen Anforderungen ist Few-Shot (mit Beispielen) oder Fine-Tuning der zuverlässigere Ansatz. Im Alltag: Zero-Shot für schnelle, einmalige Aufgaben — Few-Shot für wiederkehrende Prozesse mit Qualitätsanspruch. → siehe auch: Few-Shot Learning, Prompt Engineering, Fine-Tuning
Glossar-Index
| Begriff | Kategorie |
|—|—|
| AEO | Amazon / SEO |
| Agentic AI | KI-Architektur |
| Agentic Commerce | Amazon / Strategie |
| AI Overviews | Google / SEO |
| Alexa for Shopping | Amazon — Haupteintrag |
| Amazon Amelia | Amazon |
| Amazon Rufus | Amazon (Redirect) |
| A+ Content | Amazon |
| Brand Safety KI | Risiko |
| Buy for Me | Amazon |
| Chain-of-Thought | KI-Technik |
| ChatGPT | KI-Tools |
| ChatGPT Search | KI-Suche |
| Claude | KI-Tools |
| Copilot | KI-Tools |
| Cut-off Date | KI-Grundlagen |
| DSGVO & KI | Recht & Compliance |
| Edge Cases | KI-Qualität |
| Embeddings | KI-Technik |
| EU AI Act | Recht & Compliance |
| Few-Shot Learning | KI-Technik |
| Fine-Tuning | KI-Technik |
| Foundation Model | KI-Architektur |
| GEO | SEO / Strategie |
| Gemini | KI-Tools |
| Generative AI / GenAI | KI-Grundlagen |
| Grok | KI-Tools |
| Guardrails | KI-Qualität |
| Halluzination | KI-Qualität |
| Information Density | Amazon |
| Inference | KI-Technik |
| KI-Agent | KI-Architektur |
| KI-Compliance | Unternehmen |
| KI-Suche | Markt |
| KI-Transparenz | Recht & Compliance |
| Kontextfenster | KI-Grundlagen |
| Latenz | KI-Technik |
| LLMO | SEO / Strategie |
| LLM | KI-Grundlagen |
| Multimodale KI | KI-Architektur |
| Open Source vs. Proprietary | Strategie |
| Perplexity | KI-Tools |
| Prompt Engineering | KI-Praxis |
| RAG | KI-Architektur |
| Rating Hygiene | Amazon |
| „Researched by AI“ | Amazon |
| Semantic Fit | Amazon |
| Share of Model / SoM | Strategie |
| Sponsored Prompts | Amazon |
| System Prompt | KI-Praxis |
| Token | KI-Grundlagen |
| Training Data | KI-Grundlagen |
| Use-Case Clarity | Amazon |
| Vektordatenbank | KI-Technik |
| „Why you might like this“ | Amazon |
| Zero-Shot Learning | KI-Technik |
Version 2.0 — Mai 2026. Erstellt für schaller.work. Alle Amazon-Angaben basieren auf dem Stand Mai 2026, inklusive der Umbenennung Rufus → Alexa for Shopping (13. Mai 2026).
Weiterführend:
- Rufus ist tot — was Amazons Alexa for Shopping für Vendor und Seller bedeutet
- Amazon Glossar für Mittelstand — 122 Begriffe aus Vendor Central, Seller Central und Advertising
- SEO & GEO Glossar — 67 Begriffe aus klassischem SEO und KI-Suche