Ein Kunde fotografiert einen Stuhl, den er in einem Café gesehen hat, und will ihn kaufen. Ein Besucher macht ein Foto von Sneakern, die er auf der Straße gesehen hat. Dieses Verhalten gibt es seit Jahren bei Google Lens und in den Apps der großen Marktplätze, und es kommt in Diskussionen über die Zukunft der E-Commerce-Suche immer wieder auf.
Die Frage, die sich die meisten E-Commerce-Verantwortlichen tatsächlich stellen, lautet nicht „gibt es das", sondern „muss ich mich jetzt darum kümmern, und zu welchen Kosten". Dieser Artikel zieht Bilanz: was visuelle Suche wirklich umfasst, was heute funktioniert, was die Einrichtung braucht und welche Richtungen sich abzeichnen.
Drei verschiedene Dinge hinter einem Wort
„Visuelle Suche" bezeichnet mindestens drei unterschiedliche Funktionen mit sehr verschiedenen Reifegraden und Integrationskosten.
Suche per Bild auf Ihrer eigenen Website
Der Besucher lädt ein Foto hoch, aus seiner Galerie oder von der Kamera, und die Engine liefert die visuell nächstgelegenen Produkte im Katalog. Das ist der bekannteste Anwendungsfall. Er beruht auf dem Vergleich numerischer Bildrepräsentationen - derselbe Mechanismus, den unser Artikel zur Vektorsuche beschreibt, angewendet auf Pixel statt Text.
Objekterkennung innerhalb eines Bildes
Oft „Shop the Look" genannt. Aus einem Lifestyle-Foto mit mehreren Objekten - Sofa, Teppich, Lampe - isoliert das System jedes Objekt und schlägt für jedes Produkte vor. Das ist komplexer als die reine Bildsuche, weil das Bild segmentiert werden muss, bevor etwas verglichen werden kann.
Eingehender Traffic aus einer externen visuellen Engine
Hier bauen Sie nichts. Jemand nutzt Google Lens oder das visuelle Werkzeug einer Plattform, und eines Ihrer Produkte taucht in den Ergebnissen auf. Dieser Kanal hängt von der Qualität Ihres Produktfeeds und Ihrer Bilder ab, nicht von einer auf Ihrer Website installierten Komponente. Er ist der Einzige der drei, der Sie betrifft, auch wenn Sie nichts tun.
Wo die Technologie steht
Modellseitig hat sich viel getan. Multimodale Embeddings - die Repräsentationen, die Bilder und Text in denselben Raum stellen - sind über Standard-APIs verfügbar, insbesondere in Google Cloud mit Vertex AI multimodal embeddings. Auf dem Papier ist es kein Forschungsprojekt mehr, die Bilder eines Katalogs zu indexieren und diesen Index nach Ähnlichkeit abzufragen.
In der Praxis hängt die Ergebnisqualität stark vom Produkttyp ab.
Was gut funktioniert
Kategorien, in denen das Aussehen den größten Teil der Kaufentscheidung trägt: Mode, Wohndeko, Möbel, Beleuchtung, Schmuck, Schreibwaren. Bei einem gemusterten Kleid oder einem Sessel bildet visuelle Ähnlichkeit recht gut ab, was der Kunde im Kopf hat. Das sind auch die Kategorien mit dem schwächsten Wortschatz: ein Muster oder eine Form in Worten zu beschreiben ist schwer, ein Foto zu machen nicht.
Was schlecht funktioniert
Technische Produkte, bei denen zwei fast identisch aussehende Referenzen entscheidende Spezifikationen haben: Kompatibilität, Leistung, genaue Maße. Ein Foto einer Bohrmaschine sagt nichts über die Akkuspannung. Fälle, in denen die Absicht mehrdeutig ist: Ein Foto einer Küche könnte „ich will diese Küchenmaschine", „ich will diese Arbeitsplatte" oder „ich will diese Pendelleuchte" heißen. Und jeder Katalog, in dem Bilder inkonsistent sind, mit Hintergründen, Bildausschnitten und Auflösungen, die von Produktseite zu Produktseite variieren.
Was die Einrichtung kostet
Ein Bildsuch-Projekt auf Ihrer Website fügt vier Kostenpunkte hinzu, die die Textsuche nicht hat - oder nicht in gleichem Maß.
Erzeugen der Bild-Embeddings. Jedes Katalogbild läuft einmal durch ein Modell, dann erneut bei jeder Bildänderung. Bei einem Katalog mit Zehntausenden Referenzen und mehreren Bildern pro Produkt ist das Volumen nicht trivial, und es wiederholt sich bei jeder erneuten Synchronisierung.
Speichern und Abfragen des Bild-Vektorindex. Das ist ein Index zusätzlich zum Textindex, mit eigenen Infrastrukturkosten proportional zur Zahl der Bilder.
Normalisieren des Bildkatalogs. Oft der schwerste Punkt, weil er manuell ist: Tausende Visuals überarbeiten, damit Hintergründe und Bildausschnitte einheitlich sind. Das ist ein Katalogprojekt, kein technisches.
Frontend-Integration. Eine Schaltfläche für den Kamerazugriff, Datei-Upload-Handling, der mobile Fall, in dem das Verhalten am natürlichsten ist. Nichts Unüberwindbares, aber dedizierte Entwicklung am Storefront.
Gegen diese Kosten ein nützlicher Richtwert: In fast jedem Shop sind und bleiben die allermeisten Suchen textbasiert. Die visuelle Suche ist eine Ergänzung für ein Besuchersegment, kein Ersatz für das Suchfeld.
Was kommt
Drei Richtungen zeichnen sich ab, in unterschiedlichen Reifestadien.
Multimodale Suche. Ein Bild und Text in derselben Anfrage kombinieren: von einem Foto eines Sofas ausgehen und „aber in grünem Samt" oder „als Zweisitzer-Variante" ergänzen. Modelle können das technisch; die Herausforderung ist die Oberfläche, die die Geste für einen Käufer natürlich macht. Das ist die konkreteste kurzfristige Richtung.
Konversationelle Suche mit einem Bild. Ein Austausch, in dem der Besucher ein Foto sendet und dann im Dialog verfeinert, in der Logik von Shopping-Assistenten. Die Bausteine existieren, die Ausrollung für Verbraucher bleibt begrenzt, und der echte Conversion-Vorteil ist noch nicht erwiesen.
Visueller Vorschlag aus dem Surfverhalten. Die Absicht aus den bereits angesehenen Produkten ableiten, um visuell stimmige Artikel vorzuschlagen, ohne dass der Besucher etwas fotografiert. Vielversprechend, aber näher an der klassischen Empfehlung als an der Suche.
Lohnt es sich, sich jetzt darum zu kümmern?
Die Antwort hängt zuerst von der Branche ab.
Mode, Deko, Möbel, Schmuck: Ja, das Thema ist einen Test wert, zumindest als Pilot auf einem Teil des Katalogs, beginnend mit einer Prüfung des Zustands Ihrer Bilder. Hier kann das Nutzen-Kosten-Verhältnis aufgehen.
Jede andere Branche: beobachten, ohne zu investieren. Sorgen Sie einfach dafür, dass Ihr Produktfeed sauber und Ihre Bilder für eine externe Engine nutzbar sind - was ohnehin für Google Shopping nützlich ist.
In beiden Fällen gilt eine Regel: Die visuelle Suche verstärkt eine Ebene, die funktioniert, sie repariert keine kaputte. Liefert Ihre Textsuche noch vermeidbare Null-Treffer-Seiten, sind Ihre Synonyme nicht eingerichtet, schlägt Ihre Autovervollständigung keine Produkte vor, dann haben diese Aufgaben Vorrang. Sie betreffen 100 % der Suchen, zu weit geringeren Kosten.
Zuerst eine Textsuche, die konvertiert
Vectail konzentriert sich auf Keyword- und natürlichsprachliche Suche: Tippfehler-Toleranz, Synonyme, Autovervollständigung, Merchandising. Eine Zeile Code zur Installation, auf Basis von Google Vertex AI.
Kostenlos starten - 14 Tage, ohne KreditkarteUnsere Position
Vectail bietet heute keine Bildsuche. Unsere Priorität ist die Text- und natürlichsprachliche Suche, die Ebene, die den größten Teil des Volumens abwickelt und bei der in den meisten Shops der Verbesserungsspielraum am größten ist. Wir beobachten die multimodale Suche genau, weil sie die Entwicklung ist, die sich mit der Zeit am natürlichsten in eine bereits auf Embeddings gebaute Engine einfügt.
Die visuelle Suche ist keine Modeerscheinung: Das Verhalten ist real und bleibt. Aber für die meisten Onlinehändler ist sie nicht das nächste Projekt. Das nächste Projekt ist fast immer, die Suche makellos zu machen, die 100 % der Besucher bereits nutzen.