Inside AI Search #8: Intent Detection

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. In diesem Beitrag geht es um Intent Detection, also die Fähigkeit eines Suchsystems, die Absicht hinter einer Anfrage zu erkennen und darauf abgestimmt passende Ergebnisse bereitzustellen.

Denn zwei Nutzer können nahezu dieselben Begriffe verwenden und trotzdem etwas völlig anderes suchen.

Wer beispielsweise „Konto löschen“ eingibt, könnte eine Anleitung benötigen, eine Datenschutzrichtlinie suchen oder Unterstützung bei einem technischen Problem erwarten.

Eine gute Suche sollte deshalb nicht nur erkennen, welche Wörter eingegeben wurden, sondern auch, welches Ziel dahintersteht.

Was ist Intent Detection?

Intent Detection bezeichnet die automatische Erkennung der Absicht hinter einer Suchanfrage.

Das System versucht eine Anfrage einer bestimmten Bedeutung oder Aufgabe zuzuordnen.

Bei einer Produktsuche könnten beispielsweise folgende Intentionen unterschieden werden:

• ein bestimmtes Produkt finden
• Produkte vergleichen
• ein Problem lösen
• eine Kaufberatung erhalten
• Zubehör oder Ersatzteile suchen

In einer Unternehmenssuche können dagegen andere Intentionen relevant sein:

• eine Richtlinie finden
• einen Prozess verstehen
• technische Unterstützung erhalten
• eine Person oder Abteilung identifizieren
• eine konkrete Aktion ausführen

Die erkannte Absicht kann anschließend beeinflussen, welche Datenquellen durchsucht, welche Filter angezeigt und wie Ergebnisse sortiert werden.

Warum Keywords allein nicht immer ausreichen

Kurze Suchanfragen sind häufig mehrdeutig.

Nehmen wir die Anfrage:

„Laptop zurückgeben“

Dahinter können unterschiedliche Bedürfnisse stehen:

Informationsabsicht:
Welche Rückgabefrist gilt?

Transaktionsabsicht:
Ich möchte eine Rückgabe starten.

Supportabsicht:
Das Rückgabeformular funktioniert nicht.

Navigationsabsicht:
Wo finde ich das Rückgabeportal?

Alle vier Varianten enthalten dieselben zentralen Begriffe. Die erwartete Antwort ist jedoch jeweils eine andere.

Eine reine Keyword Suche kann passende Dokumente finden. Intent Detection hilft zusätzlich dabei, den richtigen Suchpfad auszuwählen.

Intent Detection steuert mehr als das Ranking

Die erkannte Suchabsicht kann an verschiedenen Stellen einer Search Experience verwendet werden.

Die passende Datenquelle auswählen

Eine Supportanfrage kann gezielt technische Dokumentationen durchsuchen.

Eine Vertragsfrage kann dagegen auf juristische Dokumente und Richtlinien beschränkt werden.

Ranking anpassen

Bei einer Kaufabsicht können verfügbare Produkte stärker priorisiert werden.

Bei einer Informationsanfrage können dagegen Ratgeber oder Handbücher wichtiger sein.

Filter auswählen

Die Absicht kann beeinflussen, welche Facetten für die Anfrage angeboten werden.

Direkte Antworten bereitstellen

Bei eindeutig formulierten Wissensfragen kann ein Question Answering System aktiviert werden.

Aktionen auslösen

Wenn eine Anfrage wie „Passwort zurücksetzen“ eindeutig erkannt wird, kann statt einer langen Trefferliste direkt der passende Prozess angeboten werden.

Intent Detection wird damit zu einer Art Steuerungsebene zwischen Anfrage und Suchsystem.

Mehrdeutigkeit ist die eigentliche Herausforderung

Nicht jede Anfrage lässt sich eindeutig einer Absicht zuordnen.

Besonders kurze Eingaben enthalten oft zu wenig Kontext.

Die Anfrage:

„Apple Watch“

kann beispielsweise bedeuten:

• Produkt kaufen
• Modelle vergleichen
• Bedienungsanleitung suchen
• Fehler beheben
• Zubehör finden
• Kompatibilität prüfen

Ein zuverlässiges System sollte in solchen Situationen nicht zwangsläufig eine eindeutige Interpretation erzwingen.

Stattdessen kann es mehrere mögliche Intentionen berücksichtigen oder eine gezielte Rückfrage stellen.

Eine 2026 vorgestellte Untersuchung zur Intent Classification zeigt genau diesen Ansatz. Das entwickelte System kombiniert Intent Erkennung mit Rückfragen, wenn eine Anfrage nicht ausreichend eindeutig ist. Im produktiven Einsatz in einem E Commerce Kundenservice reduzierte das Verfahren Fehlweiterleitungen um 8 Prozent.¹

Die Erkenntnis daraus ist wichtig:

Gute Intent Detection bedeutet nicht nur, die richtige Absicht zu erkennen. Sie muss auch erkennen können, wenn die vorhandenen Informationen dafür nicht ausreichen.

Intent Detection kann strukturierte Merkmale erkennen

Suchabsichten bestehen häufig aus mehreren Ebenen.

Ein Nutzer sucht nicht einfach nur nach einem Produkt. Er kann gleichzeitig Anforderungen ausdrücken.

Zum Beispiel:

„Zuckerfreie Schokolade für Kinder“

Die Anfrage enthält mehrere Informationen:

Produktkategorie: Schokolade
Ernährungsanforderung: zuckerfrei
Zielgruppe: Kinder

Eine aktuelle Untersuchung aus dem E Commerce zeigt, dass die explizite Modellierung solcher Intent Merkmale das Retrieval verbessern kann. Das dort vorgestellte Verfahren bildet sowohl ausdrücklich genannte Eigenschaften wie Marke oder Geschmack als auch implizite Präferenzen wie Ernährungsvorgaben oder Produkttypen ab.²

Damit wird Intent Detection detaillierter als eine einfache Einteilung in wenige Kategorien.

Das System kann nicht nur erkennen, was der Nutzer tun möchte, sondern auch, welche Bedingungen für dieses Ziel relevant sind.

Ein Dokument kann mehrere Intentionen bedienen

Auch auf der Inhaltsseite ist Intent Detection nicht trivial.

Ein einziges Dokument kann mehrere Fragen beantworten.

Eine Produktseite kann beispielsweise relevant sein für:

• Preis
• technische Eigenschaften
• Zubehör
• Garantie
• Lieferumfang
• Kompatibilität

Welche dieser Informationen wichtig ist, hängt von der aktuellen Anfrage ab.

Ein 2026 vorgestellter Ansatz für Multi Intent Retrieval untersucht genau dieses Problem. Die Autoren zeigen, dass feste Dokumentrepräsentationen Schwierigkeiten haben können, wenn ein Inhalt mehrere unterschiedliche Suchabsichten abdeckt. Das Modell passt die Repräsentation deshalb dynamisch an den jeweiligen Query Intent an.³

Für die Praxis bedeutet das:

Relevanz ist nicht nur eine Eigenschaft eines Dokuments. Sie entsteht aus der Beziehung zwischen Inhalt und aktueller Nutzerabsicht.

Intent Detection und Natural Language Understanding sind nicht dasselbe

Beide Funktionen hängen eng zusammen, erfüllen aber unterschiedliche Aufgaben.

Natural Language Understanding versucht die sprachliche Bedeutung einer Anfrage zu erfassen.

Intent Detection konzentriert sich darauf, welches Ziel der Nutzer mit dieser Anfrage verfolgt.

Bei der Frage:

„Welcher Laptop eignet sich für häufige Geschäftsreisen?“

kann Natural Language Understanding beispielsweise erkennen:

• gesucht wird ein Laptop
• Geschäftsreisen bilden den Nutzungskontext
• Mobilität ist relevant

Intent Detection kann darauf aufbauend feststellen:

Der Nutzer möchte eine Produktempfehlung und keine technische Dokumentation.

Beide Funktionen ergänzen sich.

Auch Intent Detection braucht Kontext

Die gleiche Anfrage kann abhängig von der Umgebung etwas anderes bedeuten.

„Java“ kann in einer Entwicklerplattform eine Programmiersprache meinen.

Auf einem Reiseportal könnte damit die indonesische Insel gemeint sein.

In einer Produktdatenbank könnte es sogar ein Produktname sein.

Deshalb sollte Intent Detection nicht nur den eingegebenen Text betrachten.

Zusätzliche Signale können sein:

• aktueller Bereich der Website
• vorherige Suchanfragen
• verwendete Filter
• Nutzerrolle
• Produktkategorie
• Sprache
• vorhandener Dialogkontext

Je mehr relevanter Kontext verfügbar ist, desto besser lässt sich die Suchabsicht einordnen.

Dabei sollte nur der Kontext verwendet werden, der für den jeweiligen Anwendungsfall notwendig und zulässig ist.

Kleine Modelle können ausreichend sein

Intent Detection muss nicht zwangsläufig mit einem großen Sprachmodell erfolgen.

Bei klar definierten Intent Kategorien können spezialisierte Klassifikatoren oder kleinere Sprachmodelle effizienter sein.

Die bereits erwähnte Untersuchung aus dem Kundenservice zeigt, dass speziell trainierte kleinere Modelle eine mit führenden proprietären Sprachmodellen vergleichbare Intent Classification erreichen konnten und gleichzeitig die Inferenzkosten um den Faktor 8 reduzierten.¹

Das unterstreicht einen wichtigen Grundsatz moderner AI Search:

Das größte Modell ist nicht automatisch das passendste Modell.

Entscheidend sind Genauigkeit, Latenz, Kosten und die Anforderungen des konkreten Anwendungsfalls.

Wo Intent Detection besonders sinnvoll ist

E Commerce

Das System kann unterscheiden, ob Nutzer Produkte entdecken, vergleichen, kaufen oder Unterstützung benötigen.

Enterprise Search

Anfragen können gezielt an Dokumentationen, Richtlinien, Wissensdatenbanken oder Fachsysteme weitergeleitet werden.

Kundenservice

Supportanfragen lassen sich passenden Themen, Prozessen oder Servicebereichen zuordnen.

Conversational AI

Ein Chatbot kann erkennen, ob eine Person Informationen benötigt, eine Aktion ausführen möchte oder eine Rückfrage notwendig ist.

Technischer Support

Fehlerbeschreibungen können automatisch einer Problemklasse oder einem Lösungsweg zugeordnet werden.

Guided Selling

Kaufabsichten und Anforderungen können genutzt werden, um die Produktauswahl gezielt einzugrenzen.

Wie lässt sich Intent Detection bewerten?

Eine hohe Klassifikationsgenauigkeit allein reicht nicht immer aus.

Unternehmen sollten zusätzlich prüfen:

• Werden mehrdeutige Anfragen erkannt?
• Werden unnötige Fehlinterpretationen vermieden?
• Sind Rückfragen sinnvoll formuliert?
• Verbessert sich die Relevanz der Suchergebnisse?
• Werden Nutzer seltener an falsche Inhalte oder Prozesse weitergeleitet?
• Funktioniert die Erkennung auch bei neuen Formulierungen?
• Wie schnell reagiert das System?

Besonders wichtig ist ein realistischer Testdatensatz.

Die Intent Kategorien sollten aus tatsächlichen Suchanfragen und Geschäftsprozessen entstehen und nicht ausschließlich theoretisch definiert werden.

Fazit: Relevante Suche beginnt mit dem richtigen Ziel

Eine Suchanfrage besteht nicht nur aus Wörtern. Hinter ihr steckt eine Absicht.

Intent Detection hilft Suchsystemen dabei, dieses Ziel zu erkennen und darauf abgestimmt Datenquellen, Ranking, Filter, Antworten oder Aktionen auszuwählen.

Besonders bei kurzen oder mehrdeutigen Anfragen ist dabei wichtig, Unsicherheit nicht zu ignorieren. Eine gezielte Rückfrage kann hilfreicher sein als eine selbstbewusste Fehlinterpretation.

Im Zusammenspiel mit Natural Language Understanding, Semantic Search, Dynamic Faceting und Automatic Re Ranking entsteht so eine Search Experience, die nicht nur versteht, was eingegeben wurde, sondern zunehmend auch, was der Nutzer damit erreichen möchte.

Die Quasiris Search Cloud unterstützt Intent Detection, um die Absicht hinter Suchanfragen zu erkennen und relevante Suchprozesse gezielter auszusteuern.

Sie möchten herausfinden, welche Suchintentionen in Ihren Daten und Nutzeranfragen stecken? Sprechen Sie mit den Search Experten von Quasiris über Ihren Anwendungsfall.