+49 361 30258601 info@quasiris.de

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. In diesem Beitrag geht es um Personalization, also die Fähigkeit, Suchergebnisse anhand individueller Präferenzen, bisheriger Interaktionen und des jeweiligen Nutzungskontexts anzupassen.

Denn dieselbe Suchanfrage bedeutet nicht zwangsläufig für jeden Nutzer dasselbe.

Ein Mitarbeiter aus dem Vertrieb sucht nach „Produktinformationen“ und benötigt möglicherweise aktuelle Preislisten, Verkaufsunterlagen oder Produktvergleiche. Ein Mitarbeiter aus dem technischen Support verwendet denselben Suchbegriff, interessiert sich jedoch eher für Handbücher, Fehlermeldungen oder technische Spezifikationen. Beide möchten relevante Informationen finden. Allerdings unterscheiden sich ihre Erwartungen deutlich.

Eine klassische Suche bewertet zunächst vor allem die Übereinstimmung zwischen Anfrage und Inhalt. Personalisierung ergänzt diese Bewertung um eine weitere Perspektive:

Welche Ergebnisse sind für diesen Nutzer in seiner aktuellen Situation besonders relevant?

Was bedeutet Personalization in AI Search?

Personalization bezeichnet die gezielte Anpassung einer Search Experience an individuelle Nutzermerkmale, Präferenzen und Interaktionen.

Dabei können unterschiedliche Informationen berücksichtigt werden.

Dazu gehören beispielsweise:

  • bisherige Suchanfragen
  • häufig genutzte Inhalte
  • ausgewählte Suchergebnisse
  • bevorzugte Produktkategorien
  • aktuelle Sitzungsinformationen
  • ausdrücklich hinterlegte Präferenzen
  • Nutzerrolle oder fachlicher Kontext

Anhand dieser Signale kann das Suchsystem besser einschätzen, welche Inhalte für eine Person besonders relevant sein könnten.

Das bedeutet allerdings nicht, dass jedem Nutzer grundsätzlich andere Ergebnisse angezeigt werden müssen.

Vielmehr soll die Personalisierung dann eingesetzt werden, wenn sie einen tatsächlichen Mehrwert bietet.

Ein Beispiel: Dieselbe Anfrage, unterschiedliche Erwartungen

Stellen wir uns zwei Personen vor, die in einem Onlineshop nach einem „Laptop“ suchen.

Nutzer A hat zuvor häufig leichte Notebooks, kompakte Geräte und Zubehör für Geschäftsreisen angesehen.

Nutzer B interessiert sich dagegen überwiegend für leistungsstarke Geräte, Grafikkarten und Gaming Zubehör.

Obwohl beide dieselbe Anfrage stellen, können unterschiedliche Produkte besonders relevant sein.

Eine personalisierte Suche könnte deshalb bei Nutzer A eher mobile Business Notebooks priorisieren, während Nutzer B häufiger leistungsorientierte Modelle sieht.

Die grundlegenden Suchkriterien bleiben dabei bestehen.

Personalisierung ergänzt die Relevanzbewertung. Sie sollte die eigentliche Suchabsicht jedoch nicht ersetzen.

Wenn Nutzer A ausdrücklich nach einem Gaming Laptop sucht, muss diese aktuelle Anfrage wichtiger sein als sein bisheriges Interesse an Business Geräten.

Warum Suchverhalten allein nicht ausreicht

Frühere Interaktionen können wertvolle Hinweise liefern. Allerdings sind sie nicht immer eindeutig. Ein Nutzer könnte beispielsweise regelmäßig Produkte für Kinder ansehen, weil er ein Geschenk sucht. Daraus lässt sich jedoch nicht zuverlässig schließen, dass er grundsätzlich Kinderprodukte bevorzugt.

Ähnliches gilt für Unternehmensanwendungen. Wer einmal eine Reisekostenrichtlinie öffnet, möchte deshalb nicht bei jeder zukünftigen Suche bevorzugt HR Dokumente erhalten. Daher sollte ein personalisiertes Suchsystem zwischen kurzfristigen und langfristigen Signalen unterscheiden.

Kurzfristige Signale beschreiben das aktuelle Informationsbedürfnis.

Dazu gehören beispielsweise die aktuelle Suchanfrage, verwendete Filter oder vorherige Schritte innerhalb derselben Sitzung.

Langfristige Signale können dagegen wiederkehrende Interessen und Präferenzen abbilden.

Allerdings müssen sich auch diese mit der Zeit verändern können. Eine gute Personalisierung berücksichtigt deshalb nicht nur historische Daten, sondern auch deren Aktualität und Relevanz für die aktuelle Aufgabe.

Personalisierung beginnt nicht erst beim Ranking

Häufig wird Personalization mit einer veränderten Reihenfolge der Suchergebnisse gleichgesetzt.

Tatsächlich kann die Anpassung jedoch bereits früher im Suchprozess beginnen.

Ein Beispiel:

Ein Mitarbeiter sucht nach:

„aktueller Projektstatus“

Ohne zusätzlichen Kontext ist die Anfrage mehrdeutig.

Wenn das System jedoch weiß, welches Projekt der Mitarbeiter aktuell bearbeitet, kann es die Anfrage möglicherweise gezielter interpretieren.

Dadurch lassen sich passende Dokumente bereits beim Retrieval berücksichtigen.

Eine 2026 veröffentlichte Untersuchung mit dem Titel Personalize Before Retrieve beschäftigt sich genau mit diesem Ansatz. Das entwickelte Verfahren verwendet Informationen aus der Nutzerhistorie, um Suchanfragen vor dem Retrieval an individuelle Ausdrucksweisen und Datenstrukturen anzupassen. In den untersuchten personalisierten Benchmarks erzielte es gegenüber starken Vergleichsverfahren Verbesserungen von bis zu 10 Prozent auf PersonaBench.¹

Diese Ergebnisse gelten für die untersuchten Testbedingungen. Sie zeigen jedoch, dass Personalisierung nicht ausschließlich über eine nachträgliche Sortierung erfolgen muss.

Auch die Interpretation und Erweiterung einer Suchanfrage kann individuell angepasst werden.

Wie funktioniert personalisiertes Ranking?

Beim klassischen Ranking werden Ergebnisse anhand verschiedener Relevanzsignale bewertet.

Dazu gehören beispielsweise:

  • Übereinstimmung mit der Suchanfrage
  • semantische Ähnlichkeit
  • Aktualität
  • Dokumenttyp
  • Qualität der Inhalte

Ein personalisiertes Ranking kann zusätzliche Signale einbeziehen.

So könnte ein System berücksichtigen, ob ein Nutzer bestimmte Inhalte regelmäßig verwendet oder bestimmte Produktmerkmale bevorzugt.

Die Bewertung könnte vereinfacht folgendermaßen aussehen:

Allgemeine Relevanz + aktueller Kontext + individuelle Präferenzen = personalisierte Ergebnisbewertung

In der Praxis ist die Berechnung deutlich komplexer. Dennoch verdeutlicht das Prinzip, wie unterschiedliche Informationen zusammengeführt werden können.

Wichtig ist dabei die Gewichtung.

Wenn persönliche Vorlieben zu stark berücksichtigt werden, können fachlich relevante Ergebnisse verdrängt werden.

Deshalb sollte die grundlegende Relevanz einer Anfrage immer erhalten bleiben.

Nicht jede Suchanfrage braucht Personalisierung

Bei bestimmten Suchanfragen ist eine individuelle Anpassung besonders hilfreich. Dazu gehören Produktempfehlungen, explorative Suchen oder komplexe Informationsbedürfnisse. Andere Anfragen benötigen dagegen möglichst eindeutige Ergebnisse. Wer nach einer konkreten Artikelnummer sucht, erwartet normalerweise genau dieses Produkt.

Dasselbe gilt für eine Vertragsnummer, eine technische Fehlermeldung oder den exakten Namen eines Dokuments.

Hier könnte eine starke Personalisierung sogar kontraproduktiv sein.

Ein 2026 vorgestelltes Verfahren für personalisiertes Re Ranking in Conversational Search berücksichtigt genau diese Unterschiede. Das System verwendet bei einfachen Anfragen eine effizientere Rankingstrategie. Bei komplexeren Anfragen mit individuellen Anforderungen kann es dagegen zusätzliche Präferenzen berücksichtigen. Dadurch soll vermieden werden, dass aufwendige Personalisierung einfache Suchanfragen unnötig verkompliziert.²

Die entscheidende Frage lautet deshalb nicht:

Wie können möglichst viele Ergebnisse personalisiert werden?

Sondern:

Bei welchen Anfragen verbessert Personalisierung tatsächlich die Suchqualität?

Personalization und Intent Detection ergänzen sich

Intent Detection versucht zu erkennen, welches Ziel ein Nutzer mit seiner aktuellen Anfrage verfolgt.

Personalization berücksichtigt zusätzlich, welche individuellen Eigenschaften oder Präferenzen bei diesem Ziel relevant sein könnten.

Ein Beispiel:

„Ich suche einen Rucksack für längere Wanderungen.“

Intent Detection kann erkennen, dass eine Produktauswahl beziehungsweise Kaufberatung gewünscht ist.

Personalization könnte ergänzend berücksichtigen, dass der Nutzer zuvor nach besonders leichten Modellen gesucht und ein bevorzugtes Volumen angegeben hat.

Zusammen ermöglichen beide Funktionen eine gezieltere Produktauswahl.

Allerdings sollte das System nicht automatisch davon ausgehen, dass frühere Präferenzen dauerhaft gelten.

Gerade bei wechselnden Bedürfnissen muss die aktuelle Anfrage Vorrang haben.

Personalisierung in der Enterprise Search

In Unternehmen kann Personalization dabei helfen, Informationen schneller zugänglich zu machen. Denn Mitarbeitende arbeiten häufig mit unterschiedlichen Systemen, Fachbegriffen und Dokumenttypen.

Ein Beispiel aus einem Industrieunternehmen:

Ein Vertriebsmitarbeiter sucht nach:

„Produkt X500“

Für ihn könnten insbesondere Produktpräsentationen, Preislisten und Kundeninformationen relevant sein.

Ein Servicetechniker sucht nach demselben Produkt.

Für ihn sind dagegen Wartungsanleitungen, Ersatzteile und technische Hinweise möglicherweise wichtiger.

Eine personalisierte Enterprise Search kann solche Unterschiede berücksichtigen.

Dadurch können passende Inhalte höher priorisiert werden, ohne dass Nutzer ihre Anfrage jedes Mal ausführlich formulieren müssen.

Wichtig ist allerdings eine klare Abgrenzung:

Personalisierung bestimmt, welche zulässigen Ergebnisse besonders relevant sind. Berechtigungen bestimmen, welche Inhalte überhaupt angezeigt werden dürfen.

Ein personalisiertes Ranking darf deshalb niemals bestehende Zugriffsrechte umgehen.

Wenn Nutzer ihre Präferenzen selbst steuern können

Viele Personalisierungssysteme versuchen, Interessen ausschließlich aus dem bisherigen Verhalten abzuleiten.

Das kann funktionieren, führt jedoch auch zu Fehlinterpretationen.

Deshalb ist es sinnvoll, Nutzern die Möglichkeit zu geben, ihre Präferenzen ausdrücklich festzulegen oder zu korrigieren.

Beispielsweise könnten Nutzer angeben:

„Zeige bevorzugt technische Dokumentationen.“

„Berücksichtige nur Produkte unter 1.000 Euro.“

„Meine bisherigen Suchanfragen sollen für diese Suche keine Rolle spielen.“

Eine wissenschaftliche Arbeit aus dem Jahr 2025 untersucht diese Form der kontrollierbaren Personalisierung.

Das vorgestellte Modell CtrlCE verwendet eine bearbeitbare Repräsentation bisheriger Nutzerinteraktionen. Dadurch können Nutzer Einfluss darauf nehmen, welche Präferenzen beim Ranking berücksichtigt werden. Zusätzlich entscheidet ein kalibriertes Verfahren, bei welchen Anfragen Personalisierung überhaupt sinnvoll ist.³

Damit wird ein wichtiger Grundsatz deutlich:

Gute Personalisierung sollte nicht nur automatisch funktionieren, sondern auch nachvollziehbar und beeinflussbar sein.

Personalisierung kann die Vielfalt der Ergebnisse einschränken

Eine weitere Herausforderung entsteht, wenn ein Suchsystem immer wieder ähnliche Inhalte priorisiert.

Angenommen, ein Nutzer interessiert sich regelmäßig für eine bestimmte Produktmarke. Eine stark personalisierte Suche könnte darauf reagieren, indem sie bevorzugt Produkte dieser Marke anzeigt.

Kurzfristig erscheint das möglicherweise hilfreich. Allerdings besteht die Gefahr, dass alternative Produkte seltener sichtbar werden. Das kann besonders problematisch sein, wenn Nutzer neue Optionen entdecken oder einen neutralen Vergleich durchführen möchten.

Auch in der Forschung zur kontrollierbaren personalisierten Suche wird diese Spannung zwischen individueller Relevanz und Ergebnisvielfalt ausdrücklich thematisiert.³

Deshalb sollte eine gute Search Experience beides ermöglichen:

Relevante persönliche Empfehlungen und ausreichend Raum für neue Informationen.

Gerade bei explorativen Suchanfragen kann es sinnvoll sein, unterschiedliche Perspektiven oder Produktalternativen bewusst einzubeziehen.

Was passiert, wenn noch keine Nutzerdaten vorhanden sind?

Nicht jeder Nutzer besitzt eine umfangreiche Suchhistorie. Neue Kunden, erstmalige Websitebesucher oder neue Mitarbeitende stellen eine besondere Herausforderung dar.

Dieses Problem wird als Cold Start bezeichnet.

Wenn keine individuellen Präferenzen bekannt sind, sollte die Suche dennoch zuverlässig funktionieren.

Mögliche Ansätze sind:

  • zunächst allgemeine Relevanz verwenden
  • die aktuelle Suchanfrage stärker berücksichtigen
  • ausdrücklich ausgewählte Filter nutzen
  • optionale Präferenzen abfragen
  • den Kontext der aktuellen Sitzung verwenden

Erst wenn ausreichend geeignete Signale vorhanden sind, kann die Personalisierung gezielt erweitert werden.

Dabei sollte das System nicht versuchen, aus wenigen Interaktionen voreilig ein dauerhaftes Nutzerprofil abzuleiten.

Personalisierung muss Veränderungen berücksichtigen

Nutzerinteressen sind nicht statisch. Ein Kunde sucht heute nach einem Kinderwagen und in einigen Monaten nach einem Fahrrad. Ein Mitarbeiter wechselt die Abteilung und benötigt plötzlich andere Dokumentationen.

Wenn die Suche ausschließlich historische Präferenzen berücksichtigt, kann sie zunehmend unpassende Ergebnisse liefern.

Deshalb sollte eine personalisierte Architektur unterschiedliche Zeithorizonte berücksichtigen. Aktuelle Interaktionen können beispielsweise stärker gewichtet werden als ältere Signale. Außerdem können ausdrücklich hinterlegte Präferenzen aktualisiert werden.

Auch ein temporärer Verzicht auf Personalisierung kann sinnvoll sein, etwa wenn ein Nutzer bewusst außerhalb seiner bisherigen Interessen recherchieren möchte.

Personalisierung sollte sich an veränderte Bedürfnisse anpassen und nicht versuchen, frühere Interessen dauerhaft festzuschreiben.

Welche Rolle spielt Personalization bei RAG und Conversational AI?

Bei RAG und Conversational AI gewinnt die Berücksichtigung individueller Kontexte zusätzlich an Bedeutung.

Denn Nutzer erwarten nicht nur passende Dokumente, sondern häufig direkte Antworten auf ihre Fragen.

Ein Beispiel:

„Welche Unterlagen brauche ich für meinen nächsten Kundentermin?“

Die Antwort hängt möglicherweise davon ab, für welchen Kunden der Mitarbeiter zuständig ist und welches Produkt im Termin besprochen wird.

Wenn diese Informationen im zulässigen Nutzungskontext verfügbar sind, kann das System gezielter nach relevanten Unterlagen suchen.

Dabei lassen sich verschiedene Ebenen kombinieren:

Retrieval: Welche Dokumente passen zur individuellen Aufgabe?

Re Ranking: Welche der gefundenen Inhalte sind besonders relevant?

Antwortgenerierung: Wie werden die Informationen passend zur Frage aufbereitet?

Gerade bei solchen Anwendungen ist wichtig, dass Personalisierung nicht zu unbegründeten Annahmen führt.

Das System sollte Informationen aus verlässlichen Quellen verwenden und Unsicherheit kenntlich machen, wenn relevante Angaben fehlen.

Datenschutz ist eine Voraussetzung für verantwortungsvolle Personalisierung

Individuelle Suchergebnisse setzen häufig voraus, dass Informationen über Nutzer oder ihre Interaktionen verarbeitet werden.

Gerade deshalb müssen Datenschutzanforderungen bereits bei der technischen Konzeption berücksichtigt werden.

In Unternehmenssystemen können Suchhistorien beispielsweise Rückschlüsse auf Projekte, Arbeitsbereiche oder persönliche Interessen ermöglichen.

Daher sollte klar definiert werden, welche Daten tatsächlich erforderlich sind.

Wichtige Fragen sind:

  • Welche Nutzerdaten werden verarbeitet?
  • Auf welcher Rechtsgrundlage erfolgt die Verarbeitung?
  • Wie lange werden die Daten gespeichert?
  • Wer darf auf die Informationen zugreifen?
  • Können Nutzer ihre Präferenzen einsehen und ändern?
  • Ist eine Nutzung ohne Personalisierung möglich?
  • Wie wird verhindert, dass sensible Informationen unzulässig verwendet werden?

Je nach Anwendung können Datenminimierung, Pseudonymisierung, geeignete Zugriffskontrollen und kurze Speicherfristen sinnvoll sein.

Allerdings ist Pseudonymisierung nicht mit vollständiger Anonymisierung gleichzusetzen.

Eine verantwortungsvolle Personalisierung sollte deshalb nicht möglichst viele Daten sammeln, sondern gezielt diejenigen verwenden, die für den konkreten Zweck erforderlich und zulässig sind.

Wie lässt sich personalisierte Suche bewerten?

Die Qualität einer personalisierten Suche sollte nicht ausschließlich anhand steigender Klickraten beurteilt werden.

Denn ein häufig angeklicktes Ergebnis ist nicht automatisch das hilfreichste.

Außerdem können personalisierte Trefferlisten dazu führen, dass Nutzer immer wieder ähnliche Inhalte auswählen.

Deshalb sind unterschiedliche Qualitätsdimensionen relevant.

Qualitätsdimension Zentrale Frage
Relevanz Erhalten Nutzer passende Ergebnisse?
Individualisierung Verbessert die Personalisierung die aktuelle Suche?
Ergebnisvielfalt Bleiben sinnvolle Alternativen sichtbar?
Aktualität Werden veränderte Interessen berücksichtigt?
Nutzerkontrolle Können Präferenzen angepasst werden?
Effizienz Erreichen Nutzer ihr Suchziel schneller?
Datenschutz Werden nur erforderliche und zulässige Daten verwendet?

Ein sinnvoller Vergleich kann beispielsweise untersuchen, wie dieselben Suchaufgaben mit und ohne Personalisierung gelöst werden.

Dabei sollten sowohl neue als auch wiederkehrende Nutzer berücksichtigt werden.

Zusätzlich ist es hilfreich, unterschiedliche Query Typen zu testen.

Denn während Personalisierung bei offenen Produktsuchen einen Mehrwert bieten kann, sollte sie bei präzisen Dokumentnummern möglicherweise überhaupt keinen Einfluss haben.

Wo Personalization besonders sinnvoll ist

E Commerce

Produkte können anhand individueller Präferenzen und bisheriger Interaktionen priorisiert werden.

Dadurch lassen sich beispielsweise bevorzugte Kategorien, Eigenschaften oder Nutzungsszenarien berücksichtigen.

Enterprise Search

Mitarbeitende können schneller auf Informationen zugreifen, die zu ihren Aufgaben und Arbeitsbereichen passen.

Allerdings müssen Berechtigungen unabhängig davon durchgesetzt werden.

Wissensmanagement

Häufig verwendete Dokumenttypen oder Themen können bei passenden Anfragen stärker berücksichtigt werden.

Guided Selling

Ausdrücklich genannte Anforderungen und geeignete Präferenzsignale können helfen, die Produktauswahl gezielt einzugrenzen.

Conversational AI

Ein Assistent kann den verfügbaren Gesprächskontext berücksichtigen, damit Nutzer Informationen nicht bei jeder Nachfrage erneut angeben müssen.

RAG

Retrieval und Re Ranking können an den individuellen Informationsbedarf angepasst werden, sofern die verwendeten Quellen und Nutzerdaten zulässig sind.

Fazit: Personalisierung sollte unterstützen, nicht einschränken

Personalization ermöglicht es, Suchergebnisse stärker an den individuellen Bedürfnissen einzelner Nutzer auszurichten.

Dadurch können Informationen relevanter werden, obwohl mehrere Personen dieselbe Suchanfrage verwenden.

Besonders interessant ist dabei die Kombination aus aktuellem Kontext, ausdrücklich hinterlegten Präferenzen und geeigneten Verhaltenssignalen.

Allerdings ist mehr Personalisierung nicht automatisch besser.

Exakte Suchanfragen benötigen häufig keine individuelle Anpassung. Außerdem können historische Nutzerdaten falsch interpretiert werden oder die Vielfalt der Ergebnisse einschränken.

Deshalb sollte eine leistungsfähige AI Search Plattform erkennen, wann Personalisierung sinnvoll ist und wann allgemeine Relevanz den besseren Ansatz darstellt.

Ebenso wichtig sind transparente Einstellungen, geeignete Datenschutzmaßnahmen und die Möglichkeit, individuelle Präferenzen zu verändern.

Die beste personalisierte Suche zeigt nicht einfach das, was Nutzer früher interessiert hat. Sie hilft ihnen dabei, das zu finden, was sie jetzt benötigen.

Die Quasiris Search Cloud unterstützt Personalization und ermöglicht es, Suchergebnisse anhand von Nutzerpräferenzen, Interaktionen und relevantem Kontext anzupassen.

Dabei kann Personalisierung mit weiteren AI Search Funktionen wie Intent Detection, Semantic Search und Automatic Re Ranking kombiniert werden.

Welche Signale berücksichtigt werden und wie die Personalisierung umgesetzt wird, hängt vom jeweiligen Anwendungsfall, den verfügbaren Daten und den Anforderungen an Datenschutz und Berechtigungen ab.

Sie möchten Ihre Suche stärker an den tatsächlichen Bedürfnissen Ihrer Nutzer ausrichten? Sprechen Sie mit den Search Experten von Quasiris über Ihren Anwendungsfall.

Bildhinweis: Die Abbildung enthält KI-generierte oder KI-bearbeitete Elemente und dient der Veranschaulichung.

💡 Wie gut ist Ihre Suche wirklich?

Unpassende Treffer, hohe Nulltrefferquoten und aufwendige manuelle Rankingregeln sind häufig ein Hinweis darauf, dass eine Suche ihr Potenzial noch nicht vollständig ausschöpft.

Mit unserem kostenlosen Search Review erhalten Sie eine erste Einschätzung zur Qualität Ihrer bestehenden Suche und zu möglichen Optimierungspotenzialen.

 

↓ Jetzt kostenloses Search Review anfragen ↓

Quellen

¹ Zhang, Y., Jia, P., Xu, D., Wen, Y., Li, X., Wang, Y., Zhang, W., Li, X., Gan, W., Guo, H., Liu, Y., & Zhao, X. (2026). Personalize before retrieve: LLM-based personalized query expansion for user-centric retrieval. Proceedings of the AAAI Conference on Artificial Intelligence, 40(19), 16406–16414. https://doi.org/10.1609/aaai.v40i19.38679

² Dong, S., Ounis, I., & Ganguly, D. (2026). APR: Adaptive personalised reranking for conversational search. In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 3694–3699). Association for Computing Machinery. https://doi.org/10.1145/3805712.3809914

³ Mysore, S., Dhanania, G., Patil, K., Kallumadi, S., McCallum, A., & Zamani, H. (2025). Bridging personalization and control in scientific personalized search. In Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 2309–2319). Association for Computing Machinery. https://doi.org/10.1145/3726302.3729913