Googles KI zerlegt ein einzelnes Produktfoto in dutzende parallele Suchanfragen – ein Paradigmenwechsel, der für Online-Händler konkrete strategische Konsequenzen hat.
Wie Google visuelle Suchanfragen mit KI verarbeitet – und was Händler wissen müssen
Google hat öffentlich erklärt, wie der sogenannte „AI Mode” in der Suche mit visuellen Anfragen umgeht. Die zugrundeliegende Methode nennt sich „Query Fan-Out” – ein Verfahren, das einzelne Bildanfragen in mehrere parallele Teilsuchen aufteilt. Für E-Commerce-Unternehmen hat das konkrete Auswirkungen auf Produktsichtbarkeit und Suchmaschinenstrategie.
Was Query Fan-Out bedeutet
Wenn ein Nutzer ein Foto in die Google-Suche hochlädt – etwa das Bild eines Sofas, eines Kleidungsstücks oder eines Elektronikprodukts – analysiert das KI-System nicht nur das Bild als Ganzes. Stattdessen zerlegt das Modell die visuelle Anfrage in mehrere semantische Teilkomponenten: Material, Form, Farbe, Stil, Verwendungskontext. Aus einer einzigen Bildanfrage entstehen so intern mehrere simultane Suchanfragen, die parallel abgearbeitet werden.
Dieses Vorgehen soll die Treffergenauigkeit erhöhen, weil einfache Bildähnlichkeitssuche an Grenzen stößt, wenn es um kontextabhängige Produktkategorien geht.
Ein Nutzer, der ein Foto eines Esszimmerstuhls hochlädt, sucht möglicherweise nach dem exakten Modell, nach ähnlichen Designs oder nach dem Hersteller – der Fan-Out-Ansatz versucht, all diese Absichten gleichzeitig zu bedienen.
Multimodale Modelle als Grundlage
Technisch basiert der Ansatz auf multimodalen Large Language Models, die sowohl Bild- als auch Textinformationen verarbeiten können. Google setzt dabei auf Gemini-basierte Architekturen, die visuelle Merkmale mit Sprachverständnis verknüpfen. Das ermöglicht es dem System, aus einem Produktbild nicht nur visuelle Ähnlichkeiten zu extrahieren, sondern auch Beschreibungen zu generieren, die dann als Textsuchanfragen weiterverarbeitet werden.
Dieser zweistufige Prozess – erst Bildanalyse, dann textbasierte Suche – erklärt, warum strukturierte Produktdaten für Händler weiter an Bedeutung gewinnen.
Das System ist darauf angewiesen, generierte Beschreibungen mit indexierten Inhalten abgleichen zu können.
Konsequenzen für Produktdaten und SEO
Für Online-Händler ergibt sich daraus eine klare Handlungsempfehlung: Produktseiten müssen nicht nur visuell hochwertige Bilder enthalten, sondern auch präzise textliche Beschreibungen, die Materialien, Stil, Kategorie und Verwendungszweck abdecken. Strukturierte Daten im Schema.org-Format – insbesondere Product, offers und image – verbessern die Chancen, dass ein KI-System das Produkt korrekt klassifiziert und in Fan-Out-Ergebnissen berücksichtigt.
Konkret bedeutet das für die Produktoptimierung:
- Alt-Texte werden vom reinen Barrierefreiheitsmerkmal zum Ranking-relevanten Signal
- Konsistente Produktbezeichnungen über alle Datenpunkte hinweg sind entscheidend
- Google Merchant Center Feeds müssen denselben Qualitätsstandard wie Produktseiten erfüllen
- Bilddateinamen sollten sprechend und beschreibend gewählt werden
Visuelle Suche als wachsender Kanal
Google Lens verarbeitet nach eigenen Angaben mittlerweile mehrere Milliarden visuelle Anfragen pro Monat. Der Anteil von Produktsuchen – also kommerziell motivierten Anfragen – wächst dabei überproportional. Shopping-Funktionen, die direkt aus Bildergebnissen heraus erreichbar sind, verkürzen den Weg zwischen Entdeckung und Kaufabsicht erheblich.
Wer visuelle Suche bislang ignoriert hat, riskiert, in einem wachsenden Kanal schlicht nicht sichtbar zu sein.
Für deutsche Unternehmen im E-Commerce bedeutet das: Wer seine Produktdaten bereits für klassische Textsuche optimiert hat, ist gut aufgestellt – muss aber prüfen, ob Bild-Assets und strukturierte Metadaten denselben Standard erfüllen. Die technischen Grundlagen – saubere Produktdaten, hochauflösende Bilder, vollständige Schema-Auszeichnung – sind dabei keine neuen Anforderungen, sondern bekannte Hausaufgaben, die nun stärker gewichtet werden.
