Lumıary

Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen

Vom Unternehmen berichtetIm Einsatz seit März 2026Hinzugefügt am Okt. 2026

JD.com

JD.com betreibt CogSearch, eine Multi-Agenten-KI-Suche auf Basis kleiner Qwen3-Modelle

Forschende von JD.com beschreiben CogSearch, einen KI-Suchmodus auf JD.com, der Käufern bei komplexen Kaufentscheidungen hilft und auf Open-Weight-Modellen von Qwen3 beruht. In einem zweiwöchigen Test mit 10 % des Live-Verkehrs berichtet JD von 5 % geringeren Entscheidungskosten und einem Anstieg der Conversion um 0,41 %.

Umsatz steigernKundenerlebnis verbessern

Kennzahlen

Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.

5 %

Rückgang der Entscheidungskosten (durchschnittliche Suchen plus Klicks pro Transaktion) in einem zweiwöchigen Online-A/B-Test mit 10 % des Live-Verkehrs; das Paper sagt nicht, ob es sich um eine relative oder absolute Veränderung handelt1

0,41 %

Durchschnittlicher Anstieg der Nutzer-Conversion-Rate (abgeschlossene Bestellungen pro eindeutigem Besucher) im selben A/B-Test; das Paper sagt nicht, ob relativ oder absolut1

über 30 %

Anstieg der Nutzer-Conversion-Rate bei entscheidungsintensiven Absichten wie Produkterklärung, Geschenkauswahl und Funktionsvergleich im selben Test; relativ oder absolut nicht angegeben1

1,3

s

Durchschnittliche Gesamtlatenz von CogSearch, verglichen mit 800 ms bei der herkömmlichen Suche1

Was es erforderte

KostenNicht veröffentlicht
TeamNicht veröffentlicht
ZeitplanNicht veröffentlicht

Kosten, Teamgröße und Zeitplan wurden in den Quellen nicht veröffentlicht.

Das Problem

Die Suche in Onlineshops ist darauf ausgelegt, Produkte zu finden und zu ranken. Käufer mit einer schwierigeren Frage, etwa welches Geschenk sie wählen oder worin sich zwei Produkte unterscheiden, führen am Ende viele Suchen und Klicks aus. Das Team von JD.com wollte, dass die Suche Käufern beim Entscheiden hilft, nicht nur beim Finden.

Was sie gebaut haben

CogSearch ist eine Gruppe zusammenarbeitender KI-Agenten innerhalb der Suche von JD.com. Ein Planner zerlegt den Bedarf des Käufers in Aufgaben, ein Executor sammelt Produkt- und Webinformationen, ein Guider stellt Rückfragen, um die Auswahl einzugrenzen, und ein Decider erstellt eine strukturierte Kaufempfehlung. Käufer erreichen sie über einen optionalen Einstieg „AI Search“.

Wie sie vorgegangen sind

Planner und Guider laufen auf Qwen3-4B, der Decider auf Qwen3-8B. Beides sind Open-Weight-Modelle (mit offenen Gewichten), deren Dateien veröffentlicht sind, sodass ein Unternehmen sie anpassen und betreiben kann. JD trainierte diese kleinen Modelle per Destillation, das heißt, sie lernen, ein größeres Modell nachzuahmen, hier DeepSeek-R1. Um die Tempovorgaben einzuhalten, setzte JD außerdem 8-Bit-Kompression der Modelle, Caching und parallele Ablaufsteuerung ein. Das Paper nennt weder Kosten noch Teamgröße.

Ergebnisse

In einem zweiwöchigen Online-A/B-Test mit 10 % des Live-Verkehrs benötigten Käufer mit Zugang zu CogSearch 5 % weniger Suchen und Klicks pro Transaktion (die Entscheidungskosten). Ihre Gesamt-Conversion-Rate stieg im Schnitt um 0,41 %. Bei entscheidungsintensiven Absichten stieg die Conversion um über 30 %. Das Paper sagt nicht, ob es sich um relative oder absolute Veränderungen handelt. Die durchschnittliche Latenz betrug 1,3 s, gegenüber 800 ms bei der herkömmlichen Suche. Laut Paper wurde CogSearch seitdem vollständig ausgerollt.

Erkenntnisse für Ihr Projekt

  1. Richten Sie einen KI-Modus auf die Suchanfragen aus, bei denen Käufer Mühe haben. Der berichtete Zuwachs konzentrierte sich auf entscheidungsintensive Absichten, nicht auf den gesamten Verkehr.

  2. Messen Sie den Aufwand ebenso wie den Umsatz. JD erfasste neben der Conversion die Entscheidungskosten, also die Suchen und Klicks pro Kauf.

  3. Setzen Sie kleine Modelle ein, wo es auf Tempo ankommt. JD wählte Modelle mit 4 und 8 Milliarden Parametern, um die Latenzgrenzen einzuhalten, und war am Ende dennoch langsamer als die gewöhnliche Suche.

  4. Lesen Sie Opt-in-Tests mit Vorsicht. Die Nutzer entschieden sich selbst für den neuen Modus, was den Vergleich verzerren kann.

Einschränkungen

  • Die Zahlen stammen aus einem Paper von JD.coms eigenen Mitarbeitenden und sind nicht unabhängig bestätigt.
  • Das Paper sagt nicht, ob die Veränderungen von 5 %, 0,41 % und „über 30 %“ relativ oder absolut sind. Es nennt auch weder Konfidenzintervalle noch Testzeiträume.
  • Der Zugang erfolgte über einen optionalen Einstieg „AI Search“, daher können sich Nutzer, die ihn ausprobierten, von den übrigen unterscheiden. Das Paper geht darauf nicht ein.
  • CogSearch ist langsamer als die gewöhnliche Suche: durchschnittlich 1,3 s gegenüber 800 ms, abgemildert durch gestreamte Ausgabe.
  • Das Paper nennt kein Einführungsdatum. Es sagt, CogSearch „has since been fully deployed“ (Übersetzung: „wurde seitdem vollständig ausgerollt“). Als Einführungsdatum ist der Einreichungstag des Papers, der 12. März 2026, angegeben (das Ankündigungsdatum); der tatsächliche Produktivstart liegt früher oder ist unbekannt.
  • Trainingskosten, Teamgröße und Umfang des Rollouts über den 10-%-Test hinaus werden nicht genannt.

Quellen

  1. CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

    arXiv (authors from JD.com) · 2026-03-12 · Forschungsarbeit · arxiv.org

In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.

Ähnliche Fälle