Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
JD.com
JD.com draait CogSearch, een multi-agent-AI-zoekfunctie op basis van kleine Qwen3-modellen
Onderzoekers van JD.com beschrijven CogSearch, een AI-zoekmodus op JD.com die kopers helpt bij complexe aankopen, gebouwd op open-weightmodellen van Qwen3. In een test van twee weken met 10% van het live verkeer meldt JD 5% lagere beslissingskosten en een stijging van de conversie met 0,41%.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
5%
Daling van de beslissingskosten (gemiddeld aantal zoekopdrachten plus klikken per transactie) in een online A/B-test van twee weken met 10% van het live verkeer; het artikel zegt niet of dit relatief of absoluut is1
0,41%
Gemiddelde stijging van de conversie van gebruikers (afgeronde bestellingen per unieke bezoeker) in dezelfde A/B-test; het artikel zegt niet of dit relatief of absoluut is1
meer dan 30%
Stijging van de conversie bij beslisintensieve intenties zoals productuitleg, cadeaukeuze en functionele vergelijking, in dezelfde test; relatief of absoluut niet vermeld1
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
Zoeken in webwinkels is gebouwd om producten op te halen en te rangschikken. Kopers met een lastiger vraag, zoals welk cadeau te kiezen of waarin twee producten verschillen, eindigen met veel zoekopdrachten en klikken. Het team van JD.com wilde dat zoeken kopers helpt beslissen, niet alleen vinden.
Wat ze bouwden
CogSearch is een groep samenwerkende AI-agenten binnen de zoekfunctie van JD.com. Een Planner splitst de behoefte van de koper op in taken, een Executor verzamelt product- en webinformatie, een Guider stelt vervolgvragen om de keuze te verkleinen en een Decider levert een gestructureerd aankoopadvies. Kopers bereiken het via een optionele ingang „AI Search”.
Hoe ze het aanpakten
De Planner en de Guider draaien op Qwen3-4B en de Decider op Qwen3-8B. Beide zijn open-weightmodellen (met open gewichten), waarvan de bestanden zijn gepubliceerd zodat een bedrijf ze kan aanpassen en draaien. JD trainde deze kleine modellen met destillatie, wat betekent dat ze leren een groter model na te bootsen, hier DeepSeek-R1. Om aan de snelheidsgrenzen te voldoen gebruikte JD ook 8-bits compressie van de modellen, caching en parallelle planning. Het artikel meldt geen kosten of teamgrootte.
Resultaten
In een online A/B-test van twee weken met 10% van het live verkeer hadden kopers met toegang tot CogSearch 5% minder zoekopdrachten en klikken per transactie nodig (de beslissingskosten). Hun totale conversie steeg gemiddeld met 0,41%. Bij beslisintensieve intenties steeg de conversie met meer dan 30%. Het artikel zegt niet of het om relatieve of absolute veranderingen gaat. De gemiddelde latentie was 1,3 s, tegenover 800 ms voor traditioneel zoeken. Volgens het artikel is CogSearch sindsdien volledig uitgerold.
Lessen voor uw project
Richt een AI-modus op de zoekopdrachten waarbij kopers moeite hebben. De gemelde winst zat vooral bij beslisintensieve intenties, niet in het hele verkeer.
Meet inspanning naast omzet. JD hield naast conversie de beslissingskosten bij, de zoekopdrachten en klikken die per aankoop nodig zijn.
Gebruik kleine modellen waar snelheid telt. JD koos modellen met 4 en 8 miljard parameters om aan de latentiegrenzen te voldoen en bleef toch trager dan gewoon zoeken.
Wees voorzichtig met het lezen van opt-in-tests. Gebruikers kozen zelf voor de nieuwe modus, wat de vergelijking kan vertekenen.
Kanttekeningen
- De cijfers komen uit een artikel van JD.coms eigen medewerkers en zijn niet onafhankelijk bevestigd.
- Het artikel zegt niet of de veranderingen van 5%, 0,41% en „meer dan 30%” relatief of absoluut zijn. Het geeft ook geen betrouwbaarheidsintervallen of testdata.
- De toegang liep via een optionele ingang „AI Search”, dus gebruikers die het probeerden kunnen verschillen van wie dat niet deed. Het artikel bespreekt dit niet.
- CogSearch is trager dan gewoon zoeken: gemiddeld 1,3 s tegenover 800 ms, verzacht door gestreamde uitvoer.
- Het artikel geeft geen uitrooldatum. Het zegt dat CogSearch „has since been fully deployed” (vertaling: „sindsdien volledig is uitgerold”). De getoonde uitrooldatum is de indieningsdatum van het artikel, 12 maart 2026 (de aankondigingsdatum); de werkelijke livegang is eerder of onbekend.
- Trainingskosten, teamgrootte en uitrolomvang buiten de test met 10% worden niet genoemd.
Bronnen
- CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search
arXiv (authors from JD.com) · 2026-03-12 · Onderzoeksrapport · arxiv.org
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.