Shopify KI: 7,95 Prozent mehr Bestellungen im Shop-App-Feed

Die Shopify KI für Suche und Empfehlungen läuft jetzt über ein einziges generatives Modell – und entscheidet damit mit, welche Händler in der Shop-App neue Kunden bekommen. Das geht aus einem technischen Bericht hervor, den Shopify Engineering am 11. November 2026 veröffentlicht hat. Im Online-Test stiegen im Startseiten-Feed der Shop-App die Bestellungen um 7,95 Prozent, die Conversion Rate um 9,85 Prozent. Das Modell arbeitet mit einem Katalog aus mehreren Milliarden Produkten und lernt aus Suchanfragen, Klicks und Käufen in allen teilnehmenden Shopify-Shops. Ausdrücklich soll es Käufern Produkte aus Shops zeigen, die sie noch nie besucht haben.

Shopify KI: Ein Modell statt getrennter Systeme für Suche und Feed

Suche und Empfehlungen arbeiten mit denselben Zutaten: Wissen über Produkte und das Verhalten des Käufers. Die Suche hat zusätzlich die Anfrage als klares Signal. Die Empfehlung muss die Absicht aus dem Verhalten ableiten. Shopify trainiert deshalb beide Aufgaben gemeinsam in einem Modell.

Shopify erklärt das mit zwei Käufern, die nach „Rucksack“ suchen. Der eine hat zuvor wasserdichte Laptoptaschen verglichen, der andere große Trekkingrucksäcke für die Rocky Mountains. Beide sollen unterschiedliche Treffer bekommen – aus Shops, die sie kennen, und aus Shops, die sie noch nicht kennen.

Basis ist ein offenes Sprachmodell (Open-Weight-Modell, dessen Gewichte frei verfügbar sind). Shopify hat es mit dem eigenen Produktkatalog und Käuferdaten aus Suche und Empfehlungen nachtrainiert. Die Daten stammen aus den Händler-Shops, der Shop-App und der Catalog API, der Schnittstelle für Chat-Shopping und KI-Agenten.

Das Modell ersetzt das bestehende System nicht. Es arbeitet als Kandidatengenerator (erste Stufe, die aus dem Gesamtkatalog eine Vorauswahl trifft) und liefert zusätzliche Produkte, die nachgelagerte Ranking-Stufen sortieren. Die Suchqualität misst Shopify an den ersten zehn Treffern (OneDCG@10, eine Variante der Kennzahl NDCG). Allein eingesetzt erreicht das Modell bei eingeloggten Nutzern 33,6 Punkte und liegt damit über dem bisherigen System ohne Modell mit 33,0 Punkten.

Drei Codes pro Produkt: So sortiert Shopify Milliarden Artikel

Eine normale Produkt-ID sagt nichts über den Artikel. Bei mehreren Milliarden Produkten müsste das Modell für jede ID einzeln lernen. Für viele Artikel fehlen dafür die Daten.

Shopify wandelt deshalb den Produktinhalt zuerst in ein Embedding um (eine Zahlenreihe, die die Bedeutung des Produkts abbildet). Das Verfahren RQ-KMeans macht daraus eine Semantic ID: drei Codes aus je 8.192 möglichen Werten. Die erste Stufe bildet grobe Gruppen, jede weitere verfeinert den Rest.

Shopify zeigt das an einem Beispiel aus dem echten Katalog. Code 6001 fasst Westen und Gilets zusammen. 6001-5561 enthält gesteppte Westen in verschiedenen Farben, 6001-5561-0 graue Steppwesten. Ein anderer Zweig, 6001-4551, sammelt Westen im Workwear-Stil, darunter unter 6001-4551-879 Jeanswesten.

Ähnliche Produkte teilen sich Code-Teile. Ein Artikel mit wenigen Verkäufen lernt so von seinen Nachbarn mit. Die Codes stehen nicht fest für Kategorie, Marke oder Farbe. Sie entstehen aus den Produktdaten.

Erstkäufe zählen mehr: Das Modell soll fremde Shops ins Spiel bringen

Produkte, die ein Käufer schon angesehen hat, decken bei Shopify bestehende regelbasierte Systeme ab (Retargeting). Das neue Modell soll Produkte finden, mit denen der Käufer noch keinen Kontakt hatte.

Dafür gewichtet Shopify im Training drei Arten von Erstkäufen stärker: den ersten Kauf eines Produkts, den ersten Kauf bei einem Händler und den ersten Kauf in einer Kategorie. Alte Klicks fliegen aus der Historie, Käufe bleiben drin. Im Offline-Test stieg die Trefferquote bei solchen Neuentdeckungen um rund 10 bis 15 Prozent (relativ), die Gesamt-Trefferquote um rund 2 Prozent.

Für die Suche setzt Shopify ein zweites Sprachmodell als Prüfer ein. Es bewertet, ob die erzeugten Treffer zur Anfrage passen. Über Reinforcement Learning (Training mit Belohnungssignal) fließt das Urteil zurück ins Modell. Das brachte 1,5 Punkte mehr Suchqualität.

Suche und Empfehlung profitieren voneinander. Ohne Empfehlungsdaten im Training sank die Suchqualität von 28,8 auf 28,5 Punkte. Die Kauf-Trefferquote der Suche fiel von 33,4 auf 32,6.

25 Millisekunden: Warum Shopify ein kleines Modell wählt

Jede Suche und jeder Feed-Aufruf hat ein festes Zeitbudget. Shopify hat drei Modelle verglichen. LFM2-2.6B von Liquid AI braucht 25,5 Millisekunden (p95, also in 95 Prozent der Fälle höchstens so lange), Qwen3-14B 108,4 Millisekunden. Das größere Modell liefert etwas bessere Treffer. Shopify hat sich trotzdem für LFM2-2.6B entschieden.

Das Modell darf außerdem nur Codes erzeugen, die zu zulässigen Produkten im Katalog gehören. Filter wie der Markt des Käufers schränken die möglichen Codes je Anfrage ein. Diese Prüfung kostete zunächst über 50 Millisekunden, nach der Optimierung rund 1 Millisekunde.

Produktdaten entscheiden über den Platz im Feed: Das solltest du prüfen

Shopify nennt in dem Bericht keine Empfehlungen für Händler. Aus dem Aufbau des Modells ergeben sich aber Ansatzpunkte.

Produkttexte: Der Code eines Produkts entsteht aus seinem Inhalt. Titel, Beschreibung und Attribute wie Material, Farbe oder Schnitt bestimmen, neben welchen Artikeln es einsortiert wird. Lückenhafte Angaben machen diese Einordnung ungenauer.

Produktbilder: Shopify will Bilder künftig stärker auswerten. Form, Textur, Muster und Stil sollen in die Darstellung eines Produkts einfließen. Bilder, die den Artikel klar zeigen, werden damit Teil der Relevanz.

Shop-Kanal: Die Feed-Zahlen stammen aus dem Startseiten-Feed der Shop-App. Prüfe im Shopify-Admin, ob der Shop-Kanal installiert ist und deine Produkte dort freigegeben sind.

Auswertung: Verkäufe über die Shop-App erscheinen in Shopify Analytics als eigener Vertriebskanal. Vergleiche diesen Kanal über die nächsten Monate mit deinen übrigen Kanälen.

Suche, Feed und Werbung aus einem Modell: Shopifys nächster Schritt

Heute ist das Modell eine Stufe in einem mehrstufigen Ablauf. Shopify schreibt selbst: Ein Produkt, das in der ersten Stufe fehlt, holt kein späteres Ranking mehr zurück.

Langfristig soll ein Modell die ganze Kette übernehmen: Kaufabsicht erkennen, Kandidaten erzeugen und sortieren – für Suche, Empfehlungen und Werbeanzeigen. Dafür will Shopify Suchanfragen, Produktansichten, Käufe und Shop-Besuche jedes Käufers in eine zeitlich geordnete Reihe bringen. Die Datenschutz-Einstellungen der Käufer sollen dabei gelten.

Das Modell soll außerdem laufend mit frischen Klicks und Käufen weiterlernen. Shopify nennt als Beispiel einen Käufer, der eine kleine Wohnung einrichtet: Nach dem Kauf eines Tisches soll das Modell passende Stühle vorschlagen.

Organische Platzierung und Anzeigen laufen dann über dasselbe Modell, trainiert mit den Daten aller Shops. Wer in der Shop-App gefunden werden will, schreibt seine Produktdaten künftig für ein Sprachmodell.