Personalisierte Einkaufsassistenten im E-Commerce mit MCP

Beim Online-Einkauf kann die Suche nach dem richtigen Produkt mehr erfordern als das Lesen der Produktbeschreibung. Gerade bei einem konkreten Bedürfnis, etwa beim Laufen kühl zu bleiben, ist es wichtig, die Versprechen in der Beschreibung mit den Erfahrungen anderer Kunden abzugleichen. Zahlreiche Bewertungen zu lesen und aus unterschiedlichen Meinungen die für den eigenen Bedarf relevanten herauszufiltern, kostet jedoch Zeit. Die Idee eines KI-gestützten Einkaufsassistenten entsteht aus dem Bedürfnis, diese Informationslast zu reduzieren.

MCP, kurz für Model Context Protocol, ist ein Protokoll, über das KI-Anwendungen standardisiert auf externe Datenquellen und Werkzeuge zugreifen können. In einem Einkaufsszenario können Produktbeschreibungen und Bewertungen bei entsprechendem Zugriff als solche Quellen dienen. Entscheidend ist dabei: MCP interpretiert Bewertungen nicht selbst und wählt auch keine Produkte aus. Es stellt die Datenzugriffsebene bereit; die Interpretation und die Erstellung von Empfehlungen übernimmt das KI-Modell.

Nehmen wir an, ein Nutzer sucht auf Trendyol nach einem Trainingsanzug, in dem er beim Laufen nicht ins Schwitzen gerät. Der konzipierte Assistent könnte zunächst den Verwendungszweck und die Prioritäten des Nutzers klären und anschließend die zugänglichen Produktinformationen und Bewertungen prüfen. Die Einschätzung würde sich dadurch nicht allein auf positive Aussagen in der Produktbeschreibung stützen. Auch Erfahrungen, die der Nutzer ausdrücklich vermeiden möchte, etwa ein unangenehmes Wärmegefühl, würden in den Vergleich einfließen. Dies ist keine Ankündigung einer bestehenden Integration, sondern ein Anwendungsszenario, das sich mit MCP konzipieren ließe.

Um Bewertungen zu interpretieren, reicht es möglicherweise nicht aus, nur nach bestimmten Wörtern zu suchen. Während ein Kunde direkt schreibt, dass das Produkt warm hält, beschreibt ein anderer dieselbe Erfahrung vielleicht mit einem Vergleich zu einem Dampfbad oder einer Sauna. Eine semantische Analyse hilft einzuschätzen, ob unterschiedliche Formulierungen auf eine ähnliche Beschwerde hindeuten. Bildhafte Vergleiche, Nutzungsbedingungen und persönliche Erwartungen müssen jedoch gemeinsam betrachtet werden. Statt aus einer einzelnen Bewertung eine eindeutige Produkteigenschaft abzuleiten, ist es sinnvoller, die Grundlage der Empfehlung und bestehende Unsicherheiten offenzulegen.

Bei X Mind Solutions betrachten wir dieses Szenario als Beispiel dafür, wie KI-Agenten und Systemintegrationen einen Mehrwert für Nutzer schaffen können. Bei der Konzeption eines solchen Assistenten sollten der autorisierte Zugriff auf Produktdaten, die Aktualität der Bewertungen und der Umfang der Nutzung persönlicher Präferenzen von Anfang an festgelegt werden. Ziel ist nicht, verbindliche Entscheidungen für den Nutzer zu treffen, sondern bedarfsrelevante Informationen nachvollziehbar zusammenzuführen und so einen fundierteren Vergleich zu ermöglichen.