Suchagenten

Gesucht war einer von drei baugleichen Vans, Renault Trafic, Opel Vivaro oder Nissan Primastar, in dem hinter den Sitzen ein Bett oder ein Motorrad Platz hat. Über die Eignung entscheiden Details, die kein Portalfilter abdeckt: ein bestimmter Motor, der lange Radstand, Pkw-Zulassung statt Kastenwagen.

Das führte zu drei konkreten Aufgaben:

• Masse: Bis zum 7. November kamen 1.173 Inserate aus zwei Portalen zusammen.
• Unsaubere Daten: Eines der Portale nennt meist weder Hubraum noch Sitzzahl, und Angaben im Inserat widersprechen sich.
• Zeitdruck: Gute Angebote sind schnell weg, also muss die Suche regelmäßig laufen und melden, was neu ist.

Das System meldete über anderthalb Stunden Suchläufe, aber in der Liste erschien nichts Neues. Ich hielt das für einen Fehler. Tatsächlich hatte das System alle neuen Inserate korrekt aussortiert, nur war das nirgends zu sehen.

Das System arbeitete richtig, und trotzdem zweifelte ich daran. Der Moment zeigt, was sich durch die ganze App zieht: Automatische Entscheidungen müssen nachvollziehbar und korrigierbar sein.

Eine Ergebnisliste zeigt nur, was übrig bleibt. Der Trichter über der Liste zeigt zusätzlich den Weg dorthin: 958 Inserate gesehen, 179 Regeln bestanden, 26 passend nach KI. Ein Klick auf „Regeln bestanden“ oder „Passend nach KI“ filtert die Liste, so wird aus der Statistik zugleich die Navigation. Auch das Aussortierte ist einen Klick entfernt, und die Rechnung geht auf: 179 in der Liste und 779 aussortiert ergeben genau die 958 gesehenen Inserate.

Eine KI-Bewertung aller Inserate wäre einfacher zu bauen, aber teurer, und bei klaren Fällen auch schlechter nachvollziehbar. Deshalb prüfen zuerst Regeln. Sie haben 737 Inserate aussortiert, am häufigsten wegen „Kasten“ im Titel. Die KI kommt erst dort zum Einsatz, wo Abwägung nötig ist.

Der Preis dafür ist mehr Aufwand in der Konfiguration, und falsche Regeln können gute Inserate verstecken. Dagegen helfen drei Dinge:

• Zwei Stufen: Ausschlusskriterien sortieren aus, Warnsignale kosten nur Punkte. „Motorschaden“ im Titel ist ein Ausschluss. In der Beschreibung bleibt es ein Warnsignal, denn dort kann auch „kein Motorschaden“ stehen, und diesen Zusammenhang beurteilt die KI.
• Die Vorschau aus Entscheidung 5 zeigt die Folgen einer Regel, bevor sie gilt.
• Die Ansicht „Aussortiert“ listet jedes verworfene Inserat mit seinem Grund, auch Doppelte. Bin ich anderer Meinung, nehme ich es mit einem Klick trotzdem in die Liste, und die KI bewertet es im nächsten Lauf.

Ein Ja oder Nein würde eine Sicherheit vortäuschen, die bei lückenhaften Inseraten nicht da ist. Deshalb gibt es drei Urteile und eine Note. Von 499 bewerteten Inseraten erhielten 14 ein Ja, 217 ein Vielleicht und 268 ein Nein. Das große Vielleicht ist ehrlich: Oft fehlt eine Angabe, die nur eine Nachfrage beim Verkäufer klärt.

Ein Urteil allein reicht aber nicht. Der Prüfbericht zeigt deshalb, was dafür spricht und was noch zu prüfen ist. Hier fiel der KI auf, dass im Datenfeld 22.000 km stehen, in der Beschreibung aber rund 220.000 km. Der niedrige Wert hätte in jeder Filterliste gut ausgesehen.

Abgelehnte Fahrzeuge bleiben über den Filter erreichbar, damit ich das Urteil der KI überprüfen kann. Auch KI-Fehler sind eingeplant: Einige Bewertungen enthielten als Fazit nur „x“ oder nichts. Neue Bewertungen werden in diesem Fall einmal wiederholt, und die Oberfläche zeigt ersatzweise den wichtigsten Befund.

In einer dichten Tabelle muss das Urteil beim Überfliegen lesbar sein. Die Form stammt von der Prüfplakette am Auto: zehn Ringsegmente zeigen die Note, die Farbe das Urteil. Zur Barrierefreiheit steht das Urteil zusätzlich als Text daneben. Die Plakette ist die einzige auffällige Form der App, Oberflächen und Bedienelemente bleiben neutral.

Anfangs waren die Kriterien im Code festgelegt. Mit den Suchagenten lässt sich nun jede Suche über die Oberfläche einrichten, mit mehreren Fahrzeugen, eigenen Kriterien und eigenen Ergebnissen.

Das Formular bildet ab, wie Kaufkriterien tatsächlich funktionieren: Eckdaten als harte Grenzen, Ausschlüsse und Warnsignale als Begriffe, Wünsche als Punkte. Was sich nicht als Regel ausdrücken lässt, beschreibe ich der KI in eigenen Worten.

Zwei Details ändern das Verhältnis zur Konfiguration am stärksten:

• Folgen vor dem Speichern: Wer die Preisgrenze senkt, sieht sofort, welche Fahrzeuge aus der Liste fallen und warum. Ohne diese Vorschau wäre jede Regeländerung ein Blindflug.
• Kosten am Entstehungsort: Die Angabe steht direkt bei der Portalwahl, hier etwa 3,60 $ im Monat im Dauerbetrieb. Neue Agenten starten mit dem kostenlosen Portal, das kostenpflichtige muss man bewusst einschalten.

Der wiederkehrende Ärger bei der Autosuche ist das Inserat, das man längst verworfen hat und das neu eingestellt wieder auftaucht. Gelöschte Fahrzeuge bleiben deshalb weg, auch wenn sie neu oder auf dem anderen Portal erscheinen, und werden auch nicht mehr von der KI bewertet. Weil das so weit reicht, gibt es sofort „Rückgängig“ und zusätzlich die Ansicht „Gelöscht“.

Die App sollte wie ein Prüfprotokoll wirken, sachlich und genau: neutrale Grautöne, Bernstein als einziger Akzent für Neues, Zahlen in Monospace, damit Preise und Kilometer in Spalten vergleichbar sind. Die Farbe kommt aus dem Inhalt, also aus den Plaketten und Fotos der Fahrzeuge.

Das Design folgt der Systemeinstellung für hell und dunkel. Auf dem Smartphone wird aus der Tabelle eine Kartenliste, denn die Suche geht oft unterwegs weiter.

Die 201 Löschungen und 10 Merker zeigen, dass ich die Liste im Alltag tatsächlich als Arbeitsliste nutze. Beim Umbau von festem Code auf Agenten habe ich 1.131 echte Inserate gegen die alten Regeln geprüft, ohne eine Abweichung. Dazu kommen 69 automatische Tests und eine Datensicherung vor der Umstellung.

• Eine Person als Testgruppe: Ich bin der einzige Nutzer und habe keine Usability-Tests gemacht. Die Einstellungen setzen viel Fachwissen voraus und wären für andere Menschen vermutlich zu komplex. Als Nächstes würde ich zwei oder drei Personen ohne Erklärung einen Agenten anlegen lassen.
• Vertrauen ist nicht gemessen: Ob die KI gute Fahrzeuge fälschlich ablehnt, habe ich nicht systematisch geprüft. Sinnvoll wäre, jede Ablehnung, die ich von Hand korrigiere, zu erfassen und daraus eine Fehlerquote zu berechnen.
• Rein lokal: Die App läuft nur auf meinem Rechner, und Benachrichtigungen setzen einen offenen Browser-Tab voraus. Für den Einsatz unterwegs bräuchte sie einen Server.

Die zentrale Arbeit an einem KI-Produkt liegt weniger im Modell als in allem, was darum herum Vertrauen schafft: sichtbare Filter, ehrliche Unsicherheit, Begründungen und einfache Korrekturen. Und KI-gestützte Umsetzung verschiebt die Arbeit: Wenn Bauen schneller wird, zählt die Entscheidung, was gebaut wird und wann es gut genug ist, umso mehr.