Mehr als 1,5 Milliarden Menschen nutzen Google Lens jeden Monat, um zu suchen, was sie sehen (Google). Visual Search verändert damit grundlegend, wie Kunden Produkte entdecken und kaufen. Statt Suchbegriffe einzutippen, fotografieren Nutzer ein Produkt - und die Bilderkennung findet passende Ergebnisse in Sekunden. Für E-Commerce-Händler und Online-Shop-Betreiber bedeutet das: Wer seine Produktbilder und Datenstruktur nicht auf Visual Search vorbereitet, verschenkt einen wachsenden Zugangsweg zum eigenen Sortiment.
Was ist Visual Search?
Visual Search - auf Deutsch visuelle Suche oder Bilderkennung - ermöglicht es Nutzern, mit einem Bild statt mit Text zu suchen. Der Nutzer fotografiert ein Produkt, lädt einen Screenshot hoch oder richtet die Kamera auf einen Gegenstand. KI-gestützte Algorithmen analysieren die visuellen Merkmale des Bildes - Farben, Formen, Texturen, Muster - und gleichen sie mit einer indexierten Produktdatenbank ab.
Der entscheidende Unterschied zur klassischen Bildersuche: Bei der herkömmlichen Google-Bildersuche gibt der Nutzer einen Text ein und erhält Bilder. Bei Visual Search ist das Bild selbst die Suchanfrage. Das löst ein fundamentales Problem im E-Commerce: Kunden finden Produkte, die sie visuell kennen, aber nicht in Worte fassen können. Ähnlich wie Augmented Reality im Online-Shop macht Visual Search das Produkterlebnis damit deutlich intuitiver.
Ein Kunde sieht auf Instagram ein Kleid, das ihm gefällt. Statt zu versuchen, es mit Worten zu beschreiben ("rotes Kleid mit Blumenmuster und V-Ausschnitt"), macht er einfach einen Screenshot und sucht per Google Lens. In unter drei Sekunden zeigt die KI identische und ähnliche Produkte aus verschiedenen Online-Shops - inklusive Preisvergleich.
Wie KI-Bilderkennung technisch funktioniert
Die Technologie hinter Visual Search basiert auf Convolutional Neural Networks (CNNs) - einer Form des Deep Learning, die speziell für die Bildverarbeitung entwickelt wurde. CNNs erkennen Muster auf mehreren Ebenen: zuerst Kanten und Grundformen, dann Texturen und komplexe Muster, schließlich vollständige Objekte.
Der technische Ablauf in der Praxis: Das CNN-Modell generiert für jedes Produktbild einen numerischen Vektor (Embedding). Ähnliche Bilder erzeugen Vektoren, die im Vektorraum nahe beieinander liegen. Wenn ein Kunde ein Foto hochlädt, wird dieses ebenfalls in einen Vektor umgewandelt und mit der Produktdatenbank abgeglichen. Wie gut die Zuordnung gelingt, hängt in der Praxis vor allem von der Bildqualität und der Sauberkeit des Katalogs ab: unscharfe Aufnahmen, wechselnde Hintergründe und fehlende Perspektiven senken die Trefferquote spürbar.
Bildanalyse
CNNs extrahieren Farben, Formen, Texturen und Muster aus dem hochgeladenen Bild
Vektor-Matching
Die Bilderkennung vergleicht den Bild-Vektor in Echtzeit mit der Produkt-Datenbank
Ranking
Ergebnisse werden nach visueller Ähnlichkeit sortiert und ohne spürbare Wartezeit ausgegeben
Google Lens: 1,5 Milliarden Nutzer pro Monat
Google Lens ist die mit Abstand meistgenutzte Plattform für die visuelle Suche: Mehr als 1,5 Milliarden Menschen suchen damit jeden Monat nach dem, was sie sehen (Google). Wie diese Treffer zustande kommen, hat eine Auswertung von 65.388 Google-Lens-Suchergebnissen untersucht (Backlinko). Die Befunde zeigen, worauf Shopbetreiber selbst Einfluss haben - und worauf nicht.
Auffällig ist, wie stark einzelne Plattformen in den Ergebnissen vertreten sind: 7,2 % der Google-Lens-Treffer stammen von Pinterest, 4,1 % von Amazon (Backlinko). Ebenso wichtig für die Einordnung: Die visuelle Suche steht nicht neben der klassischen, sondern greift auf dieselben Seiten zu. 15 % der Google-Lens-Ergebnisse ranken für denselben Suchbegriff auch auf der ersten Seite der organischen Google-Suche (Backlinko).
| Merkmal des Treffers | Anteil der Lens-Ergebnisse | Was daraus folgt |
|---|---|---|
| Seite ist mobilfreundlich | 90,6 % | Mobile Darstellung zuerst prüfen |
| Bild im oberen Viertel der Seite | rund ein Drittel | Hauptbild weit oben platzieren |
| Dateiname passt zur Suchanfrage | 22,6 % | Sprechende Dateinamen vergeben |
| Alt-Text passt zur Suchanfrage | 11,4 % | Alt-Texte beschreibend formulieren |
| Bild ist responsiv ausgeliefert | 13,1 % | srcset und sizes ergänzen |
Conversion und ROI: Der Business Case
Der Geschäftsnutzen liegt weniger in einer einzelnen Kennzahl als in einem zusätzlichen Zugangsweg zum Sortiment: Wer in Google Lens auftaucht, wird gefunden, ohne dass der Kunde den passenden Suchbegriff kennt. Dass dabei auch das Tempo mitspielt, zeigt die Auswertung der Lens-Ergebnisse. Der First Contentful Paint einer dort gelisteten Seite lag im Mittel bei 3.186 ms (Backlinko) - ein Wert, den ein Shop mit sauberer Bildauslieferung deutlich unterbieten kann.
Der Aufwand zahlt zudem mehrfach ein: Dieselben aufbereiteten Produktbilder und strukturierten Daten wirken in der klassischen Bildersuche, in Google Shopping über das Merchant Center und in der visuellen Suche. Wer Bildqualität, Dateinamen und Auszeichnung einmal sauber aufsetzt, bedient damit drei Kanäle statt einem und muss die Arbeit nicht je Kanal wiederholen.
Google hebt die Mindestanforderung an Produktbilder an: Ab dem 31. Januar 2027 müssen alle Produktbilder mindestens 500 x 500 Pixel groß sein (Google Merchant Center). Wer seinen Bildbestand ohnehin für die visuelle Suche aufbereitet, erledigt diesen Punkt in einem Zug mit.
Implementierung: Visual Search im Online-Shop
Die Integration von Visual Search erfordert keine komplette Neuentwicklung. Für Shopware-Shops und andere Shopsysteme stehen verschiedene Ansätze zur Verfügung - von der einfachen Google-Merchant-Center-Optimierung bis zur vollständigen API-Integration.
- Google Merchant Center optimieren: Produktbilder und strukturierte Daten im Google Merchant Center pflegen - der schnellste Weg zu Google-Lens-Sichtbarkeit
- Produktbilder aufwerten: mindestens 500 x 500 Pixel als Pflichtmaß, empfohlen sind 1.500 x 1.500 Pixel, dazu mehrere Perspektiven, sauberer Hintergrund und konsistente Beleuchtung
- Structured Data implementieren: Product-Schema mit JSON-LD für alle Produkte ergänzen (siehe Abschnitt Structured Data)
- Bildsuche im Shop anbieten: Kamera-Symbol neben der Suchleiste, Bild-Upload und Kamera-Aufnahme unterstützen
- Produktkatalog indexieren: Vektor-Embeddings für alle Produktbilder generieren und Ähnlichkeitssuche aufbauen
- Testen und optimieren: A/B-Tests für die Platzierung der Bildsuche, Auswertung der Trefferqualität
Der Aufwand hängt vom gewählten Weg ab. Die Aufbereitung von Bildern und strukturierten Daten für Google Lens lässt sich in bestehende Abläufe einbinden; eine eigene Bildsuche im Shop mit Vektor-Index ist dagegen ein Entwicklungsprojekt mit eigener Planung. Wir schätzen den Aufwand vorab am konkreten Katalog ein, statt eine allgemeine Dauer zu nennen.
Bildoptimierung: Best Practices für Visual Search
Die Qualität Ihrer Produktbilder entscheidet über den Erfolg in der visuellen Suche - und sie hat harte technische Grenzen. Das Google Merchant Center nimmt Bilder bis 64 Megapixel und Dateien bis 16 MB an; das Produkt selbst soll mindestens 75 %, aber nicht mehr als 90 % des Gesamtbildes einnehmen (Google Merchant Center). Wer diese Vorgaben einhält, liefert zugleich das Material, das die visuelle Suche braucht.
Technische Anforderungen
Mindestens 500 x 500 px, empfohlen 1.500 x 1.500 px, WebP-Format bevorzugt, sRGB-Farbraum, Breite und Höhe im HTML deklarieren
Aufnahme-Standards
Weißer Hintergrund für Hauptbilder, mehrere Perspektiven, konsistente Beleuchtung, Detailansichten
Dateinamen und Alt-Text
Beschreibende Dateinamen (z.B. blaue-leder-handtasche-vorderansicht.webp), Alt-Text, der Farbe, Form und Material benennt
Performance
Lazy Loading, CDN-Auslieferung, responsive srcset, Komprimierung ohne sichtbaren Qualitätsverlust
Besonders wichtig für SEO und Visual Search: In der Auswertung von 65.388 Google-Lens-Suchen erschien rund ein Drittel aller Ergebnisse aus dem oberen Viertel einer Webseite (Backlinko). Platzieren Sie Ihre wichtigsten Produktbilder daher weit oben. Außerdem stammen 90,6 % der Google-Lens-Ergebnisse von mobilfreundlichen Seiten (Backlinko) - die mobile Darstellung ist damit kein Nebenschauplatz.
Structured Data: Schema Markup für Bilder
Strukturierte Daten sind der Schlüssel zur Sichtbarkeit in der visuellen Suche. Ein Product-Schema mit JSON-LD verknüpft Bild, Bezeichnung, Marke, Artikelnummer und Verfügbarkeit zu einem Datensatz, den Suchsysteme eindeutig zuordnen können. Dieselben Felder pflegen Sie ohnehin für Ihre Einträge im Google Merchant Center - beide Wege greifen auf denselben Datenbestand zu.
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Blaue Leder-Handtasche Classic",
"image": [
"https://shop.example/images/handtasche-blau-front.webp",
"https://shop.example/images/handtasche-blau-seite.webp",
"https://shop.example/images/handtasche-blau-detail.webp"
],
"description": "Hochwertige Handtasche aus italienischem Leder...",
"sku": "HT-BLAU-001",
"brand": {
"@type": "Brand",
"name": "Markenname"
},
"offers": {
"@type": "Offer",
"price": "189.00",
"priceCurrency": "EUR",
"availability": "https://schema.org/InStock"
}
}Ergänzen Sie Ihr Product-Schema um mehrere hochauflösende Bilder aus verschiedenen Perspektiven und achten Sie darauf, dass Alt-Texte, Dateinamen und Schema-Daten dieselbe Sprache sprechen. Wie viel dort liegen bleibt, zeigt die Auswertung: Nur 11,4 % der Google-Lens-Ergebnisse trugen einen Alt-Text, der zur Suchanfrage passte, 22,6 % einen passenden Dateinamen, und nur 13,1 % der Bilder waren responsiv ausgeliefert (Backlinko).
AR-Produktvisualisierung: Die nächste Stufe
Augmented Reality (AR) ergänzt Visual Search um eine weitere Dimension: Kunden können Produkte virtuell in ihrer eigenen Umgebung platzieren, bevor sie kaufen. Der weltweite Markt für AR-Shopping wächst nach einer Marktprognose von 3,4 Milliarden USD im Jahr 2023 auf 11,6 Milliarden USD im Jahr 2028, das entspricht 28,0 Prozent Wachstum im Jahr (MarketsandMarkets).
Für Händler heißt das vor allem: Dieselben Produktdaten, die die visuelle Suche braucht, tragen auch die räumliche Darstellung. Wer Maße, Materialien und freigestellte Ansichten sauber pflegt, kann daraus später ein 3D-Modell ableiten, ohne den Katalog ein zweites Mal aufzunehmen. Umgekehrt fällt jede Lücke im Datenbestand in beiden Kanälen auf.
Bildqualität, Alt-Texte, Dateinamen und Product-Schema sind die gemeinsame Grundlage für die klassische Bildersuche, für Google Shopping, für die visuelle Suche und für die räumliche Darstellung. Der Aufwand fällt einmal an, die Wirkung verteilt sich auf alle vier Wege.
Branchenfokus: Fashion und Möbel als Vorreiter
Visual Search ist nicht in jeder Branche gleich relevant. Besonders Produkte, bei denen visuelle Merkmale - Farbe, Muster, Stil, Form - die Kaufentscheidung bestimmen, profitieren überproportional.
| Branche | Warum die visuelle Suche greift | Worauf es bei den Bildern ankommt |
|---|---|---|
| Mode und Bekleidung | Schnitt, Muster und Farbe lassen sich schwer in Worte fassen | Freigestellte Vorderansicht, Detailaufnahme des Stoffes, Trageansicht |
| Möbel und Interior | Form und Proportion entscheiden, der Suchbegriff fehlt oft | Maßangaben im Datensatz, Ansicht im Raum, Materialdetail |
| Beauty und Kosmetik | Farbnuancen unterscheiden Varianten stärker als Namen | Neutrales Licht, Farbmuster je Variante, sRGB-Farbraum |
| Wohnaccessoires | Der Kaufimpuls entsteht am Bild, nicht am Text | Einheitlicher Hintergrund, gleiche Perspektive über das Sortiment |
Im Mode-Segment liegt der Vorteil auf der Hand: Ein Kunde sieht ein Kleidungsstück, kann es aber nicht benennen. Genau diese Lücke schließt die visuelle Suche. Damit sie greift, braucht jedes Produkt eine klare Hauptansicht ohne störenden Hintergrund, eine Detailaufnahme der Struktur und einen Alt-Text, der Schnitt, Farbe und Material benennt, statt nur die Artikelnummer zu wiederholen.
Im Möbelbereich zählt vor allem der Maßstab: Ob ein Regal in die Nische passt, entscheidet sich an Zentimetern, nicht an Adjektiven. Pflegen Sie Maße, Materialien und Farbvarianten als eigene Felder im Datensatz, nicht nur als Fließtext in der Beschreibung. Für Shopware-Shops im Interior-Segment eröffnet die Kombination aus visueller Suche und räumlicher Darstellung damit einen zusätzlichen Weg ins Sortiment.
DSGVO und Datenschutz bei Visual Search
Die Verarbeitung von nutzergenerierten Bildern wirft wichtige datenschutzrechtliche Fragen auf, die gerade im deutschen und europäischen Markt sorgfältig beantwortet werden müssen.
Wenn Nutzer Bilder zur visuellen Suche hochladen, müssen Händler folgende Fragen beantworten: Wo werden die Bilder gespeichert? Wie lange werden sie aufbewahrt? Werden sie für Modell-Training verwendet? Die DSGVO verlangt eine klare Datenschutzerklärung, Datenminimierung und eine ausdrückliche Einwilligung. Ob ein eingesetzter Dienst Bilder dauerhaft speichert, gehört vor der Einführung geprüft und vertraglich festgehalten.
- Transparente Datenschutzerklärung für Bild-Upload-Funktionen
- Datenminimierung: Bilder nur so lange speichern wie nötig
- Prüfung der Datenverarbeitung bei jedem eingesetzten Dienst für Bilderkennung
- Einwilligungsmanagement nach DSGVO-Anforderungen
- Keine Verwendung hochgeladener Bilder für KI-Training ohne ausdrückliche Zustimmung
Die Zukunft: Multimodale Suche und Gen AI
Visual Search steht nicht still. Die Erkennungsmodelle werden besser, die Einstiegspunkte mehr: Kamera, Screenshot, Bildausschnitt im Browser. Für Shopbetreiber ändert das weniger, als es klingt. Die Grundlage bleibt in allen Fällen ein sauber ausgezeichneter Katalog mit hochwertigen Bildern, eindeutigen Bezeichnungen und vollständigen Attributen.
Die nächste Evolution ist die multimodale Suche - die Kombination aus Bild, Text und Sprache in einer einzigen Suchanfrage. Ein Nutzer fotografiert beispielsweise ein Sofa und sagt dazu: "Gibt es das auch in Grün?" Die KI-Automatisierung dieser Prozesse wird für Online-Händler zum entscheidenden Wettbewerbsfaktor.
Für E-Commerce-Händler bedeutet das: Die Investition in hochwertige Produktbilder, strukturierte Daten und Visual-Search-Optimierung zahlt sich mehrfach aus - für klassisches SEO, für Google Shopping über das Merchant Center, und für die wachsende Zahl visueller Suchanfragen.
So könnte Ihr Online-Shop mit Visual Search aussehen:
Editorialer Modeshop
Möbelmanufaktur
Naturkosmetik
Bei der klassischen Bildersuche gibt der Nutzer einen Text ein und erhält Bilder als Ergebnis. Bei Visual Search ist das Bild selbst die Suchanfrage. Der Nutzer fotografiert ein Produkt oder lädt ein Bild hoch, und die KI findet visuell ähnliche Produkte. Visual Search löst damit das Problem, dass Kunden Produkte nicht in Worte fassen können.
Ja, insbesondere durch die Optimierung für Google Lens, die ohne eigene Bildsuche im Shop funktioniert. Über hochwertiges Bildmaterial, Product-Schema-Markup und gepflegte Einträge im Google Merchant Center erreichen auch kleinere Shops die mehr als 1,5 Milliarden Menschen, die Google Lens monatlich nutzen.
Die Dauer hängt vom gewählten Ansatz ab. Eine Basis-Optimierung für Google Lens - Bildqualität, Schema Markup, Pflege im Merchant Center - lässt sich in der Regel in bestehende Abläufe einbinden. Eine eigene Bildsuche im Shop mit Vektor-Index ist dagegen ein Entwicklungsprojekt, dessen Umfang wir vorab am konkreten Katalog einschätzen.
Besonders deutlich profitieren Branchen, in denen visuelle Merkmale wie Farbe, Muster, Stil oder Form die Kaufentscheidung bestimmen: Mode und Bekleidung, Möbel und Interior, Beauty sowie Wohnaccessoires. In Sortimenten, die sich über technische Daten erschließen, spielt die visuelle Suche erfahrungsgemäß eine kleinere Rolle.
Die wichtigsten Schritte: Product-Schema-Markup mit JSON-LD implementieren, Produktbilder im Google Merchant Center pflegen, beschreibende Alt-Texte und Dateinamen verwenden, mobilfreundliche Seiten sicherstellen, Produktbilder im oberen Seitenbereich platzieren und hochauflösende Bilder mit sauberem Hintergrund einsetzen.
Wenn Nutzer Bilder für die visuelle Suche hochladen, gelten DSGVO-Anforderungen: transparente Datenschutzerklärung, Datenminimierung (Bilder nur so lange wie nötig speichern), Prüfung der Cloud-API-Anbieter auf Datenverarbeitung und keine Verwendung der Bilder für KI-Training ohne explizite Zustimmung. Kontaktieren Sie uns für eine individuelle Beratung.
Dieser Artikel stützt sich auf Angaben von Google, auf die Bilddokumentation des Google Merchant Center, auf eine Auswertung von 65.388 Google-Lens-Suchergebnissen durch Backlinko sowie auf eine Marktprognose von MarketsandMarkets. Zahlen und Prognosen können je nach Zeitpunkt und Definition abweichen.