COSMO-Fehler: Wenn Amazons KI dein Produkt falsch liest

Amazons KI beantwortet jede Kundenfrage zu deinem Produkt, ob deine Daten dafür ausreichen oder nicht. Fehlt ein Attribut, rät das System.

Amazons KI beantwortet Kundenfragen zu deinem Produkt, ob deine Daten dafür ausreichen oder nicht. Fehlt ein Attribut, rät das System. Widersprechen sich deine Bullets und deine Beschreibung, entscheidet die KI selbst, welcher Version sie glaubt. Und wenn deine Rezensionen etwas anderes erzählen als dein Listing, gewinnen die Rezensionen.

Das Ergebnis sind Falschantworten, die du nicht siehst, weil sie nicht in deinen Reports auftauchen. Sie kosten dich Sichtbarkeit in genau dem Moment, in dem ein Kunde eine konkrete Kaufabsicht formuliert. Amazon selbst formuliert es in einem offiziellen Forumsbeitrag so: „It’s still early days for generative AI, and Rufus won’t always get it exactly right.“ Die gute Nachricht: Die meisten dieser Fehler haben eine Ursache in deinen eigenen Daten, und die kannst du beheben.

Das Wichtigste auf einen Blick

• Jedes leere Attributfeld ist eine Frage, die Amazons KI über dein Produkt nicht beantworten kann. Fehlende Strukturdaten führen nicht zu Schweigen, sondern zu Vermutungen.
• Widersprüche innerhalb der Detailseite sind laut Amazons offizieller Fehlerliste eine Hauptursache für falsche KI-Antworten: „bullet points say one thing, but the product description says another“.
• Rezensionen wirken als Ground Truth. Beschreiben Kunden dein Produkt anders als du, korrigiert das System deine Einordnung nach unten, nicht die der Kunden.
• COSMO ist von Haus aus fehleranfällig gebaut. Im SIGMOD-Paper von Amazon Science bestanden nur 35 Prozent der Search-Buy-Hypothesen und 9 Prozent der Co-Buy-Hypothesen die menschliche Typikalitätsprüfung.
• Es gibt einen offiziellen Meldeweg für falsche KI-Antworten: ASIN, Screenshot, eine von vier Fehlerkategorien und die erwartete Antwort.
• Seit dem 13. Mai 2026 heißt Rufus in den USA Alexa for Shopping. Funktion, Datenquellen und Empfehlungslogik bleiben identisch.

Wie COSMO-Fehler entstehen: die drei Fehlerquellen

COSMO ist ein Wissensgraph, der Produkte über typisierte Relationen mit Absichten, Anlässen und Eigenschaften verbindet. Wie dieser Graph aufgebaut ist und welche 15 Relationen er bewertet, haben wir in Amazon COSMO erklärt und im Praxis-Guide zu den 15 COSMO-Relationen im Detail beschrieben. Für die Fehlerdiagnose zählt vor allem eines: Der Graph wird nicht von Menschen gepflegt, sondern von Sprachmodellen erzeugt und anschließend gefiltert.

Genau hier liegt die erste, systemische Fehlerquelle. Im COSMO-Paper, das Amazon Science auf der SIGMOD 2024 veröffentlicht hat, bewerteten menschliche Prüfer die automatisch erzeugten Relationen auf Plausibilität und Typikalität. Von den Hypothesen aus dem Such-Kauf-Verhalten wurden 44,3 Prozent als plausibel und nur 35,0 Prozent als typisch eingestuft. Bei den Hypothesen aus dem gemeinsamen Kaufverhalten lagen die Werte bei 14,5 respektive 9,0 Prozent. Amazon selbst schreibt im Abstrakt, die Generierungen seien „not always align with human preferences and contain noises“. Ein Wissensgraph, dessen Rohmaterial zu großen Teilen aussortiert werden muss, produziert zwangsläufig auch nach der Filterung Fehleinordnungen.

Die zweite Fehlerquelle liegt in deinen Daten. Lücken, Widersprüche und werbliche Formulierungen ohne verifizierbare Fakten zwingen das System, aus schwächeren Signalen zu schließen. Bei fehlenden oder ungenauen Attributen greift es auf Keyword-Überlappung und frühes Klickverhalten zurück, was die Trefferwahrscheinlichkeit deutlich verschlechtert.

Die dritte Fehlerquelle ist die Diskrepanz zwischen deiner Darstellung und dem tatsächlichen Kundenverhalten. Das System vergleicht permanent, was du behauptest, mit dem, was Käufer schreiben und tun. Diese drei Quellen erzeugen fünf Fehlermuster, die in der Praxis immer wieder auftauchen.

Fehler 1: Leere Attributfelder — die KI rät, statt zu schweigen

Der häufigste und zugleich am leichtesten behebbare Fehler ist das leere Strukturfeld. Materialangabe fehlt, Zielgruppe nicht gesetzt, Kompatibilität nicht hinterlegt, Altersfreigabe offen. Seller behandeln diese Felder als Pflichtübung für den Katalog. Für Amazons KI sind sie die primäre Faktenquelle.

Entscheidend ist das Verhalten bei einer Lücke: Das System antwortet nicht mit „unbekannt“. Es leitet aus Kategorie, Titel, ähnlichen Produkten und Klickmustern eine Vermutung ab. Ein dokumentiertes Beispiel aus der Praxis: Eine Trinkflasche aus Edelstahl wurde von der KI als Plastikflasche beschrieben, weil das Materialattribut nicht gepflegt war und die Kategorie überwiegend Kunststoffprodukte enthielt. Der Kunde, der explizit nach einer Edelstahlflasche fragt, bekommt in diesem Fall das Produkt eines Wettbewerbers empfohlen, obwohl deins die Anforderung erfüllt.

Der Fix ist unspektakulär und wirksam: Geh in Seller Central über Bestand verwalten in die Angebotsbearbeitung und fülle jedes für deine Kategorie relevante Strukturfeld. Material, Maße, Farbe, Kompatibilität, Zielgruppe, Anwendungsbereich, Zertifizierungen. Als Zielmarke haben sich mindestens 90 Prozent Füllrate der verfügbaren Felder etabliert. Wichtig ist die Genauigkeit, nicht die Menge: Ein falsch gesetztes Attribut richtet mehr Schaden an als ein leeres, weil es der KI eine belastbare Behauptung vortäuscht.

Achte dabei besonders auf die Felder, die Kaufabsichten abbilden statt reiner Produkteigenschaften. Verwendungszweck, Zielgruppe und Anlass sind die Felder, aus denen der Wissensgraph seine Intent-Verknüpfungen zieht. Wer nur die technischen Spezifikationen pflegt, bleibt bei natürlichsprachlichen Suchanfragen unsichtbar.

Fehler 2: Widersprüche auf der eigenen Detailseite

Amazon listet in seinem offiziellen Forumsbeitrag zum Melden von KI-Fehlern eine Ursache explizit auf: „Information conflicts between different parts of your detail page (e.g., bullet points say one thing, but the product description says another).“ Das ist bemerkenswert, weil Amazon damit einen Teil der Verantwortung klar beim Seller verortet.

Widersprüche entstehen fast nie absichtlich. Sie entstehen durch Zeit. Der Titel stammt aus dem Launch, die Bullets wurden nach einer PPC-Analyse überarbeitet, der A+ Content kam von der Agentur, die Beschreibung hat seit zwei Jahren niemand angefasst. Wenn die Bullets von 15 Stunden Akkulaufzeit sprechen und die Beschreibung noch die 12 Stunden des Vorgängermodells nennt, hat die KI zwei sich ausschließende Fakten und keine Regel, welcher gilt.

Typische Konfliktpunkte in der Praxis sind Maße und Gewicht, Lieferumfang, Kompatibilitätsangaben, Leistungsdaten und Materialbezeichnungen. Besonders heikel: Angaben, die nur im Bild stehen und dem Text widersprechen. Wie Amazons KI Bildinhalte verarbeitet, haben wir in Bilder, die KI versteht eingeordnet. Für kaufentscheidende Angaben gilt: Sie gehören als echter Text auf die Seite, und dieser Text muss über alle Bereiche hinweg identisch sein.

Der Fix ist ein Konsistenz-Audit. Zieh alle kaufentscheidenden Fakten deiner Detailseite in eine Tabelle: Titel, Bullets, Beschreibung, A+ Module, Backend-Attribute, Bildtexte. Jede Zeile ein Attribut, jede Spalte eine Quelle. Jede Zeile, in der zwei Spalten nicht übereinstimmen, ist ein aktiver COSMO-Fehler. Für die A+ Module lohnt sich der Abgleich mit unserer Rufus-Checkliste für A+ Content, weil dort die Modulstruktur mitgeprüft wird.

Fehler 3: Rezensionen überschreiben deine Angaben

Der unangenehmste Fehlertyp ist der, bei dem dein Listing formal korrekt ist und die KI trotzdem etwas anderes behauptet. Ursache: Rezensionen und Q&A wirken als Ground-Truth-Instanz. Sie sind für das System nicht Meinung, sondern Beleg. Wenn deine Produktseite eine Decke als beige führt und dutzende Käufer sie als gelblich beschreiben, verschiebt sich die Farbzuordnung im Wissensgraphen in Richtung der Rezensionen.

Dasselbe Muster gilt für Anwendungskontexte. Positionierst du ein Zelt als robustes Trekkingzelt, während die Rezensionen überwiegend vom Einsatz im Garten und auf Festivals berichten, stuft das System deine Eignung für anspruchsvolle Outdoor-Suchanfragen herunter. Nicht weil ein Mensch das entschieden hätte, sondern weil die Verhaltensdaten dem Anspruch widersprechen.

Der Reflex, das über mehr Marketing-Sprache im Listing zu lösen, macht es schlimmer: Je größer die Lücke zwischen Behauptung und Erfahrung, desto stärker die Abwertung. Der belastbare Weg führt über drei Schritte. Erstens: Rezensionen systematisch nach wiederkehrenden Attributnennungen auswerten, nicht nach Sternen. Zweitens: Wo die Kunden recht haben, das Listing an die Realität anpassen. Drittens: Wo ein Missverständnis vorliegt, den Punkt aktiv in Bullets, A+ Content und Q&A klären, damit die nächste Rezensionsgeneration die korrigierte Information aufgreift. Wie sich dieser Kreislauf steuern lässt, haben wir in Review-Management im KI-Zeitalter ausführlich behandelt.

Für Reseller ohne Bearbeitungsrechte ist diese Lage besonders schwierig. In der Amazon-Community beschreibt ein Händler das Kernproblem direkt: „We have no way to edit, update or even report these issues, as the response by Amazon is a very firm: YOU ARE NOT AUTHORISED.“ Wer nicht Markeninhaber ist, braucht den Weg über die Marke oder über den offiziellen Meldeprozess in Abschnitt 7.

Fehler 4: Falsche Intent-Zuordnung im Wissensgraphen

Bei diesem Fehlertyp stimmen alle deine Angaben, das Produkt taucht aber im falschen Zusammenhang auf oder fehlt im richtigen. Ursache ist eine Relation im Wissensgraphen, die dein Produkt mit einer Absicht verknüpft, die nicht passt, oder eine erwartete Verknüpfung, die nie entstanden ist.

Das ist die direkte Konsequenz aus den Prüfquoten des COSMO-Papers. Wenn nur ein Bruchteil der automatisch erzeugten Hypothesen als typisch durchgeht, bedeutet das umgekehrt: Es entstehen laufend Verknüpfungen, die eine Beziehung behaupten, die in der Realität schwach oder falsch ist. Amazon Science beschreibt für die Rohgenerierungen ausdrücklich das Problem leerer Begründungen, etwa „customers bought them together because they like them“.

Praktisch erkennst du diesen Fehler an einem Muster in deinen Daten: Suchanfragen mit vielen Impressionen und Klicks, aber auffällig schwacher Conversion. Klicks ohne Kauf sind das klassische Signal für eine Intent-Diskrepanz zwischen dem, was der Kunde erwartet hat, und dem, was dein Produkt liefert. Ebenso aussagekräftig ist der umgekehrte Fall: Ein Anwendungsfall, den dein Produkt nachweislich bedient, taucht in KI-Antworten nie auf.

Der Fix läuft über die Relationen, nicht über Suchanfragen. Statt weitere Begriffe in den Titel zu drücken, beschreibst du den Anwendungskontext explizit im Text: Wer nutzt das Produkt, wofür, bei welchem Anlass, in welcher Umgebung, in Kombination mit welchen anderen Produkten. Diese Formulierungen sind das Rohmaterial, aus dem der Wissensgraph seine Kanten zieht. Welche 15 Relationen dabei zählen und wie du deine Abdeckung prüfst, steht im COSMO-Relationen-Guide.

Fehler 5: Erfundene Features und Halluzinationen

Der Fehlertyp mit dem größten Schadenspotenzial ist die frei erfundene Produkteigenschaft. Die KI nennt eine Funktion, die dein Produkt nicht hat, oder verneint eine Eigenschaft, die es sehr wohl besitzt. In der Amazon-Community wird das Muster deutlich beschrieben: „First, AI adds made-up features to the product specifications, and then Rufus gives the customer incorrect information.“

Bei Zubehörkompatibilität führt das zu Retouren. Bei sicherheitsrelevanten Angaben wird es ernst. Es sind Fälle dokumentiert, in denen eine KI-Antwort ein Produkt als nussfrei auswies, obwohl es mehrere Nussarten enthielt. Solche Fehler sind nicht nur ein Conversion-Problem, sondern ein Haftungs- und Reputationsrisiko, das aktiv überwacht gehört.

Halluzinationen lassen sich nicht vollständig verhindern, ihre Wahrscheinlichkeit aber deutlich senken. Das Mittel ist Eindeutigkeit: Je klarer eine Eigenschaft als strukturierter, verifizierbarer Fakt auf der Seite steht, desto weniger Raum bleibt für Interpolation. Besonders wirksam sind explizite Negativaussagen. Ein Satz wie „Enthält keine Erdnüsse, wird jedoch in einem Betrieb verarbeitet, der Nüsse verwendet“ ist für das System eine belastbare Angabe. Das Fehlen jeder Aussage zu Allergenen ist eine Einladung zum Raten.

Zweiter Hebel ist die Überwachung. Formuliere fünf bis zehn Fragen, die deine Kunden realistisch stellen, und stelle sie der KI regelmäßig selbst. Jede falsche Antwort ist ein präziser Hinweis auf eine Lücke in deinen Daten. Wie sich KI-Antworten und klassische Suchergebnisse dabei unterscheiden und warum du beide prüfen musst, zeigt unsere Auswertung Amazon Rufus vs. SERP.

Das 30-Minuten-Diagnoseprotokoll und der offizielle Meldeweg

Die Diagnose braucht kein Tool, sondern eine feste Reihenfolge. Fünf Schritte pro ASIN, zusammen rund eine halbe Stunde.

Schritt 1: Der Fragenkatalog (10 Minuten). Stell dem KI-Assistenten zehn Fragen zu deinem Produkt, so wie ein Kunde sie stellen würde. Fünf zu harten Fakten (Material, Maße, Lieferumfang, Kompatibilität, Pflege), fünf zu Anwendungsfällen („Eignet sich das für …?“). Notiere jede Antwort wörtlich. Falsche und ausweichende Antworten sind deine Fehlerliste.

Schritt 2: Attribut-Audit (5 Minuten). Öffne die Angebotsbearbeitung und zähle die gefüllten Strukturfelder. Jedes leere Feld, das zu einer der zehn Fragen passt, ist eine bestätigte Ursache.

Schritt 3: Konsistenz-Matrix (10 Minuten). Trag die kaufentscheidenden Fakten aus Titel, Bullets, Beschreibung, A+ Content und Backend nebeneinander. Jede Abweichung wird markiert und auf einen Wert vereinheitlicht.

Schritt 4: Review-Abgleich (5 Minuten). Filtere die letzten 50 Rezensionen nach den Attributen aus deiner Fehlerliste. Wo Kunden konsistent etwas anderes berichten als dein Listing, hast du einen Ground-Truth-Konflikt.

Schritt 5: Priorisieren. Sortiere die gefundenen Fehler nach Kaufrelevanz, nicht nach Aufwand. Sicherheits- und Kompatibilitätsangaben zuerst, danach kaufentscheidende Spezifikationen, zuletzt Kontext und Anwendungsfälle.

Bleibt eine Falschantwort bestehen, obwohl deine Daten sauber sind, greift der offizielle Meldeweg. Amazon beschreibt ihn in einem Community-Beitrag: zuerst das Listing prüfen und korrigieren, dann ein Ticket über das Hilfe-Center öffnen. Erforderlich sind die ASIN, ein Screenshot von Frage und KI-Antwort, die erwartete korrekte Antwort und die Zuordnung zu einer von vier Kategorien: „Inaccurate or outdated product information“, „Answer is incomplete or missing information“, „Response is not answering the question“ oder „The answer can be improved“. Amazon prüft den Fall anschließend und nimmt nötige Anpassungen vor.

Ein Hinweis zur Benennung: Seit dem 13. Mai 2026 heißt Rufus in den USA Alexa for Shopping. Funktionsumfang, Datenquellen und Empfehlungslogik sind unverändert, in Deutschland läuft die Oberfläche vorerst weiter unter Rufus. Was sich dadurch für Seller ändert, haben wir in Alexa for Shopping erklärt zusammengefasst.

FAQ zu COSMO-Fehlern

Warum gibt Amazons KI falsche Informationen über mein Produkt?

In den meisten Fällen, weil Daten fehlen oder sich widersprechen. Bei leeren Attributfeldern leitet das System eine Vermutung aus Kategorie und ähnlichen Produkten ab, statt die Frage offen zu lassen. Amazon nennt zusätzlich unvollständige Detailseiten, veraltete Listings und Widersprüche zwischen Bullets und Beschreibung als Hauptursachen.

Wie melde ich eine falsche Rufus-Antwort an Amazon?

Korrigiere zuerst dein Listing, dann öffne ein Ticket über das Hilfe-Center. Erforderlich sind ASIN, ein Screenshot von Frage und Antwort, die erwartete korrekte Antwort und eine von vier Fehlerkategorien. Amazon prüft den Fall und nimmt nötige Anpassungen vor.

Kann die KI Angaben erfinden, die gar nicht in meinem Listing stehen?

Ja. Verkäufer berichten von KI-Antworten, die Funktionen nennen, die das Produkt nicht besitzt. Die Wahrscheinlichkeit sinkt, je mehr kaufentscheidende Eigenschaften als eindeutige, strukturierte Fakten auf der Seite stehen, inklusive expliziter Negativaussagen etwa zu Allergenen.

Warum widerspricht die KI meinen eigenen Produktangaben?

Weil Rezensionen und Q&A als Ground Truth wirken. Beschreiben viele Kunden eine Eigenschaft anders als dein Listing, verschiebt sich die Einordnung im Wissensgraphen in Richtung der Kundenaussagen. Die Lösung liegt darin, Listing und Kundenerfahrung in Übereinstimmung zu bringen, nicht darin, die Behauptung zu verstärken.

Wie oft sollte ich mein Listing auf COSMO-Fehler prüfen?

Für Top-ASINs empfiehlt sich ein monatlicher Durchlauf des Fragenkatalogs, für das übrige Sortiment ein Quartalsrhythmus. Zusätzlich immer nach Produktänderungen, Varianten-Launches und größeren Rezensionswellen.

Wie AI-ready ist dein Listing wirklich?

COSMO-Fehler zu finden ist Fleißarbeit, solange du sie ASIN für ASIN von Hand suchst. Der kostenlose Boost^AI Score Check von Valuezon misst die AI-Readiness deines Listings anhand von 25 Punkten: 15 COSMO-Relationen und 10 Rufus-Faktoren. Du siehst auf einen Blick, welche Relationen unbesetzt sind, wo Widersprüche liegen und welche Lücken die KI aktuell mit Vermutungen füllt.

Sende uns eine ASIN und du bekommst den Report mit priorisierten Maßnahmen. Jetzt kostenlosen Boost^AI Score Check anfordern

Quellen

• Building commonsense knowledge graphs to aid product recommendation — Amazon Science
• COSMO: A large-scale e-commerce common sense knowledge generation and serving system at Amazon — Amazon Science (SIGMOD 2024)
• COSMO-Paper, Volltext (PDF)
• Noticed errors in Rufus AI answers? How to report them — Amazon Seller Forums
• Alexa for Shopping (formerly Amazon Rufus) 2026: How Amazon’s AI Assistant Recommends Products — Amalytix