Strukturiert, aber zeitaufwendig.
Audio ist nicht intuitiv. Benutzer sind oft unsicher, bevor sie etwas anhören: Was, wenn es mir nicht gefällt, nachdem ich es angeklickt habe? Man kann sich zwar damit trösten, dass es auch bei Nichtgefallen zumindest Zeit totschlägt, aber Menschen wollen immer beides - Zeit vertreiben und dabei Spaß haben. Sonst hat man weder Zeit noch gute Laune und steht mit leeren Händen da.
In solchen Szenarien ist KI ein guter Helfer. Obwohl Audio selbst nicht intuitiv ist, kann es durch Umwandlung in Text zu einem NLP-Problem werden. Große Sprachmodelle können dann ihre Stärken ausspielen, Inhalte verstehen, Kernpunkte zusammenfassen und den Inhalt anschaulich präsentieren, um Benutzern bei der Auswahl und Beurteilung zu helfen.
Tatsächlich kann KI überall dort zum Einsatz kommen, wo die Bedingungen "strukturiert" und "zeitaufwendig" erfüllt sind. WeChat Reading hat beispielsweise eine KI-Buchfragefunktion in seine Plattform integriert. Wenn Benutzer an einem bestimmten Konzept oder einer Frage interessiert sind, kann die KI-Buchfrage sie zu den relevanten Inhalten bestimmter Bücher in WeChat Reading verlinken, um vertieftes Lesen und Lernen zu erleichtern. Dies ist auch eine Art kleine Suchfunktion basierend auf WeChat Readings eigenem Ökosystem.
In Amazons Versuch wird die Dialogfähigkeit großer Modelle weiter genutzt, um präzise Empfehlungen zu geben. Ähnliches versucht die chinesische Podcast-Plattform Xiaoyuzhou mit der Beta-Version von "Frag Xiaoyuzhou".
Diese Funktion ist derzeit nicht in die Xiaoyuzhou-App integriert, sondern eine separate Webseite mit einem sehr einzigartigen Design, das alte Browser-Webseiten nachahmt. Dies erzeugt den Effekt: "Obwohl du KI-Hilfe bekommen hast, solltest du jetzt lieber einen Podcast hören, anstatt weiter im Internet zu surfen."
Im Vergleich zu strukturierten Inhalten wird KI bei der Erschließung und Integration von Fragmentinhalten bedeutsamer sein, was natürlich auch mehr Herausforderungen mit sich bringt. Das ist auch der Grund, warum verschiedene Content-Plattformen nacheinander KI-Suche in ihre Plattformen integrieren.
Am repräsentativsten ist Xiaohongshu, das nacheinander zwei Funktionen eingeführt hat: den speziellen KI-Assistenten "Da Vinci" und die suchspezifische "Sousou Shu".
Wir haben beide Funktionen getestet und festgestellt, dass beide Stärken und Schwächen haben. Derzeit sind sie noch recht rudimentär, und die empfohlenen Inhalte können nicht vollständig übernommen werden. Benutzer müssen zu den zitierten Notizen wechseln, um die Inhalte zu überprüfen und zu verifizieren. Eine gemeinsame Eigenschaft ist, dass beide die reichhaltigen Notizinhalte auf Xiaohongshu aktivieren.
Für in spezifischen Umgebungen verwurzelte Content-Ökosysteme sind traditionelle Suchmaschinen problematisch. Einerseits aufgrund des Ökosystemschutzes, den Suchmaschinen nicht erreichen können. Andererseits sind die integrierten Suchfunktionen oft nicht benutzerfreundlich. Beispielsweise basiert Weibos erweiterte Suchfunktion immer noch auf grundlegenden Informationen wie Zeit und Ort, mit sehr begrenzter Genauigkeit.
Dies liegt daran, dass soziale Medien zwar eine große Menge an Inhalten liefern, diese aber sehr fragmentiert sind. Dies bietet KI-Suche mehr Spielraum, stellt aber gleichzeitig größere Herausforderungen dar.
Im Gegensatz zu strukturierteren Podcast- und Hörbuchprodukten sind die Inhaltsformen auf Social-Media-Plattformen wie Xiaohongshu vielfältig - Bilder, Texte, Videos und Livestreams. Zudem stammen diese Inhalte aus persönlichen Erfahrungen und Gefühlen und enthalten viele Internet-Memes und Emojis - Nutzer mit langsamem Internet können da leicht den Anschluss verlieren.
Während Benutzer Empfehlungen erwarten, die besser zu ihrem aktuellen Geschmack passen, basieren bestehende Empfehlungsalgorithmen in der Regel auf langfristiger Nutzerinteressenmodellierung. Sie müssen langsam Präferenz- und Verhaltensdaten sammeln, um Profile zu erstellen, und neigen dazu, Inhalte zu empfehlen, die der Nutzer bereits als Vorlieben gezeigt hat.
Im Vergleich dazu ist KI-Suche ein guter Ansatzpunkt, um Feedback durch das Suchverhalten der Nutzer zu erhalten. Besonders häufige Internetsurfer erfassen oft nur vage bestimmte Trends.
Gegenwärtig wecken populäre Ausdrücke das Interesse der Nutzer ein wenig, aber nicht stark, und erfordern weitere Erklärungen. In diesem Moment, wenn Benutzer aktiv den Schritt zur Suche machen, können auf großen Sprachmodellen basierende Suchfunktionen besser wirken.
Suche ist ein Anfrage-Antwort-Prozess, während Empfehlung ein kontinuierlicher dynamischer Prozess ist. Die Überschneidung liegt darin, dass beide von den Bedürfnissen der Nutzer ausgehen und eine stärkere Personalisierung anstreben. Die Last der "Erzeugung von Informationsblasen", die traditionelle Empfehlungsalgorithmen tragen, könnte durch integrierte KI-Suche verbessert werden.