Kann KI das Problem der Entscheidungsüberlastung auf inhaltsreichen Plattformen lösen?

Einleitung

Empfehlungssysteme reduzieren die Anzahl der Entscheidungen, die eine Person treffen muss, und die Daten deuten darauf hin, dass dies für eine Plattform wertvoller ist, als die meisten Menschen annehmen. Ob dies auf Kosten der Entdeckung von Neuem geht, ist eine andere Frage, die ebenfalls nicht so einfach zu beantworten ist.

Streaming-Apps verlangen einem an einem Dienstagabend viel ab. Öffnet man eine davon, muss man sich durch Reihen von Miniaturansichten klicken, bevor man auf etwas Stößt, das sich anzusehen lohnt – vorausgesetzt, man stößt überhaupt auf etwas. Viele Menschen tun das nicht. Banner wechseln, immer wieder tauchen dieselben wenigen Titel auf, und irgendwann kann das Schließen der App wie der Weg des geringsten Widerstands erscheinen. Casino-Websites wie Vegas Stars Casino NZ stoßen aus einem anderen Blickwinkel auf ein ähnliches Problem: Ein neues Konto meldet sich an und findet Hunderte unbekannter Spielkacheln vor, ohne dass ein offensichtlicher Einstiegspunkt erkennbar ist. Forscher haben diesem Phänomen vor einiger Zeit einen Namen gegeben – „Entscheidungsüberlastung“ –, und Plattformen betrachten es als eine Art Umsatzproblem.

Der tatsächliche Wert einer Empfehlungsmaschine

Ersetzt man die Empfehlungsmaschine von Netflix durch eine einfache Beliebtheitsrangliste, sinkt die Nutzerinteraktion um 12 %, so ein SSRN-Arbeitspapier vom November 2025 einer Gruppe von Ökonomen, die mit dem Unternehmen verbunden sind (drei der Autoren des Papiers arbeiten direkt bei Netflix). Versucht man es stattdessen mit einem Matrixfaktorisierungsmodell – eine Stufe unter der vollständigen Personalisierung –, fällt der Rückgang mit 4 % geringer aus. Multipliziert mit einer Abonnentenbasis in Höhe von mehreren hundert Millionen ergibt diese Lücke Milliarden von Sehstunden und Geld, das sich letztendlich auf die eine oder andere Weise in den Verlängerungszahlen niederschlägt.

Klaus Wertenbroch ist nicht vollständig davon überzeugt, dass Personalisierung uneingeschränkt positiv ist. Er lehrt Marketing an der INSEAD und ist Mitautor einer Studie, die hinterfragt, wie viel Gewicht die Menschen algorithmischen Empfehlungen überhaupt beimessen. „Meine Co-Autoren und ich warnen Verbraucher davor, sich bei solchen Entscheidungen zu sehr auf KI-Algorithmen zu verlassen“, merkte Wertenbroch in der Studie an, um die Menschen dazu zu bewegen, Vorurteile zu hinterfragen. Er äußerte die Hoffnung, dass Empfehlungen als das angesehen würden, was sie sind – nicht als offizielle Empfehlung, sondern lediglich als eine Art Ratschlag.

Dies hängt mit der Popularitätsverzerrung zusammen. Wenn bereits genügend Nutzer eine Sendung verfolgen, kann dies dem Modell signalisieren, diese Sendung anderen zu empfehlen (es ist sicherer, einen bestehenden Hit zu empfehlen als etwas Unbekanntes), und infolgedessen schrumpft das kleine Publikum in den nachfolgenden Durchläufen und verschwindet schließlich aus dem Blickfeld derjenigen, die nicht aktiv nach einem Titel suchen. Ökonomen bezeichnen diesen Prozess als „Rich-get-richer“-Effekt. Er hat Auswirkungen auf die Indizierung durch Suchmaschinen und auf Social-Media-Feeds – überall dort, wo Algorithmen implizit die Beliebtheit als Indikator für die Beurteilung der Qualität heranziehen.

Netflix und INSEAD kamen letztendlich zu derselben Schlussfolgerung, schlugen dabei jedoch unterschiedliche Wege ein. Obwohl sie es mit völlig unterschiedlichen Daten aus verschiedenen Branchen zu tun hatten, stellten sie fest, dass der zugrunde liegende Grund, warum Nutzer treu bleiben, in der Regel derselbe ist. Wachsende Bibliotheken, die die Qualität ihres bestehenden Angebots nicht verbessern, neigen dazu, Schrott anzuhäufen und werden ineffizient darin, neue Nutzer zu gewinnen oder bestehende zu binden.

Algorithmen sind schlecht bei glücklichen Zufällen

Klickverlauf, Verweildauer auf der Seite und Suchbegriffe bilden die Grundlage der meisten Suchmaschinen. Sie stützen sich auf diese digitalen Spuren, um dir mehr von dem anzubieten, womit du bereits Zeit verbracht hast – sei es beim Anschauen oder beim Spielen. Aus der Perspektive der Designabsicht macht das Sinn. Andererseits besteht jedoch die Möglichkeit, dass dir genau diese Art von Vorschlag niemals angezeigt wird. Der Grund dafür ist etwas subtil und beruht auf der Tatsache, dass es nie einen Hinweis auf Interesse gab, weil du nie damit in Berührung gekommen bist. Früher, bevor es Empfehlungssysteme und KI gab, war das „Mund-zu-Mund“-Marketing. Wenn dein Bruder oder deine Schwester dir eine Mixtape mit nur ein paar Titeln gab und du plötzlich ein ganz neues Subgenre entdeckte, ohne jemals danach gesucht zu haben.

Inhaltstyp	Standard-Interaktion	Kuratierte Interaktion	Wichtige Beobachtung
Breite Resonanz	Bereits hoch	Kaum Bewegung	Allein durch ihre Beliebtheit werden diese Titel gefunden
Mittelklasse-Katalog	Versteckt, leicht zu übersehen	Steigt deutlich an	Hier macht sich die Kuratierung besonders bezahlt
Nischentitel	Fast unsichtbar	Steigt ein wenig an	Selbst eine gute Zielgruppenansprache hat ihre Grenzen

Reine Daten haben es schwer, solche unerwarteten, unterhaltsamen Tipps von selbst zutage zu fördern. Eine Website wie Vegas Stars verwaltet einen umfangreichen Katalog voller Kartenspiele, Slots mit hoher Volatilität und Live-Dealern, die rund um die Uhr im Einsatz sind. Es erfordert natürlich eine gewisse Organisation, um eine solche Bibliothek zu ordnen. Der Algorithmus für maschinelles Lernen kümmert sich um die zugrunde liegende Mathematik, während intelligentes UX-/Produktdesign die Aufgabe vervollständigt. Wenn jemand ein neues Konto ohne Vorkenntnisse erstellt, entfalten KI und gut durchdachte Inhaltskategorien ihre Wirkung. Eine solche Gestaltung der Plattform sorgt dafür, dass das Spielangebot nicht überladen wirkt.

Eine gute Kuratierung macht den Unterschied

Erstbesucher von Vegas Stars sehen etwa 200 einzelne Spielkacheln, hinter denen bislang noch keinerlei Klickverlauf steht. Viele ältere Empfehlungsmaschinen gehen mit dieser „leeren Tafel“ auf veraltete Weise um, vor allem, weil niemand sie mit Blick auf dieses Szenario entwickelt hat. Manche recyceln am Ende immer wieder dieselbe Handvoll Genres, bis alles auf dem Bildschirm miteinander zu verschmelzen beginnt. Bessere Systeme versuchen etwas Aufwändigeres: Sie verfolgen, was einem Spieler bereits gefällt, und fügen dann gelegentlich einen Titel von außerhalb dieses Musters ein, nur um zu sehen, was Anklang findet.

• Klicks und Sitzungsdauer sagen mehr über einen Spieler aus als jede Umfrage.
• Tausende von Konten werden mittels kollaborativer Filterung miteinander verglichen, um Überschneidungen bei den gespielten oder übersprungenen Inhalten zu ermitteln.
• Volatilität und Spielmechaniken werden direkt aus den Spiel-Dateien ausgelesen, sodass Stilübereinstimmungen auf Daten basieren und nicht auf Vermutungen.
• Auch eine Stimmungsänderung mitten in einer Sitzung wird erfasst – etwas, das ein statisches Profil einfach übersehen würde.

Entwickler haben einen Namen für dieses Einstiegsszenario – ein neues Konto, für das noch keine Daten vorliegen: das Cold-Start-Problem. Manche Systeme bewältigen es, indem sie neue Konten standardmäßig auf das verweisen, was allgemein beliebt ist, bis sich genügend Verhaltensdaten angesammelt haben, um eine ordentliche Personalisierung zu ermöglichen. Andere stellen stattdessen eine Handvoll Onboarding-Fragen und tauschen so eine etwas umständlichere Anmeldung gegen einen Vorsprung bei der Zuordnung ein. Keine der beiden Lösungen ist perfekt, aber beide sind besser, als 200 Kacheln nach dem Zufallsprinzip anzuzeigen und zu hoffen, dass etwas ins Schwarze trifft.

Zwei Techniken übernehmen den Großteil der eigentlichen Sortierung, wenn man beginnt, sich alles anzusehen. Zunächst ermittelt das kollaborative Filtern einen Ähnlichkeitswert zwischen einem Konto und Tausenden anderen, indem es die Titel vergleicht, die gemeinsam angeklickt, abgespielt oder sogar „übersprungen“ wurden. Das inhaltsbasierte Tagging überspringt diesen Vergleich und liest stattdessen die Metadaten jedes Titels aus – Volatilitätsindex, Thema, Auszahlungstabellenstruktur – und gleicht diese Attribute dann mit den bisherigen Vorlieben eines Kontos ab (die beiden Techniken laufen oft parallel, anstatt dass eine die andere ersetzt). Beide Methoden ersparen es dem Nutzer, dort zu sitzen und jeden Katalog von Hand durchforsten zu müssen.

Im Einzelnen umfasst der Vorgang etwa fünf Schritte, die alle recht einfach sind:

1. Sitzungsdaten, Kategoriepräferenzen und Überspringmuster fließen in das Modell ein, bevor eine Rangliste erstellt wird.
2. Einzelne Profile werden mit Titeln abgeglichen, die mit dem tatsächlichen Klickverlauf verknüpft sind, und nicht nur mit dem, was allgemein beliebt ist.
3. Richtige Rangfolge. Der Großteil der Interaktion mit einem Raster auf der Startseite findet in den ersten paar Zeilen statt, was mit ein Grund dafür ist, dass die Reihenfolge in der Rangliste mehr Gewicht hat als die Länge der darunterliegenden Liste.
4. Neue Klicks, Überspringungen und abgeschlossene Sitzungen werden als zusätzliche Trainingsdaten einbezogen.
5. Neue Veröffentlichungen und Änderungen im Nutzerverhalten werden innerhalb von Minuten berücksichtigt, anstatt auf ein geplantes Update zu warten.

So sieht eine bessere Kuratierung bei Vegas Stars aus

Mobile Sitzungen machen den Großteil des Traffics auf einer Website wie Vegas Stars aus, und das verändert, was die Kuratierung für den Nutzer tatsächlich leisten muss. Auf einem kleineren Bildschirm ist Platz für vielleicht sechs oder acht sichtbare Kacheln, bevor gescrollt werden muss; daher kommt dem, was in dieser ersten sichtbaren Reihe steht, eine überproportionale Bedeutung zu – ähnlich dem „Homepage-Raster-Effekt“, auf den die Netflix-Studie hinweist. Wenn diese erste Reihe falsch zusammengestellt ist, sieht ein Spieler den Rest der Bibliothek nie, egal wie gut die zugrunde liegende Zuordnung ist.

Dann gibt es noch Live-Dealer-Tischspiele, die eine ganz neue Ebene der Komplexität hinzufügen. Angenommen, es gibt einen Blackjack-Tisch mit drei freien Plätzen und einen Nutzer, der daran teilnehmen möchte; dann muss die Verbindung innerhalb von Millisekunden hergestellt werden – nicht erst nach Sekunden, die damit verbracht werden, einen Terminkalender zu durchforsten. Man kann nicht einfach auf „Wiedergabe“ klicken, sobald der Platz besetzt ist. Im Gegensatz zu einer On-Demand-Videobibliothek kommt es hier auf das Timing an, denn sobald dieser Live-Tisch voll ist, ist die Gelegenheit für den Spieler verpasst. Es ist wie in einer Multiplayer-Lobby bei „Call of Duty“ oder anderen Teamspielen, die man auf PlayStation und Xbox findet.

Auch die Auszahlungsgeschwindigkeit wirkt sich – wenn auch etwas indirekt – auf die Entdeckung neuer Angebote aus. Spieler, die Geld über Kryptowährungen oder E-Wallets transferieren, wechseln tendenziell schneller zwischen den Spielsitzungen hin und her als jemand, der tagelang auf eine Banküberweisung wartet. Dadurch bleibt einer Empfehlungsmaschine pro Besuch weniger Zeit, um Erkenntnisse zu gewinnen, bevor dieses Konto zu einer anderen Plattform abwandert. Schnellere Geldeingänge bedeuten in der Regel eine schnellere Beurteilung darüber, ob die Lobby für diesen Spieler tatsächlich funktioniert hat.

Dies zu bewerkstelligen, erfordert echtes technisches Know-how. Es braucht schnelle, reaktionsfähige Backend-Systeme in Verbindung mit einem Layout, das genau darauf ausgelegt ist, wohin der Fokus eines Spielers tatsächlich gerichtet ist.

Haftungsausschluss: Glücksspiel ist eine Form der Unterhaltung und birgt inhärente Risiken. Es sollte nicht als Einnahmequelle oder Finanzstrategie betrachtet werden. Setze nur so viel, wie du dir leisten kannst zu verlieren, setze dir strenge Grenzen und suche Hilfe, wenn das Glücksspiel dich beeinträchtigt. Die Teilnahme ist auf Erwachsene ab 18 Jahren beschränkt. Spiele stets verantwortungsbewusst.