--- title: "AI, Personalisierung & Recommender" url: "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/" type: "pillar" language: de-DE description: "Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion." --- # AI, Personalisierung & Recommender > AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: [Recommender Trust](/konzepte/recommender-trust/), algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte [Evidence Paths](/datasets/concept-evidence-paths/) (0 [Claims](/claims/) mit [Studien](/studien/)bezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte [Konzepte](/konzepte/) sind [Automation Bias](/konzepte/automation-bias/). Der Pillar bündelt 1 Konzepte, 2 Claims, 0 [Use Cases](/use-cases/) und 0 Studienbezüge. ## Was bedeutet dieses Prinzip für Conversion? AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: [Recommender Trust](/konzepte/recommender-trust/), algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte [Evidence Paths](/datasets/concept-evidence-paths/) (0 [Claims](/claims/) mit [Studien](/studien/)bezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte [Konzepte](/konzepte/) sind [Automation Bias](/konzepte/automation-bias/). ## Visueller Evidence Graph - [Automation Bias](/konzepte/automation-bias/) -- hat Grundlagenquelle --> [Consumers and Artificial Intelligence: An Experiential Perspective](https://doi.org/10.1177/0022242920953847) | Evidenz: Evidence-Fill Queue ## Welche Claims sind verifiziert? - [Automation Bias ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad.](/claims/automation-bias-can-influence-conversion/) ist ein Review-Kandidat und wird erst nach direktem Claim-Study-Mapping als verifizierte Empfehlung ausgespielt. - [Boundary Conditions für Automation Bias: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden.](/claims/automation-bias-has-boundary-conditions/) ist ein Review-Kandidat und wird erst nach direktem Claim-Study-Mapping als verifizierte Empfehlung ausgespielt. ## Welche Studien tragen die Evidenz? - [Consumers and Artificial Intelligence: An Experiential Perspective](https://doi.org/10.1177/0022242920953847): APA: Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI. Review/Framework zu Consumer Experience mit KI. - [Algorithm Appreciation: People Prefer Algorithmic To Human Judgment](https://doi.org/10.1016/j.obhdp.2018.12.005): APA: Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen. Evidenz zur Bewertung algorithmischer Empfehlungen. ## Welche Konzepte sind evidence-ready? - [Automation Bias](/konzepte/automation-bias/): Menschen übernehmen maschinelle Empfehlungen teils überkritiklos. Evidence-Fill-Status: 2 [Evidence Paths](/datasets/concept-evidence-paths/), 4 [Concept Relations](/datasets/concept-relations/). ## Welche Evidence-Fill-Aufträge werden systematisch bearbeitet? - [Automation Bias](/konzepte/automation-bias/) ist im Evidence-Fill: direkte [Studien](/studien/) 0, verifizierte [Claims](/claims/) 0. Review-Auftrag: Volltextstudie, Claim-Study-Mapping oder Grundlagenquelle prüfen. Kandidatenquellen: Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI.; Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen. - [Automation Bias ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad.](/claims/automation-bias-can-influence-conversion/) ist ein Review-Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence-Fill-Auftrag: passende Volltextstudie prüfen und erst nach Claim-Study-Mapping als verifizierte Empfehlung nutzen. - [Boundary Conditions für Automation Bias: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden.](/claims/automation-bias-has-boundary-conditions/) ist ein Review-Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence-Fill-Auftrag: passende Volltextstudie prüfen und erst nach Claim-Study-Mapping als verifizierte Empfehlung nutzen. ## Wie wird das Prinzip praktisch angewendet? Evidence-Fill Queue: [Use Cases](/use-cases/) werden erst ausgespielt, wenn ein beobachtbares Seitenmerkmal und ein Evidence Path vorhanden sind. ## Wie wird der Pillar im Audit verwendet? Im Website-Audit wird dieser Pillar nur über beobachtbare Seitenmerkmale, verifizierte [Claims](/claims/), Studien-Findings und messbare Funnel-Metriken verwendet. Review-Kandidaten werden als Hypothesen behandelt und brauchen Test- oder [Studien](/studien/)bezug, bevor sie als Empfehlung erscheinen. ## FAQ ### Was umfasst dieses Prinzip? AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: [Recommender Trust](/konzepte/recommender-trust/), algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte [Evidence Paths](/datasets/concept-evidence-paths/) (0 [Claims](/claims/) mit [Studien](/studien/)bezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte [Konzepte](/konzepte/) sind [Automation Bias](/konzepte/automation-bias/). Der Pillar bündelt 1 Konzepte, 2 Claims, 0 [Use Cases](/use-cases/) und 0 Studienbezüge. ### Welche Evidenz wird genutzt? Die Seite nutzt Claims, Studien, Use Cases und Quellen aus dem SurrealDB Knowledge Graph der Conversion-Psychologie-Wissensbasis. ### Ist die Ausgabe auf Deutsch verfügbar? Ja. Alle menschenlesbaren Inhalte und Agent-Ausgaben sind standardmäßig deutsch. ## Quellen - Baka, S. (2026). Conversion Psychology KB. conversion.stevebaka.de. https://conversion.stevebaka.de/ [Quelle öffnen](https://conversion.stevebaka.de/) ## JSON-LD ```json { "@context": "https://schema.org", "@graph": [ { "@type": "WebSite", "@id": "https://conversion.stevebaka.de/#website", "url": "https://conversion.stevebaka.de", "name": "conversion.stevebaka.de", "description": "Deutschsprachige Wissensbasis und Audit-Plattform für evidenzbasierte Conversion-Psychologie.", "publisher": { "@id": "https://conversion.stevebaka.de/#organization" } }, { "@type": "Organization", "@id": "https://conversion.stevebaka.de/#organization", "name": "conversion.stevebaka.de", "url": "https://conversion.stevebaka.de", "parentOrganization": { "@id": "https://stevebaka.de/#organization" }, "sameAs": [ "https://stevebaka.de" ] }, { "@type": "Person", "@id": "https://conversion.stevebaka.de/autoren/steve-baka/#person", "name": "Steve Baka", "url": "https://conversion.stevebaka.de/autoren/steve-baka/", "sameAs": [ "https://stevebaka.de" ], "jobTitle": "Conversion- und AI-Infrastructure-Berater", "knowsAbout": [ "Conversion-Psychologie", "Verkaufspsychologie", "Behavioral Science", "GraphRAG", "SurrealDB", "D-A-CH Conversion Optimierung" ] }, { "@type": "WebPage", "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#webpage", "url": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/", "name": "AI, Personalisierung & Recommender", "description": "Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion.", "inLanguage": "de-DE", "isPartOf": { "@id": "https://conversion.stevebaka.de/#website" }, "breadcrumb": { "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#breadcrumb" }, "datePublished": "2026-07-01", "dateModified": "2026-07-04", "mainEntity": { "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#article" } }, { "@type": "Article", "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#article", "headline": "AI, Personalisierung & Recommender", "name": "AI, Personalisierung & Recommender", "description": "Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion.", "inLanguage": "de-DE", "author": { "@id": "https://conversion.stevebaka.de/autoren/steve-baka/#person" }, "publisher": { "@id": "https://conversion.stevebaka.de/#organization" }, "mainEntityOfPage": { "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#webpage" }, "datePublished": "2026-07-01", "dateModified": "2026-07-04", "citation": [ "https://conversion.stevebaka.de/" ], "mentions": [ { "@id": "https://conversion.stevebaka.de/konzepte/automation-bias/#term" } ], "text": "AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion Trick, sondern ein belegpflichtiges Wirkfeld: Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte Evidence Paths (0 Claims mit Studienbezug); danach werden Review Kandidaten in eine Evidence Fill Queue einsortiert. Zentrale intern verlinkte Konzepte sind Automation Bias. Der Pillar bündelt 1 Konzepte, 2 Claims, 0 Use Cases und 0 Studienbezüge. Was bedeutet dieses Prinzip für Conversion?. AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion Trick, sondern ein belegpflichtiges Wirkfeld: Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte Evidence Paths (0 Claims mit Studienbezug); danach werden Review Kandidaten in eine Evidence Fill Queue einsortiert. Zentrale intern verlinkte Konzepte sind Automation Bias. Visueller Evidence Graph. Automation Bias hat Grundlagenquelle Consumers and Artificial Intelligence: An Experiential Perspective | Evidenz: Evidence Fill Queue Welche Claims sind verifiziert?. Automation Bias ist ein Review Kandidat für Conversion Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad. ist ein Review Kandidat und wird erst nach direktem Claim Study Mapping als verifizierte Empfehlung ausgespielt. Boundary Conditions für Automation Bias: Zielgruppe, Funnel Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden. ist ein Review Kandidat und wird erst nach direktem Claim Study Mapping als verifizierte Empfehlung ausgespielt. Welche Studien tragen die Evidenz?. Consumers and Artificial Intelligence: An Experiential Perspective: APA: Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI. Review/Framework zu Consumer Experience mit KI. Algorithm Appreciation: People Prefer Algorithmic To Human Judgment: APA: Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen. Evidenz zur Bewertung algorithmischer Empfehlungen. Welche Konzepte sind evidence ready?. Automation Bias: Menschen übernehmen maschinelle Empfehlungen teils überkritiklos. Evidence Fill Status: 2 Evidence Paths, 4 Concept Relations. Welche Evidence Fill Aufträge werden systematisch bearbeitet?. Automation Bias ist im Evidence Fill: direkte Studien 0, verifizierte Claims 0. Review Auftrag: Volltextstudie, Claim Study Mapping oder Grundlagenquelle prüfen. Kandidatenquellen: Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI.; Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen. Automation Bias ist ein Review Kandidat für Conversion Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad. ist ein Review Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence Fill Auftrag: passende Volltextstudie prüfen und erst nach Claim Study Mapping als verifizierte Empfehlung nutzen. Boundary Conditions für Automation Bias: Zielgruppe, Funnel Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden. ist ein Review Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence Fill Auftrag: passende Volltextstudie prüfen und erst nach Claim Study Mapping als verifizierte Empfehlung nutzen. Wie wird das Prinzip praktisch angewendet?. Evidence Fill Queue: Use Cases werden erst ausgespielt, wenn ein beobachtbares Seitenmerkmal und ein Evidence Path vorhanden sind. Wie wird der Pillar im Audit verwendet?. Im Website Audit wird dieser Pillar nur über beobachtbare Seitenmerkmale, verifizierte Claims, Studien Findings und messbare Funnel Metriken verwendet. Review Kandidaten werden als Hypothesen behandelt und brauchen Test oder Studienbezug, bevor sie als Empfehlung erscheinen." }, { "@type": "BreadcrumbList", "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#breadcrumb", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "Startseite", "item": "https://conversion.stevebaka.de/" }, { "@type": "ListItem", "position": 2, "name": "AI, Personalisierung & Recommender", "item": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/" } ] }, { "@type": "FAQPage", "@id": "https://conversion.stevebaka.de/prinzipien/ai-personalisierung-recommender/#faq", "inLanguage": "de-DE", "mainEntity": [ { "@type": "Question", "name": "Was umfasst dieses Prinzip?", "acceptedAnswer": { "@type": "Answer", "text": "AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: [Recommender Trust](/konzepte/recommender-trust/), algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte [Evidence Paths](/datasets/concept-evidence-paths/) (0 [Claims](/claims/) mit [Studien](/studien/)bezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte [Konzepte](/konzepte/) sind [Automation Bias](/konzepte/automation-bias/). Der Pillar bündelt 1 Konzepte, 2 Claims, 0 [Use Cases](/use-cases/) und 0 Studienbezüge." } }, { "@type": "Question", "name": "Welche Evidenz wird genutzt?", "acceptedAnswer": { "@type": "Answer", "text": "Die Seite nutzt Claims, Studien, Use Cases und Quellen aus dem SurrealDB Knowledge Graph der Conversion-Psychologie-Wissensbasis." } }, { "@type": "Question", "name": "Ist die Ausgabe auf Deutsch verfügbar?", "acceptedAnswer": { "@type": "Answer", "text": "Ja. Alle menschenlesbaren Inhalte und Agent-Ausgaben sind standardmäßig deutsch." } } ] } ] } ```