„Gibt es hier im Raum jemanden, der trivago nicht kennt?“ Mit dieser Frage startete Sören Weber, AI Product Manager bei trivago, den 15. Innovation Impuls zur KI-Revolution in der Hotelsuche. Wenig überraschend kannten ausnahmslos alle Teilnehmer*innen die ebenso etablierte wie in Web und Fernsehen präsente Hotel-Metasuche. Wer es nicht mehr so präsent hat wie unser Impuls-Publikum: trivago ermöglicht Usern einen Preisvergleich zwischen mehr als fünf Millionen Hotels von über 250 Buchungsplattformen und bietet damit eine durchschnittliche Preisersparnis von fünf bis zehn Prozent. Die Düsseldorfer verstehen sich seit jeher als Product und Tech Company und KI ist integraler Bestandteil des Hotelrankings.

In den letzten Jahren hat die Integration von AI in das Produkt stark angezogen. Sören gewährte Einblicke in die Art und Weise, wie künstliche Intelligenz bei trivago gelebt wird und wie sie das Produkt und dessen Weiterentwicklung beeinflusst. Dabei hob er besonders zwei vielversprechende Use Cases und ein Hick-Up hervor.

Beginnt man, sich mit den Einsatzmöglichkeiten von AI, insbesondere von Large Language Models, zu beschäftigen, kommt man an der Idee eines „intelligenten“ Chatbots kaum vorbei – schließlich liegt der Dialog quasi in der DNA der Modelle. Das dachte auch trivago und begann mit der testweisen Entwicklung. Dabei zeigte sich schnell, dass …

• es technisch tricky ist, ausschließlich korrekte Antworten sicherzustellen
• das Modell nicht deterministisch und damit unzuverlässig ist
• ein Textinterface nicht userfreundlich ist
• eine Integration mit der Suche schwach und schwierig war

Kurz: Der Anwendungsfall Chatbot ist bei trivago, wo sehr data driven entwickelt wird, im Test „durchgefallen“ und wurde nicht weiter verfolgt.

In diesem Use Case generiert trivago zusätzlich zur globalen Übersichtsliste der Hotels jeweils Highlights zu den einzelnen Treffern. Hierzu werden im ersten Schritt die Hotelinformationen auf Schlagwortebene (wie „Spa“, „Zentrale Lage“, „Business Ausstattung“, etc.) KI-basiert zusammengefasst. Die aggregierten Daten wiederum füttern ein Large Language Model, das aus diesen Informationen den Highlight-Content generiert. Diese Highlights werden nicht bei jedem Aufruf dynamisch neu erzeugt, sondern nach initialer Generierung statisch abgelegt und regelmäßig geupdatet.

Anfangs hatte das trivago AI Product Team die Herausforderung, dass zunächst eine Ground Truth als Referenz geschaffen werden musste. Diese lautet in etwa: sprachliche und fachliche Korrektheit, attraktive, aber nicht zu positive Ansprache. Das konnte das Team durch die Entwicklung von Guidelines für die Evaluierung und einen großen Test mit den eigenen Mitarbeitenden realisieren. In einer späteren Iteration wurden zudem Sentiments integriert, damit die Kombination aus positiven, neutralen und negativen „Highlights“ getrackt und bei Bedarf gesteuert werden kann. Durch A/B Tests konnte trivago feststellen, dass die AI Highlights eine Buchungssteigerung von von 1% bewirken – damit ist das Feature ein großer Erfolg.

Der zweite und umfangreichere Use Case, den Sören als Impuls teilte, ist die AI Free Text Search. Wie der Name vermuten lässt, ist die Idee dahinter, dass der User seine gewünschten Hotelkategorien nicht mühsam in Filtermasken zusammenklicken muss, sondern einfach in die Freitextsuche eingeben kann. Das Feature targetiert User, die besondere Anforderungen haben und diese auch spezifisch benennen können (Ein Beispiel: „Boutique-Hotel im Süden Spaniens, nur für Erwachsene, am Strand, mit Pool und guten veganen Essensmöglichkeiten“). Das Modell versteht die semantischen Useranfragen (Natural Language User Input), verarbeitet sie und übersetzt sie schließlich in individuell auf die Anfrage zugeschnittene, relevante Hotellisten.

Technisch konnte das Team die Lösung relativ schnell und zufriedenstellend umsetzen und das Produkt somit verbessern. Die Herausforderung, die letzte Lücke bis zum userfertigen Produkt zu schließen, liegt in diesem Fall eher in der UX: Weiß der User, was er sucht? Um das herauszufinden, soll eine Art Dialog entstehen, angelehnt an das Gespräch im Reisebüro. Hier helfen z. B. Suggest-Funktionen als Impuls, die Suchanfrage zu spezifizieren („andere Reisende suchten auch:…“). In der technischen Umsetzung der Lösung setzt trivago auf die Google Vertex AI Platform als Basis.

trivago nutzt AI nicht nur zur Weiterentwicklung von Features, sondern auch intern, beispielsweise zur Steigerung der Entwicklerproduktivität. Ein weiterer spannender Impuls aus Sörens Vortrag war die Methode für das Finden möglicher neuer AI Anwendungsfälle, sowohl für interne Prozesse als auch für die Verbesserung oder Schaffung neuer Features am Produkt. Dabei löst sich trivago ein Stück weit von klassischen Design-Thinking-Methoden und denkt nicht nur vom Problem her, sondern auch von den Möglichkeiten, die das KI-System bietet. Dieser flexible Ansatz beinhaltet ständige Berührungspunkte mit den Nutzer*innen und ermöglicht Anpassungen des Problemfelds auf der Basis des Systems und der Interaktion.

Die vielen Fragen und der lebendige Austausch zwischen den Teilnehmer*innen im Anschluss an den Impuls zeigten, dass sich alle in irgendeiner Form mit der Frage beschäftigen, wie sie KI in ihr Produkt oder ihre Prozesse einfließen lassen können, sodass diese einen Nutzen schafft, und nicht nur einen Hype bedient. Interessant war, wie viele Parallelen auch branchenübergreifend in den Gesprächen wahrzunehmen waren.