Jahrzehntelang funktionierten Filmempfehlungen nach dem gleichen Prinzip: Finde Leute, die aehnliche Filme mochten, und schlage vor, was sie als naechstes geschaut haben. Dieser Ansatz, Collaborative Filtering genannt, steckt hinter den meisten Empfehlungsengines — von Netflix bis Amazon. Er funktioniert einigermassen gut, hat aber einen grundlegenden Fehler: Er empfiehlt nur, was innerhalb deiner Gruppe bereits populaer ist.
Die erste grosse Wende kam mit Content-Based Filtering. Statt zu schauen, was andere Nutzer gesehen haben, analysieren diese Systeme die Filme selbst — Genre, Regisseur, Besetzung, Themen, Tempo, visueller Stil. Die Einschraenkung: Aehnlichkeit ueber Metadaten zu definieren ist grob. Zwei Filme koennen dieselben Genre-Tags teilen und sich voellig unterschiedlich anfuehlen.
Vektor-Embeddings haben alles veraendert. Indem Filme als Punkte in einem hochdimensionalen mathematischen Raum kodiert werden (typischerweise 768 Dimensionen), kann KI subtile Beziehungen erfassen, die Metadaten verfehlen. Die Position eines Films in diesem Raum spiegelt sein gesamtes Feeling wider — nicht nur Genre oder Besetzung, sondern emotionalen Ton, Erzaehlstruktur und thematisches Gewicht.
Geschmacks-Clustering baut auf Embeddings auf und erkennt, dass die meisten Menschen nicht einen einzigen Geschmack haben. Mit Algorithmen wie K-Means kann ein System die bewerteten Filme analysieren und entdecken, dass man z.B. drei Geschmacks-Personas hat: eine fuer anspruchsvolles Sci-Fi, eine fuer schwarze Komoedie, eine fuer episches Abenteuer.
Die neueste Entwicklung ist Retrieval-Augmented Generation (RAG), die Vektorsuche mit grossen Sprachmodellen kombiniert. Statt nur aehnliche Filme im Embedding-Raum zu finden, kann RAG natuerlichsprachliche Anfragen wie "etwas wie Arrival, aber emotionaler" verstehen und Ergebnisse liefern, die sowohl zur semantischen Bedeutung als auch zur emotionalen Absicht passen.
Die Technologie entwickelt sich weiter. Aktuelle Herausforderungen sind das Kaltstartproblem (neue Nutzer mit wenigen Bewertungen), Popularitaets-Bias (bekannte Filme haben reichere Embeddings) und das Risiko der Echokammer. Die besten Systeme balancieren Vertrautheit mit Entdeckung — sie schlagen Filme vor, die man wahrscheinlich mag, und erweitern gelegentlich den Horizont.