Liest Rufus deine Produktbilder? Was belegt ist und was nur vermutet wird

"Rufus liest deine Bilder" gehört inzwischen zu den meistwiederholten Sätzen in Amazon-Verkäuferinhalten — und zu den am schlechtesten belegten. Er wird wiederholt, weil er plausibel klingt und weil er Dienstleistungen verkauft. Dieser Beitrag macht, was das Genre meist umgeht: Er trennt das, was Amazon tatsächlich veröffentlicht hat, von dem, was die Branche aus Patenten und Tests ableitet, benennt beides als das, was es ist, und gibt danach Empfehlungen, die in beiden Fällen tragen — denn fast alles, was ein Bild für ein Modell lesbar macht, macht es auch für einen Menschen in Eile lesbar.

Zuerst: Der Name hat sich geändert

Am 13. Mai 2026 hat Amazon die Marke Rufus durch Alexa for Shopping ersetzt, den Einkaufsassistenten in Alexa+ integriert und ihn statt in ein eigenes Chatfenster in die Hauptsuchleiste gelegt. Laut Amazon läuft Rufus hinter der neuen Oberfläche weiter: Verschwunden ist das Label, nicht das System. In Europa, wo der Assistent Ende Oktober 2024 als Beta in Großbritannien, Deutschland, Frankreich, Italien und Spanien startete, hängt der Name, den du siehst, vom Marktplatz und vom Zeitpunkt ab.

Zur Größenordnung nennt Amazon in Quartalscalls eigene Zahlen: rund 250 Millionen Kundinnen und Kunden nutzten Rufus im Jahr 2025; für das zweite Quartal 2026 sprach Amazon von mehr als 350 Millionen Käufern in den vorangegangenen zwölf Monaten, bei einem Vielfachen an Interaktionen gegenüber dem Vorjahr. Das sind Unternehmensangaben, keine unabhängige Messung — aber sie sind zurechenbar, was man von den meisten Zahlen zu diesem Thema nicht sagen kann.

Was Amazon tatsächlich dokumentiert

Der technische Beitrag von Amazon Science zu Rufus beschreibt, worauf trainiert und wonach abgerufen wird: der Produktkatalog, Kundenrezensionen, Community-Fragen und -Antworten sowie öffentliche Informationen aus dem Web. Er behandelt ein eigenes Shopping-LLM, Retrieval-Augmented Generation und Inferenz auf Trainium und Inferentia. Bilder, Computer Vision, OCR oder Multimodalität kommen nicht vor. In der ursprünglichen Ankündigung ebenfalls nicht — dieselben vier Quellen.

Das sollte man kurz sacken lassen. Stand August 2026 haben wir keine Aussage von Amazon gefunden, dass der Einkaufsassistent die Bilder deiner Galerie liest. Amazon hat auch überhaupt keine Rufus-Optimierungshinweise für Verkäufer veröffentlicht: keine Hilfeseite, keine Checkliste, keine Bildvorgabe. Jeder Artikel, der Amazon dazu zitiert, zitiert etwas anderes.

Was beobachtbar ist, ganz ohne Patente

Fehlende Aussage ist kein Gegenbeweis, und es gibt reichlich sichtbare Belege dafür, dass Amazon Bildmodelle auf Listing-Bilder anwendet. Was fehlt, ist der Beleg für genau diesen Abnehmer.

• Amazon hat begonnen, den vom Verkäufer geschriebenen Alt-Text von A+-Bildern durch automatisch erzeugte Beschreibungen zu ersetzen, zuerst in Europa. Irgendetwas bei Amazon sieht sich diese Bilder an und beschreibt sie gut genug für einen Screenreader.
• Amazon Lens und Lens Live gleichen ein Käuferfoto mit dem Katalog ab, und Amazon hat erklärt, dass der Assistent in dieser Erfahrung verfügbar ist. Ein Foto einem Produkt zuzuordnen ist per Definition Computer Vision.
• Die A+-Richtlinien lehnen Bilder ab, deren Text mobil nicht lesbar ist — eine Regel, die sich nur durchsetzen lässt, wenn etwas diesen Text liest.

Also: Amazon wendet nachweislich Bildverarbeitung auf Listing-Bilder an. Ob der dialogische Assistent deren Ergebnis abruft, wenn er "passt das bei 76 cm Bundweite?" beantwortet, ist der eine Schritt, den außerhalb von Amazon niemand bestätigt hat.

Was die Praxis ableitet — und wie tragfähig das ist

Die verbreitete Version lautet: Der Assistent zieht per OCR Text aus Infografiken und Verpackungen, ergänzt um eine visuelle Tagging-Schicht, die Nutzungskontext und Attribute aus der Fotografie extrahiert, und behandelt das als zitierfähigen Inhalt neben deinen Bulletpoints. Als Beleg dienen Patentanmeldungen von Amazon und praktische Tests an Listings.

Zwei Einschränkungen. Patente beschreiben beanspruchte Fähigkeiten, keine ausgelieferten Funktionen; große Konzerne patentieren weit mehr, als sie einsetzen. Und Tests auf Listing-Ebene können das Bild kaum vom Rest isolieren, weil dem Assistenten auch Titel, Bulletpoints, Attribute, Rezensionen und Fragen vorliegen — die meist dasselbe sagen wie die Infografiken. Ein Test, in dem der Assistent eine Angabe "kennt", die ausschließlich im Bild steht, wäre aussagekräftig; die meisten veröffentlichten Tests sind das nicht.

Unsere ehrliche Position: Es spricht mehr dafür als dagegen, und belegt ist es nicht. Nimm es als Grund, auf deinen Bildern klar zu schreiben — nicht als Grund, dein ganzes Set um ein Modell herum umzubauen, dessen Verhalten niemand spezifizieren kann.

Das Ökosystem hat es längst eingepreist

Die Tools haben sich unabhängig von der Beweislage bewegt. Helium 10 hat seinem Listing Builder Anfang 2026 einen Rufus-Modus hinzugefügt — der eigene Beitrag dazu, datiert auf den 25. März 2026, beschreibt einen Schalter, der eine ASIN entgegennimmt, Lücken bei den Fragen der Käufer aufzeigt und den Text darauf ausrichtet, sie zu beantworten. Dasselbe Produkt bietet Visual Product Intelligence: Es liest ein hochgeladenes Produktbild und füllt daraus die Listing-Felder.

Die zweite Funktion ist der interessantere Beleg. Ein Anbieter traut der Attributextraktion aus Bildern so weit, dass er einen Workflow darauf baut. Die Fähigkeit ist heute Standard. Anzunehmen, dass Amazon sie ebenfalls hat, ist kein gewagter Sprung.

Bilder maschinenlesbar machen, ohne sie hässlich zu machen

Hier der nützliche Teil — und der Grund, warum nichts von alledem geklärt sein muss. Jede der folgenden Empfehlungen verbessert das Bild für einen abgelenkten Menschen am Smartphone. Sich beim Modell zu irren kostet also nichts.

1. Eine Aussage pro Bild, als Satz formuliert. "Passt in gängige Auto-Getränkehalter" schlägt "GETRÄNKEHALTER-TAUGLICH!" — beim Lesen wie beim Parsen. Versalien-Fragmente verlieren doppelt.
2. Zahlen mit Einheiten, ausgeschrieben. "1,9 l / 64 oz", "Bundweite 76–96 cm", "IPX7". Mehrdeutige Zahlen sind genau die Stelle, an der Menschen wie Modelle raten.
3. Echte Schrift, kontraststark, in echter Größe. Serifenlos, dunkel auf hell, großzügiger Durchschuss, nicht quer über den unruhigsten Teil des Fotos. Die A+-Regel gegen mobil unlesbaren Text ist die Untergrenze, nicht das Ziel.
4. Kein Bild darf dem Listing widersprechen. Wenn im Bild 64 oz steht und im Attributfeld 1,8 l, hast du einen Konflikt erzeugt, den ein Mensch durch Weggehen löst und ein Modell unvorhersehbar. Konsistenz zwischen Bild, Bulletpoints und strukturierten Attributen ist die wertvollste Gewohnheit auf dieser Liste.
5. Zuerst die strukturierten Felder füllen. Material, Verwendungszweck, Kompatibilität und Maße gehören in die Attributfelder von Seller Central, wo Amazon sie als geprüfte Daten behandelt. Das Bild ist die zweite, menschenlesbare Kopie — nicht die einzige. Die Felder stehen in unserer Listing-Checkliste.
6. Fragen beantworten statt Keywords bedienen. Der Wandel, für den der Assistent steht, geht von Zeichenketten-Abgleich zu Intent-Antworten: für wen, wozu passend, worin unterschiedlich, woraus gemacht. Deine Galerie sollte die sechs Fragen beantworten, die deine Rezensionen und Kundenfragen tatsächlich zeigen.
7. Keine Keywords in Bilder stopfen. Es gibt keinen Beleg, dass es wirkt, es macht das Bild schlechter, und dichter, unlesbarer Text wird in A+ ausdrücklich abgelehnt.

Beachte, was fehlt: kein versteckter Text, keine unsichtbaren Ebenen, kein Schreiben für die Maschine auf Kosten des Lesers. Wer dir einen "Rufus-optimierten" Look verkauft, den ein Mensch schlechter liest, verkauft dir eine sichere Verschlechterung gegen einen unbelegten Vorteil.

Was uns umstimmen würde

Konkret: eine Amazon-Hilfeseite oder ein Amazon-Science-Beitrag, der Bilder als Abrufquelle nennt; oder ein kontrollierter Test, in dem eine Angabe, die ausschließlich im Bild steht — nicht im Titel, nicht in den Bulletpoints, Attributen, der Beschreibung, den Rezensionen oder Fragen — in einer Assistentenantwort auftaucht, reproduzierbar über mehrere Listings. Bis dahin gilt: Schreib deine Bilder so, dass eine müde Person in der Bahn sie in vier Sekunden versteht. Das war immer die Aufgabe. Graflio baut Sets aus dem Listing und seinen Rezensionen und lässt jede Headline als editierbare Textebene bestehen — was vor allem deshalb zählt, weil es Punkt vier billig wartbar macht. Die Aussagen bleiben deine, ebenso die Regeln aus unserem Beitrag zu Text auf Produktbildern.