KI-Shopping-Optimierung

TL;DR — Bei der KI-Shopping-Optimierung geht es darum, dass Ihre Produkte in KI-Assistenten wie ChatGPT, Googles AI Mode, Copilot und Perplexity empfohlen und gekauft werden. Die große Veränderung gegenüber normalem E-Commerce-SEO: Diese Dienste stützen sich stark auf einen Produkt-Feed — eine maschinenlesbare Liste Ihrer Produkte, Preise und Bestände — zusätzlich zu (nicht anstelle) Ihrer Website, und wie stark die einzelnen Oberflächen den Feed gegenüber der Seite gewichten, variiert je nach Plattform. Die Arbeit ergänzt also „einen vollständigen, korrekten und aktuellen Feed veröffentlichen“ zum seitenbezogenen SEO, statt es zu ersetzen. Außerdem gibt es eine Unterscheidung, die viele durcheinanderbringen: empfohlen zu werden hängt meist von der Datenqualität ab; im Chat gekauft zu werden ist eine separate, optionale Einrichtung.

Was KI-Shopping-Optimierung ist

KI-Shopping-Erlebnisse können Händler-Feeds, strukturierte Produktdaten und Live-Webinformationen nutzen, aber die Anforderungen unterscheiden sich je nach Plattform. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search Googles Produktdokumentation unterscheidet Merchant-Center-Feeds von strukturierten Produktdaten auf der Seite. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Wenn Sie mit einem KI-Assistenten einkaufen, scrollen Sie nicht durch eine Seite mit zehn blauen Links. Sie stellen eine Frage — „wasserdichter Rucksack für den Arbeitsweg unter 150 $“ — und der Assistent antwortet mit einer kurzen Liste konkreter Produkte, oft mit Preisen, Bildern und Begründungen.

Um diese Antwort zu erstellen, liest die KI Ihre Produktseite oft nicht so, wie es ein Mensch tun würde — sie stützt sich auf strukturierte Produktdaten und Ihren Feed, in dem jedes Produkt Felder wie Marke, Preis, Verfügbarkeit, Größe, Farbe und Bilder hat. Wie stark eine bestimmte Oberfläche den Feed gegenüber der gerenderten Seite nutzt, variiert je nach Plattform. KI-Shopping-Optimierung bedeutet, diese Daten (und die sie stützenden Seiteninhalte) so vollständig, korrekt und aktuell wie möglich zu machen, damit Ihre Produkte ausgewählt werden.

Warum das anders ist als normales SEO

Klassisches E-Commerce-SEO optimiert die Seite: den Titel, den Text, die internen Links und die Backlinks. Das bleibt wichtig — manche KI-Shopping-Oberflächen erfassen und lesen weiterhin HTML. Aber die meisten KI-Shopping-Agenten gewichten auch den Feed stark, und die meisten SEO-Programme besitzen oder prüfen den Feed gar nicht.

Eine ansprechende Produktseite, die an einen fehlerhaften oder unvollständigen Feed angebunden ist, kann für Shopping-Agenten, die sich auf Feed-Daten stützen, weiterhin unsichtbar bleiben. Das ist der gedankliche Wechsel: Der Feed wird neben der Seite zu einer erstklassigen Optimierungsoberfläche, nicht zu ihrem Ersatz.

Die eine Unterscheidung, die Sie behalten sollten

Empfohlen zu werden und gekauft zu werden sind zwei verschiedene Dinge.

• Discovery — von ChatGPT, Google AI Mode, Copilot oder Perplexity angezeigt oder empfohlen zu werden — hängt hauptsächlich von Ihrem Feed und der Datenqualität ab. Dafür brauchen Sie keine besondere Integration.
• Checkout — jemandem zu ermöglichen, tatsächlich im Chat zu kaufen — ist eine separate, optionale Ebene, die von Commerce-Protokollen abgewickelt wird (in diesem Cluster gibt es eigene Artikel zum Agentic Commerce Protocol und zum Universal Commerce Protocol).

Die meisten Artikel vermischen diese Punkte. Trennen Sie diese Punkte, dann wird alles klarer: Korrigieren Sie zuerst Ihre Daten und fügen Sie den Checkout im Chat hinzu, wenn Sie bereit sind.

Was Sie zuerst tatsächlich tun sollten

• Stellen Sie sicher, dass jedes Produkt vollständige Kennungen hat — Marke, GTIN/MPN — sowie korrekten Preis und korrekte Verfügbarkeit.
• Halten Sie Preis und Bestand aktuell — Agenten führen Transaktionen mit Live-Daten durch, und veraltete Informationen können Sie disqualifizieren.
• Ergänzen Sie echte Produktspezifikationen und beantworten Sie in klarer Sprache die Fragen „Für wen ist das gedacht, welches Problem löst es?“
• Sammeln Sie Bewertungen. Sie dienen als Tie-Breaker zwischen ähnlichen Produkten.

Sie möchten die Oberflächen, Rankingfaktoren, das Messproblem und einen priorisierten Plan sehen? Wechseln Sie zum Tab Fortgeschritten.

TL;DR — Der Wandel in der Kategorie ist ein Wandel der Gewichtung: Agenten stützen sich stark auf maschinenlesbare Kataloge, sodass der Feed (Attribute, strukturierte Daten, Aktualität) neben der Seite zu einer primären Oberfläche wird — die genaue Mischung aus Feed und Seite ist anbieterspezifisch, und keine Oberfläche hat eine universelle Rankingformel oder einen garantierten Weg zur Aufnahme veröffentlicht. Die entscheidende Unterscheidung: Discovery (empfohlen zu werden) wird weitgehend von Feed- und Datenqualität bestimmt und ist protokollunabhängig, während Checkout (ACP, UCP, Copilot Checkout) eine separate Opt-in-Ebene ist. Die wirkungsvollsten Hebel sind in dieser Reihenfolge: vollständige Attribute (GTIN/MPN, Marke, Varianten), korrekte Preise und Verfügbarkeit in Echtzeit, hochauflösende Bilder, Bewertungen als Tie-Breaker und natürlichsprachliche Produkttexte. Eine Studie aus einer Sekundärquelle fand eine starke Überschneidung zwischen ChatGPTs organischem Shopping-Karussell und Googles organischem Shopping-Ranking (prüfen Sie die Primärmethode, bevor Sie die genaue Zahl als gesichert behandeln). Das ist ein Grund, warum sich klassische Merchant-Center-Hygiene wahrscheinlich auf mehreren Oberflächen auszahlt. Das Messproblem: KI-vermittelte Käufe können ohne Pageview auskommen, wobei das vom Anbieter und vom Übergabedesign abhängt — zunehmend setzen Teams neben Sitzungen auf Feed-Sichtbarkeitsmetriken und Abgleich auf Auftragsebene.

Der Kategorienwandel in einem Satz

Es gibt keine universelle KI-Shopping-Rankingformel und keinen garantierten Weg zur Aufnahme. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search Behandeln Sie korrekte, aktuelle Produktdaten als Infrastruktur für Eignung und Verständnis, nicht als Garantie für eine Zitation. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Zwanzig Jahre lang optimierte E-Commerce-SEO eine Seite für menschliche Leser und eine sortierte Linkliste. KI-Shopping-Optimierung ergänzt eine zweite Oberfläche: Daten für eine Maschine, die einen Katalog liest und eine Antwort zusammenstellt. Das ist der Wandel in einem Satz — aber es ist ein Wandel der Gewichtung, kein sauberer Austausch. Die aktuelle Evidenz stützt anbieterspezifische Kombinationen aus Feeds, Seiten und Katalogen, nicht die universelle Regel „Feed statt Seite“; einige Oberflächen erfassen und gewichten weiterhin HTML, und Seiten bleiben eine Quelle für Spezifikationsdetails (Anwendungsfälle, FAQs, Materialien), für die Feeds keine Felder haben.

Der Grund, warum Feeds heute wichtiger sind als früher, ist mechanischer Natur, nicht modisch. KI-Shopping-Agenten stützen sich zunehmend auf maschinenlesbare Produktdaten — Feeds und strukturierte Attribute — zusätzlich zu Ihrem gerenderten HTML. Wenn Google sein Shopping-Erlebnis im AI Mode erklärt, beschreibt es einen Prozess namens Query Fan-Out: “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options” (Übersetzung) „Der AI Mode startet ein Query-Fan-out, also mehrere gleichzeitige Suchen, um zu bestimmen, was einen Rucksack für regnerisches Wetter und lange Wege geeignet macht, und nutzt diese Kriterien anschließend, um wasserdichte Optionen vorzuschlagen.“ (Lilian Rincon, VP Product Management, Google). Fan-out ordnet zerlegte Suchabsicht den Attributen eines Produkts zu. Mit Schlüsselwörtern vollgestopfter Text bietet dafür keine Grundlage; ein vollständiger, korrekter Attributsatz schon.

Discovery und Checkout — die Unterscheidung, die dieser Artikel vertritt

Das ist das nützlichste mentale Modell auf dieser Seite und zugleich der Punkt, den die meisten konkurrierenden Inhalte falsch darstellen.

• Discovery — organisch empfohlen oder angezeigt zu werden — ist weitgehend eine Funktion der Datenqualität von Feed und Attributen und unabhängig davon, ob Sie ein Checkout-Protokoll aktiviert haben. Ein Händler kann von ChatGPT, Google AI Mode, Copilot oder Perplexity allein aufgrund der Datenqualität empfohlen werden.
• Checkout — die Transaktion innerhalb des Assistenten abzuschließen — ist eine separate, additive Opt-in-Ebene. Genau das leisten die Protokolle: Das Agentic Commerce Protocol (ACP) von OpenAI und Stripe ermöglicht Checkout in ChatGPT; das Universal Commerce Protocol (UCP) von Google und Shopify ermöglicht ihn für Google AI Mode und Gemini; Microsoft hat seinen eigenen Copilot Checkout.

Sie brauchen keine ACP- oder UCP-Integration, um empfohlen zu werden. Sie brauchen sie, um im Chat gekauft zu werden. Korrigieren Sie zuerst die Daten und fügen Sie den Checkout hinzu, sobald sich der Transaktionsnutzen für den Entwicklungsaufwand lohnt. Die Protokollartikel behandeln die Checkout-Mechanik — dieser Artikel leitet sie bewusst nicht erneut her.

Die Oberflächen im Überblick

Fünf Oberflächen sind derzeit wichtig. Jede liest strukturierte Daten; keine von ihnen belohnt Keyword-Dichte.

Google AI Mode / Shopping Graph. Die Größenordnung ist das Argument dafür, Feeds ernst zu nehmen. In einem Launch-Beitrag vom Mai 2025 sagte Google: “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability” (Übersetzung) „Der Shopping Graph enthält jetzt mehr als 50 Milliarden Produkteinträge, von globalen Händlern bis zu lokalen Läden, jeweils mit Details wie Bewertungen, Preisen, Farboptionen und Verfügbarkeit.“ (Rincon), und “Every hour more than 2 billion of those product listings are refreshed on Google” (Übersetzung) „Jede Stunde werden mehr als 2 Milliarden dieser Produkteinträge bei Google aktualisiert.“ (derselbe Beitrag). Google fasst das Ganze weit: “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment” (Übersetzung) „Unsere neue AI-Mode-Erfahrung ist für jeden Teil des Einkaufens gedacht – von der Inspiration bis zum Kauf im richtigen Moment.“ (Rincon). Behandeln Sie die Angaben von 50 Milliarden und 2 Milliarden als datierte Aussagen aus diesem Launch-Beitrag, nicht als Live-Zähler — der Deep-Dive-Artikel zum Shopping Graph verfolgt neuere offizielle Zahlen. Der Shopping Graph selbst erhält in diesem Cluster einen eigenen Deep Dive.

ChatGPT Shopping. ChatGPT zeigt organische Produktempfehlungen, die laut OpenAIs eigenen Hilfetexten keine Anzeigen sind und im Basisranking nicht nach Preis oder Versand neu sortiert werden. OpenAIs Shopping-Hilfe beschreibt die Auswahl von Händlern als von Faktoren wie Verfügbarkeit, Preis, Qualität und der Frage abhängig, ob der Händler Hersteller oder Hauptverkäufer des Artikels ist (siehe Shopping with ChatGPT Search). OpenAIs Entwicklerdokumentation für Commerce unterstützt inzwischen die direkte Übermittlung von Produkt-Feeds — eine bedeutende Weiterentwicklung, da sich ChatGPT historisch eher auf Drittanbieter-Datenlieferanten als auf einen von Ihnen übermittelten Feed stützte. Die Produktspezifikation von OpenAI trennt derzeit ein Stable-Schema (auf dem Sie aufbauen sollten) von einem Draft-Schema nur für die Planung, das noch nicht für den Produktivbetrieb bereit ist, und stellt drei separate Eignungskennzeichen für einen Datensatz bereit — Suche, Checkout und Anzeigen — statt eines einzigen Ein-/Aus-Schalters. Der Datei-Upload läuft über SFTP; vollständige Katalog-Snapshots werden mindestens täglich, mit stabilen Dateinamen und bestimmten komprimierten Formaten erwartet, und entfernte Produkte müssen ausdrücklich behandelt werden. Das ist ein deutlich anderes Aktualisierungsmodell als ein Live-Feed im Minutentakt. Planen Sie Ihre Update-Pipeline daher mit einer täglichen Snapshot-Disziplin, statt von einem nahezu Echtzeit-Push auszugehen.

Microsoft Copilot Shopping. Microsofts Händleransprache lautet, dass Kunden mit Copilot einen persönlichen Einkaufsberater bekommen. Das Copilot Merchant Program ermöglicht Händlern, “share key product specifications with us, ensuring we have up-to-date details on all your items.” (Übersetzung) „wichtige Produktspezifikationen mit uns zu teilen und damit sicherzustellen, dass wir zu all Ihren Artikeln aktuelle Details haben.“ Technisch ist das weniger ausführlich als Googles oder OpenAIs Stack, aber es ist eine dritte Oberfläche, für die sich ein Feed lohnt.

Perplexity Shopping. Perplexitys erklärte Position ist, dass seine Shopping-Ergebnisse organisch sind und Marken nicht für eine Platzierung bezahlen können. Das Händlerprogramm teilt Katalogdaten (Bewertungen, Preise, Spezifikationen, Bilder), damit natürlichsprachliche Suchanfragen Produkten zugeordnet werden können (siehe Shop like a Pro).

Gemini nutzt dieselben Daten aus Googles Shopping Graph, daher wirkt sich eine gute Feed-Pflege von Google auch hier aus.

Was tatsächlich etwas bewegt

Grob nach Hebelwirkung geordnet:

1. Vollständigkeit der Attribute. GTIN/MPN, Marke, korrekter Preis und korrekte Verfügbarkeit, Größen-/Farbvarianten, hochauflösende Bilder. Das ist ein starker Hebel, weil sowohl Googles Dokumentation als auch OpenAIs Feed-Spezifikation ihn unabhängig voneinander hervorheben. OpenAIs Stable-Produktschema verlangt unter anderem die Felder item_id, title, description, url, brand, image_url, einen Preis mit Währung, availability und seller_name. Jeder Datensatz trägt außerdem separate Kennzeichen für is_eligible_search, is_eligible_checkout und die Eignung für Anzeigen — die Such-Eignung ist Voraussetzung für die Checkout-Eignung, und keine der drei wird allein durch das Einreichen eines Feeds garantiert. Prüfen Sie die exakten Feldnamen und das Verhalten der Kennzeichen anhand der aktuellen Produktdatei-Spezifikation von OpenAI, bevor Sie sich darauf verlassen — Schemata entwickeln sich weiter.
2. Aktualität in einem realistischen Rhythmus. Preis- und Bestandsgenauigkeit sind wichtiger als im klassischen SEO, aber „Echtzeit“ ist nicht universell: Google beschreibt die Aktualisierung von mehr als 2 Mrd. Einträgen pro Stunde, während OpenAIs aktueller Datei-Upload auf vollständigen Snapshots mindestens täglich über SFTP beruht, nicht auf einem Live-Push. Richten Sie den Aktualisierungsrhythmus danach aus, was die jeweilige Oberfläche tatsächlich einliest — veralteter Bestand oder Preis bleibt ein Ausschlusssignal, sobald das Aktualisierungsfenster der Oberfläche überschritten ist.
3. Hochwertige Bilder. Mehrere Perspektiven, saubere Hintergründe, korrekte Bilder für die jeweilige Variante — Agenten zeigen Bilder an und ziehen daraus manchmal Schlüsse.
4. Bewertungen und Vertrauenssignale als Tie-Breaker zwischen ansonsten ähnlichen Produkten. In der 6-Punkte-Scorecard für KI-taugliche Produktseiten von Search Engine Land stellte Jeff Oxford von Visibility Labs fest, dass das Medianprodukt über 1 000 E-Commerce-Prompts hinweg rund 156 Bewertungen hatte. Er schlägt ungefähr 150 oder mehr Bewertungen als praktikablen Schwellenwert für die Berücksichtigung der KI-Sichtbarkeit vor. Seine Erklärung dafür, warum Produktseiten konkrete Details brauchen: KI-Assistenten benötigen klar angegebene Spezifikationen, um Produkte zu verstehen und Kundenbedürfnissen zuzuordnen.
5. Semantischer Produkttext in natürlicher Sprache. Schreiben Sie „Für wen ist das gedacht, welches Problem löst es?“ und nicht einfach eine höhere Keyword-Dichte — genau das verarbeiten Fan-out (Google) und die Konversationszuordnung (Perplexity, ChatGPT).

Der offensichtliche plattformübergreifende Abkürzungsweg

Das ist der Befund, mit dem ich an einem freien Nachmittag zuerst arbeiten würde. Eine Analyse von Search Engine Land zu Produkt-Feeds und KI-Suche, die eine Peec-AI-Studie mit mehr als 43 000 Einträgen zitiert, ergab, dass bis zu 83 % der Produkte im ChatGPT-Shopping-Karussell mit organischen Ergebnissen von Google Shopping übereinstimmten; etwa 60 % der Übereinstimmungen stammten aus den Positionen 1–10 von Google Shopping. Einfach gesagt: ChatGPTs organisches Shopping-Karussell überschneidet sich stark mit Googles organischem Shopping-Ranking. Das bedeutet, dass sich die klassische Merchant-Center-Feed-Hygiene nicht nur bei Google auszahlt — ihre Wirkung ist plattformübergreifend überproportional. Im selben Beitrag steht, dass AI Overviews inzwischen bei ungefähr 14 % der Shopping-Suchanfragen erscheinen, gegenüber etwa 2 % Ende 2024. Beide Angaben stammen aus der Berichterstattung von Search Engine Land über die Peec-AI-Studie; prüfen Sie die Zahlen erneut anhand der Primärstudie, bevor Sie den Prozentsatz als eigene Aussage zitieren.

Die praktische Schlussfolgerung: Machen Sie Ihren Google-Merchant-Center-Feed wirklich hervorragend, dann haben Sie auch für ChatGPT den größten Teil der Arbeit erledigt — und ergänzen Sie anschließend die oberflächenspezifischen Feeds (ChatGPT Product Feed, Microsoft Merchant Center, Perplexitys Katalogaufnahme), bei denen jede ein eigenes Schema und einen eigenen Übermittlungsweg hat. Ein Feed gewinnt nicht automatisch fünf Suchmaschinen, aber ein hervorragender Feed bringt Sie weit.

Hier ist die Abweichung zwischen den Anbietern zum Zeitpunkt dieses Textes — prüfen Sie die aktuellen Bedingungen jedes Programms, bevor Sie darauf aufbauen, denn sie ändern sich schnell:

Markt-, Konto- und produktbezogene Eignung unterscheiden sich bei den Anbietern zusätzlich — dass eine Funktion oder Checkout-Fähigkeit für einen Händler oder ein Land aktiv ist, bedeutet nicht, dass sie für einen anderen aktiv ist.

John Morabito von Stella Rising beschreibt den Feed als strategisches Marketing-Asset und nicht bloß als technische Anforderung — strukturiert wie Schema, aber maßgeblich wie Ihre Produktseite — wobei Vollständigkeit oft als Tie-Breaker wirkt (Optimizing ChatGPT Shopping).

Die Messung — das „Kein-Pageview“-Problem

Der unangenehme Teil: Ein wachsender Anteil der KI-gesteuerten Käufe erzeugt wenig oder gar keine Analytics-Spur — keinen Pageview und keine Sitzung in GA4. Ob ein bestimmter Ablauf den Pageview tatsächlich überspringt, hängt vom Anbieter, vom Übergabedesign zwischen Assistent und Ihrer Website und von Ihrer Tracking- Instrumentierung ab — es ist ein reales und häufiges Muster, aber keine garantierte Eigenschaft jedes KI-vermittelten Kaufs. Besonders ausgeprägt ist es beim protokollvermittelten Checkout (der UCP-Artikel behandelt die Transaktion ohne Pageview im Detail), aber es kann auch in die organische Empfehlung hineinreichen, wenn jemand bei einem Wettbewerber kauft, ohne dass Ihnen die Empfehlung zugerechnet wird.

Damit verschiebt sich der KPI von Sitzungen zu Feed-Sichtbarkeit und Abgleich auf Auftragsebene:

• Google baut die Messschicht in das Merchant Center ein. Die Hilfedokumentation beschreibt KI-gestützte Merchandising-Vorschläge — “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business” (Übersetzung) „Google Merchant Center nutzt KI, um Ihre einzigartigen Produkte und Leistungsdaten zu analysieren und Chancen für Ihr Unternehmen aufzudecken.“ (Merchant Center Help), verbunden mit der Zusicherung “you’ll always remain in full control to review, adjust, or approve any changes” (Übersetzung) „Sie behalten stets die vollständige Kontrolle, um Änderungen zu prüfen, anzupassen oder zu genehmigen.“ (dieselbe Seite). Google hat außerdem angekündigt, dass Insights für KI-gestützte Shopping-Erlebnisse ins Merchant Center kommen, und Search Engine Land hat über neue AI Performance Insights und konversationelle Attribute im Merchant Center berichtet.
• Bis diese Funktionen ausgereift sind, gleichen Sie auf Auftragsebene ab — ordnen Sie Bestellungen den erfassbaren Referral- oder Agenten-Metadaten zu — als Übergangslösung.

Strategischer Vorbehalt: homogene Auswahl

Eine Nuance, die Sie als Strategiefrage und nicht nur als Taktik im Blick behalten sollten. Eine Simulatorstudie von Columbia und Yale aus dem Jahr 2025 zu KI-Shopping-Agenten fand Hinweise auf homogene Auswahl — Agenten konzentrierten die Nachfrage stärker auf eine kleine Gruppe von Produkten als menschliches Stöbern — und warnte vor einer entstehenden „KI-SEO“-Dynamik mit möglichen Winner-take-all-Ergebnissen. Die Studie wird über die Berichterstattung des Search Engine Journal zitiert; prüfen Sie Name, Institutionen und Befunde anhand der Primärquelle, bevor Sie sich darauf stützen. Die Schlussfolgerung: Im empfohlenen Set zu sein, ist mehr wert, und knapp außerhalb zu sein, ist weniger wert, als eine vergleichbare Position in einer Welt mit zehn blauen Links. Das erhöht die Bedeutung der oben beschriebenen Datenarbeit.

Wo Sie tiefer einsteigen können

• Checkout-Mechanik: Agentic Commerce Protocol (ACP) und Universal Commerce Protocol (UCP), beide in diesem Cluster.
• Feed-Mechanik und Googles Katalog: die Artikel zu Produkt-Feeds für KI und zum Google Shopping Graph sowie Google Merchant Center und Merchant-Center-Feed-Optimierung für die Details auf Attributebene.
• Einen Kauf im Agenten vollständig abschließen: der Artikel zum agentischen Checkout.

KI-Zusammenfassung

Eine komprimierte Darstellung der Advanced-Version:

• Der Wandel: ein Wandel der Gewichtung, kein sauberer Austausch — KI-Shopping- Agenten stützen sich neben der Seite stark auf maschinenlesbare Kataloge (Produkt-Feed-Attribute, strukturierte Daten, Aktualität), und die genaue Mischung aus Feed und Seite ist je Oberfläche anbieterspezifisch statt universell.
• Die entscheidende Unterscheidung: Discovery (empfohlen zu werden) wird weitgehend von Feed- und Datenqualität bestimmt und ist protokollunabhängig; Checkout (ACP für ChatGPT, UCP für Google/Gemini, Copilot Checkout für Microsoft) ist eine separate Opt-in-Ebene. Für Sichtbarkeit brauchen Sie kein Protokoll — nur dafür, im Chat gekauft zu werden.
• Oberflächen: Google AI Mode / Shopping Graph (mehr als 50 Mrd. Einträge, laut einem Google-Launch-Beitrag von 2025 2 Mrd. pro Stunde aktualisiert), ChatGPT Shopping (organische Empfehlungen, keine Anzeigen; direkte Feed-Übermittlung über ein Stable- Schema und tägliche SFTP-Snapshots sowie separate Eignungskennzeichen für Suche, Checkout und Anzeigen), Microsoft Copilot Shopping, Perplexity Shopping (organisch, kein Pay-to-play), Gemini (nutzt den Shopping Graph).
• Die wirkungsvollsten Hebel: vollständige Attribute (GTIN/MPN, Marke, Varianten) → Aktualität passend zum tatsächlichen Rhythmus jeder Oberfläche → hochauflösende Bilder → Bewertungen als Tie-Breaker (Richtwert mehr als 150) → semantischer Text in natürlicher Sprache.
• Plattformübergreifende Abkürzung: Eine Studie aus einer Sekundärquelle fand eine starke Überschneidung zwischen ChatGPTs organischem Karussell und Googles organischem Shopping-Ranking (berichtet werden bis zu etwa 83 % Übereinstimmung; anhand der Primärstudie prüfen). Das spricht dafür, dass sich Merchant-Center-Hygiene auf mehreren Oberflächen auszahlt.
• Messung: KI-Käufe können je nach Anbieter und Übergabe ohne Pageview auskommen — zunehmend setzen Teams neben Sitzungen auf Feed-Sichtbarkeit (Googles AI Performance Insights) und Abgleich auf Auftragsebene.
• Vorbehalt: Homogene Auswahl (Columbia/Yale) bedeutet, dass es überproportional wertvoll ist, im empfohlenen Set zu sein — die Datenarbeit wird dadurch wichtiger.
• Eignung ist begrenzt: Anbieter-, Markt-, Konto- und Produkteignung unterscheiden sich — eine für einen Händler oder ein Land aktive Funktion ist für einen anderen nicht garantiert.

Offizielle Dokumentation

Primärquellen der Plattformen, die KI-Shopping-Oberflächen betreiben.

Google

• Shopping auf Google: AI Mode und Updates zur virtuellen Anprobe — Größe des Shopping Graph, Aktualisierungsrhythmus und Query Fan-Out (Lilian Rincon, VP Product Management).
• KI-gestütztes Wachstum und Insights aktivieren — Googles eigene KI-gestützte Merchandising-Vorschläge im Merchant Center.
• Insights für KI-gestützte Shopping-Erlebnisse (in Kürze) — zukunftsorientierte Berichte zu KI-Oberflächen im Merchant Center.
• Über UCP-gestützten Checkout und der Entwicklerleitfaden zum Universal Commerce Protocol (FAQ) — Mechanik der Checkout-Ebene; der Schwesterartikel zu UCP behandelt sie ausführlich.

OpenAI

• In ChatGPT kaufen: Sofort-Checkout und das Agentic Commerce Protocol — Überblick über ChatGPT-Commerce; der Schwesterartikel zu ACP behandelt das Protokoll.
• Shopping mit der ChatGPT-Suche — wie ChatGPT organische Produktempfehlungen auswählt (keine Anzeigen).
• OpenAI-Spezifikation für Commerce-Produkt-Feeds — Stable- und Draft-Produktschemata, Pflichtfelder und Eignungskennzeichen für Suche, Checkout und Anzeigen.
• OpenAI-Übersicht zum Commerce-Datei-Upload — das SFTP-Übermittlungsmodell: tägliche Snapshots, stabile Dateinamen, unterstützte Formate und der Umgang mit Löschungen.
• Shopping Research in ChatGPT vorgestellt — Kontext zur neueren Shopping-Research-Funktion.

Microsoft

• Vorstellung des Copilot Merchant Program — Microsofts Händlerprogramm für Shopping.

Perplexity

• Shop like a Pro — Perplexitys Shopping-Funktionen und Händlerprogramm (organisch, kein Pay-to-play).

Zitate aus der Quelle

Wörtlich aufgezeichnete Aussagen. Tiefenlinks führen zur zitierten Passage auf der Quellseite; dort wurde der Anker geprüft.

Google — Shopping Graph und AI Mode (Lilian Rincon, VP Product Management)

• “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment.” (Übersetzung) „Unsere neue AI-Mode-Erfahrung ist für jeden Teil des Einkaufens gedacht – von der Inspiration bis zum Kauf im richtigen Moment.“ Zum Zitat
• “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability.” (Übersetzung) „Der Shopping Graph enthält jetzt mehr als 50 Milliarden Produkteinträge, von globalen Händlern bis zu lokalen Läden, jeweils mit Details wie Bewertungen, Preisen, Farboptionen und Verfügbarkeit.“ Zum Zitat
• “Every hour more than 2 billion of those product listings are refreshed on Google.” (Übersetzung) „Jede Stunde werden mehr als 2 Milliarden dieser Produkteinträge bei Google aktualisiert.“ Zum Zitat
• “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options.” (Übersetzung) „Der AI Mode startet ein Query-Fan-out, also mehrere gleichzeitige Suchen, um zu bestimmen, was einen Rucksack für regnerisches Wetter und lange Wege geeignet macht, und nutzt diese Kriterien anschließend, um wasserdichte Optionen vorzuschlagen.“ Zum Zitat

Google — KI-Werkzeuge im Merchant Center

• “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business.” (Übersetzung) „Google Merchant Center nutzt KI, um Ihre einzigartigen Produkte und Leistungsdaten zu analysieren und Chancen für Ihr Unternehmen aufzudecken.“ Zum Zitat
• “It will present these as simple suggestions you can easily action, and you’ll always remain in full control to review, adjust, or approve any changes.” (Übersetzung) „Es präsentiert diese als einfache Vorschläge, die Sie leicht umsetzen können, und Sie behalten stets die vollständige Kontrolle, um Änderungen zu prüfen, anzupassen oder zu genehmigen.“ Zum Zitat

Microsoft — Copilot Merchant Program (dem Copilot-Team zugeschrieben)

• “With Copilot, customers have a personal shopper at their service, helping guide them towards the right items and best deals.” (Übersetzung) „Mit Copilot haben Kunden einen persönlichen Einkaufsberater, der sie zu den richtigen Artikeln und besten Angeboten führt.“ Zum Zitat
• “Once you’re in the Copilot Merchant Program you can also share key product specifications with us, ensuring we have up-to-date details on all your items.” (Übersetzung) „Sobald Sie im Copilot Merchant Program sind, können Sie uns auch wichtige Produktspezifikationen mitteilen und damit sicherstellen, dass wir zu all Ihren Artikeln aktuelle Details haben.“ Zum Zitat

Branchenempfehlungen

• Jeff Oxford von Visibility Labs schreibt, dass KI-Assistenten klar angegebene Spezifikationen benötigen, um Produkte zu verstehen und Kundenbedürfnissen zuzuordnen. Seine sechsteilige Checkliste für Produktseiten lesen.
• John Morabito von Stella Rising empfiehlt, den Feed als strategisches Marketing-Asset und nicht nur als technische Anforderung zu behandeln. Seinen Leitfaden zu ChatGPT Shopping lesen.
• Der Leitfaden des Search Engine Journal zu agentischem Commerce verlinkt die ursprünglichen Aussagen von Kevin Miller von Stripe und Vanessa Lee von Shopify, die er zitiert.

Welches KI-Shopping-Problem lösen Sie?

Nutzen Sie dies, um zu entscheiden, wo Sie den nächsten Arbeitsblock investieren. Die meisten springen direkt zu „ein Protokoll integrieren“, obwohl die Antwort fast immer „zuerst den Feed korrigieren“ lautet.

Checkliste für KI-Shopping-Optimierung

Arbeiten Sie von oben nach unten — die Reihenfolge entspricht ungefähr der Hebelwirkung.

Datenqualität des Feeds (zuerst erledigen — kein Protokoll erforderlich)

• Jedes Produkt hat eine eindeutige Kennung — GTIN und/oder MPN — sowie eine Marke.
• Titel und Beschreibungen sind vollständig und spezifisch (Spezifikationen, Materialien, Abmessungen), nicht mit Keywords vollgestopft.
• Preis und Verfügbarkeit sind korrekt und werden häufig aktualisiert — veralteter Bestand oder Preis ist ein Ausschlusssignal.
• Alle Varianten (Größe, Farbe) sind als eigene Artikel mit korrekten Attributen abgebildet.
• Hochauflösende Bilder, mehrere Perspektiven, korrekte Bilder je Variante.
• Bewertungen sind vorhanden und nehmen zu (etwa 150 oder mehr ist ein nützlicher Arbeitsrichtwert für die Berücksichtigung der KI-Sichtbarkeit).
• Der Produkttext beantwortet in klarer Sprache die Frage „Für wen ist das gedacht / welches Problem löst es?“

Abdeckung der Oberflächen

• Der Google-Merchant-Center-Feed hat Priorität (der Shopping Graph speist AI Mode und Gemini und überschneidet sich mit ChatGPTs organischem Karussell).
• Der ChatGPT Product Feed ist direkt übermittelt (nicht nur über einen Drittanbieter-Aggregator).
• Der Microsoft-Merchant-Center-Feed ist für Copilot Shopping übermittelt.
• Der Perplexity-Katalog oder das Händlerprogramm ist eingerichtet.

Checkout (Opt-in — erst, wenn Discovery solide ist)

• Entscheiden Sie, ob sich Checkout im Chat lohnt; falls ja, ACP für ChatGPT und/oder UCP für Google/Gemini (siehe die entsprechenden Artikel).

Messung

• Akzeptieren Sie, dass viele KI-Bestellungen keinen Pageview erzeugen; bewerten Sie den Kanal nicht anhand der GA4-Sitzungen.
• Beobachten Sie die AI Performance Insights und konversationellen Attribute des Merchant Centers, sobald sie ausgerollt werden.
• Gleichen Sie KI-gesteuerte Bestellungen als Übergangslösung auf Auftragsebene ab.

Die mentalen Modelle

1. Daten ergänzen die Seite, sie ersetzen sie nicht. Der maschinenlesbare Feed wird neben der auf Menschen ausgerichteten Seite zu einer erstklassigen Optimierungsoberfläche — wie stark die einzelnen Oberflächen den einen oder die andere gewichten, ist anbieterspezifisch. Wenn ein Produkt nicht empfohlen wird, prüfen Sie den Feed, bevor Sie annehmen, dass der Seitentext das Problem ist; nehmen Sie aber auch nicht an, dass die Seite irrelevant ist.

2. Discovery ≠ Checkout. Empfohlen zu werden wird von Feed- und Datenqualität bestimmt und ist protokollunabhängig. Im Chat gekauft zu werden ist eine separate Opt-in-Ebene (ACP/UCP/Copilot Checkout). Lassen Sie niemals einen Anbieter oder Blog beides vermischen — korrigieren Sie zuerst die Daten und fügen Sie den Checkout hinzu, sobald sich der Transaktionsnutzen für den Entwicklungsaufwand lohnt.

3. Ein hervorragender Feed, dann nach außen abbilden. Ein Feed gewinnt nicht automatisch fünf Suchmaschinen — jede Oberfläche hat ihr eigenes Schema —, aber weil sich die zugrunde liegenden Daten stark überschneiden (und ChatGPTs organisches Karussell Googles organischem Shopping-Ranking folgt), erledigt ein wirklich hervorragender Merchant-Center-Feed 80 % der Arbeit für den Rest.

4. Attribute sind die Rankingoberfläche. Query Fan-Out und Konversationszuordnung bewerten Attribute, nicht Keyword-Dichte. Vollständigkeit und Korrektheit strukturierter Felder sind der Hebel; „SEO-Copywriting“ ist es nicht.

5. Aktualität ist ein Ausschlusskriterium, kein nettes Extra. Agenten führen Transaktionen mit Live-Daten durch. Ein falscher Preis oder ein veraltetes „auf Lager“-Kennzeichen ärgert nicht nur einen Nutzer — es kann dazu führen, dass Sie vollständig aus der Empfehlungsauswahl fallen.

6. Sitzungen → Feed-Sichtbarkeit + Abgleich von Bestellungen. Das Messmodell kehrt sich um: Ohne Pageview wird die Berichterstattung zur Feed-Sichtbarkeit zum Frühindikator, und der Abgleich auf Auftragsebene ist die Absicherung.

Häufige Fehler (und was Sie stattdessen tun sollten)

„Mein bisheriges SEO deckt das bereits ab.“ Warum das falsch ist: Klassisches On-Page-SEO (Titel, Backlinks, Inhaltstiefe) bleibt für Oberflächen, die HTML erfassen, wichtig. Die primäre Oberfläche für KI-Shopping-Agenten ist jedoch der strukturierte Produkt-Feed — und die meisten SEO-Programme besitzen oder prüfen ihn nicht. Eine gute Seite mit einem fehlerhaften Feed kann für Shopping-Agenten unsichtbar sein. Stattdessen: Prüfen und besitzen Sie den Feed als erstklassiges Asset, getrennt von Ihrer Seiten-SEO-Arbeit.

„Ich brauche ACP oder UCP, um in ChatGPT oder Googles AI Mode aufzutauchen.“ Warum das falsch ist: Organische Auffindbarkeit hängt weitgehend von Feed- und Attributdatenqualität ab und ist unabhängig von Checkout-Protokollen. Eine Checkout- Integration ist additiv, keine Voraussetzung für Sichtbarkeit. Stattdessen: Korrigieren Sie die Feed-Daten, um empfohlen zu werden, und ergänzen Sie ACP/UCP später nur für den Checkout im Chat. (Commerce-Protokolle werden schnell ausgerollt — prüfen Sie im Zweifel die aktuellen Dokumente von OpenAI und Google.)

„KI-Shopping-Ergebnisse kann man wie bezahlte Anzeigen kaufen.“ Warum das falsch ist: OpenAI erklärt, dass seine Shopping-Empfehlungen keine Anzeigen sind und im Basisranking nicht nach Preis, Versand oder Rückgaben neu sortiert werden; Perplexity sagt, dass die Ergebnisse seines Händlerprogramms organisch und nicht käuflich platziert sind. Stattdessen: Konkurrieren Sie mit Datenqualität und Bewertungen. Beachten Sie die Nuance — bezahlte Platzierungen (z. B. Shopping-Anzeigen innerhalb von Googles KI-Oberflächen) können neben organischen Empfehlungen auf derselben Oberfläche existieren; „organische Empfehlung“ und „bezahlte Platzierung“ schließen einander nicht aus, aber Sie können sich nicht in die organische Empfehlung einkaufen.

„Das ist noch theoretisch / hat ein geringes Volumen — keine Priorität.“ Warum das falsch ist: Unabhängig bezogene Signale (Googles Aktualisierung von 2 Mrd. Einträgen pro Stunde, die Peec-AI-Studie zur Karussell-Überschneidung sowie berichtetes KI-vermitteltes Traffic- und Bestellwachstum) weisen auf ein reales, schnell wachsendes Volumen hin. „Noch theoretisch“ ist überholt. Stattdessen: Beginnen Sie jetzt mit der Feed-Arbeit; sie zahlt sich kumulativ aus und ist auch dann eine risikoarme Entscheidung, wenn sich Ihr Traffic-Mix langsam verändert.

„Ein Produkt-Feed funktioniert überall.“ Warum das falsch ist: Jede Oberfläche (Google Merchant Center, ChatGPT Product Feed, Microsoft Merchant Center, Perplexity-Katalog) hat ihr eigenes Schema und ihren eigenen Übermittlungsmechanismus, auch wenn sich die zugrunde liegenden Daten überschneiden. Stattdessen: Erstellen Sie einen hervorragenden kanonischen Datensatz und bilden Sie ihn pro Oberfläche ab und übermitteln Sie ihn dort — behandeln Sie das als Mapping-Arbeit, nicht als fünf separate Content-Projekte.

Spickzettel für KI-Shopping-Optimierung

In dieser Reihenfolge arbeiten

1. Kanonische Produktdaten: stabile IDs, GTIN/MPN, Marke, Varianten, Spezifikationen.
2. Transaktionale Wahrheit: Preis und Verfügbarkeit stimmen mit dem Live-Backend überein.
3. Präsentationsdaten: korrekte Titel und Beschreibungen, hochwertige Bilder der Varianten, echte Bewertungen.
4. Oberflächen-Mapping: Übermitteln Sie die kanonischen Daten an Google, OpenAI, Microsoft und Perplexity jeweils im erforderlichen Format.
5. Checkout: ACP oder UCP nur hinzufügen, wenn ein Kauf im Agenten den Aufwand rechtfertigt.
6. Messung: Feed-Sichtbarkeit und Bestellungen abgleichen, nicht nur Sitzungen.

Discovery und Checkout

Oberflächenkarte

Ein hervorragender kanonischer Datensatz verringert die Mapping-Arbeit, aber jede Oberfläche hat weiterhin ihr eigenes Schema und ihren eigenen Aufnahmeweg.

Metriken für KI-Shopping-Optimierung

Abdeckung geeigneter und fehlerfreier Produkte

• Metrik: Anteil des verkäuflichen Katalogs, der ohne aktiven Feed- oder Richtlinienfehler für Discovery geeignet ist.
• Was sie aussagt: ob die Produktdaten vollständig genug sind, um in die Empfehlungsauswahl zu gelangen, bevor Ranking oder Conversion betrachtet werden.
• So erheben Sie diese Kennzahl: Merchant-Center-Diagnosen und entsprechende Feed-Status- Exporte jeder unterstützten Shopping-Oberfläche kombinieren.
• Benchmark / realistischer Bereich: Verwenden Sie die Gesamtzahl der aktuell verkäuflichen SKUs als internen Nenner; untersuchen Sie jede ungeklärte Lücke, statt einen Branchenprozentsatz zu übernehmen.
• Rhythmus: tägliche Überwachung und wöchentliche Prüfung nach Fehlertyp.

Parität des ausgewählten Angebots

• Metrik: Anteil der Stichproben- oder Transaktionsvarianten, bei denen sichtbare PDP, gerendertes Product-/Offer-JSON-LD, Feed-Eintrag, Warenkorb und Checkout bei Produktidentität, SKU, Gruppen-ID, Preis, Währung und Verfügbarkeit mit dem maßgeblichen Backend übereinstimmen.
• Was sie aussagt: ob Agenten den Daten so weit vertrauen können, dass sie das Produkt empfehlen und einen Kauf abschließen.
• So erheben Sie diese Kennzahl: Feed-Exporte der Oberflächen anhand stabiler Produkt-IDs und Varianten mit Katalog- und Checkout-Daten abgleichen; erklärte standortbezogene oder beim Checkout erfolgende erneute Prüfungen von stillen Ersetzungen und veralteten Daten trennen.
• Benchmark / realistischer Bereich: Abweichungen sollten als Fehler behandelt werden; erstellen Sie je Quelle eine Baseline und priorisieren Sie Produkte, die für Checkout geeignet sind.
• Rhythmus: bei schnell wechselnden Feldern kontinuierlich, täglich zusammengefasst.

Verwenden Sie den vollständigen Product Variant SEO selected-offer contract, um die Testpopulation und die URL-Strategie für übergeordnete Produkte und Varianten zu definieren.

Agenten-attribuierte Bestellungen und Umsätze

• Metrik: Bestellungen, Umsatz und Abschlussrate, die auf Auftragsebene einer Agentenoberfläche oder einem Protokoll zugeordnet sind.
• Was sie aussagt: ob Feed-Sichtbarkeit zu kommerziellen Ergebnissen führt, selbst wenn kein Pageview oder keine Sitzung existiert.
• So erheben Sie diese Kennzahl: Referral-, Protokoll- oder Agenten-Metadaten in der Checkout-Sitzung speichern und im OMS abgleichen; UTMs verwenden, wenn Weiterleitungsabläufe sie offenlegen.
• Benchmark / realistischer Bereich: mit der historischen Baseline und dem Produkt-Mix des eigenen Kanals vergleichen; frühe Oberflächen unterstützen kein universelles Ziel.
• Rhythmus: wöchentliche operative Prüfung und monatliche Geschäftsberichterstattung.

Testen Sie sich: KI-Shopping-Optimierung

Fünf kurze Fragen zur Optimierung für KI-Shopping-Oberflächen. Wählen Sie jeweils eine Antwort und prüfen Sie anschließend.

Ressourcen, die Ihre Zeit wert sind

Meine verwandten Texte

Ich habe noch keinen eigenen Artikel zu KI-Shopping veröffentlicht — das ist neueres Terrain —, aber einige meiner Ahrefs-Studien prägen die Haltung hier. Warum „KI“ und „rankt gut“ nicht dasselbe sind, zeigt Google hält AI Mode für gut für Nutzer, aber der Inhalt ist nicht gut genug zum Ranken; um Erwartungen an KI-Traffic in Daten zu verankern, siehe ChatGPT hat 12 % von Googles Suchvolumen, aber Google sendet 190-mal mehr Traffic an Websites. Und weil der korrekte Bestandsstatus inzwischen buchstäblich ein Feed-Feld ist, das Agenten lesen, ist mein älterer E-Commerce-Artikel Wie sollten Sie mit nicht verfügbaren Produkten umgehen? Das kommt darauf an relevanter als zum Zeitpunkt seiner Veröffentlichung.

Meine Vorträge

• How Search Works (SlideShare) — der Ablauf von Crawling, Rendering, Indexierung und Ranking, der die Aussage „Oberflächen lesen Daten, nicht Seiten“ veranschaulicht. (Mein ständiger Hinweis gilt: Dies ist mein Verständnis dieser Systeme und keine Garantie für 100 % Vollständigkeit oder Richtigkeit.)

Aus der Branche

• Shopping auf Google: AI Mode und Updates zur virtuellen Anprobe (Google) — Größe des Shopping Graph, Aktualisierungsrhythmus und Query Fan-Out.
• 6-Punkte-Scorecard für KI-taugliche Produktseiten (Search Engine Land / Jeff Oxford) — die Checkliste für Spezifikationen, USPs, Anwendungsfälle, FAQs, Bewertungen und strukturierte Daten sowie der Richtwert von etwa 150 Bewertungen.
• Warum Produkt-Feeds eine organische Strategie für KI-Suche brauchen (Search Engine Land) — die Peec-AI-Studie zur Verbindung von organischem Google-Shopping-Ranking und Aufnahme ins ChatGPT-Karussell.
• ChatGPT-Shopping optimieren: Wie Produkt-Feeds GEO ermöglichen (Search Engine Land / John Morabito) — der Feed als strategisches Asset.
• Wie KI-gestützte Shopping-Discovery die Produktseitenoptimierung verändert (Search Engine Land) — Produktseiten als Wissensdokumente.
• An KI verkaufen: Der vollständige Leitfaden zum agentischen Commerce (Search Engine Journal) — Zitate von Führungskräften und Statistiken zum Kanalwachstum.
• Google startet AI Performance Insights und konversationelle Attribute im Merchant Center (Search Engine Land) — die entstehende Messschicht.
• Shopping mit der ChatGPT-Suche (OpenAI) — wie ChatGPT organische Produktempfehlungen auswählt.

Statistiken, die Sie zitieren können

• Mehr als 50 Milliarden Produkteinträge im Shopping Graph von Google, mehr als 2 Milliarden pro Stunde aktualisiert — Googles eigene Zahlen für den Katalog hinter AI Mode und Gemini. Quelle
• Bis zu etwa 83 % Überschneidung zwischen den Shopping-Karussell-Produkten von ChatGPT und den organischen Ergebnissen von Google Shopping (Peec-AI-Studie mit mehr als 43 000 Einträgen, etwa 60 % der Übereinstimmungen aus den Positionen 1–10 von Google Shopping), laut Search Engine Land — der Grund, Merchant-Center-Hygiene als plattformübergreifenden Hebel zu behandeln. Bericht Anhand der primären Peec-AI-Studie erneut prüfen.
• Etwa 14 % der Shopping-Suchanfragen zeigen inzwischen AI Overviews, gegenüber etwa 2 % Ende 2024, laut derselben Analyse von Search Engine Land. Bericht Anhand der Primärdaten erneut prüfen.
• Median 156 Bewertungen über 1 000 E-Commerce-Prompts hinweg, wobei etwa 150 oder mehr als praktischer Richtwert für die Berücksichtigung der KI-Sichtbarkeit empfohlen werden (Jeff Oxford, Visibility Labs, über Search Engine Land). Quelle
• Homogene Auswahl — eine Simulatorstudie von Columbia und Yale aus dem Jahr 2025 berichtete, dass KI-Shopping-Agenten die Nachfrage stärker auf weniger Produkte konzentrieren als menschliche Käufer, und warnte vor einer Winner-take-all-Dynamik des „KI-SEO“ (über das Search Engine Journal). Studienname und Institutionen anhand der Primärquelle prüfen. Bericht

Änderungsprotokoll