Die Produktseite ist nicht die ganze Gleichung: was KI-Antworten im E-Commerce wirklich zitieren

Zur Optimierung von E-Commerce-Shops für AI-Suche gibt es einen weit verbreiteten Mythos: Optimiere Produktkarten, Kategorien und Feeds, füge strukturierte Daten wie Schema.org hinzu, und AI wird dich bemerken. Dieser Mythos ist teilweise wahr, denn dies alles gehört zur Grundhygiene. Allerdings sieht die Realität etwas anders aus.

Ich habe dies anhand der Sichtbarkeitsdaten aus peec.ai und in fünf Kategorien von Websites überprüft, wie E-Commerce Fulfillment, Fitness, Tourismus, Transport und Altersvorsorge. Das Ergebnis wird niemandem gefallen, besonders nicht denen, die ihren Online-Shop nur auf Produktseiten beschränken. Nur etwa 37 % der Verweise auf die eigene Domain kommen auf Produktseiten oder kommerziellen Angeboten an. Dabei erscheint die Domain selbst überhaupt nur in etwa 31% der Antworten von künstlicher Intelligenz. Alles andere übernehmen externe Plattformen.

AI-Plattformen zitieren nicht nur transaktionale Seiten wie Kategorien oder Produktkarten, sondern auch Inhalte, die den Kunden in jeder Phase des Sales Funnels unterstützen – vor, während und nach dem Kauf. Bei der Analyse der Seiten, die bei E-Commerce-Suchanfragen zitiert werden, landen oft Größen- und Passform-Guides, Supportartikel, Reparatur- und Recyclingseiten, Rückgabe- und Lieferbedingungen, Auswahlhilfen, Checklisten, Tutorials sowie Authentifizierungsseiten und Filialfinder ganz vorne. Inhalte, die im klassischen E-Commerce-SEO als zweitrangig galten, erweisen sich in der AI-Suche als erstklassige Assets (Aleyda Solis).

Die Logik der KI ist ziemlich einfach und gleichzeitig streng gegenüber denen, die Online-Shops optimieren. Wenn man fragt, welche Größe von Nike-Sneakern man kaufen soll, wird die KI als relevante Antwort einen Größenleitfaden liefern und nicht die Produktseite. Oder wenn man fragt, ob dieser Shop kein Betrüger ist, wird die KI Datenquellen wie die Richtlinien des Shops, externe Bewertungen und Diskussionen in sozialen Medien nutzen.

Wenn man nach den besten Schuhen für Wander-Anfänger fragt, wird die KI einen Leitfaden zur Ausrüstungsauswahl liefern und nicht eine Produktseite eines bestimmten Modells. Kommerziell wertvolle Zitate in der KI-Suche kommen also von Seiten, die das Risiko eines Fehlkaufs verringern, und nicht nur von Seiten, die eine Transaktion anstreben.

Dies ist die wichtigste Umstellung der Denkweise, die notwendig ist, um Online-Shops für die neue Ära der KI-Suche zu optimieren.

Die gleiche Analyse zeigt die zweite Hälfte des Bildes. Von allen Zitaten, die die KI überhaupt für die eigene Domain gibt, entfallen nur etwa 37 % auf Produktseiten oder kommerzielle Angebote. Der Großteil besteht aus Informationsleitfäden, Kategorieseiten, Support und Pressemitteilungen. Das bedeutet, dass die Produktseite ein Teil der Gleichung ist, aber nicht die ganze Gleichung.

Zitate vs. Klicks: Zwei Schichten

Zitate und Klicks sind zwei verschiedene Signale. Der zweite grundlegende Punkt ist, dass die Seiten, die AI zitiert, und die Seiten, auf die Nutzer wirklich von AI-Plattformen wechseln, oft nicht dieselben sind. Es gibt zwei Schichten, die man nicht in eine Metrik mischen darf.

Die erste Schicht ist die Citation Layer, also welche Seiten und Domains AI als Beweise nutzt. Eine Seite kann oft zitiert werden, ohne viele Klicks zu erhalten. AI kann eine Frage beantworten, ohne dass der Nutzer weiterklickt.

Die Click Layer zeigt, auf welche Seiten Nutzer nach der Interaktion mit AI tatsächlich gehen. Eine Produktseite kann Traffic bekommen, auch wenn sie nicht oft zitiert wird. Das Antwortformat ist entscheidend: Ein transaktionales Prompt mit Produktkarten erzeugt ein anderes Klickmuster als ein informatives Prompt. Wo genau diese Lücke zwischen Abruf und Zitat liegt, habe ich in Abgerufen, aber nicht zitiert gemessen; dass die Beweis-Ebene je Engine fast getrennt ist, im Retrieval-Zitat-Datenschnitt.

Das Ziel der AI-Optimierung für Online-Shops ist nicht nur Zitate zu sammeln. Wichtig ist es, in den Prompts und Antwortformaten vertreten zu sein, die den Käufer zum nächsten Schritt führen. Sie müssen in allen Phasen des Verkaufsprozesses präsent sein.

Diese Schichten sollten getrennt gemessen werden. Zitate messe ich zum Beispiel mit peec.ai oder Semrush Enterprise. Übergänge messe ich mit einer anderen Plattform und Verweise von ChatGPT, Perplexity und Gemini erfasse ich in Google Analytics.

Käuferunsicherheiten im Sales-Funnel

Jede Phase im Sales-Funnel hat ihre eigene Unsicherheit beim Käufer. Zum Beispiel ist eine der wichtigsten Erkenntnisse, dass ein universeller AI-Checkliste nicht funktioniert. In der Beauty-Branche, bei Elektronik-Produkten oder Sportartikeln gibt es ganz unterschiedliche Kaufbarrieren. Folglich sind auch verschiedene Beweise für die AI-Antwort nötig.

Ein Beispiel: Bei einem neuen Online-Shop hilft AI, Fragen zu Vertrauen, Logistik, Warenverfügbarkeit und Rückgaberecht zu klären. Dabei werden wichtige Seiten wie Richtlinien und soziale Quellen zitiert. Auf Produktseiten ist das Zitieren minimal, etwa 18%. Hier geht es darum, Vertrauen und Richtlinien leicht zugänglich zu machen.

Im Beauty- und Skincare-Bereich geht es um Hauttyp, Ton, Probleme, Inhaltsstoffe und Routinen. Zitiert werden Produktkarten, Bildungskonten, Routine-Guides und Social Media. Der Fokus liegt darauf, Produkterfahrungen mit echten Szenarien zu verknüpfen.

Bei Mode (Fashion und Apparel) sind Größe, Passform, Stil und Rückgabe entscheidend. Das Zitieren auf Produktseiten macht 50% aus. Wichtiger sind Größenanleitungen und Rückgabeseiten.

In der Elektronikbranche sind Merkmale, Zuverlässigkeit und Reparatur wichtig. Unterstützende Artikel, Spezifikationen auf YouTube oder Reddit und Fachbewertungen werden zitiert. Der Fokus liegt auf technischer Information.

Bei Sportartikeln zählt der Aktivitätskontext: Skill-Level, Ausrüstungsauswahl und Vorbereitung sind wichtig. Zitiert werden Ausrüstungsleitfäden, Checklisten und Aktivitätentipps.

Daraus lerne ich: Meine Arbeitsschritte mit Online-Shops starten immer damit zu klären, welche Unsicherheit die AI abdeckt. Danach bestimme ich die benötigten Seiten und Quellen und entscheide schließlich, was verbessert wird.

Artefakt 1 – Unsicherheits-Matrix (kopieren und je Branche ausfüllen):

Branche	Kaufunsicherheit	Benötigte Seitentypen	Beispiel-Prompt	Typische externe Belege
Neuer Shop	Ist der Anbieter seriös?	Richtlinien, Über uns, Versand/Rückgabe	„Ist [Shop] seriös?“	Bewertungen, Reddit, Trustpilot
Beauty	Passt es zu meinem Hauttyp?	Routine-Guides, Inhaltsstoff-Erklärung, PDP	„Welche Pflege bei fettiger Haut?“	Fachmedien, YouTube, Foren
Mode	Welche Größe, welche Passform?	Größen-/Passform-Guide, Rückgabe	„Welche Nike-Größe bei breiten Füßen?“	Größentabellen, Reddit
Elektronik	Ist es zuverlässig, reparierbar?	Specs, Support, Vergleiche	„[Modell A] oder [Modell B]?“	YouTube, Reddit, Fachtests
Sport	Passt die Ausrüstung zu meinem Level?	Ausrüstungs-Guide, Checkliste	„Welche Schuhe für Trailrunning-Anfänger?“	Outdoor-Medien, YouTube

Markenauftritt in der AI-Welt

Der nächste Aspekt ist Ihr Markenauftritt, ein kleinerer Teil der AI-Erzählung. Die unbequeme Wahrheit ist, dass selbst bei Top-Shops der Anteil des eigenen Domänennamens in AI-Zitaten oft unter 15% liegt.

Wie klein dieser Anteil wirklich ist, zeigt die Analyse der peec.ai-Daten in den gleichen 5 Kategorien. Im Durchschnitt nutzt die KI die eigene Marken-Domain nur in etwa 31% der Fälle, genauer gesagt in Chats. In 2 von 3 Antworten stützt sie sich vollständig auf externe Quellen: Bewertungen, Foren, Fachmedien und Einzelhändler. Die Werte variieren von 12% bei einem Anbieter bis zu 45% bei einem anderen. Niemand kommt auch nur annähernd an die Mehrheit heran.

Für mich zählt der externe Signalgeber mehr als meine eigenen Angaben, da AI sich immer auf externe Quellen stützt. Der Semrush 2026 AI Visibility Index beschreibt dies als Paradigmenwechsel: Der AI-Markenauftritt wird nicht nur durch die eigene Website geprägt, sondern durch externe Quellen wie Kundenbewertungen, Community-Diskussionen, unabhängige Medien, Einzelhändler und Branchenquellen.

Es ist wichtig, an externen Faktoren zu arbeiten. Gute Nachrichten gibt es auch: Erwähnung und Zitat sind zwei verschiedene Formen der Sichtbarkeit. Auf Gemini kann deren Überschneidung bis zu 30% betragen. Man muss auf zwei Ebenen konkurrieren – um das Recht erwähnt zu werden (Autorität und Relevanz) und um das Recht zitiert zu werden (vertrauenswürdiger Inhalt). Dies sind zwei unterschiedliche Aktionssätze.

Für mich gibt es wiederum eine Kette: erstens, in den Wissensbestand von AI aufgenommen werden; zweitens, wenn AI entscheidet, dieses Wissen zu nutzen; drittens, direkt zitiert werden. Diese drei Etappen sind wichtig.

Wo formiert sich das Wissen über KI in Ihrem Online-Shop oder Produkt?

Reddit bleibt die am häufigsten zitierte Quelle. Laut SEMrush haben 40% der 150.000 KI-Zitate Reddit als Herkunft. Danach folgen Wikipedia mit 26% und YouTube mit 23%.

In Perplexity kommen 46,7% der Zitate von Reddit, während Google AI Overviews bei 21% liegen. Wichtiger Hinweis: Plattformen sind nicht gleich. ChatGPT zitiert Reddit nur zu etwa 5%, während Perplexity ein Drittel seiner Zitate aus sozialen Medien bezieht und Gemini nur 0,1%.

Daher ist es wichtig, die Metadaten und Modelle zu unterscheiden. Allgemeine Sichtbarkeit ist gut, aber noch wichtiger ist die Sichtbarkeit in spezifischen Modellen. Daten auf Reddit sind oft älter; der durchschnittliche zitierte Beitrag ist etwa ein Jahr alt, 4% stammen sogar aus 2019 oder früher.

Hinweis: AI paraphrasiert mehr als es direkt zitiert. Nur 0,53% der semantischen Nähe zur Originalquelle bleiben erhalten. Fake-Bewertungen funktionieren nicht, da das LLM den gesamten Reddit-Datenstrom analysiert, inklusive gelöschter Posts und gesperrter Konten.

Effektiv sind nützliche Antworten in relevanten Subreddits, ständige Markenüberwachung und konsistente Narrative zwischen Quora, Fachmedien und Reddit. Dabei sollte ein negativer Trend nicht dominieren.

YouTube hat inzwischen Reddit überholt und ist laut GEORaiser und anderen Quellen die wichtigste Quelle von KI-Antworten geworden. Dies bedeutet, dass Video-Reviews, Installationsanleitungen und echte Produktnutzungen jetzt zur Strategie für KI-Sichtbarkeit gehören.

User-generated Content wie Bewertungen und Fotos sind entscheidend für KI und Käufer. Solche Inhalte übertreffen Marken-Webseiten in 44% der Produktanfragen (Billo; die Zahl betrifft organische Rankings). Frische und vielfältige Bewertungen verstärken das Vertrauen in AI-Empfehlungen durch verifizierte User-Meinungen.

Nun kommen wir zum Beweis, der tatsächlich funktioniert.

Aggarwal und Kollegen von Princeton und Georgia Tech führten die Forschung GEO – Generative Engine Optimization (KDD 2024) durch. Dies ist die erste peer-reviewed Studie in diesem Bereich. Bei den 10.000 Anfragen des GeoBench-Benchmarks testeten die Autoren 9 Optimierungsmethoden. Die Ergebnisse sind klar:

Statistik und quantitative Daten erhöhten die Sichtbarkeit um bis zu 41% (SeenRank, DerivateX). Zitate aus vertrauenswürdigen Quellen um 30-40%, Links innerhalb des Inhalts ebenfalls um 30-40%, ein autoritärer Ton etwa 10 bis 20 % und eine Kombination von Methoden bis zu 40%. Keyword-Stuffing, also das übermäßige Einfügen von Schlüsselwörtern, funktionierte hingegen nicht und hatte sogar negative Effekte.

Was ist hier besonders wichtig für unseren Markt? Der Zuwachs war bei Websites mit niedrigen Ausgangspositionen am stärksten. Das bedeutet, dass GEO die Sichtbarkeit teilweise demokratisiert. Ein kleiner Shop, der im klassischen Google-Ranking nicht mit großen Marktplätzen konkurrieren kann, hat durch hochwertigen Inhalt eine Chance in AI-Antworten.

Eine neuere Arbeit „Diagnosing and Repairing Citation Failures in Generative Engine Optimization“ zeigt, dass Zitationen als diagnostizierbarer Prozess betrachtet werden können. Es wird untersucht, warum bestimmte Seiten nicht im Beweisschicht eines bestimmten Prompt-Clusters landen. Daten von AirOps zu Google AI Overviews im E-Commerce zeigen, dass Vergleichstabellen die Zitierungen um 25% und Listen um 26% erhöhen.

Optimierung durch Schema-Markup

Schema.org ist das einzige Werkzeug, das auf allen Suchmaschinen und LM-Modellen funktioniert. Schema-Markup ist die einzige Art der AI-Optimierung, bei der eine Implementierung die Zitierbarkeit in allen Maschinen gleichzeitig erhöht. ChatGPT, Claude, Perplexity, Gemini, Copilot und Apple Intelligence nutzen alle dasselbe Schema.org-Wörterbuch. Ihre Mechanik ist einfach: AI liest den HTML-Text für den Kontext und JSON-LD für Fakten. Eine Seite mit verifizierbaren strukturierten Daten gibt der Maschine Sicherheit für direkte Zitate. Seiten, die Fakten aus dem Layout extrahieren müssen, werden seltener zitiert.

Es gibt 7 Haupttypen von Markup:

1. Produkt: Jede Produktseite wird direkt in Shopping-Anfragen und AI-Vergleiche einbezogen.
2. Organisation: Auf jeder Seite des Websites erkennt man die Marken-Identität und Verbindung zu Wikidata.
3. Breadcrumb-Listen: Auf allen Seiten außer der Startseite zur Verständigung der Website-Architektur und thematischen Cluster.
4. FAQ-Seiten: Frage-Antwort-Paare werden nahezu wortwörtlich zitiert.
5. How-to: Schritte aus Tutorials werden direkt in Antworten extrahiert, z.B., wie etwas gemacht wird.
6. Artikel oder Blog-Posts: Bei Anleitungen und Richtlinien sind Autorität, Autorenschaft und Aktualität wichtig.
7. Definition eines Begriffs: Zitate für Anfragen wie „Was ist x“ in Glossaren.

Zusätzlich gibt es spezifizierbare Inhalte für Sprachassistenten, Bewertungen und aggregierte Bewertungen in Produkten, Videoobjekte für Produktvideos und lokale Unternehmen für offline Einzelhändler.

Kritisch in der Produktkennzeichnung ist die unvollständige Produktinformation. Wir haben Name, Bild und Preis, aber keinen Identifikator. GTIN ist bevorzugt, auch MPN oder SKU, Preisgültigkeitsdauer und aggregierte Bewertung. Mit nur drei zusätzlichen Feldern steigt die Citation bei den meisten Marken und Modellen merklich.

Eine vollständige Kennzeichnung umfasst Beschreibung, beschreibende Namen mit Hauptattributen, drei bis mehr hochwertige Bilder (nicht nur Marketingbeschreibungen), eingebettete Marke, die mit einer Organization entspricht, Angebote mit Währung, Verfügbarkeit und Preisgültigkeit, echte Bewertungsdaten und idealerweise Rückgaberichtlinien sowie Versanddetails.

Ein weiterer Punkt ist die Entity-Verknüpfung, die oft unterschätzt wird. Organization-Kennzeichnung sollte auf jeder Seite vorhanden sein, nicht nur auf der Startseite. AI-Crawler durchsuchen Seiten einzeln; Seiten ohne Entity-Markup erhalten schwache Markenzuordnungssignale. Das sameAs-Attribut verbindet die Website explizit mit Wikidata, Wikipedia und Social Media Profilen – das ist ein starkes Entity-Erkennungssignal. Alle Entitäten (Organization, Product, Article, Author, Persona) sollten über stabile IDs in einem maschinenlesbaren Graphen verbunden werden.

Fünf Fehler verringern Zitierbarkeit:

1. Unvollständige Produktschema ohne GTIN, Price, ValidUntil, AggregateRating.
2. Organization nur auf der Startseite.
3. Überhöhte Bewertungen: AI vergleicht angegebene Bewertungen mit externen Rezensionen und bestraft Manipulation.
4. Kaputte Links im Schema: Bild-URLs führen zu 404-Fehlern; regelmäßiger Quartalsaudit notwendig.
5. Schema durch JavaScript: AI-Crawler führen JavaScript nicht immer aus; Markup sollte im HTML-Quelltext sein.

Zusätzliche Falle 2026: Konflikte durch mehrere SEO-Plug-ins gleichzeitig. Konfliktierende Schemas werden abgewertet oder ignoriert. Nur Google Rich Result Test reicht nicht aus; auch Schema.org-Validator, Rich Result Test direkt testen und externe Tools wie GPT überprüfen. Der vollständige Schema-Stack für die KI-Suche fasst die Typen zusammen.

Artefakt 2 – Produkt-Schema mit den zitierrelevanten Mindestfeldern (JSON-LD):

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Beschreibender Produktname mit Hauptattribut",
  "image": ["https://example.com/p1.jpg", "https://example.com/p2.jpg"],
  "description": "Konkrete Beschreibung, keine Marketingfloskel.",
  "sku": "SKU-123",
  "gtin13": "0000000000000",
  "brand": { "@type": "Brand", "name": "Marke", "sameAs": "https://www.wikidata.org/wiki/Q000" },
  "offers": {
    "@type": "Offer",
    "priceCurrency": "EUR",
    "price": "129.00",
    "priceValidUntil": "2026-12-31",
    "availability": "https://schema.org/InStock",
    "hasMerchantReturnPolicy": {
      "@type": "MerchantReturnPolicy",
      "returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
      "merchantReturnDays": 30
    },
    "shippingDetails": {
      "@type": "OfferShippingDetails",
      "shippingRate": { "@type": "MonetaryAmount", "value": "0", "currency": "EUR" }
    }
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.6",
    "reviewCount": "218"
  }
}

Agentengesteuerter Handel

Ein weiterer wichtiger Punkt ist die agentengesteuerte Kommerz. Das ist ein neuer Bereich. Im Jahr 2026 begann der Kampf der Shopping-Agenten. ChatGPT, Perplexity, Amazon Buy for me und Microsoft Copilot bauen eine Infrastruktur auf, die hauptsächlich in den USA verfügbar ist (Modern Retail). Dabei kauft der AI-Agent nicht nur für den Nutzer ein, sondern führt auch die Transaktion durch. Es gibt bereits Protokolle dafür, wie Visa Trusted Agent Protocol und Mastercard Agent Pay, bei denen Agenten sich identifizieren, Kataloge lesen und Zahlungen tätigen.

Der Rechtsstreit zwischen Amazon und Perplexity über die autonomen Einkäufe des Agenten Comet war der erste Präzedenzfall, der die Grenzen dieses Marktes definierte. Was bedeutet das für Geschäfte? Vier neue Vorbereitungsschritte sind nötig:

Erstens: Ein maschinenlesbarer Produktkatalog mit vollständigen Feeds, aktuellen Preisen und Echtzeit-Verfügbarkeit. Der Agent verzeiht keine Abweichungen zwischen Feed und Website.

Zweitens: Technische Vorbereitung. Legitimen Agenten-Crawlern Zugang gewähren und kritischen Content serverseitig rendern sowie wichtigen Content in HTML bereitstellen.

Drittens: Richtlinien als Daten. Rückgabe, Lieferung und Garantien müssen strukturiert sein, da der Agent diese beim Vergleich berücksichtigt.

Viertens: Überwachung des rechtlichen Rahmens. Der Ausgang des Falles Amazon gegen Perplexity wird bestimmen, welche Agenten unter welchen Bedingungen einkaufen dürfen.

Sichtbarkeit messen: Drei Schichten Framework

Nun kommen wir zur Frage, wie ich Sichtbarkeit messe und all das, also ein Framework aus drei Schichten (Aleyda Solis). Ein klassischer Fehler ist es, die AI-Sichtbarkeit mit fünf bequemen Anfragen einer Metrik zu messen. Das heißt, das richtige System besteht tatsächlich aus drei Schichten. Presence, also Präsenz, ob die Marke in den Antworten auf die Ziel-Prompts sichtbar ist, Anteil der Prompts mit Präsenz in der Antwort. Zweitens Readiness, also Bereitschaft, wie technisch und inhaltlich bereit die Webseite zur Zitierung ist, Vollständigkeit des Schemas, Extrahierbarkeit von Fakten, Abdeckung der Kundenfragen, Verfügbarkeit für Crawler. Das heißt, wir kehren zum alten Thema im SEO zurück: Crawl-Management und Indexierbarkeit. Drittens Business Impact, der Effekt, den die Sichtbarkeit auf das Geschäft hat. Gen-AI-Traffic, Konversionen durch AI-Referrals, Umsatz, Attributionen. Die Schichten ersetzen sich nicht gegenseitig. Man kann hohe Präsenz haben und trotzdem keinen Effekt erzielen – zitiert werden ohne Klicks – und umgekehrt.

Deshalb dient eine repräsentative Bibliothek von Prompts als Basis für die Messung, Abdeckung aller Phasen des Trichters von Informations- bis Post-Kauf-Phasen, Formulierungen echter Käufer statt SEO-Schlüsselwörter. Also eher „Welche Größe Nike bei breiten Füßen wählen?“ statt „Nike-Schuhe kaufen“ (Prompt-Bibliothek). Segmentierung nach Arten von Unklarheiten in Ihrer Branche und was entscheidend ist: jede Plattform separat betrachten. Ich schaue nicht auf die allgemeine Sichtbarkeit; ChatGPT zitiert durchschnittlich 15 Quellen pro Antwort und stützt sich stark auf Reddit und Wikipedia; Gemini durchschnittlich 3 Quellen aus einem engeren Pool. Eine Marke kann in einer Suchmaschine stark sein und in einer anderen unsichtbar. Warum ein Prompt ohnehin in mehrere Sub-Queries zerfällt, steht in Der Prompt als Lego-Figur.

Deshalb ist es wichtig zu verstehen, wo Ihr Zielpublikum sitzt. Zum Beispiel ist Claude mehr ein Bürogeschäftsinstrument. ChatGPT ist mehr B2C-Segment. Hohe Sichtbarkeit bei Claude bringt einem Schuh-Online-Shop viel weniger als bei ChatGPT.

Und schließlich organisatorische Beweise aus dem Semrush-Index: Unter den Unternehmen, die SEO vollständig integriert haben und Sichtbarkeit in einen einzigen Workflow integriert haben, berichteten 81% über einen Anstieg des Traffics und Leads von AI-Plattformen. Bei denen, die diese Richtungen getrennt führen, nur 36%. Also funktioniert GEO als separates Projekt eines Praktikanten nicht; GEO als Schicht über bestehenden SEO-Prozessen funktioniert.

Meine Roadmap beginnt mit der Diagnose: Ich sammle eine Bibliothek von Prompts nach Phasen des Verkaufstrichters und Arten von Unklarheiten der Branche. Ich teste sie auf ChatGPT, Gemini und Perplexity und erfasse Erwähnungen, Zitate und Konkurrenten in den Antworten. Ich analysiere, welche Seitentypen von uns und welche externen Domains nach Kategorien zitiert werden. Warum LLM-Sichtbarkeit für Onlineshops überhaupt zählt, steht in Die Relevanz von LLM-Sichtbarkeit für Onlineshops; der Crawler-Zugang in llms.txt und Crawl Budget.

Ich führe ein technisches Audit durch: Schema-Stack, Duplikate, Markups, JavaScript-Rendering, Crawler-Zugänglichkeit, Feeds – alle technischen Aspekte.

Zweitens das Fundament: Ich setze den kompletten Schema-Stack auf – Produkt mit GTIN und echten Bewertungen; Organisation auf der gesamten Website mit sameAs-Verbindungen; FAQ-Seiten für spezifische Käuferfragen; How-to-Tutorials; Breadcrumb-Liste; ich bringe Ihre Lieferpolitik in lesbare Form für Menschen und Maschinen.

Ich erstelle und repariere Assets zur Reduzierung von Unsicherheiten: Größenleitfäden, Kompatibilitätstabellen, Support-Datenbanken, Auswahlhilfen.

Dann gehe ich parallel zur äußeren Schicht über: Off-page – YouTube-Inhalte für Rollen der Branche; Reviews; Tutorials; Produktdemonstrationen; nützliche Präsenz auf thematischen Subreddits plus Sentiment-Monitoring; Arbeit mit Bewertungen – deren Aktualität und Vielfalt – Markup; Bewertung externer Plattformen; Digital PR in Fachmedien der Kategorie – etwa Fashion-Magazine bei Mode.

Unabhängig von den drei vorherigen Schritten erfolgt ständig Messung und Iteration: Ein Dashboard für die drei Schichten – Presence, Readiness und Impact; getrenntes Tracking nach Plattformen; getrenntes Tracking von Zitierungen und Klicks; vierteljährliches System sowie Seed-Daten auf Reddit und YouTube; Diagnose von Zitierungsverweigerungen nach Prioritätsclustern der Prompts.

Wann sich der Aufwand lohnt, und wann nicht

Der Hebel greift, wenn Ihre Kategorie echte Kaufunsicherheiten kennt, mehrere Engines für Ihr Publikum zählen und Ihr Sortiment beratungsintensiv ist. Er greift kaum, wenn Sie fast ausschließlich über den Preis im Longtail verkaufen, nur ein einziger Kanal relevant ist oder Ihre Marge keinen Aufbau externer Signale trägt. Und ein ehrlicher Kompromiss bleibt: Ein großer Teil der Beweis-Ebene liegt außerhalb Ihrer Domain, also außerhalb Ihrer direkten Kontrolle. Sie beeinflussen sie, Sie besitzen sie nicht.

Fazit

Nun, die abschließenden Schlussfolgerungen: KI-Suche verändert Ihre Optimierungsprozesse für Online-Shops rund um die zentrale Frage oder das Hauptproblem, Ihren unbestimmten Käufer. Die Produktseite ist ein Teil der Gleichung, aber die Beweis-Ebene umfasst auch Anleitungen, Support, Richtlinien, Bewertungen, Communitys, Videos und Expertenmedien. Ihre eigene Domain liefert den kleinsten Teil Ihres KI-Narrativs. Externe Bestätigungen sind hier wichtiger als eigene Aussagen. Zitate und Traffic sind unterschiedliche Signale, die separat gemessen und unterschiedlich behandelt werden müssen. Bewährte Hebel sind bekannt: Statistiken zeigen, dass Zitate im Inhalt einen Plus von 30-41% bringen, vollständige Schemas und Stacks funktionieren auf allen Engines gleichzeitig. Übrigens sind tote Praktiken bekannt; Keyword-Stuffing funktioniert in der KI-Umgebung überhaupt nicht. Jede KI-Plattform ist ein eigener Kanal mit eigenen Zitiergewohnheiten, Anforderungen und Algorithmen. Am Horizont zeichnet sich bereits die nächste Front ab: Agenten-Kommerz, bei dem der Käufer eine künstliche Intelligenz ist und Geschäfte gewinnen, die makellose maschinenlesbare Daten haben. Es gibt für alle ein Fenster der Möglichkeiten, zum Beispiel im Bereich Consumer Electronics, wo die Top-3-Marken bereits 76% der Kategorien-Sichtbarkeit auf sich vereinen. Die Konzentration wächst, aber GEO-Faktoren bieten nach wie vor einen unverhältnismäßig großen Zuwachs für diejenigen, die mit einer niedrigen Basis beginnen. Die Frage ist nicht, ob man sich damit beschäftigen sollte; die Frage ist, ob man es schafft, vor den Konkurrenten einen Platz in der Beweis-Ebene seiner Kategorie zu sichern.

Häufige Fragen

Reicht es, meine Produktseiten und Feeds für die KI-Suche zu optimieren? Nein. Über fünf Website-Kategorien hinweg entfallen nur rund 37 Prozent der Zitate auf die eigene Domain auf Produkt- oder Angebotsseiten. Ratgeber, Kategorie-, Support- und Richtlinienseiten tragen den größeren Teil.

Warum wird meine Seite zitiert, bringt aber keine Klicks? Weil Zitat und Klick zwei Schichten sind. Die KI kann Ihre Seite als Beleg nutzen und die Frage direkt beantworten, ohne dass der Nutzer weiterklickt. Messen Sie beides getrennt.

Welches strukturierte Datenformat wirkt über alle Engines? Schema.org. ChatGPT, Claude, Perplexity, Gemini, Copilot und Apple Intelligence nutzen dasselbe Vokabular. Entscheidend sind vollständige Produktfelder mit Identifikator und Markup im HTML-Quelltext.

Lohnt sich das auch für einen kleinen Shop? Ja. Die Princeton-Studie zeigt den größten Zuwachs bei Seiten mit niedriger Ausgangsposition. Über hochwertigen, belegten Inhalt hat ein kleiner Shop eine Chance, gegen große Marktplätze in KI-Antworten aufzutauchen.