KI-Suchmaschinenoptimierung für Onlineshops: So zitiert ChatGPT Ihre Produkte

KI-Suchmaschinenoptimierung für Onlineshops bedeutet, Ihren Shop für ChatGPT, Perplexity, Gemini und Googles KI-Übersichten leicht lesbar, vertrauenswürdig und empfehlenswert zu machen, wenn jemand fragt, was er kaufen soll. Gemeint ist nicht die KI-Suchleiste in Ihrem eigenen Shop, die Kunden hilft, die schon dort sind; es geht darum, von Assistenten genannt zu werden, bevor der Käufer überhaupt einen Shop erreicht. In der Praxis sind das fünf Dinge: Produktfakten im HTML, das der Server ausliefert, Product-Schema, das zur Seite passt, eine eigene, originelle Textebene pro Produkt, zugelassene KI-Crawler sowie Bewertungen und Erwähnungen auf anderen Websites. Danach prüfen Sie Frage für Frage, ob die Antwortmaschinen Ihre Produkte nennen oder die eines anderen.

Öffnen Sie Ihre meistverkaufte Produktseite so, wie ein KI-Crawler sie öffnet: eine Anfrage, kein JavaScript, keine akzeptierten Cookies. Der Preis wird von einem Skript in die Seite geschrieben, das nie ausgeführt wird. Die Beschreibung ist der Absatz des Herstellers, identisch mit dem auf vierzig anderen Shops. Größentabelle und Bewertungen stecken in Widgets, die erst nach der Seite laden. Übrig bleiben ein Titel, ein Bild und eine Überschrift. Auf dieser Grundlage sollen ChatGPT, Perplexity und Googles KI-Funktionen eine Empfehlung aussprechen, und sie werden immer häufiger gefragt, von Käufern, die besser konvertieren, wenn sie ankommen.

Was der Assistent auf einer Produktseite tatsächlich liest

Zwei Leser besuchen Ihren Shop im Auftrag einer KI-Antwortmaschine. Der erste ist ein Such-Crawler wie OAI-SearchBot, PerplexityBot oder Claude-SearchBot: Er ruft das rohe HTML ab und zieht weiter. Der zweite ist der Live-Abruf, den ein Chatbot macht, wenn er eine URL öffnet, um eine einzelne Frage zu beantworten. Beide entnehmen ihre Informationen hauptsächlich dem sichtbaren, gerenderten Inhalt. Keiner von beiden wartet auf ein JavaScript-Bundle, klickt ein Cookie-Banner weg oder klappt einen Tab auf.

Der erste Test ist also schlicht. Produktname, Beschreibung, technische Daten, Preis, Verfügbarkeit und Bewertungen müssen im HTML stehen, das der Server zurückgibt. Erscheint eines dieser Felder erst, nachdem ein Skript gelaufen ist, existiert es für das Modell nicht. Es wird nicht schlechter gerankt. Es fehlt in der Menge möglicher Antworten. Eine Ranking-Abwertung verschlechtert eine Position; eine unlesbare Seite führt zu völliger Abwesenheit.

Die zweite Ebene sind strukturierte Daten. Jede Produktseite sollte Product-Schema mit mindestens name, description, image, brand, SKU oder GTIN, offers (mit price, priceCurrency, availability) und aggregateRating enthalten, sofern Bewertungen vorhanden sind. Prüfen Sie das mit Googles Test für Rich-Suchergebnisse (Rich Results Test). Wichtiger als Vollständigkeit ist dabei Konsistenz: Jede Eigenschaft im JSON-LD muss auch auf der sichtbaren Seite stehen. Ein Schema-Preis, der nicht auf der Seite steht, verstößt gegen Googles Richtlinien. Ein Gründungsdatum im Organization-Schema, das der Über-uns-Seite widerspricht, signalisiert einem Modell, das beides liest, dass die Quelle unzuverlässig ist.

Die dritte Ebene ist der Text selbst. Herstellerbeschreibungen werden an Dutzende oder Hunderte Händler verteilt. Ein Modell, das denselben Absatz in jedem Shop liest, hat keinen Grund, ausgerechnet Ihren zu nennen; kein einzelner Händler ist als Quelle erkennbar. Jede Produktseite braucht eine eigene, originelle Ebene: eine markenspezifische Beschreibung, einen Anwendungsfall, den der Hersteller nicht erwähnt, eine Zusammenfassung dessen, was Kunden sagen, oder ein technisches Detail, das im Herstellertext fehlt. Das ist die Mindestanforderung, um unterscheidbar zu sein.

Ein vierter Fehler zeigt sich nicht auf der Seite, sondern in den Server-Logs. Wenn ein Assistent Ihren Katalog nicht gelesen hat, schickt er den Käufer trotzdem irgendwohin und errät eine URL aus dem Produktnamen; wie viele der verbundenen Shops solche Anfragen erhalten, steht in der Zusammenfassung oben. Ein nackter 404-Fehler beendet diesen Besuch. Eine nicht mehr aktive Produkt-URL, die auf das aktuelle Produkt oder seine Kategorie weiterleitet, rettet ihn.

Wer aus einer Antwort kommt, ist mehr wert als wer über einen Klick kommt

Die Größenordnung erschließt sich erst, wenn die Zahlen nebeneinanderstehen. Adobes neueste Daten für Juli 2026 zeigen, dass von KI vermittelte Besuche auf US-Händlerwebsites um 60 % besser konvertieren als Besuche ohne KI-Bezug, mit 53 % mehr Umsatz pro Besuch, der elfte Monat in Folge, in dem KI-Traffic besser konvertierte ^[10]. Im ersten Quartal 2026 stieg der KI-Traffic zu US-Händlern im Vorjahresvergleich um 393 %, und im März konvertierte er um 42 % besser als Traffic ohne KI-Bezug; im März 2025 hatte er noch um 38 % schlechter konvertiert ^[9]. Das Weihnachtsgeschäft davor gab das Tempo vor: Im Weihnachtsgeschäft 2025 wuchs der Traffic von generativen KI-Tools zu US-Händlerwebsites laut Adobe Analytics, das auf mehr als 1 Billion Besuchen auf US-Händlerwebsites basiert, im Vorjahresvergleich um 693,4 % ^[1].

Quelle: Adobe Analytics, November–Dezember 2025 [1][2]. Adobe erfasst mehr als 1 Billion Besuche auf US-Händlerwebsites.

Die Weihnachtsdaten, wie Digital Commerce 360 sie wiedergibt, zeigen, dass diese Besucher um 31 % häufiger konvertierten als Besucher aus anderen Quellen, eine um 33 % niedrigere Absprungrate hatten, 45 % mehr Zeit auf der Website verbrachten und 254 % mehr Umsatz pro Besuch erzielten als ein Jahr zuvor ^[2]. Sie stöbern nicht. Sie kommen mit einer Kaufabsicht, die die Antwort bereits geformt hat. Auf Verbraucherseite hatten in Adobes Umfrage unter 5.000 US-Verbrauchern 39 % generative KI bereits für den Onlineeinkauf genutzt, und 53 % hatten das für 2025 vor ^[3].

Die Plattformdaten von Shopify weisen in dieselbe Richtung. Im ersten Quartal 2026 wuchsen die Referral-Sitzungen von KI-Chatbots zu Shopify-Shops im Vorjahresvergleich auf mehr als das 8-Fache, die von KI vermittelten Bestellungen auf fast das 13-Fache, und diese Käufer konvertierten mit einer um fast 50 % höheren Rate als Besucher aus der organischen Suche, bei um 14 % höheren durchschnittlichen Bestellwerten ^[5].

Quelle: Shopify, Commerce-Daten Q1 2026 [5]. Von KI vermittelte Käufer konvertieren außerdem mit einer um fast 50 % höheren Rate als Besucher aus der organischen Suche.

Gleichzeitig wird der Klick seltener. In den ersten vier Monaten 2026 endeten 68,01 % der Google-Suchen in den USA ohne Klick auf irgendeine Website, so die Analyse von SparkToro auf Basis von Similarweb-Clickstream-Daten ^[6]. Eine Studie mit 20,9 Millionen Shopping-Keywords ergab, dass 14 % davon inzwischen eine Google KI-Übersicht auslösen, ein Anstieg um das 5,6-Fache in den vier Monaten bis März 2026 ^[7]. Die Ergebnisseite ist nicht mehr der Ort, an dem die Entscheidung mit der höchsten Kaufabsicht fällt. Die Antwort ist es.

Die vier Arten von Fragen, die Käufer ChatGPT stellen

Käufer fragen Assistenten anders, als sie bei Google suchen: länger, konkreter, näher an der Entscheidung. Die Fragen lassen sich in vier Gruppen einteilen.

Entdeckung ist die Gruppe mit der höchsten Kaufabsicht: „bestes [Kategorie] unter X € für [Anwendung]“, „[Marke A] oder [Marke B] für [Bedarf]“, „worauf sollte ich beim Kauf von [Kategorie] achten?“. Problem-Fragen kommen früher: „mein [Gerät] macht ständig X, was sollte ich kaufen?“, „lohnt sich [Material] wirklich?“. Vergleichs-Fragen liegen dazwischen: Vor- und Nachteile eines Produkts, drei Produkte im Vergleich bei einer technischen Eigenschaft, welches die besten Bewertungen für ein bestimmtes Merkmal hat. Vertrauens-Fragen schließen den Kreis: „ist [Marke] seriös?“, „was sagen echte Kunden?“, „gibt es Beschwerden über [Marke]?“.

Entdeckung und Vertrauen sind das Eingangs- und das Ausgangstor des Kaufs. Eine Marke, die genannt wird, während der Käufer Optionen entdeckt, aber fehlt, wenn er sie überprüft, verliert den Verkauf im letzten Schritt. Eine Marke, die in beiden fehlt, ist gar nicht in der engeren Auswahl. Prüfen Sie Ihre Produkt- und Kategorieseiten zuerst an diesen beiden Toren; die beiden mittleren Gruppen sind das Terrain, auf dem sich Kaufratgeber und Vergleichsseiten ihren Platz verdienen.

Produktseite, Kategorieseite, Ratgeber: was jede dem Modell schuldet

Zuerst das Fundament: Eine Zugangssperre oder ein fehlerhaftes Schema macht jeden späteren Schritt unsichtbar.

Die Produktseite schuldet dem Modell ein Schema, das zur Seite passt, eine originelle Beschreibung und ein kurzes FAQ. KI-Antwortmaschinen sind dafür gebaut, Fragen zu beantworten. Eine Seite mit ausdrücklichen Fragen und direkten, sachlichen Antworten entspricht also der Art, wie ein Modell eine Antwort zusammensetzt; FAQPage-Markup sagt ihm, dass dieser Abschnitt genau das ist. Schreiben Sie vier bis acht Einträge zu echten Kauffragen. „Ist dieser Stiefel wasserdicht oder nur wasserabweisend?“ ist nützlich. „Warum ist dieser Stiefel der beste auf dem Markt?“ gibt dem Modell nichts, was es in einem neutralen Vergleich verwenden könnte.

Die Kategorieseite schuldet dem Modell die Unterschiede zwischen den Produkten, die sie auflistet, und zehn bis fünfzehn FAQ-Einträge, die die Problem- und Vergleichsfragen für das gesamte Sortiment beantworten. Auf dieser Seite landet eine Entdeckungsfrage am häufigsten, und genau diese Seite lassen die meisten Shops als Raster ohne Text stehen.

Der Kaufratgeber schuldet dem Modell Tiefe. Investieren Sie in einige gründliche Ratgeber zu den Kategorien, die Sie verkaufen, statt in viele oberflächliche Artikel zu lose verwandten Themen: Ein Ratgeber wird für das zitiert, was er enthält und andere Seiten nicht. Verwenden Sie klare Überschriften, nummerierte Schritte, wo die Reihenfolge zählt, Vergleichstabellen mit sachlichen Werten und belegte Datenpunkte. Ergänzen Sie dann, was niemand sonst veröffentlichen kann: Ergebnisse interner Umfragen, anonymisierte Bestelldaten dazu, wie das Produkt genutzt wird, Ihre eigene Testmethode. Eine Seite, die nur den Konsens der Kategorie wiederholt, gibt dem Modell keinen Grund, sie einem Dutzend ebenso generischer Alternativen vorzuziehen.

Zugang betrifft alle drei. Prüfen Sie robots.txt und WAF-Regeln gezielt auf die Such- und Assistenten-Bots: OAI-SearchBot, ChatGPT-User, PerplexityBot, Claude-SearchBot und Claude-User. Crawler, die nur fürs Training sammeln (GPTBot, ClaudeBot, CCBot, Google-Extended), sind eine separate Entscheidung: Sie zu blockieren kostet keine Zitierungen. Der Leitfaden zu KI-Crawlern, robots.txt und llms.txt listet auf, welcher Bot was tut. Regeln, die geschrieben wurden, bevor es diese Bots gab, aggressives Bot-Management in Cloudflare oder einer ähnlichen WAF und ein Cookie-Consent, der Inhalte vor nicht interaktiven Besuchern verbirgt, führen jeweils zum selben Ergebnis: zur Entfernung aus der Antwort.

Extern ist die Ebene, die das Modell liest, wenn es entscheidet, ob es Ihnen vertraut: Bewertungen bei Google, Trustpilot und, wo relevant, Amazon, Reddit-Threads in Ihrer Kategorie, redaktionelle Erwähnungen in Medien, die Ihre Käufer lesen. Ein Produkt mit starken, aktuellen und ausführlichen Bewertungen auf vertrauenswürdigen Plattformen hat einen strukturellen Vorteil gegenüber einem mit spärlicher oder veralteter Abdeckung.

Die Reihenfolge der Arbeit ist auf jeder Plattform dieselbe; wo Sie klicken, nicht. Es gibt Schritt-für-Schritt-Anleitungen an einem Demo-Shop dazu, wie ChatGPT einen Shopify-Shop zitiert, zur WooCommerce-Version derselben Schritte und zu einem Wix-Shop und ChatGPT.

Wenn der Agent statt des Käufers kauft

Der nächste Leser Ihrer Produktseite ist gar kein Mensch. Salesforce schätzte, dass KI und Agenten im Weihnachtsgeschäft 2025 20 % des weltweiten Einzelhandelsumsatzes und 262 Milliarden US-Dollar Umsatz beeinflussten und dass Käufer, die von KI-gestützter Suche kamen, neunmal häufiger konvertierten als Käufer aus sozialen Medien ^[4]. Morgan Stanley beziffert den Anteil „agentischer Käufer“ am US-E-Commerce bis 2030 auf 190 bis 385 Milliarden US-Dollar, einen Anteil von 10 % bis 20 %, und merkt an, dass rund 23 % der Amerikaner im vergangenen Monat bereits etwas über KI gekauft hatten ^[8]. Abgesehen von dieser Prognose beschreibt jede Zahl in diesem Artikel, was bereits geschehen ist.

Ein Agent, der im Auftrag eines Käufers vergleicht und kauft, liest Ihr Hero-Banner nicht. Er liest Felder: Preis, Währung, Verfügbarkeit, Versandkosten und Lieferzeit, Rückgabebedingungen, Varianten-IDs und eine GTIN, mit der er Ihr Angebot mit anderen abgleichen kann. Er braucht sie alle maschinenlesbar, mit denselben Werten auf der Seite, im Schema und in jedem Feed, den Sie ausspielen. Ein Preis, der zwischen Schema und Seite abweicht, ist für einen Agenten kein Schönheitsfehler; er ist ein Grund, den Wettbewerber zu wählen, dessen Zahlen übereinstimmen.

Die oben beschriebene Arbeit an der Produktseite ist also keine Vorbereitung auf einen künftigen Kanal; es sind dieselben Daten, die der Agent prüfen wird. Ein Shop, dessen Angebote, Lagerbestände und Richtlinien in strukturierter Form vollständig und konsistent sind, ist für einen Menschen, einen Chatbot und einen Agenten gleichzeitig lesbar. Ein Shop, der seine Richtlinien in einem PDF und seinen Lagerbestand in einem Skript verwahrt, ist für keinen von ihnen lesbar.

Wo die Arbeit wieder zunichtegemacht wird

Der häufigste Rückschritt ist, das Falsche zu messen. SEO misst die Position in einem Index; AEO misst die Zitierung in einer generierten Antwort. Ein Team, das Keyword-Rankings verfolgt, wird falsch deuten, was passiert, denn ein Ranking auf Seite eins und eine völlige Abwesenheit in jeder KI-Antwort zur Kategorie bestehen heute bei den meisten mittelgroßen Shops nebeneinander.

Der zweite ist das Auseinanderdriften von Schema und Seite: eine Schema-Korrektur im Januar, der eine Preisänderung im April über ein anderes Tool widerspricht. Nehmen Sie die Schema-Konsistenz in die Release-Checkliste für jede Änderung an Preis, Verfügbarkeit oder Produktname auf.

Der dritte ist die Crawler-Sperre, an deren Einrichtung sich niemand erinnert. Die meisten robots.txt-Dateien von Onlineshops sind älter als OAI-SearchBot, PerplexityBot und Claude-SearchBot, und WAF-Ratenbegrenzungen behandeln einen KI-Crawler wie jede andere automatisierte Anfrage. Wiederholen Sie die Zugangsprüfung, sobald sich die CDN- oder Bot-Management-Konfiguration ändert.

Der vierte ist die Rückkehr der Herstellertexte. Neue Artikel kommen mit dem Text des Lieferanten, und die originelle Ebene wird nicht ergänzt. Machen Sie die eigene Beschreibung zu einem Pflichtfeld, bevor ein Produkt live geht, statt sie als einmaliges Projekt zu behandeln.

Der letzte ist, SEO aufzugeben, weil AEO wächst. Googles KI-Übersichten basieren auf indexierten Inhalten, ein starkes SEO-Fundament hilft also, statt zu schaden. Der Zero-Click-Anteil von 68 % bedeutet immer noch, dass rund ein Drittel der Google-Suchen einen Klick auslöst ^[6], und diese Klicks gehen überproportional an gut platzierte Ergebnisse. AEO ist eine zusätzliche Ebene auf einer funktionierenden SEO-Arbeit, kein Ersatz dafür.

Checkliste: KI-Suchmaschinenoptimierung für Onlineshops

Die Abschnitte oben, in der Reihenfolge, in der Sie sie abarbeiten:

1. Zugang öffnen. Lassen Sie in robots.txt und in der Firewall OAI-SearchBot, ChatGPT-User, PerplexityBot, Claude-SearchBot und Claude-User zu; ob Sie die reinen Trainings-Bots blockieren, entscheiden Sie selbst.
2. Die Fakten ins HTML bringen. Name, Preis, Verfügbarkeit, technische Daten und Bewertungen gehören in die Seite, die der Server ausliefert, nicht erst nach Ausführung eines Skripts.
3. Product-Schema ergänzen, das zur Seite passt. Derselbe Preis, dieselbe Verfügbarkeit und dieselben Kennungen im JSON-LD, auf der sichtbaren Seite und in jedem Feed.
4. Eine originelle Ebene pro Produkt schreiben. Ersetzen oder ergänzen Sie den Herstellertext durch etwas, das nur Sie sagen können.
5. Echte Kauffragen beantworten. Ein kurzes FAQ auf Produktseiten, ein ausführlicheres auf Kategorieseiten, Kaufratgeber mit sachlichen Vergleichen.
6. Nicht mehr aktive Produkt-URLs weiterleiten. Leiten Sie erratene oder alte URLs auf das aktuelle Produkt oder seine Kategorie weiter statt auf einen nackten 404-Fehler.
7. Externe Signale verdienen. Ausführliche Bewertungen auf vertrauenswürdigen Plattformen und Erwähnungen dort, wo Ihre Käufer lesen.
8. Das Abdriften verhindern. Schema-Konsistenz in der Release-Checkliste, eigener Text als Pflicht für neue Artikel, erneute Zugangsprüfung nach CDN- oder WAF-Änderungen.
9. Zitierungen messen, nicht Rankings. Ein fester Satz von Kauffragen, jeden Monat, in jeder Antwortmaschine.

So prüfen Sie, ob ChatGPT Ihre Produkte zitiert

Die Zitierung geht dem Traffic um Wochen oder Monate voraus; wer auf die Webanalyse wartet, erfährt es also spät. Der Frühindikator ist direkt: ein fester Satz von Kauffragen aus den vier Gruppen oben, für Ihre Kategorie formuliert, jeden Monat in ChatGPT, Perplexity, Gemini, Claude und Google KI-Übersichten gestellt, mit einer Aufzeichnung, wer zitiert wird und welche Quellen die Antwort verwendet hat. An dieser Liste sehen Sie, ob ein Marktplatz oder ein direkter Wettbewerber an Ihrer Stelle genannt wird und welche Seite Sie zuerst verbessern sollten. Kombinieren Sie das mit einer Ausgangsmessung der Schema-Abdeckung, des Crawler-Zugangs und des FAQ-Markups, damit sich jede Korrektur einer Veränderung bei den Zitierungen zuordnen lässt. CiteProof stellt diesen Fragensatz und erhebt diese Ausgangsmessung für Sie und zählt eine Korrektur erst dann als erledigt, wenn sie live verifiziert und für die Antwortmaschinen lesbar ist.

Die zweite Hälfte derselben Prüfung ist, wer genannt wird, wenn Sie es nicht sind. Auf der Wettbewerberseite fügen Sie die Shops, gegen die Sie verkaufen, per Domain hinzu, und sobald mindestens einer bestätigt ist, können Sie vergleichen, wie oft die Antwortmaschinen sie und Sie zitieren.

Dasselbe Tracking funktioniert, ob der Shop auf Shopify mit der CiteProof-App, auf WooCommerce mit dem WordPress-Plugin oder auf einer Wix-Website mit der CiteProof-App läuft.

Häufig gestellte Fragen

Was ist der Unterschied zwischen AEO und GEO für Onlineshops?

AEO (Answer Engine Optimization) und GEO (Generative Engine Optimization) sind eng verwandt und werden oft synonym verwendet. AEO konzentriert sich eher auf die Inhalte und das Markup, die eine Seite in direkten KI-Antworten zitierfähig machen; GEO betont eher die externe Konsensebene aus digitaler PR, Erwähnungen durch Dritte und Bewertungsplattformen. Für einen Shop gilt beides, und die praktischen Schritte sind dieselben: Schema, FAQ-Inhalte, thematische Tiefe, Crawler-Zugang und externe Signale.

Welche KI-Systeme sollte ich bei AEO für meinen Onlineshop priorisieren?

Die Google KI-Übersichten sind für die meisten Shops die naheliegende erste Priorität, weil sie in der dominierenden Suchmaschine sitzen und inzwischen bei 14 % der Shopping-Suchanfragen erscheinen ^[7]. Danach kommen ChatGPT, Perplexity, Gemini und Claude. Die strukturellen Anforderungen sind dieselben, sodass sauberes Schema, offenes Crawling, starkes FAQ-Markup und thematische Autorität die Ergebnisse bei allen gleichzeitig verbessern.

Wie lange dauert es, bis AEO-Optimierung Ergebnisse zeigt?

Dafür gibt es keinen veröffentlichten Richtwert. Korrekturen am Crawler-Zugang und am Schema können sich erst zeigen, wenn die Antwortmaschinen die Seiten nach ihrem eigenen Zeitplan erneut crawlen; Kaufratgeber und externe Arbeit über Bewertungen und PR brauchen länger und haben kein Enddatum. Messen Sie es, statt zu raten: Stellen Sie jeden Monat denselben Satz von Kauffragen und halten Sie fest, wann die ersten Zitierungen erscheinen.

Können kleine Onlineshops bei AEO mit großen Händlern mithalten?

Ja. Große Händler betreiben oft ausufernde Kataloge mit inkonsistentem Schema, Herstellertexten bei Tausenden von Artikeln und Konfigurationen, die KI-Crawler versehentlich blockieren. Ein fokussierter Shop mit sauberem Schema über ein schmaleres Sortiment, gründlichen Ratgebern in einer Kategorie und echten externen Signalen kann sie in KI-Antworten für bestimmte Fragengruppen übertreffen. Der Mechanismus belohnt Tiefe und Glaubwürdigkeit, nicht Größe.

Beeinflussen Produktbewertungen tatsächlich, ob eine KI meine Marke zitiert?

Ja, auf zwei Arten. Bewertungen auf Plattformen Dritter wie Google, Trustpilot und spezialisierten Branchenseiten gehören zu den externen Signalen, die ein Modell liest, wenn es die Glaubwürdigkeit einer Marke beurteilt, und aktuelle, ausführliche Bewertungen wiegen schwerer als spärliche oder veraltete. Auf der Seite selbst sagt das Bewertungs-Schema (aggregateRating, reviewCount) dem Modell, dass Ihre Produktdaten von echten Kunden bestätigt werden, was vor allem bei Vertrauensfragen zählt.

Lässt sich messen, ob AEO wirkt, bevor sich der Traffic in der Webanalyse zeigt?

Ja. Ein Zitierungs-Monitoring verfolgt, ob Ihre Marke, Ihre Produktnamen oder Ihre Kategorieinhalte in KI-Antworten auf einen festen Satz von Zielfragen in ChatGPT, Perplexity und Google KI-Übersichten erscheinen. Es bewegt sich Wochen oder Monate, bevor sich der Traffic bewegt. Ein technisches Audit der Schema-Abdeckung, des Crawler-Zugangs und des FAQ-Markups liefert die Ausgangsbasis, an der Sie Korrekturen messen.

Wie bringe ich ChatGPT dazu, meine Produkte zu empfehlen?

Machen Sie die Produktseite ohne JavaScript lesbar, mit Name, Preis, Verfügbarkeit, technischen Daten und Bewertungen im HTML; ergänzen Sie Product-Schema mit denselben Werten, die die Seite zeigt; schreiben Sie einen eigenen Absatz, den der Herstellertext nicht hat; stellen Sie sicher, dass robots.txt und Ihre Firewall OAI-SearchBot und ChatGPT-User hereinlassen (sowie PerplexityBot, Claude-SearchBot und Claude-User für die anderen Assistenten; der reine Trainings-Bot GPTBot ist optional); und verdienen Sie sich Bewertungen und Erwähnungen auf anderen Websites. ChatGPT kann nur ein Produkt nennen, das es lesen konnte und dem es aus gutem Grund vertraut.

Wie messe ich den Referral-Traffic von KI-Assistenten in meinem Shop?

Sehen Sie sich in GA4 die Sitzungen an, deren Quelle eine Assistenten-Domain wie chatgpt.com, perplexity.ai, gemini.google.com oder claude.ai ist, und fassen Sie sie in einer benutzerdefinierten Channelgruppe mit einem Channel namens „KI-Assistenten“ zusammen. Ein Teil dieses Traffics kommt ohne Referrer an und wird als direkt gezählt, die Zahl in der Webanalyse ist also eine Untergrenze. Kombinieren Sie sie mit einer monatlichen Prüfung, ob die Antwortmaschinen Sie zitieren, denn diese bewegt sich vor dem Traffic.

Unterscheidet sich KI-Suchmaschinenoptimierung von SEO für einen Onlineshop?

Sie baut auf SEO auf, statt es zu ersetzen. SEO arbeitet daran, wo Ihre Seiten in einer Liste von Links ranken; KI-Suchmaschinenoptimierung arbeitet daran, ob ein Assistent Ihre Produkte in seiner Antwort nennt. Die Grundlagen überschneiden sich (crawlbare Seiten, strukturierte Daten, nützliche Inhalte), aber der Maßstab ist ein anderer: Zitierungen in Antworten auf einen festen Satz von Shopping-Fragen, nicht Keyword-Positionen.

---

Quellen

1. [1] Adobe: Holiday Shopping Season Drove a Record $257.8 Billion Online with Consumers Embracing Generative AI Tools · Adobe · Januar 2026 · abgerufen am 2026-09-29
2. [2] Generative AI shifts online holiday shopping traffic in 2025 · Digital Commerce 360 on Adobe Analytics data · Januar 2026 · abgerufen am 2026-09-29
3. [3] Adobe Analytics: Traffic to U.S. Retail Websites from Generative AI Sources Jumps 1,200 Percent · Adobe · März 2025 · abgerufen am 2026-09-29
4. [4] Salesforce Reveals 2025 Holiday Shopping Data · Salesforce · Januar 2026 · abgerufen am 2026-09-29
5. [5] AI-referred shoppers convert better and spend more: What Shopify's early data shows · Shopify · Mai 2026 · abgerufen am 2026-09-29
6. [6] In 2026, Less than One Third of Google Searches Still Send a Click · SparkToro on Similarweb data · Juni 2026 · abgerufen am 2026-09-29
7. [7] AI Overviews Now Appear on 14% of Shopping Queries, Up 5.6x in 4 Months (Study of 20.9M SERPs) · 180 Marketing (formerly Visibility Labs), Ahrefs data · März 2026 · abgerufen am 2026-09-29
8. [8] Agentic Commerce Impact Could Reach $385 Billion by 2030 · Morgan Stanley · Dezember 2025 · abgerufen am 2026-09-29
9. [9] AI traffic to US retailers rose 393% in Q1, and it's boosting their revenue too · TechCrunch on Adobe Analytics data · April 2026 · abgerufen am 2026-10-14
10. [10] Adobe: AI-referral traffic spending, converting more than counterparts · Digital Commerce 360 on Adobe data · August 2026 · abgerufen am 2026-10-14