KI-Sichtbarkeit im E-Commerce

E-Commerce-SEO hatte lange ein klares Ziel: oben stehen. Wer bei Google auf Position eins lag, gewann Sichtbarkeit, Klicks und Umsatzchancen. Diese Logik zählt noch immer, aber sie reicht nicht mehr aus.

Die Kaufreise verlagert sich in neue Oberflächen. Menschen suchen nicht mehr nur nach „weiße Sneaker Größe 42“. Sie fragen KI-Systeme nach Empfehlungen. Sie vergleichen Produkte in ChatGPT, Gemini oder Perplexity. Sie sehen Product Grids, AI Overviews, Ergebnisse im AI Mode und Shopping-Assistenten, lange bevor sie eine klassische Shopseite öffnen.

Für Händler entsteht daraus eine neue Aufgabe. Sie müssen ihre Produkte für Systeme verständlich machen, die eine vage Kaufabsicht in eine konkrete Empfehlung übersetzen. Genau das ist KI-Sichtbarkeit im E-Commerce.

Ranking gewinnt den Kaufmoment nicht mehr automatisch

Die alte SEO-Gleichung war einfach: Top-Ranking führt zu Sichtbarkeit, Sichtbarkeit zum Klick, der Klick zur Umsatzchance. Heute sieht die Gleichung anders aus. Sichtbarkeit im Kaufmoment entsteht aus dem Zusammenspiel von Produktdaten, Feed-Qualität, Händlervertrauen, echter Beratung und strukturierten Inhalten.

Eine Analyse von Kevin Indig im Growth Memo zeigt die Verschiebung deutlich. Eine Marke erreichte 87 Prozent Top-3-Rankings, war aber nur zu 2,4 Prozent in Product Grids präsent. Eine andere Marke hatte lediglich 1,7 Prozent klassische Top-3-Rankings, gewann aber 59 Prozent der Product-Grid-Sichtbarkeit. Zwischen Mai 2025 und Februar 2026 stieg die Zahl der Product-Grid-Platzierungen erkennbar. In derselben Analyse zeigten 96 Prozent der untersuchten Suchergebnisseiten ein Product Grid.

Damit verläuft eine neue Trennlinie durch den E-Commerce. Auf der einen Seite stehen Shops, die Sichtbarkeit weiter über Rankings messen. Auf der anderen stehen Shops, die verstanden haben: Der erste Kaufimpuls entsteht oft nicht mehr auf der eigenen Website. Er entsteht in der Shopping-Ebene von Google, in KI-Antworten, in Produktvergleichen, in Assistenten und auf visuellen Discovery-Flächen. Wer dort nicht auftaucht, verliert die Chance, überhaupt in die engere Auswahl der Kundschaft zu kommen.

KI-Shopping ist zuerst Beratung, nicht Checkout

Viele Diskussionen über KI-Shopping drehen sich um den finalen Kauf. Wird ein Agent irgendwann selbst bestellen? Findet der Checkout im Chat statt? Zahlt die Kundschaft noch im Shop? Das ist spannend, aber der wichtigere Moment liegt früher.

ChatGPT beschreibt seine Händlerfunktion als Product Discovery: Händler können Produktfeeds bereitstellen, damit ihre Produkte auftauchen, während Nutzer Optionen erkunden, vergleichen und Kaufentscheidungen treffen. Google geht in dieselbe Richtung. Im Mai 2026 kündigte Google die AI Performance Insights im Merchant Center an. Händler sollen sehen, wie ihre Marke über KI-Oberflächen hinweg abschneidet und wie ihr Share of Voice im Vergleich zu ähnlichen Marken aussieht. Als Hebel nennt Google starke Produktbeschreibungen und sogenannte „conversational attributes“, die Produkten im AI Mode und in Gemini zu mehr Discovery verhelfen.

KI-Systeme besetzen den Beratungsmoment.

Sie helfen Nutzern, aus einem vagen Bedarf eine konkrete Auswahl zu machen. Die Fragen dahinter sind keine klassischen Keywords, sondern Kaufsituationen:

• „Welche Laufschuhe passen bei breiten Füßen?“
• „Was brauche ich für mein erstes Home-Gym?“
• „Welche Regenjacke ist gut, wenn ich mit dem Rad zur Arbeit fahre?“
• „Welche Kaffeemaschine passt in eine kleine Küche?“
• „Welche Sneaker sehen zum Anzug gut aus, ohne zu drücken?“

Genau an dieser Stelle entscheidet sich KI-Sichtbarkeit.

Produktfeeds werden zur Sprache der Maschinen

Lange haben viele Shops Produktfeeds als Pflichtaufgabe behandelt. Ein bisschen Google Shopping, ein bisschen Meta, ein bisschen Marktplatz-Setup. Solange die Basis lief, war das genug. Das gilt inzwischen nicht mehr.

Feeds werden zur Produkt-API der KI-Systeme. Sie liefern das Rohmaterial, aus dem Shopping-Assistenten ihre Empfehlungen bauen. Ist ein Feed unvollständig, veraltet oder widersprüchlich, versteht die Maschine das Produkt weniger klar. Es erscheint dann seltener, ungenauer oder gar nicht.

Ein guter Feed beantwortet nicht nur, wie ein Produkt heißt, was es kostet, ob es verfügbar ist, welche Farbe und welche Größen es gibt. Ein guter KI-Shopping-Feed beantwortet auch die Fragen dahinter:

• Für wen ist das Produkt gedacht?
• In welcher Situation passt es?
• Was unterscheidet es von ähnlichen Produkten?
• Welche Varianten gibt es?
• Welche Fragen stellen Käufer vor dem Kauf?
• Welche Einschränkungen sollte die Kundschaft kennen?
• Wie sind Lieferung, Rückgabe und Garantie geregelt?

Google hat dafür im Merchant Center eigene „conversational attributes“ eingeführt. Sie sollen KI-Systemen und dialogorientierten Agenten helfen, Produktnuancen besser zu erfassen, und umfassen unter anderem Fragen und Antworten, Dokumentverlinkungen, verwandte Produkte, Variantendaten und Popularitätsränge. Das klingt technisch, ist im Kern aber eine redaktionelle Aufgabe: Produktinformationen so pflegen, dass Menschen sie verstehen und Maschinen sie sauber einordnen.

Produktdaten müssen konversationsfähig werden

Klassische Produktdaten sehen oft so aus: Farbe schwarz, Material Polyester, Eigenschaft wasserabweisend, Kategorie Jacke. Das ist korrekt, erklärt aber wenig. Ein KI-System muss verstehen, wann diese Jacke wirklich Sinn ergibt. Dafür braucht es Kontext.

Jetzt entsteht Bedeutung. Aus „wasserabweisend“ wird „geeignet bei wechselhaftem Wetter“. Aus „Polyester“ wird „pflegeleicht und schnelltrocknend“. Aus „leicht“ wird „praktisch für Reise und Pendeln“. Das Prinzip dahinter ist immer gleich: Attribut, Nutzen, Situation.

Sag nicht nur, was ein Produkt hat. Sag, wann es hilft.

Jede Produktseite braucht einen klaren Antwort-Block

Produktdetailseiten dürfen nicht mehr nur verkaufen, sie müssen erklären. Eine starke Produktseite enthält deshalb einen kurzen, für sich stehenden Absatz, den ein KI-System leicht herausziehen kann. Er beschreibt das Produkt in rund 50 Wörtern und funktioniert allein: Produkttyp, Zielgruppe, Nutzen, wichtige Merkmale und Einsatzzweck.

Der zweite Absatz liefert deutlich mehr Kontext. Er nennt Produkttyp (Straßenlaufschuh), Zielgruppe (Laufanfänger), Einsatzzweck (kurze bis mittlere Distanzen), Nutzen (Gelenkschutz, Atmungsaktivität, Komfort) und Differenzierung (weite Passform). So entsteht ein sauberer Wissensblock. Für die Kundschaft, für Suchmaschinen, für KI-Systeme.

Q&As sind Kaufberatung

Viele Shops nutzen FAQ falsch und wiederholen nur, was ohnehin auf der Seite steht. Das hilft wenig. Gute Fragen und Antworten greifen echte Kaufzweifel auf: Ist der Schuh für breite Füße geeignet? Kann ich die Jacke beim Radfahren tragen? Passt der Rucksack unter den Flugzeugsitz? Wie fällt die Größe aus?

Die Antwort sollte nicht nur „ja“ sagen, sondern erklären.

Das ist nützlich und liefert KI-Systemen genau den Kontext, den sie für Empfehlungen brauchen. Wichtig: Diese Fragen und Antworten gehören auch in Produktfeeds und strukturierte Daten, wo es sinnvoll ist. Google führt Q&A-Daten ausdrücklich als Teil der conversational attributes im Merchant Center.

Kategorieseiten reichen nicht: Shops brauchen Intent-Seiten

Viele Shops denken in Kategorien und Filtern. Kategorieseiten wie Sneaker, Laufschuhe oder Winterjacken. Filterseiten wie grüne Schuhe, Sneaker in Größe 42 oder wasserdichte schwarze Jacke. Beides bleibt nützlich. KI-Sichtbarkeit entsteht aber vor allem dort, wo ein Shop eine echte Kaufabsicht abbildet.

Eine Filterseite sagt: Hier sind grüne Schuhe. Eine Kategorieseite sagt: Hier sind Sneaker. Eine Intent-Seite sagt: Hier ist die passende Lösung für deine Situation. Beispiele dafür:

• Outfits für Laufanfänger
• Die besten Schuhe für breite Füße
• Winterjacken für Rad-Pendler
• Was brauche ich für meinen ersten Halbmarathon?
• Bequeme Business-Sneaker für lange Messetage
• Regenkleidung für Kita-Eltern, die morgens Rad fahren

Das ist der Schritt vom Sortiment zur Beratung. Intent-Seiten bündeln Produkte, erklären Auswahlkriterien, zeigen Unterschiede und geben Empfehlungen. Sie liefern genau den Kontext, den KI-Systeme brauchen, um aus einer Frage eine sinnvolle Produktauswahl zu machen.

Product-Grid-Readiness wird eine eigene Disziplin

Wer in Product Grids sichtbar sein will, muss andere Signale optimieren als im klassischen SEO. Sichtbarkeit entsteht nicht mehr allein aus URL, Title, Text und interner Verlinkung. Sie entsteht aus dem Zusammenspiel von Produktfeed, Merchant Center, strukturierten Daten, Kategorie- und Intent-Seiten, Preislogik, Versanddaten, Rückgabeinformationen, Händlerbewertungen, Produktbildern, Rezensionen und Verfügbarkeit. Wer SEO betreibt, aber den Feed vernachlässigt, optimiert am Kaufmoment vorbei.

Bilder und Bewertungen werden zu Produktdaten

Produktbilder sind seit Langem Conversion-Hebel. Sie schaffen Vertrauen, zeigen Details und erleichtern den Kauf. Jetzt werden sie außerdem zu KI-Input. Pinterest zeigt, wohin die Reise geht. CEO Bill Ready beschreibt Pinterest als Shopping-Suchmaschine mit mehr als 80 Milliarden Suchanfragen pro Monat, von denen über die Hälfte kommerziell ist. Die Plattform setzt stark auf visuelle Suche und KI-gestützte Empfehlungen.

Für Shops heißt das: Herstellerbilder allein reichen oft nicht mehr. Gute E-Commerce-Bilder zeigen Produkte in realen Situationen. Den Laufschuh auf Asphalt statt nur freigestellt auf Weiß. Die Jacke am Rad statt nur an der Puppe. Den Rucksack unter dem Flugzeugsitz. Die Kaffeemaschine in einer kleinen Küche. Ein Bild kann ein Attribut belegen, einen Einsatzzweck zeigen und eine Kaufunsicherheit auflösen. Deshalb gehört Bildstrategie zur KI-Sichtbarkeit.

Bewertungen werden zu semantischen Produktdaten

Bewertungen sind nicht nur sozialer Beweis, sie sind ein Datenschatz. Käufer schreiben oft genau die Sätze, nach denen andere Käufer später suchen: „Endlich ein Schuh, der vorne nicht drückt.“ „Passt perfekt unter den Flugzeugsitz.“ „Ich trage die Jacke jeden Morgen auf dem Rad.“ „Super fürs Gym, zum Laufen aber etwas warm.“

Diese Aussagen zeigen echte Nutzung. Sie liefern Sprache, Situationen, Nutzen und Grenzen. Shops sollten Bewertungen deshalb systematisch auswerten: Welche Einsatzzwecke nennen Kunden? Welche Probleme löst das Produkt? Welche Zielgruppen loben es? Welche Zweifel tauchen immer wieder auf? Welche Formulierungen benutzen Kunden selbst? Diese Erkenntnisse fließen zurück in bessere Produktseiten, Q&As, Intent-Seiten, Vergleichsinhalte und Feeds.

Schema macht Inhalte lesbar. Erfahrung macht sie empfehlbar.

KI-Sichtbarkeit wird messbar

KI-Sichtbarkeit war lange ein weiches Thema. Viele konnten darüber reden, wenige konnten es sauber messen. Im Juni 2026 kündigte Google neue Berichte zur Search-Generative-AI-Performance in der Search Console an. Sie sollen eigene Sichten für generative KI-Funktionen wie AI Overviews, AI Mode und generative Funktionen in Discover liefern. Als Dimensionen nennt Google Impressionen, Seiten, Länder, Geräte und zeitliche Trends.

Parallel baut Google die AI Performance Insights im Merchant Center aus. Händler sollen ihre Sichtbarkeit über KI-Oberflächen hinweg besser verstehen und ihren Share of Voice mit ähnlichen Marken vergleichen. Damit wird KI-Sichtbarkeit von einer Theorie zu einer messbaren Disziplin. E-Commerce-Teams sollten prüfen:

• Sichtbarkeit in AI Overviews und im AI Mode
• Präsenz in Product Grids
• Share of Voice über die KI-Shopping-Flächen hinweg
• Feed-Abdeckung, Feed-Fehler und Anteil vollständiger Produktattribute
• Sichtbarkeit bei kaufnahen Prompts und Erwähnungen in KI-Antworten
• Wettbewerber, die häufiger in KI-Antworten auftauchen

Wer nur Rankings misst, misst die Sichtbarkeit von gestern.

Prompt-Sets ersetzen keine Keywords, sie erweitern sie

Keywords bleiben wichtig. KI-Sichtbarkeit entsteht aber oft über längere Fragen. Deshalb sollten Shops eigene Prompt-Sets aufbauen: feste Testfragen, die das Team regelmäßig über verschiedene KI-Systeme prüft. Zum Beispiel: „Welche Laufschuhe eignen sich für Anfänger mit breiten Füßen?“, „Welche Regenjacke ist gut zum Radfahren im Herbst?“, „Welche Kaffeemaschine passt in eine kleine Küche?“ oder „Welche Alternative gibt es zu Marke X?“.

Dann prüft das Team: Werden wir genannt? Welche Wettbewerber tauchen auf? Welche Quellen nutzt die KI? Welche Produkte werden empfohlen? Welche Attribute fehlen in unseren Inhalten? Welche Fragen beantworten andere besser? Welche Intent-Seiten brauchen wir, welche Produktseiten müssen überarbeitet werden? So wird GEO für den E-Commerce praktisch: als redaktioneller, datengetriebener Prozess.

Agentic Commerce braucht Vertrauen und Technik

KI-Sichtbarkeit endet nicht beim Inhalt. Wenn KI-Agenten stärker in Kaufprozesse eingebunden werden, brauchen Shops auch technische Bereitschaft. Ein zentrales Problem: Händler müssen unterscheiden, ob ein maschineller Zugriff von einem legitimen KI-Agenten kommt, der im Auftrag einer echten Kundin handelt, oder von schädlicher Automatisierung. Dazu gehören Agent-Verifizierung, Nutzerautorisierung, modernisierte Betrugsmodelle und Trust-Kontrollen über den Checkout hinaus.

Das verändert die Bot-Logik im E-Commerce. Früher war es simpel: Googlebot rein, schlechte Bots raus. Jetzt wird es komplexer. Manche Agenten bringen Nachfrage, andere scrapen nur Daten, wieder andere sehen aus wie Bots, handeln aber für echte Kundschaft. Shops sollten deshalb klären:

• Welche KI-Crawler dürfen Produktdaten lesen, und welche Daten sollen sie sehen?
• Wie aktuell sind Preise, Bestände und Lieferinformationen?
• Blockiert der Bot-Schutz legitime Agenten?
• Kann der Shop maschinengesteuerte Anfragen korrekt einordnen?
• Sind Checkout, Support, Rückgaben und Bestell-Updates agent-tauglich?

Das mag nach Zukunft klingen. Die Grundlagen sollten Shops aber jetzt legen. KI-Systeme empfehlen bevorzugt Produkte, die sie verstehen, denen sie vertrauen und die sie zuverlässig verarbeiten können.

Was Shops jetzt tun sollten

KI-Sichtbarkeit im E-Commerce beginnt nicht mit Prompt-Tricks, sondern mit sauberer Produktarbeit. Neun Schritte, die sich lohnen:

1. Produktseiten auf Antwortfähigkeit prüfen. Jede wichtige Produktseite braucht einen klaren, für sich stehenden Kurzabsatz mit Produkt, Zielgruppe, Nutzen, Merkmalen und Einsatzzweck.
2. Produktattribute anreichern. Nicht nur technische Merkmale pflegen, sondern jedes wichtige Attribut in Nutzen und Situation übersetzen. Schweißresistent heißt: gut fürs Training. Weite Passform heißt: besser für breite Füße und längeres Tragen.
3. Fragen und Antworten ergänzen. Produktseiten und Feeds sollten echte Käuferfragen beantworten. Jede Antwort ergänzt Kontext, statt Vorhandenes zu wiederholen.
4. Feeds zur Chefsache machen. Titel, Preise, Varianten, Bilder, Bewertungen, GTINs, MPNs, Versand, Rückgabe und Verfügbarkeit müssen vollständig, aktuell und konsistent sein.
5. Intent-Seiten aufbauen. Nicht nur Kategorien und Filter indexieren, sondern Seiten für echte Kaufsituationen. Nicht „Sneaker“, sondern „Bequeme weiße Sneaker fürs Pendeln“.
6. Bewertungen redaktionell nutzen. Kundenrezensionen liefern echte Sprache. Diese Sprache gehört zurück in Produktseiten, Q&As, Kaufberater und Intent-Seiten.
7. Eigene Bilder produzieren. Einzigartige Bilder zeigen Produkte im Einsatz, heben den Shop von generischen Herstellerbildern ab und helfen bei der visuellen Produktsuche.
8. KI-Sichtbarkeit messen. Rankings bleiben wichtig. Zusätzlich gehören Product Grids, AI Overviews, AI Mode, Feed-Abdeckung, Share of Voice und Prompt-Sichtbarkeit ins Monitoring.
9. Agent-Bereitschaft vorbereiten. Bot-Schutz, Datenzugriff, Feed-Aktualität, Checkout-Prozesse und Betrugssysteme auf agentische Kaufreisen einstellen.

Fazit: Verstandene Produkte werden empfohlen

KI-Shopping verändert die Logik dahinter. Produkte müssen nicht mehr nur gefunden werden, sie müssen verstanden werden. Sie müssen in Situationen passen und brauchen dafür klare Daten, echte Beratung, starke Bilder, vollständige Feeds, verlässliche Verfügbarkeit und transparente Händlersignale.

Ein Shop überzeugt damit zwei Adressaten zugleich: Menschen, die kaufen wollen, und Maschinen, die Produkte vorauswählen. Das ist eine gemeinsame Aufgabe von Content, Produktdaten, Performance-Marketing, Shopmanagement, UX, BI und Technik.

Die entscheidende Frage lautet nicht mehr nur: Ranken wir? Die bessere Frage lautet: Schaffen es unsere Produkte überhaupt in die engere Auswahl, wenn KI-Systeme Kunden beraten? Wer diese Frage mit Ja beantworten will, sollte jetzt handeln.