Die KI kann deinen Shop nicht empfehlen, wenn sie ihn nicht lesen kann

Gestern fand das vierte Zürcher WooCommerce Online Meetup des Jahres statt. Tsari Bombelli, Gründer von Bombelli Analytics in Luzern, sprach über eine Frage, die viele Shop Betreiberinnen und Betreiber gerade beschäftigt: Kommt der eigene Shop vor, wenn jemand ChatGPT, Perplexity oder Gemini nach einem Produkt fragt? Der Vortrag verzichtete weitgehend auf Prognosen und blieb bei dem, was sich am eigenen Shop prüfen lässt.

Inhalt

Die Suche verschiebt sich, aber langsamer als die Schlagzeilen

Der Einstieg des Vortrags war ein Beispiel, das jede Person mit einem Shop nachvollziehen kann. Jemand fragt einen KI-Assistenten nach einem Schweizer Onlineshop für wasserdichte Wanderschuhe. Die Antwort nennt drei Shops, dazu eine Preisangabe und am Ende vier Webseiten als Quellen. Tsaris Frage ans Publikum: Bist du eine davon?

Als Beleg für die wirtschaftliche Relevanz zitierte er eine Auswertung von Adobe Analytics. Demnach kauften Besucherinnen und Besucher, die im März 2026 aus einer KI-Antwort auf einen Shop kamen, 42% häufiger als Traffic aus anderen Quellen. Die Zahl hält der Nachprüfung stand: Adobe wertete dafür über eine Billion Besuche auf US-Retail-Sites aus. Ein Jahr zuvor lag derselbe Wert noch bei 38% schlechter, der Umschwung ist also frisch. Neuere Adobe-Daten für Mai und Juni 2026 nennen inzwischen 54%.

Bemerkenswert war, dass Tsari die Zahl im selben Atemzug relativierte. Der Anteil dieses Traffics liegt nach seiner Einschätzung bei rund einem Prozent und schwankt. Diese Angabe steht so nicht in der Adobe-Auswertung, die nur Wachstumsraten ausweist. Unabhängig belegen liess sie sich nicht. Die Grössenordnung ist für die Einordnung trotzdem entscheidend: Ein sehr kleiner Kanal konvertiert überdurchschnittlich gut und wächst schnell. Wer daraus einen unmittelbaren Handlungsdruck ableitet, überinterpretiert. Wer ihn ignoriert, verpasst eine Entwicklung. Wie sich Kaufwege ohnehin verschieben, haben wir in Wie sich die Customer Journey verändert beschrieben.

Sichtbar sein heisst noch nicht empfohlen werden

Der zentrale Satz des Abends kam früh und er war eine Warnung vor überzogenen Erwartungen. Ein technisch sauber gebauter Shop wird nicht automatisch zur Top-Empfehlung einer KI. Die Technik ist die Voraussetzung, nicht die Garantie.

Tsari teilte KI-Sichtbarkeit dafür in zwei Hälften, analog zur bekannten Aufteilung im SEO. Onpage umfasst den Zugang für KI-Bots, die Struktur der Produktdaten und die Frage, ob Inhalte maschinell extrahierbar und faktisch korrekt sind. Offpage umfasst die Quellen, aus denen eine KI beim Suchen zitiert, Erwähnungen in Foren, Vergleichen und Presse sowie Bewertungen von aussen.

Der Vortrag konzentrierte sich auf die Onpage-Seite und begründete das offen: Über die konkrete Empfehlung entscheidet häufig eine Erwähnung auf einer dritten Plattform, etwa Reddit oder ein Testportal. Onpage ist dafür die Eintrittskarte. Wer sie nicht hat, kommt in der Antwort gar nicht erst vor.

Vier Stufen, an denen es scheitern kann

Aus dem Vortrag lässt sich eine Kette ableiten, die von der technischen Erreichbarkeit bis zur Empfehlung führt. Jede Stufe setzt die vorherige voraus.

Zugänglich: Die Bots dürfen die Seite überhaupt abrufen.
Maschinenlesbar: Die zentralen Fakten stehen im HTML und in strukturierten Daten.
Relevant: Die Inhalte beantworten reale Fragen von Kundinnen und Kunden.
Vertrauenswürdig: Externe Quellen und deren Tonalität stützen die Aussage.

Die ersten beiden Stufen sind reine Handarbeit und in überschaubarer Zeit erledigt. Die dritte ist klassische Inhaltsarbeit. Die vierte lässt sich nicht direkt steuern, sondern nur beeinflussen. Genau deshalb ist die Reihenfolge wichtig: Offpage-Arbeit an Stufe vier verpufft, solange Stufe eins nicht steht.

Deine Sicherheits-Plugins können die KI aussperren

Der erste praktische Befund betraf einen blinden Fleck, den viele WooCommerce-Shops teilen. Sicherheitswerkzeuge, die gegen unerwünschten Traffic installiert wurden, treffen KI-Bots gleich mit. Tsari nannte Wordfence und den Bot Fight Mode von Cloudflare als typische Fälle, in denen KI-Crawler gedrosselt oder blockiert werden.

Das ist selten eine bewusste Entscheidung. In der Regel wurde ein Plugin installiert, eine Standardeinstellung übernommen und danach nie wieder geprüft, wer eigentlich ausgesperrt wird. Für die Sichtbarkeit in KI-Antworten ist der Effekt trotzdem derselbe wie eine Sperre in der robots.txt: Was nicht abgerufen werden kann, kann nicht zitiert werden.

Für die Prüfung nannte der Vortrag zwei kostenlose Werkzeuge. isitagentready.com stammt von Cloudflare und ist seit April 2026 verfügbar. Es nimmt eine Shop-Adresse entgegen und vergibt einen Wert zwischen 0 und 100 über vier Dimensionen: Auffindbarkeit über robots.txt und Sitemap, Aufbereitung der Inhalte, Steuerung des Bot-Zugriffs und maschinelle Schnittstellen. aibotaccess.com prüft die robots.txt gegen die bekannten KI-Bots und gibt fertige Regeln zum Kopieren aus. Es stammt von einem kleinen Anbieter, taugt für den schnellen Blick auf die robots.txt aber gut.

Seit Juni 2026 gibt es zusätzlich den AI Content Visibility Checker von Adobe, eine kostenlose Browser-Erweiterung. Sie markiert auf einer Seite jene Inhalte, die für KI-Systeme nicht lesbar sind. Der Hinweis darauf kam aus dem Chat der Teilnehmenden, nicht aus dem Vortrag.

Such-Bot oder Trainings-Crawler: der Unterschied, der zählt

Die nützlichste technische Unterscheidung des Abends betrifft die Frage, welche Bots man einlassen muss und welche man ohne Verlust sperren kann. Die Anbieter betreiben für beide Zwecke getrennte Crawler und das lässt sich in der robots.txt gezielt abbilden.

Einlassen: OAI-SearchBot, PerplexityBot, Claude-SearchBot und Googlebot. Diese Bots holen Inhalte für die Beantwortung konkreter Anfragen. Sie entscheiden darüber, ob ein Shop als Quelle in einer Antwort auftauchen kann. Googlebot ist dabei der wichtigste Sonderfall, weil er die AI Overviews speist. Ihn zu sperren kostet Sichtbarkeit in der klassischen Suche und in der KI-Antwort gleichzeitig.

Optional sperren: GPTBot, ClaudeBot und Google-Extended. Sie dienen dem Modelltraining. Wer sie aussperrt, verliert keine Sichtbarkeit in den Antworten. Das ist eine Entscheidung über die Nutzung der eigenen Inhalte, nicht über die Auffindbarkeit. Eine Präzisierung zu Google-Extended: Dahinter steckt kein eigener Crawler, sondern nur ein Steuerungstoken für die robots.txt, mit dem sich die Verwendung von Inhalten für Gemini unterbinden lässt. Auf das Ranking in der Suche hat es laut Google keinen Einfluss.

Zwei weitere Zugriffsarten fallen in keine der beiden Kategorien. ChatGPT-User, Claude-User und Perplexity-User rufen eine Seite ab, weil eine Person im Chat gerade danach gefragt hat. Sie sind keine Crawler im klassischen Sinn, halten sich teilweise nicht an die robots.txt und werden von Bot-Abwehr besonders leicht mitgesperrt.

Damit ist auch der Umgang mit Ressourcenproblemen klar umrissen. Wenn Crawler-Zugriffe den Shop belasten, ist die Antwort nicht eine pauschale Sperre, sondern eine Unterscheidung zwischen Such-Bots und Trainings-Crawlern. Wie sich Inhalte darüber hinaus gezielt für KI-Systeme auszeichnen lassen, haben wir in SEO für die nächste Generation: llms.txt richtig nutzen beschrieben.

WooCommerce schreibt dein Produkt-Schema nur zur Hälfte

Der konkreteste Befund des Vortrags galt den strukturierten Produktdaten. Schema.org-Markup sagt einer Maschine direkt, was Name, Preis und Verfügbarkeit eines Produkts sind, statt sie im Fliesstext raten zu lassen. WooCommerce erzeugt dieses Markup automatisch. Der Punkt ist, dass es unvollständig bleibt.

Ab Werk ausgegeben werden Name, Bild, Beschreibung, Artikelnummer und ein Angebotsblock mit Preis, Währung, Verfügbarkeit und Verkäufer. Seit WooCommerce 9.2 vom 21. August 2024 gibt es im Produkteditor zusätzlich ein Feld für die GTIN, also die global eindeutige Artikelnummer. Hier lohnt eine Nachprüfung am eigenen Shop: Das Feld zu befüllen bedeutet nicht zwingend, dass der Wert auch im strukturierten Markup landet.

Es fehlen jene Felder, die eine Kaufentscheidung beeinflussen: die Marke, die Rückgabebedingungen, die Versandangaben und die Bewertungen. Genau diese Informationen zieht eine KI heran, wenn sie einen Shop empfehlen oder mit anderen vergleichen soll. Sind sie nicht ausgezeichnet, muss das Modell sie aus dem Fliesstext ableiten oder es lässt sie weg. Google führt dieselben Felder als empfohlen für Merchant Listings, verlangt zwingend nur Name, Bild und den Angebotsblock. Wer also nur die Pflichtfelder erfüllt, besteht die Prüfung und verliert trotzdem die Angaben, die im Vergleich den Ausschlag geben.

Nachrüsten lässt sich das über ein SEO-Plugin wie Rank Math oder mit wenigen Zeilen im Child-Theme. WooCommerce stellt dafür die Filter woocommerce_structured_data_product und woocommerce_structured_data_product_offer bereit.

Prüfen lässt sich das ohne Werkzeugkette: Produktadresse in den Google Rich Results Test einsetzen und die ausgegebenen Felder durchgehen. Das dauert pro Produkttyp wenige Minuten und zeigt genau die Lücken, die sonst unbemerkt bleiben.

Was hinter Tabs und Accordions liegt, sieht die KI nicht

Der zweite technische Befund trifft viele Shop-Themes an einer Stelle, die aus Sicht der Benutzerführung sinnvoll aufgebaut ist. Die meisten KI-Crawler lesen ausschliesslich rohes HTML und führen kein JavaScript aus. Inhalte, die erst nach einem Klick oder per Nachladen erscheinen, sind für sie nicht vorhanden.

Das ist gut dokumentiert. Eine Untersuchung von Vercel und MERJ vom Dezember 2024 wertete die Zugriffe der grossen KI-Crawler aus und kam zum Ergebnis, dass keiner von ihnen JavaScript ausführt. Die Bots laden JavaScript-Dateien zwar herunter, führen sie aber nicht aus. Zum Volumen: GPTBot kam in dem Zeitraum auf rund 569 Millionen Abrufe pro Monat, die Crawler von Anthropic auf rund 370 Millionen.

Betroffen sind typischerweise genau die Angaben, die eine Kaufentscheidung tragen. Der Tab «Material und Pflege», das Accordion «Versand und Rückgabe», Detailangaben in einem Slider. Für eine Besucherin sind sie einen Klick entfernt. Für den Bot existieren sie nicht.

Gemini ist laut Vortrag die Ausnahme, weil es auf Googles Index aufsetzt und JavaScript rendert. Auf diese eine Ausnahme sollte man die Sichtbarkeit aber nicht stützen. Der Selbsttest ist unkompliziert: auf einer Produktseite den Seitenquelltext anzeigen und mit der Suchfunktion nach dem Preis suchen. Steht er als Text im Quelltext, sieht ihn der Bot. Erscheint er nur im Bild oder erst nach einem Klick, ist er für die KI weg. Tsari empfahl in diesem Zusammenhang leichte, HTML-orientierte Themes wie GeneratePress oder Kadence.

Was ChatGPT wirklich googelt, wenn jemand nach deinem Produkt fragt

Der aufschlussreichste Teil des Vortrags betraf eine Annahme, die vielen GEO-Ratschlägen zugrunde liegt und die nicht stimmt: dass ein KI-System die Frage einer Kundin unverändert an eine Websuche weiterreicht. Das tut es nicht. Es zerlegt sie, kürzt sie auf Suchbegriffe, formuliert sie um und teilweise auf Englisch.

Diese Zwischenschicht lässt sich sichtbar machen. Tsari zeigte, wie man in ChatGPT eine Frage stellt, die eine Websuche auslöst, dann die Entwicklerwerkzeuge des Browsers im Netzwerk-Tab öffnet und in der Antwort nach dem Feld search_model_queries sucht. Dort stehen die tatsächlichen Suchbegriffe, die das System ans Web schickt. Im Beispiel waren das Formulierungen wie «beste Wanderschuhe wasserdicht Schweiz 2026», «Wanderschuhe Testsieger Vergleich» und «Wanderschuhe Empfehlung Reddit».

Der praktische Wert liegt darin, dass man diese Begriffe nicht mehr raten muss. Es sind die Keywords, für die ein Shop auffindbar sein muss, damit er überhaupt in den Kandidatenkreis gerät. Gleichzeitig erklärt der dritte Beispielbegriff, warum Onpage-Arbeit allein nicht reicht: Wenn das System aktiv nach Empfehlungen auf Reddit sucht, entscheidet eine fremde Plattform mit.

Tsari markierte die Methode selbst als fragil. Der Feldname ändert sich laufend, es ist ein Blick unter die Haube und kein Werkzeug für den Alltag. Als einmalige Übung, um die eigene Keyword-Annahme zu prüfen, ist sie trotzdem aufschlussreicher als die meisten Berichte. Wie sich Suchanfragen in KI-Systemen auffächern, haben wir in AI Overviews, Fan-Out und der Wert einzigartiger Inhalte beschrieben.

Welche Quelle zählt, hängt an der Frage

Aus der Beobachtung, wie KI-Systeme suchen, folgt eine Konsequenz für die Frage, wo man Aufwand investiert. KI-Systeme wählen ihre Quellen nicht konstant, sondern abhängig von der Art der Frage.

Bei einer Faktenfrage wie «Wie lange gibt es Firma X?» ist die eigene Website die plausible Quelle. Bei einer Vertrauensfrage wie «Ist Firma X vertrauenswürdig?» treten unabhängige Bewertungen und Drittquellen in den Vordergrund. Die Selbstauskunft eines Anbieters taugt für diese Frage schlicht nicht als Beleg. Tsari verwies auf eine eigene Auswertung zur Schweizer Uhrenbranche, in der Vergleichsportale bei neutral formulierten Anfragen einen sehr grossen Anteil der herangezogenen Quellen ausmachten. Die Auswertung wurde im Vortrag nicht offengelegt, die Grössenordnung liess sich also nicht unabhängig prüfen.

Unabhängige Daten stützen die Richtung. Der AI Visibility Index von Semrush wertete zwischen Januar und April 2026 rund 126 Millionen Prompts aus. Zwei Befunde daraus sind für Shops relevant: Die Systeme unterscheiden sich stark in der Zahl der herangezogenen Quellen, ChatGPT zieht im Schnitt etwa 15 heran, Gemini etwa drei. Und die Überschneidung zwischen den empfohlenen Marken und den zitierten Domains lag bei Gemini teilweise nur bei 30%. Eine Marke kann also empfohlen werden, ohne dass ihre eigene Website als Quelle erscheint.

Die daraus abgeleitete Empfehlung war ausdrücklich keine Aufforderung, jetzt Reddit zu bespielen oder mehr Pressearbeit zu machen. Zuerst messen, welche Quellen für die eigenen relevanten Fragen tatsächlich wiederholt herangezogen werden. Erst danach Ressourcen auf genau diese Quellentypen lenken. Für einen Schweizer Shop kann das ein Vergleichsportal sein, ein Fachforum oder eine Plattform wie Galaxus, je nach Sortiment.

Es gibt keine Position 3 in ChatGPT

Wer KI-Sichtbarkeit messen will, muss sich von der Vorstellung einer Rangposition lösen. Dieselbe Frage kann je nach Modell, Zeitpunkt und Formulierung unterschiedlich beantwortet werden. Ein Einzeltest ist ein Hinweis, keine Messung. Eine stabile Position gibt es nicht.

An die Stelle der einen Kennzahl treten mehrere Dimensionen. Erhoben werden die Erwähnungsrate über wiederholte Abfragen, die Prominenz der Nennung, also ob eine Marke zuerst empfohlen, in einer Shortlist geführt oder nur beiläufig erwähnt wird, das Sentiment der Darstellung, die Wahrheitstreue der genannten Preise und Eigenschaften, der Quellenanteil einzelner Domains, der Vergleich zwischen den Modellen sowie der Trend über die Zeit.

Die Wahrheitstreue ist dabei die Dimension, die im klassischen SEO kein Gegenstück hat. Eine KI kann einen Shop prominent empfehlen und dabei einen falschen Preis, ein nicht geführtes Produkt oder eine veraltete Öffnungszeit nennen. Der Schaden entsteht dann nicht durch fehlende Sichtbarkeit, sondern durch falsche.

Für kleine Shops genügt als Einstieg ein manuelles Set von 10 bis 20 realistischen Fragen, mehrfach und in mehreren Systemen getestet. Für grössere Auswertungen braucht es automatisierte Abfragen über die Programmierschnittstellen der Anbieter. Tsari beschrieb ein eigenes System, das dieselben Prompt Sets über mehrere Modell-APIs laufen lässt. Wie sich Sichtbarkeit ohne teure Suite messen lässt, haben wir in Sichtbarkeit ganzheitlich messen gezeigt.

Der Einstieg in 60 bis 90 Minuten

Der Vortrag schloss mit einer Reihenfolge, die sich an einem Abend abarbeiten lässt. Sie ist bewusst nach Wirkung sortiert, nicht nach Aufwand.

Crawler-Zugriff prüfen: robots.txt, Firewall, Cloudflare-Einstellungen und Sicherheits-Plugins mit einem der genannten Checker testen.
Schlüsselseiten im Roh-HTML kontrollieren: Produktdetailseiten, Versand, Retouren, Über uns, Kontakt und FAQ.
Schema testen und die fehlenden Produktfelder ergänzen, allen voran Marke, Rückgabe und Versand.
Ein Set von 10 bis 20 echten Kundenfragen aus Beratung, Support und Verkauf zusammenstellen.
Diese Fragen ausgeloggt und ohne Nennung des eigenen Namens in mehreren KI-Systemen stellen.
Pro Antwort dokumentieren: Erwähnung, Position, Sentiment, Faktenfehler und Quelle.
Lücken priorisieren: zuerst die eigenen Seiten korrigieren, danach gezielt relevante Drittplattformen bearbeiten.
Dasselbe Set monatlich wiederholen und die Veränderungen festhalten.

Wenn die Zeit für alles fehlt, gilt laut Tsari die Kurzfassung: erst der Zugang, dann HTML und Schema, dann echte Prompt-Tests, dann die Quellenanalyse. Eine breitere Offpage-Strategie lohnt sich erst danach.

MCP zeigt in eine andere Richtung, aber nicht nach innen

Ein Teil des Vortrags betraf eine Entwicklung, die häufig mit KI-Sichtbarkeit verwechselt wird. Seit WooCommerce 10.9 vom 23. Juni 2026 steckt ein Server für das Model Context Protocol als Developer Preview im Core. Er stellt sieben Fähigkeiten bereit: Produkte abfragen, anlegen, ändern und löschen sowie Bestellungen abfragen, deren Status ändern und eine Notiz anfügen. Als Developer Preview gekennzeichnet heisst: Bezeichner und Datenformate können sich noch ändern.

Praktisch heisst das, dass sich ein Shop an ein eigenes KI-System anbinden lässt. Eine Anweisung wie «Setz alle Winterjacken auf 20% Rabatt» wird damit ausführbar, ohne dass jemand das Backend öffnet.

In dieser Form ist das eine Erleichterung im Betrieb und kein Sichtbarkeitsthema. Der Zugang ist über Application Passwords authentifiziert, es handelt sich um die eigene Fernbedienung für den eigenen Shop. Ob ChatGPT den Shop einer fremden Kundin empfiehlt, wird davon nicht berührt.

Damit ist die Sache aber nicht erledigt. Hier lohnt ein zweiter Blick auf isitagentready.com. Der Agent-Readiness-Check von Cloudflare prüft nämlich genau solche Schnittstellen mit. Unter der Kategorie Protocol Discovery sucht er nach einer MCP Server Card unter /.well-known/mcp/server-card.json, nach einem Verzeichnis von Agent Skills unter /.well-known/agent-skills/index.json, nach einem API-Katalog, nach OAuth Discovery gemäss RFC 9728 und nach einer auth.md. Eine weitere Kategorie prüft Commerce-Protokolle wie ACP und UCP.

Das ist eine dritte Ebene, die weder mit Zitiertwerden noch mit interner Automatisierung deckungsgleich ist. Diese Dateien liegen öffentlich abrufbar auf der Domain. Ein fremder Agent kann daraus ableiten, dass ein Shop maschinell ansprechbar ist, welche Aufgaben er anbietet und wie eine Person ihm dafür kontrolliert Zugriff erteilt. Cloudflare begründet das mit der Alternative, die heute üblich ist: Agenten die angemeldete Browsersitzung der Nutzerin zu überlassen, was das Unternehmen als unsicheren Behelf bezeichnet.

Für die Einordnung heisst das, drei Ebenen sauber zu trennen. Gefunden und zitiert werden ist die erste, um sie geht es in diesem Artikel. Den eigenen Shop per KI steuern ist die zweite, dafür ist der WooCommerce MCP Server gebaut. Von einem fremden Agenten beauftragt werden ist die dritte, dafür braucht es öffentliche Discovery und eine Berechtigungslogik. Cloudflare misst alle drei in einer einzigen Punktzahl. Das erklärt, warum der Begriff «KI-Readiness» so unscharf ist. Den Wert liest man deshalb besser nicht als eine Zahl, sondern schaut sich die Kategorien einzeln an.

Für die meisten Schweizer Shops ist die dritte Ebene derzeit Zukunftsmusik. Die Standards sind jung, teilweise konkurrierend und nicht überall implementiert. Wer heute Prioritäten setzt, arbeitet die erste Ebene ab. Wer wissen will, wohin die zweite und dritte laufen, findet die Einordnung bei der WordPress Abilities API, beim Universal Commerce Protocol, beim Agentic Commerce Protocol und im Überblick zu Agentic Commerce.

Aus der Fragerunde: KI-Texte, Manipulation und Werbung

Die Diskussion nach dem Vortrag drehte sich um vier Fragen, die über das Technische hinausgingen.

Kann man KI-Empfehlungen trauen?

Nicht blind. KI-Systeme greifen auch auf gesponserte Inhalte, schwache Blogs und suchmaschinenoptimierte Vergleichsseiten zurück. Bei Kaufentscheidungen lohnt der Klick auf die zugrunde liegende Quelle und im Zweifel ein Vergleich zwischen mehreren Systemen.

Lässt sich messen, wie oft ein Prompt gestellt wird?

Ein verlässliches Prompt-Suchvolumen analog zum Keyword-Volumen gibt es derzeit nicht. Longtail-Anfragen in Analytics- und Webmaster-Daten liefern Hinweise, bilden die KI-Nachfrage aber nicht vollständig ab. Wer hier eine saubere Kennzahl verspricht, verkauft eine Schätzung als Messung.

Ergänzend dazu ein Punkt, der im Meetup nur gestreift wurde und sich seither bewegt hat: Beide grossen Webmaster-Werkzeuge weisen inzwischen KI-Daten aus. Die Bing Webmaster Tools zeigen seit Februar 2026 einen Bericht mit Copilot-Zitaten. Google hat im Juni 2026 Berichte zur Leistung in generativen KI-Funktionen angekündigt und breit ausgerollt. Sie umfassen Impressionen aus AI Overviews und dem AI Mode, allerdings ohne Klickdaten. Das ersetzt kein eigenes Prompt-Monitoring, ist als kostenlose Datenquelle aber der naheliegende erste Blick.

Was ist mit KI-generierten Texten?

Die Runde tendierte klar dazu, dass nicht die Entstehungsart entscheidet, sondern ob ein Inhalt Mehrwert, korrekte Informationen und eine erkennbare menschliche Qualitätskontrolle bietet. Masse ohne Substanz ist keine Strategie.

Was ändert Werbung in KI-Systemen?

Hier blieb die Runde bei einer offenen Einschätzung. Werbung könnte wegen des langen Gesprächskontexts sehr zielgenau werden. Wie stark Datenschutzregeln, Kennzeichnungspflichten und die Produktgestaltung das begrenzen, ist offen. Für Sanktionen bei Manipulationsversuchen gibt es im GEO-Umfeld bisher keine etablierte Logik, die Runde zog aber die Parallele zum SEO, wo Spam und gekaufte minderwertige Verlinkungen der Sichtbarkeit schaden.

Einordnung

Der Vortrag kam von einem Anbieter, der KI-Sichtbarkeit als Dienstleistung misst. Bemerkenswert war deshalb, wie konsequent er den Hype dämpfte: kleiner Traffic-Anteil, keine Garantie durch Technik, keine belastbare Positionsmetrik, keine pauschale Plattformempfehlung. Drei Folgerungen für Shop Betreiberinnen und Betreiber.

Die Onpage-Basis prüfen, bevor Budget in GEO-Dienstleistungen fliesst. Bot-Zugang, Roh-HTML und die fehlenden Schema-Felder sind an einem Abend erledigt und kosten nichts ausser Zeit. Wer diese Stufe überspringt und direkt in Erwähnungen investiert, zahlt für Sichtbarkeit auf einem Shop, den die KI nicht lesen kann.
Messen, bevor optimiert wird. Ein Set aus 10 bis 20 echten Kundenfragen, mehrfach und über mehrere Systeme gestellt, zeigt innerhalb einer Woche, welche Quellen für das eigene Sortiment tatsächlich zählen. Diese Antwort unterscheidet sich je nach Branche erheblich und lässt sich nicht aus allgemeinen Ratgebern ableiten.
Falsche Angaben ernster nehmen als fehlende Nennungen. Wenn eine KI einen Shop mit falschem Preis, falschem Sortiment oder veralteten Konditionen empfiehlt, entsteht ein Schaden, den keine Sichtbarkeitsmetrik erfasst. Konsistente Angaben über Website, Schema und Drittplattformen hinweg sind die einzige wirksame Gegenmassnahme.

Die grössere Einordnung fällt unspektakulär aus und deckt sich mit dem, was Google für die eigene KI-Suche kommuniziert: GEO ersetzt SEO nicht. Wer saubere Technik, gepflegte Daten und Inhalte hat, die reale Fragen beantworten, startet auch bei KI-Sichtbarkeit mit einem Vorsprung. Neu ist die Frage, wie ein System über ein Unternehmen spricht, aus welchen Quellen es das ableitet und ob die Aussage überhaupt stimmt. Wir haben das aus Suchmaschinensicht in Google AI Search: Was jetzt für SEO wirklich zählt und aus Plattformsicht in Welches Shopsystem hat bei KI die Nase vorn? eingeordnet.

Quellen

Hauptbeitragsbild von Jonas Leupe.