Im digitalen Handel delegieren immer mehr Konsument*innen ihre Produktrecherche an KI-Agenten. Dabei entscheidet nicht mehr allein das Google-SEO-Ranking, sondern die Präsenz verifizierter Produktdaten im Trainings- und Retrieval-Netzwerk von Large Language Models (LLMs). Die Konsequenz: Marken müssen ihre Daten jenseits des eigenen Shops konsistent und maschinenlesbar bereitstellen, um von KI-gestützten Einkaufsassistenten gefunden zu werden.
Dominanz von Drittquellen – die 99-Prozent-Lücke
Eine McKinsey-Analyse, zitiert von Retail Dive, zeigt, dass im Konsumgüter-bereich lediglich 1 % der von LLMs zitierten Quellen markeneigene Websites sind. Das bedeutet, dass 99 % der Informationen aus redaktionellen Vergleichsseiten, Händler-Marktplätzen, Foren und Social-Media-Rezensionen stammen. Wie McKinsey feststellt: “Nur ein Prozent der Quellen für KI-Empfehlungen stammen von markeneigenen Websites.”
Für Marken bedeutet das, dass reine On-Site-SEO-Optimierung kaum ausreicht, wenn Produktattribute auf Partnerplattformen, Preisvergleichsportalen oder in Testberichten abweichen. Die sogenannte Generative Engine Optimization (GEO) muss über das gesamte Web-Ökosystem betrieben werden.
- 1 % Quellen: markeneigene Websites (McKinsey, 2026)
- 99 % Quellen: Drittquellen – redaktionell und nutzergeneriert (Ergänzungswert zur McKinsey-Studie)
Kaufintention und Conversion durch KI-Empfehlungen
Laut Salsify bestätigen Produkt-Suchabfragen über einen KI-Agenten bereits eine 67 % ige Kaufabsicht – deutlich über dem Durchschnitt. Adobe-Daten belegen zudem, dass KI-kanalisierter Traffic eine um 31 % höhere Conversion-Rate aufweist als herkömmliche Suchanfragen. Diese Zahlen zeigen, dass KI-gestützte Shopping-Wege nicht nur das Interesse wecken, sondern auch den Abschluss fördern.
“KI-begünstigte Shopping-Wege führen nicht selten zu höherer Kaufintention”, fasst das Salsify-Research-Team zusammen. Für Marken ist das ein klarer Hinweis, dass KI-Optimierung nicht nur technisch, sondern auch wirtschaftlich entscheidend ist.
- 67 % Kaufwillige nach KI-Empfehlung (Salsify, 2025)
- 31 % höhere Konversionsrate bei KI-Traffic (Adobe, 2025/2026)
Bedeutung strukturierter Daten: Schema.org als Schlüssel
Google und andere Suchmaschinen greifen verstärkt auf strukturierte Metadaten aus Schema.org / JSON-LD zurück. Die Google AI Search Technical Specifications (2026) belegen, dass diese APIs das Herzstück für die schnelle und zuverlässige Extraktion von Produktfakten durch LLMs bilden.
Ein Zitat von Google-Entwicklern lautet: “Wer nicht in diesen Standards publiziert, wird nicht gefunden.” Damit wird die BCG-Empfehlung greifbar: Faktenreiche, maschinenlesbare Produktdaten sind die Voraussetzung, damit KI-Agenten korrekte und konversionsfördernde Ergebnisse liefern.
- Genutzte Strukturdaten-APIs: Schema.org / JSON-LD (Google AI Search, 2026)
- Empfehlung: Autoritative, semantisch reiche, faktisch korrekte Produktattribute bereitstellen
Risiken und Fallstricke bei KI-gestützter Produktsuche
Die Abhängigkeit von Drittquellen birgt Datenlücken. Wenn KI-Agenten widersprüchliche Angaben zu Verfügbarkeit, Qualität oder Preis übernehmen, kann das Vertrauen der Konsument*innen erodieren. Ein Risiko besteht in “False KI Negatives”: Über-präzise Agenten können Produkte fälschlich ausschließen, wenn deren Spezifikationen nicht exakt passen – etwa ein Mantel mit 60 % Wolle wird bei einer Anfrage nach 100 % Wolle nicht angezeigt.
Ein weiteres Risiko ist die mögliche Verzerrung der Wettbewerbsfairness. Marken mit übertrieben klaren Angaben profitieren, während Konkurrenten mit weniger detaillierten Daten benachteiligt werden.
- Risk: Datenlücken durch Drittquellen können das Konsumentenvertrauen beschädigen
- Risk: Über-präzise Filter führen zu falschen Negativen und beeinträchtigen die Fairness
Praxisbeispiele und Handlungsempfehlungen für Marken
Marken, die bereits auf automatisierte Produktdaten-Syndizierung setzen, nutzen standardisierte Schemata wie Schema.org und GS1, um ihre Informationen netzwerkweit konsistent zu verbreiten. Das sorgt dafür, dass Retrieval-Systeme Attribute fehlerfrei zuordnen können.
Ein typisches Szenario: Eine Kundin fragt den KI-Assistenten nach einem “Wollmantel unter 200 Dollar, nachhaltig produziert, Lieferung bis Freitag”. Der Agent prüft Stoffgewicht, Herkunft der Fasern und Lieferzeiten – nur Produkte, die diese strukturierten Merkmale exakt erfüllen, werden vorgeschlagen. Ohne korrekte, maschinenlesbare Daten wird die Marke kaum in die Shortlist gelangen.
Weitere Kennzahlen verdeutlichen die Dringlichkeit:
- 39 % der Millennials nutzen KI-Tools täglich für Shopping-Recherche (Retail Dive, 2026)
- 21 % der Gen Z tun es täglich (Retail Dive, 2026)
- 89 % der Verbraucher prüfen KI-Empfehlungen vor dem Kauf (IAB, 2026)
- Nur 46 % vertrauen KI-Vorschlägen vollständig (IAB, 2026)
- 61 % der Käufer nennen Produktbilder und -videos als wichtigsten Entscheidungsfaktor (Salsify, 2025)
Die Empfehlung von BCG lautet daher: Produktdaten sollten autoritativ, semantisch reich und maschinenlesbar sein – konkretisiert durch Merkmale wie Stoffgewicht, Passform oder Herkunft. Allgemeine Kategoriebegriffe reichen nicht aus, um die Differenzierung im KI-Ranking zu sichern.
Schnellüberblick:
Was ist Schema.org und warum ist es für KI-E-Commerce wichtig?
Schema.org liefert strukturierte Metadaten im JSON-LD-Format, die KI-Agenten und Suchmaschinen nutzen, um Produktinformationen fehlerfrei zu extrahieren. Ohne solche Daten werden Artikel von Sprachmodellen nur schwer oder falsch gefunden (Google AI, 2026).
Warum kaufen User, die über KI-Tools gefunden wurden, häufiger?
KI-Tools fungieren als Filter für komplexe Produktlandschaften. Nutzer, die eine Anfrage direkt an einen KI-Assistenten stellen, zeigen bereits eine hohe Kaufintention, sodass die Conversion-Rate um 31 % höher liegt als bei klassischer Suche (Adobe Digital Insights, 2025).
Quellen
- https://www.retaildive.com/spons/beyond-the-ai-shortlist-how-brands-can-inspire-the-next-purchase/873681/
- https://www.iab.com