Auf welche Quellen greifen KI-Shopping-Assistenten bei Produktempfehlungen zurück?
KI-Shopping-Assistenten erstellen Produktantworten gleichzeitig aus mehreren Quellentypen: von Händlern bereitgestellte Produktdaten, Seiten aus dem offenen Web, Bewertungen und Ratings von Drittanbietern sowie Einträge auf Marktplätzen oder in Verzeichnissen. Welche dieser Quellen ein bestimmter Assistent nutzt und wie er sie kombiniert, unterscheidet sich je nach Produkt und Funktion. Keiner der Anbieter veröffentlicht eine vollständige Gewichtung.
Händler-Feeds sind die strukturierteste Quelle. Wenn ein Einzelhändler oder eine Marke einen Produktdaten-Feed an eine Shopping-Plattform übermittelt, liefert dieser Feed Kennungen, Preis, Lagerstatus, Bilder und Attribute in maschinenlesbarer Form. Feeds sind der sauberste Weg, einem Assistenten genau zu vermitteln, worum es sich bei einem Produkt handelt.
Webseiten sind die breiteste Quelle. Assistenten, die Inhalte browsen oder abrufen, lesen Produktseiten, Datenblätter, Vergleichsartikel und Hilfedokumente. Hier kommt es eher auf Klarheit als auf Umfang an: Eine Seite, die Produktname, Modell, zentrale technische Daten und Anwendungsfälle als Fließtext nennt, lässt sich präziser zitieren als eine Seite, die Spezifikationen in Bildern oder Tabs versteckt.
Bewertungen und Marktplatz-Einträge wirken als Bestätigung. Ein Assistent, der dieselbe Spezifikation auf Ihrer Website, in einem Händlerlisting und in einem unabhängigen Test findet, hat mehr Grund, sie zu übernehmen. Widersprüchliche Angaben über diese Quellen hinweg sind ein häufiger Grund, warum ein Assistent sich zurückhält oder ein Produkt weglässt.
- Händler-Produktfeeds (sofern die Plattform sie akzeptiert)
- Produktseiten und Datenblätter der Marke aus dem offenen Web
- Bewertungen, Testergebnisse und Ratings von Drittanbietern
- Einträge bei Händlern und auf Marktplätzen
- Branchenverzeichnisse und Vergleichsinhalte
Welche Produkt-Feed-Attribute beeinflussen am stärksten, ob ein Assistent ein Produkt ausspielen kann?
Am wichtigsten sind die Attribute, mit denen ein System das exakte Produkt eindeutig identifizieren, bestätigen kann, dass es jetzt gekauft werden kann, und seine zentralen Fakten ohne Raten angeben kann. In der Praxis bedeutet das: eine eindeutige Kennung, ein aktueller Preis und Verfügbarkeit sowie ein vollständiger Satz technischer Daten. Optionale Felder wie Lifestyle-Bilder oder Marketingbeschreibungen helfen weniger als diese.
Kennungen stehen an erster Stelle. Eine GTIN (die Barcode-Familie, zu der UPC und EAN gehören) ermöglicht es einem System, Ihr Produkt demselben Artikel zuzuordnen, der anderswo verkauft wird. Hat ein Produkt keine GTIN, ist eine Herstellerartikelnummer (MPN) zusammen mit dem Markennamen der übliche Ersatz. Ein B2B-Produkt ohne beides sollte auf jeder Seite, die es beschreibt, dennoch eine stabile SKU und eine Modellnummer veröffentlichen.
Preis und Verfügbarkeit müssen mit der Live-Seite übereinstimmen. Ein Feed, der einen Preis von 499 zeigt, während die Seite 549 anzeigt, oder ein Produkt als auf Lager listet, obwohl es nicht mehr geführt wird, bringt einem System bei, Ihren Daten zu misstrauen. Die Aktualisierungshäufigkeit ist genauso wichtig wie der initiale Wert.
Die technischen Daten entscheiden, ob Sie in einer Vergleichsantwort berücksichtigt werden können. Bei einem B2B-Artikel sollten die Felder, nach denen Käufer vergleichen, etwa Abmessungen, Materialien, Spannung, Zertifizierungen, Kapazität, Kompatibilität und Garantiebedingungen, mit Einheiten ausgefüllt sein. Vage Angaben wie hohe Qualität oder Industriequalität geben einem Assistenten nichts zum Vergleichen an die Hand.
| Attribut | Warum es wichtig ist | Häufiger Fehler |
|---|---|---|
| GTIN, MPN oder SKU | Ordnet das exakte Produkt quellenübergreifend zu | Fehlend oder unterschiedliche IDs in Feed und Website |
| Preis und Währung | Ermöglicht dem Assistenten, einen aktuellen Preis zu nennen | Feed-Preis weicht vom Seitenpreis ab |
| Verfügbarkeit | Zeigt, ob der Artikel jetzt gekauft werden kann | Veraltete Lagerangabe |
| Produkttitel | Benennt den Artikel so, wie Käufer suchen | Interne Codes statt beschreibender Namen |
| Technische Daten mit Einheiten | Unterstützt Vergleiche | Leere Felder oder Werbeadjektive |
| Marke und Kategorie | Ordnet das Produkt der richtigen Gruppe zu | Generische oder uneinheitliche Kategorienamen |
Wie stark beeinflussen Bewertungen und Ratings von Dritten KI-Produktempfehlungen im Vergleich zur eigenen Website einer Marke?
Bewertungen von Dritten beeinflussen KI-Empfehlungen vor allem als Nachweis für Leistung und Zuverlässigkeit, nicht als Ersatz für Produktfakten. Die eigene Website einer Marke ist in der Regel die Quelle dafür, was ein Produkt ist; Bewertungen sind die Quelle dafür, wie es sich im Alltagseinsatz verhält. Assistenten, die Fragen beantworten wie etwa welche Option am langlebigsten ist, stützen sich eher auf unabhängige Quellen, während Fragen zu technischen Daten eher auf den Hersteller zurückgreifen.
Zu dieser Aufteilung gibt es keine öffentliche Studie mit belastbaren Zahlen, daher sollte man jeden einzelnen Prozentwert, dem man begegnet, als nicht verifiziert betrachten. Beobachten lässt sich Folgendes: Eine Bewertung, die ein bestimmtes Modell nennt, einen Anwendungsfall beschreibt und ein messbares Ergebnis schildert, lässt sich für einen Assistenten leichter zitieren als eine allgemeine Sternebewertung. Bewertungen, die veraltet, nicht zugeordnet oder auf eine andere Modellnummer bezogen sind, erzeugen dagegen zusätzliches Rauschen.
Für B2B-Anbieter bedeutet das in der Praxis: Bewertungen verifizierter Kunden auf den eigenen Seiten sammeln, Distributoren und Wiederverkäufer bitten, denselben Modellnamen und dieselbe Spezifikation anzugeben, und unabhängige Prüfberichte dort verlinken, wo es sie gibt. Bewertungen nicht selbst schreiben und keine Platzierungen kaufen, die als unabhängig auftreten. Das führt zur Entfernung und untergräbt genau das Vertrauenssignal, das man aufbauen will.
Helfen oder schaden Marktplatz-Einträge und Branchenverzeichnisse der Sichtbarkeit in KI-generierten Vergleichen?
Marktplatz- und Verzeichniseinträge helfen, wenn sie die eigenen Daten bestätigen, und schaden, wenn sie ihnen widersprechen. Sie schaffen zusätzliche Stellen, an denen ein Assistent Produkt, Preis und Bewertungen finden kann, doch jeder Eintrag ist auch eine Kopie, die veralten kann. Der Gesamteffekt hängt eher von der Konsistenz ab als von der Anzahl der Einträge.
Hilfreich ist die Vorstellung eines Spiegelkabinetts. Stimmen Produkttitel, Modellnummer, Spezifikation und Preis auf dem Marktplatz mit Ihrem Feed und Ihrer Website überein, erhält der Assistent eine wiederholte Bestätigung. Verwendet ein Eintrag dagegen einen alten Modellnamen, eine falsche Spannung oder einen nicht mehr gültigen Preis, könnte der Assistent alle Einträge abwerten oder den falschen zitieren.
Branchenverzeichnisse wirken im B2B ähnlich. Ein vollständiger, aktueller Eintrag in einem anerkannten Branchenverzeichnis kann Firmenname, Produktkategorie und Zertifizierungen bestätigen. Ein veralteter Eintrag mit einer früheren Adresse oder einem zurückgezogenen Zertifikat ist dagegen ein Risiko. Prüfen Sie jeden Eintrag einmal pro Quartal anhand derselben Referenzquelle, die Sie auch für Ihren Feed verwenden.
Welche strukturierten Daten solltest du implementieren, um die KI-gestützte Produktsuche zu unterstützen?
Implementiere auf jeder Produktseite schema.org-Product-Markup und verschachtele darin ein Offer mit Preis, Währung und Verfügbarkeit. Strukturierte Daten garantieren zwar nicht, dass ein Assistent ein Produkt empfiehlt, sie beseitigen aber Unklarheiten darüber, was die Seite beschreibt, und sie entsprechen den Feldern, die Produktfeeds ohnehin enthalten. Beide Quellen stärken sich dadurch gegenseitig.
Das Minimum, das wirklich nützt, umfasst Produktname, Beschreibung, Marke, eine Kennung (gtin, mpn oder sku), Bild sowie ein Angebot mit price, priceCurrency und availability. Ergänze aggregateRating nur, wenn es echte, veröffentlichte Bewertungen widerspiegelt, denn Markup, das nicht zum sichtbaren Inhalt passt, kann als irreführend eingestuft werden. Verwende die auf der Seite angezeigten Werte genau so, wie sie dargestellt werden.
Validiere das Markup nach jeder Template-Änderung mit einem Testtool für strukturierte Daten und prüfe, ob die JSON-LD-Werte mit dem Feed übereinstimmen. Abweichungen sind der häufigste Fehler und zugleich der am einfachsten zu behebende.
- Lege für jedes Produkt eine einzige Quelle der Wahrheit fest (PIM oder ERP) und erzeuge Feed und Seiten-Markup daraus.
- Füge einen Product-Block mit name, description, brand, sku, mpn und gtin hinzu, sofern vorhanden.
- Verschachtele ein Offer mit price, priceCurrency, availability und einer kanonischen URL.
- Ergänze aggregateRating nur, wenn es zu sichtbaren, veröffentlichten Bewertungen passt.
- Validiere jedes Template und vergleiche anschließend eine Stichprobe der Markup-Werte mit dem Live-Feed.
Wie kann ein B2B-Unternehmen testen, ob Assistenten seine Produkte empfehlen, und was sollte es zuerst beheben?
Teste, indem du in jedem relevanten Assistenten einen festen Satz typischer Kundenanfragen laufen lässt und dabei festhältst, was er über dein Produkt sagt, ob er deine Marke nennt, welche Quellen er zitiert und ob die Angaben stimmen. Wiederhole dieselben Anfragen regelmäßig, denn Antworten ändern sich zwischen einzelnen Durchläufen und Sitzungen. Ein einzelner Screenshot sagt wenig aus.
Erstelle den Anfragen-Satz aus den tatsächlichen Formulierungen von Einkäufern. Nutze drei Typen: Kategoriefragen (bester Industriesensor für ein Kühllager), Spezifikationsfragen (welches Ventil hält diesen Druck und diese Temperatur aus) und Vergleichsfragen (Marke A gegenüber Marke B für einen bestimmten Einsatz). Protokolliere Antwort, Quellen und Fehler in einer einfachen Tabelle. Tools wie Rixe, eine Plattform zur Messung der KI-Sichtbarkeit, können dieses tägliche Tracking über ChatGPT, Gemini, Perplexity und Google AI Overviews automatisieren, was sinnvoll ist, wenn manuelle Prüfungen zu aufwendig werden.
Behebe in dieser Reihenfolge: Korrigiere zuerst sachliche Fehler in Feeds und auf Seiten, denn ein falscher Preis oder eine falsche Spezifikation untergräbt das Vertrauen in alles Übrige. Ergänze danach fehlende Kennungen und Spezifikationen. Danach bereinige Einträge auf Marktplätzen und in Verzeichnissen. Erst danach solltest du neue Vergleichs- oder Ratgeberinhalte erstellen, und zwar gezielt für die Anfragen, bei denen du fehlst oder falsch dargestellt wirst.
- Formuliere 20 bis 30 Kundenanfragen aus den Typen Kategorie, Spezifikation und Vergleich.
- Stelle jede Anfrage in jedem beobachteten Assistenten einmal pro Woche aus einer sauberen Sitzung.
- Halte fest, ob deine Marke erscheint, wie sie beschrieben wird, welche Quellen zitiert werden und welche sachlichen Fehler auftreten.
- Verfolge jeden Fehler bis zu seiner Quelle zurück: Feed, Produktseite, Marktplatzeintrag oder Bewertung.
- Behebe zuerst Datenfehler, dann fehlende Attribute, dann die Konsistenz der Einträge und zuletzt neue Inhalte.
- Wiederhole dieselben Anfragen vier Wochen später und vergleiche die Protokolle.
Was sollte ein B2B-Team zuerst tun, und was bleibt unbewiesen?
Beginnen Sie mit der Datenqualität und den Produktkennungen, denn genau dort haben Sie die volle Kontrolle und genau das braucht ein Assistent am dringendsten, um Ihr Produkt zuverlässig zuzuordnen. Inhalte und Bewertungen sind wichtig, bauen aber auf einer sauberen Grundlage auf. Die Basics sauber umzusetzen ist mit geringem Risiko verbunden, selbst wenn sich die genaue Gewichtung der Quellen anders herausstellt als erwartet.
Seien Sie klar in der Unterscheidung zwischen belegt und unbelegt. Dokumentiert ist, dass strukturierte Datenvokabulare wie schema.org existieren und dass Feeds Kennungen und Verfügbarkeit übermitteln. Nicht öffentlich dokumentiert ist, wie ein Assistent Produkte gegeneinander einordnet, welcher Anteil einer Antwort aus Bewertungen stammt oder ob eine bestimmte Auszeichnungsänderung eine Empfehlung verändert. Planen Sie mit Messung, nicht mit garantierten Ergebnissen.
Ein sinnvolles erstes Quartal umfasst: die Produkte mit den meisten Fehlern korrigieren, Feed- und Seitendaten abgleichen, Auszeichnungen in den wichtigsten Templates ergänzen, verifizierte Bewertungen sammeln und das Prompt-Protokoll starten. Werten Sie das Protokoll nach jedem Zyklus aus und lassen Sie die beobachteten Lücken, nicht Annahmen, die nächsten Prioritäten bestimmen.