<\/p>\n
Dein Produktfeed entscheidet k\u00fcnftig dar\u00fcber, ob KI-Agenten dein Sortiment empfehlen oder einfach \u00fcbergehen.<\/strong><\/p>\n Maschinenlesbare Produktdaten<\/strong> f\u00fcr KI-Agenten sind nicht dasselbe wie gute SEO-Texte f\u00fcr Google. Ein Mensch liest eine Produktbeschreibung, l\u00e4sst Unvollst\u00e4ndigkeiten klaglos durchgehen und f\u00fcllt L\u00fccken mental auf. Ein KI-Agent tut das nicht. Er parst strukturierte Felder, baut daraus ein Datenbild und entscheidet dann: empfehlen oder ignorieren.<\/p>\n Dieser Unterschied hat handfeste Konsequenzen. In einem Produktions-Audit eines US-amerikanischen Shopify-Stores wurden \u00fcber 40 % des Inventars von KI-Shopping-Assistenten \u00fcbergangen<\/strong>, weil der Feed strukturierte Attribute und stabile Identifier vermissen lie\u00df. Kein einziger Marketingtext half dabei, diesen Ausfall zu kompensieren.<\/p>\n Der Mechanismus dahinter: KI-Agenten \u00fcbersetzen Attribute in Bedeutung<\/strong>, nicht umgekehrt. Ein Eintrag wie \u201eMaterial: 18\/10 Edelstahl“ ist f\u00fcr sich genommen ein Datenpunkt. Erst wenn dieser Datenpunkt im Kontext von Wandst\u00e4rke, Verwendungszweck und Pflegehinweis steht, kann ein LLM daraus eine Kaufempfehlung mit Konfidenz ableiten. Fehlen diese Felder, schlussfolgert das Modell. Im besten Fall liegt es richtig.<\/p>\n Die meisten Shops haben irgendeine Form von Produktdatenpflege. Titel, Preis, ein Bild, vielleicht eine kurze Beschreibung. F\u00fcr Google Shopping war das lange Zeit ausreichend. F\u00fcr KI-Agenten ist es eine Einladung, dein Produkt aus dem Empfehlungs-Set auszuschlie\u00dfen.<\/p>\n Thin Content \u2013 also Seiten mit zu wenig oder zu schwachem Inhalt<\/strong> \u2013 war schon immer ein Rankings-Problem. Im Zeitalter des Agentic Commerce wird daraus ein Sichtbarkeitsproblem auf einer anderen Ebene: Wer relevante Felder nicht bef\u00fcllt, erscheint schlicht nicht. Fehlende Informationen f\u00fchren dazu, dass ein Produkt bei der KI-Filterung ausgeschlossen wird<\/strong>, noch bevor der Nutzer \u00fcberhaupt eine Empfehlung sieht.<\/p>\n Aus Kundenprojekten bei der Online Solutions Group GmbH (OSG) kennen wir dieses Muster: Ein Gartenbedarf-H\u00e4ndler mit rund 8.000 SKUs hatte f\u00fcr etwa zwei Drittel seines Katalogs weder normierte Materialangaben noch Verwendungszwecke hinterlegt. Als ChatGPT Shopping eingef\u00fchrt wurde, war dieser Teil des Sortiments de facto unsichtbar. Nicht wegen eines Algorithmus-Updates. Wegen fehlender Datenfelder.<\/p>\n Laut einer Akeneo-Studie wechseln 65 % der K\u00e4ufer die Produktmarke<\/strong>, wenn ein Wettbewerber bessere Produktinformationen liefert. Das war bereits relevant, als ein Mensch diese Informationen las. Jetzt liest sie zuerst ein Algorithmus. Der Schwellenwert f\u00fcr \u201eausreichend gut“ ist gestiegen.<\/p>\n Erg\u00e4nzend dazu: Laut ecommercenews.eu halten 83 % der Online-K\u00e4ufer Produktinformationen f\u00fcr kaufentscheidend<\/strong>, und 53 % kaufen bei mangelhaften Informationen woanders ein. Diese Zahlen beschreiben menschliches Verhalten. KI-Agenten sind noch rigider. Sie tolerieren keine L\u00fccken, sie kompensieren sie auch nicht.<\/p>\n Nicht alle Datenfelder sind gleich gewichtig. KI-Agenten verarbeiten strukturierte Felder in einer bestimmten Reihenfolge<\/strong>, beginnend mit Identifikatoren und Kerndaten, dann erst Anreicherungsfelder. Wer die Reihenfolge versteht, wei\u00df, wo er zuerst investieren muss.<\/p>\n Diese Felder sind die Mindestbasis. Fehlt eines davon, riskierst du den vollst\u00e4ndigen Ausschluss aus KI-gesteuerten Empfehlungsprozessen.<\/p>\n <\/i> Praxis-Tipp: GTIN-Pr\u00fcfung vor Feed-Upload<\/p> Pr\u00fcfe deinen gesamten Katalog auf GTIN-Vollst\u00e4ndigkeit, bevor du einen Feed f\u00fcr KI-Kan\u00e4le einreichst. In Projekten zeigt sich regelm\u00e4\u00dfig, dass 15\u201330 % aller SKUs keine valide GTIN tragen \u2013 oft weil Eigenmarken, \u00e4ltere Artikel oder Import-Ware historisch ohne Identifier eingepflegt wurden. Eine automatisierte Feed-Anreicherung \u00fcber Websearch kann diese L\u00fccke f\u00fcr viele Artikel schlie\u00dfen.<\/p><\/div>\n Diese Felder differenzieren dein Produkt<\/strong> im KI-Empfehlungs-Set. Wenn zwei Angebote identische Pflichtfelder haben, zieht der Algorithmus diese Ebene heran, um zu priorisieren. Wer hier leer ist, verliert gegen den besser gepflegten Mitbewerber.<\/p>\n KI-Agenten beantworten keine simplen Stichworte mehr. Sie verarbeiten Prompts wie: \u201eWelche wasserdichte Winterjacke eignet sich f\u00fcr Radfahren bei null Grad unter 200 Euro?“<\/em> F\u00fcr diese Art von Anfragen braucht dein Feed eine dritte Datenschicht.<\/p>\n Strukturierte Inhalte allein reichen nicht. Die technische Bereitstellung entscheidet dar\u00fcber, ob ein KI-Crawler deine Daten \u00fcberhaupt erfasst.<\/strong> GPTBot, ClaudeBot und PerplexityBot f\u00fchren kein JavaScript aus. Wer Produktdaten client-seitig injiziert, liefert f\u00fcr diese Crawler faktisch leere Seiten.<\/p>\n Je nachdem, wo deine K\u00e4ufer aktiv sind, brauchst du unterschiedliche Feed-Formate. Die Standardisierung schreitet schnell voran: ChatGPT Shopping nutzt den OpenAI Commerce Feed, Google AI Mode und der Shopping Graph verlangen den UCP-konformen Google Merchant Center Feed, Claude-basierte Agenten bedienen sich zunehmend \u00fcber MCP-Server (Model Context Protocol) f\u00fcr Echtzeit-Daten zu Lagerbestand und Preis.<\/p>\n JSON-LD h\u00e4lt dabei mit weitem Abstand den h\u00f6chsten Marktanteil unter Structured-Data-Formaten. Der praktische Vorteil: Es kann ohne HTML-Traversal geparst werden, was es zum effizientesten Format f\u00fcr KI-Crawler macht.<\/p>\n\n kostenloser Beratungstermin<\/a>\n KI-Crawler arbeiten mit strikten Timeouts. Wer seinen Shop l\u00e4nger als etwa 2,5 Sekunden zum Laden braucht, riskiert, dass der Crawler abbricht und stattdessen eine schnellere Konkurrenzseite als Quelle heranzieht. Technische Performance ist damit direkt mit der Sichtbarkeit in KI-Empfehlungen verkn\u00fcpft<\/strong>, nicht nur mit dem klassischen Core Web Vitals-Score.<\/p>\n Die Realit\u00e4t in den meisten Shops: Der Feed ist gut genug f\u00fcr den Shop selbst, aber zu l\u00fcckenhaft f\u00fcr KI-Agenten. Fehlende GTINs, nicht normierte Materialangaben, unklare Verf\u00fcgbarkeiten. Das ist kein Versagen, das ist der Ausgangszustand von 80 % der Kataloge, die wir bei OSG analysieren.<\/p>\n Die Frage ist nicht, ob L\u00fccken da sind. Die Frage ist, wie schnell du sie schlie\u00dft. Bulk-Generierung mit Websearch-Integration<\/strong> erlaubt es, fehlende Attribute f\u00fcr tausende Produkte automatisiert anzureichern, statt Produkt f\u00fcr Produkt manuell nachzupflegen.<\/p>\n Nicht jedes Attribut muss sofort f\u00fcr alle SKUs gepflegt werden. Priorisiere nach dem Verh\u00e4ltnis aus Suchvolumen und aktuellem Datenl\u00fcckengrad:<\/p>\n Aus einem Projekt mit einem Heimtextilien-H\u00e4ndler: Allein die Normierung der Materialangaben und das Erg\u00e4nzen fehlender Ma\u00dfangaben f\u00fcr die 500 umsatzst\u00e4rksten Produkte f\u00fchrte innerhalb von acht Wochen zu messbaren Zuw\u00e4chsen in den Google AI Overview-Impressionen \u2013 ohne sonstige \u00c4nderungen am Shop oder Feed.<\/p>\n <\/i> Praxis-Tipp: Normierung vor Erg\u00e4nzung<\/p> Bevor du fehlende Attribute erg\u00e4nzt, normiere zuerst die vorhandenen. Phantasiefarben, inkonsistente Materialbezeichnungen und Einheitenmischmasch (cm vs. mm, kg vs. g) erzeugen Datennoise, den KI-Systeme nicht tolerant behandeln. Sauberkeit schl\u00e4gt Vollst\u00e4ndigkeit, wenn du priorisieren musst.<\/p><\/div>\n Je nach Perspektive steht ein anderer Teil der Checkliste im Vordergrund. Die inhaltliche Grundlage ist dieselbe, die Priorit\u00e4t verschiebt sich.<\/p>\n\n
1. Was KI-Agenten von klassischen Suchmaschinen unterscheidet<\/h2>\n
2. Das Problem: Klassische PIM-Daten reichen nicht mehr<\/h2>\n
2.1 Warum schlechte Produktdaten Marktanteile kosten<\/h3>\n
\n
3. Die Checkliste: Pflichtattribute f\u00fcr KI-Agenten<\/h2>\n
3.1 Ebene 1: Pflichtfelder \u2013 ohne diese kein Einstieg<\/h3>\n
\n
3.2 Ebene 2: Anreicherungsfelder \u2013 hier entscheidet sich die Empfehlungsqualit\u00e4t<\/h3>\n
\n
3.3 Ebene 3: Kontextdaten \u2013 f\u00fcr konversationelle Anfragen unersetzlich<\/h3>\n
\n
4. Technische Anforderungen: Wie KI-Agenten deinen Feed lesen<\/h2>\n
4.1 Pflicht-Formate f\u00fcr KI-Agenten-Feeds<\/h3>\n
\n
4.2 Ladezeit als Ranking-Faktor f\u00fcr KI-Crawler<\/h3>\n
5. Feed-Anreicherung: Was tun, wenn der eigene Katalog L\u00fccken hat?<\/h2>\n
5.1 Priorisierung der Anreicherung nach Reichweite<\/h3>\n
\n
6. Differenzierung nach Rolle: Wer braucht was aus dieser Checkliste?<\/h2>\n