Warum KI-Agenten Ihr Produkt sehen – und trotzdem den Wettbewerber empfehlen

Zwei Händler verkaufen dieselbe Waschmaschine: gleiche Artikelnummer, gleicher Preis – bis auf wenige Cent. Ein Käufer fragt einen KI-Shopping-Assistenten nach einer leisen, kompakten Maschine für eine kleine Wohnung. Der Shopping-Assistent empfiehlt einen der beiden Anbieter: denjenigen, dessen Produktdaten die Frage tatsächlich beantworten. Werbebudget und Anzahl der Bewertungen spielen bei dieser Entscheidung keine Rolle.

Laut einer McKinsey-ConsumerWise-Umfrage nutzten 2026 bereits 68% der US-Konsumenten in den vorangegangenen drei Monaten mindestens ein KI-Werkzeug – unabhängig vom Zweck. Und der AI Brand Visibility Report 2026 von Similarweb bestätigt die Bedeutung von KI: Dem Bericht zufolge nutzen 35% der Verbraucher KI-Tools in der ersten Entdeckungsphase des Kaufprozesses, während in dieser Phase nur 13,6% herkömmliche Suchmaschinen nutzen.

Der Agent ist also längst Teil der Kaufentscheidung. Er beantwortet Fragen in natürlicher Sprache, vergleicht verschiedene Produkte und empfiehlt basierend auf Informationen aus dem individuellen Profil des Käufers. Auch wenn Menschen die finale Bestellung meist noch selbst auslösen.

Recommendation statt Ranking

Die Optimierung von Produktlistings war noch nie besonders einfach, besteht aber aus ein paar einfachen Schritten: Keyword-Recherche, Abgleich mit den USPs des Produkts und Erstellung eines konversionsstarken Angebots.

Wer aber weiterhin in Keywords denkt, für die eine Seite rankt, übersieht die Verschiebung. Ein Shopping-Assistent entscheidet bei jeder Anfrage neu, welches Angebot die Kaufabsicht am eindeutigsten erfüllt. „6 kg Fassungsvermögen“ ist eine Spezifikation. Ob sie zur Anfrage passt, entscheidet der Kontext:
Wer kauft – und wofür? 

Vollständige Attribute sind nur der Ausgangspunkt. Kontext und Metadaten verbinden Produktfakten mit Kaufabsichten. Preis, Verfügbarkeit, Lieferung und Service machen daraus ein vollständiges Angebot.

Dieser Artikel zeigt, was ein KI-Shopping-Assistent beim Vergleich zweier identischer Produkte auswertet, wie Sie Attribute systematisch mit Kaufabsichten verknüpfen, wo die häufigsten Datenlücken entstehen und wie Sie mit Digital Shelf Analytics Ihr eigenes Angebot stärken.

So liest ein KI-Agent Ihr Produktangebot

Ein KI-Shopping-Assistent bewertet ein Produkt nicht wie ein Mensch, der eine Seite überfliegt und sich von einem guten Foto überzeugen lässt. Er liest strukturierte Daten: SKU, Kategorie, Preis, Verfügbarkeit, Lieferzeit, Rückgaberecht, Anzahl und Semantik der Bewertungen sowie die konkreten Spezifikationen, die zur gestellten Frage passen. 

Fehlt eines dieser Felder oder enthält es widersprüchliche Angaben, wird das Produkt seltener in Betracht gezogen. Für den Agenten lässt es sich weniger zuverlässig einschätzen – unabhängig von seiner tatsächlichen Qualität.

Nach Daten von Adobe Analytics wuchs der KI-generierte Traffic auf US-Handelsseiten im ersten Quartal 2026, also von Januar bis März, im Jahresvergleich um 393 Prozent. Im März 2026 konvertierte dieser Traffic zudem 42 Prozent besser als der aus anderen Kanälen – ein neuer Bestwert. 

Ein Agent, der so häufig zum Kaufabschluss führt, trifft seine Empfehlung nicht zufällig. Er wägt ab, welches der verfügbaren Angebote die geringste Unsicherheit birgt.

Ein Beispiel aus der Praxis: Wie Produktdaten beeinflussen

Ein Nutzer fragt nach einer „leisen Waschmaschine für eine kleine Wohnung“. Ein Produkt, das lediglich als „Waschmaschine, 6 kg“ beschrieben wird, verliert gegen eines, dessen Daten den Geräuschpegel in Dezibel, die Außenmaße in Zentimetern und eine explizite Eignung für kleine Räume nennen. Beide Maschinen können technisch identisch sein. Doch nur eine davon kann der Shopping-Assistent zuverlässig der gestellten Kaufabsicht zuordnen.

Der praktische Schritt daraus: Prüfen Sie für jede Kategorie, welche drei bis fünf Attribute eine typische Nutzerabsicht am direktesten beantworten. Stellen Sie anschließend sicher, dass diese Felder vollständig und maschinenlesbar gepflegt sind. Um die Auffindbarkeit Ihrer Angebote zu optimieren, sollten Sie Inhalte erstellen, die anwendungsbezogene Fragen direkt beantworten und besser auf die dialogorientierte Interaktion von Nutzern mit KI-Tools abgestimmt sind.

Warum Ihr Wettbewerber den Zuschlag bekommt

Wenn zwei Händler exakt dasselbe Produkt anbieten, entscheidet der Shopping-Assistent anhand von drei Ebenen: 

1. Welches Angebot trifft die gestellte Absicht am eindeutigsten? 
2. Welches liefert die verlässlichsten Preis- und Verfügbarkeitssignale?
3. Und bei welchem ist die Wahrscheinlichkeit einer falschen Empfehlung am geringsten? 

Identische Ware bedeutet für den Agenten nicht automatisch identische Eignung.

Der Preis allein entscheidet dabei seltener, als viele Händler annehmen. Wichtiger ist, wie aktuell und konsistent die Angaben sind. Ein Preis, der seit Tagen nicht mit dem tatsächlichen Lagerbestand abgeglichen wurde, oder eine Lieferzeit, die zwar im Feed steht, aber auf der Seite selbst fehlt, signalisiert dem Agenten ein Risiko. Dieses Risiko braucht er nicht einzugehen, solange eine Alternative mit verlässlicheren Signalen verfügbar ist.

Salesforce ermittelte für die Cyber Week 2025, dass KI und Agenten weltweit 67 Milliarden US-Dollar Umsatz beeinflussten. Durch personalisierte Produktempfehlungen und einen Conversational Customer Service waren sie an 20% aller Käufe beteiligt. 

Grundlage waren aggregierte Daten von mehr als 1,5 Milliarden Shoppern in 89 Ländern. Bei diesem Volumen kann sich jede einzelne Unsicherheit in realen, verlorenen Empfehlungen niederschlagen.

Was bedeutet das für Ihr eigenes Angebot? 

Wenn zwei Listings bis auf die Datenqualität identisch sind, gewinnt das Angebot, dessen Kombination aus Attributen, Kontext und Verlässlichkeitssignalen dem Agenten die sicherste Entscheidung ermöglicht – unabhängig vom reinen Preisvergleich. 

Das ist eine gute Nachricht für Händler, die in Datenqualität investieren. Denn dieser Vorteil lässt sich systematisch aufbauen und kann, anders als der Preis, nicht beliebig unterboten werden.

Produktdaten mit Kaufabsicht verbinden

Ein Attribut wird erst dann zum Empfehlungsgrund, wenn es einer konkreten Kaufabsicht zugeordnet werden kann. Dafür braucht es mehr als ein vollständiges Datenblatt. Drei Ebenen entscheiden gemeinsam darüber, ob ein Shopping-Assistent ein Angebot versteht und empfiehlt: 

• die reinen Fakten, 
• ihre Einordnung in einen Kontext und 
• die Signale, die Vertrauen in Preis und Lieferfähigkeit schaffen.

So wird aus einem Merkmal ein Empfehlungsgrund

Wir nennen es das AKS-Modell: Attribut, Kontext, Signal. Es beschreibt die drei Ebenen, die aus reinen Produktdaten eine belastbare Grundlage für Empfehlungen machen. Das Attribut liefert die Fakten zum Produkt. Der Kontext ordnet diese Fakten einer konkreten Kaufabsicht zu. Und das Signal zeigt, ob das passende Produkt auch tatsächlich verfügbar, lieferbar und zum angegebenen Preis erhältlich ist. Erst im Zusammenspiel entsteht ein Angebot, das ein KI-Agent nicht nur erfassen, sondern auch einer konkreten Anfrage eindeutig zuordnen kann.

Das Modell hilft damit, Produktdaten nicht nur auf Vollständigkeit, sondern auf ihre Empfehlungsfähigkeit zu prüfen. So lässt sich gezielter erkennen, warum ein technisch passendes Produkt trotzdem nicht empfohlen wird.

Das Attribut beschreibt, was das Produkt ist und kann. 

Attribut bezeichnet die Spezifikation selbst: Maße, Gewicht, Material oder technische Kennzahlen. Diese Angaben sollten maschinenlesbar, eindeutig benannt und konsistent in Schema.org oder einer vergleichbaren strukturierten Auszeichnung hinterlegt sein. Das ist die Grundvoraussetzung – aber, wie das Beispiel der Waschmaschine zeigt, noch keine Empfehlung.

Der Kontext erklärt, für wen oder für welchen Einsatz dieses Merkmal relevant ist. 

Kontext verbindet das Attribut mit einer Absicht. „6 kg Fassungsvermögen“ wird erst dann aussagekräftig, wenn klar ist, dass diese Kapazität für einen Single-Haushalt ausreicht – oder für eine vierköpfige Familie eben nicht. Metadaten wie Zielgruppe, Einsatzort oder Vergleichskategorie liefern diese Einordnung. Der Shopping-Assistent braucht sie, um ein Merkmal einer konkreten Frage zuzuordnen.

Das Signal zeigt, ob das passende Angebot auch tatsächlich erhältlich ist.

Signal umfasst Preis, Verfügbarkeit, Lieferzeit und Service. Diese Angaben entscheiden darüber, ob ein technisch passendes Produkt tatsächlich zuverlässig lieferbar und fair bepreist ist. Muss ein Agent zwischen zwei ansonsten gleichwertigen Angeboten wählen, gewichtet er dieses Signal stark, weil ein Fehlgriff hier den größten Vertrauensschaden verursacht.

Erst das Zusammenspiel dieser drei Ebenen macht aus Produktdaten eine belastbare Grundlage für eine Recommendation.

Ranking vs. Recommendation: Wie sich die Spielregeln verändern

Der Unterschied zwischen klassischem Suchmaschinen-Ranking und agentenbasierter Recommendation liegt vor allem darin, wie Sichtbarkeit entsteht. Während Suchmaschinen Seiten für bestimmte Keywords einordnen, bewertet ein KI-Shopping-Assistent bei jeder Anfrage neu, welches Angebot am besten zur konkreten Kaufabsicht passt. 

Die wichtigsten Unterschiede im Überblick:

Einer der Hauptvorteile von KI-Tools gegenüber herkömmlichen Suchmaschinenalgorithmen ist, dass sie mithilfe der natürlichen Sprachverarbeitung längere und komplexere Texte verstehen können. Somit können Sie natürlichere und nutzerorientiertere Inhalte erstellen, die die Interaktion mit Käufern maximieren und Ihre Produkte gleichzeitig für die KI-gestützte Sichtbarkeit optimieren.

Wenn Ihre bisherigen Optimierungsmaßnahmen eher auf einfache Keywords ausgerichtet waren, empfehlen wir Ihnen, Ihre Produktangebote zu überprüfen und Ihre Inhalte natürlicher und nutzerorientierter zu gestalten. So stellen Sie sicher, dass Ihre Inhalte so ansprechend wie möglich sind, und nutzen gleichzeitig die leistungsstarke Sprachverarbeitung von KI Shopping-Assistenten.

Sichtbarkeit entscheidet sich zunehmend daran, ob die eigenen Produktdaten in der vom Shopping-Assistenten generierten Antwort auftauchen. Der Klick auf eine Ergebnisliste rückt dabei in den Hintergrund.

Wo Lücken entstehen, die Agenten ausbremsen

Die meisten Datenlücken entstehen, weil eine Produktseite für einen Menschen vollständig aussieht, während wichtige Informationen für ein automatisiertes System unauffindbar bleiben. Das kann selbst dann passieren, wenn ein Händler seine Produktdaten ansonsten sorgfältig pflegt.

• Maße stehen beispielsweise in einem PDF-Datenblatt statt in einem strukturierten Feld.
• Materialangaben finden sich nur als Fließtext in der Marketingbeschreibung.
• Konfigurationsoptionen lassen sich auf der Seite visuell auswählen, sind aber nicht als strukturierte Beziehung hinterlegt.

Die häufigsten Muster lassen sich in einer Checkliste zusammenfassen. Nutzen Sie diese, um Ihr eigenes Sortiment zu bewerten.

Jede dieser Lücken wirkt für sich genommen klein. In Kombination erklären sie jedoch dasselbe Muster wie im Waschmaschinen-Beispiel: ein technisch gleichwertiges Produkt, das der Shopping-Assistent trotzdem nicht empfiehlt, weil die gestellte Kaufabsicht anhand der verfügbaren Daten nicht eindeutig genug beantwortet werden kann.

So untermauern Sie die Argumente für Ihr Angebot

Die beschriebenen Lücken lassen sich bei einem einzelnen Produkt noch manuell schließen. Sobald sich ein Sortiment jedoch über mehrere Händler, Marktplätze und Länder verteilt, wird diese Aufgabe zum Engpass: Wer prüft, ob Attribute, Preise und Verfügbarkeit über Hunderte von Listings hinweg konsistent und aktuell sind? Und wie erkennen Sie, wo genau ein einzelner Händler von den eigenen Vorgaben abweicht?

XPLN überwacht Produktdaten, Preise und Verfügbarkeit über Hunderte von Händlern und Marktplätzen hinweg. Das modulare System macht sichtbar, wo Attribute fehlen, Preise inkonsistent sind oder Lagerbestände veraltet wirken – und zwar auf derselben Datenebene, die ein KI-Shopping-Agent beim Vergleich zweier Angebote auswertet.

Die gleichen Lücken, die einen Shopping-Assistenten zur Empfehlung des Wettbewerbers bewegen, sind genau die Lücken, die eine Digital-Shelf-Analyse sichtbar macht. Statt jede Produktseite einzeln zu prüfen, erhalten Marken und Händler einen fortlaufenden Überblick über jene Attribut-, Kontext- und Signalebenen, die den Unterschied zwischen zwei identischen Angeboten ausmachen.

Für Teams, die ihr Sortiment über mehrere Vertriebskanäle hinweg vergleichbar und für Agenten verlässlich halten wollen, ist das die naheliegende Ergänzung zur Produktdatenpflege im eigenen Shop.

Denken Sie in Absichten, nicht in Keywords

KI-gestützte Shopping-Assistenten haben traditionelles SEO nicht überflüssig gemacht. Sie haben jedoch die Anforderungen an die organische Auffindbarkeit erhöht und dabei Faktoren wie Kontextinformationen, Kundenmeinungen und Metadaten wichtiger gemacht als je zuvor.

Der Agent, der Ihr nächster Kunde sein könnte, liest keine Werbetexte und lässt sich nicht von einem hohen Werbebudget beeindrucken. Er liest Daten, wägt Unsicherheit ab und empfiehlt das Angebot, das eine konkrete Absicht am eindeutigsten erfüllt. Zwei identische Produkte können deshalb zu völlig unterschiedlichen Empfehlungen führen – allein aufgrund der Qualität ihrer Daten.

Recommendation ist das neue Ranking. 

Wer weiterhin nur auf Keywords optimiert, für die eine Seite gefunden wird, verpasst die Verschiebung hin zur Empfehlung. Entscheidend ist dabei, ob das eigene Angebot verstanden und empfohlen wird.

Wer Attribute systematisch mit Kaufabsichten verknüpft und Preis-, Verfügbarkeits- und Liefersignale verlässlich hält, verschafft sich einen Vorteil, der sich nicht einfach unterbieten lässt. 

Mit Digital Shelf Analytics von XPLN lassen sich diese Faktoren über das gesamte Sortiment und alle Vertriebskanäle hinweg systematisch überwachen und optimieren – bevor der nächste Shopping-Assistent die Entscheidung für Sie trifft.