E-Commerce KI Suche: 7 von 13 Onlineshops liefern keine maschinenlesbaren Produktdaten, obwohl fast keiner die KI Crawler aussperrt

1. Einführung: KI Suche im E-Commerce

Ein Kunde tippt keine zwei Suchbegriffe mehr ein. Er schreibt in ein Chatfenster, dass sein Rennrad bei Nässe schlecht bremst, und erhält drei Bremsbeläge samt Begründung genannt. Ihr Shop steht in dieser Antwort oder eben nicht. Ein Platz drei, den man noch anklicken könnte, existiert dort nicht mehr. Dieser Wandel vom Suchbegriff zur Kaufabsicht verschiebt die Frage, an der Onlinehandel hängt: nicht mehr, wie weit oben Sie stehen, sondern ob ein KI-System Ihr Sortiment überhaupt beschreiben kann.

KI Suche im E-Commerce bezeichnet zwei Vorgänge: die KI-gestützte Suche innerhalb eines Onlineshops, die Suchanfragen semantisch statt über Keywords auflöst, und die Suche in generativen KI-Systemen, die Produkte auswählen und empfehlen, bevor ein Nutzer den Shop überhaupt öffnet. Beide greifen auf dieselbe Grundlage zu: strukturierte, vollständige Produktdaten aus dem Online-Shop.

Was das für Sie heißt: Sucht jemand ein Produkt, das Sie führen, entsteht die Antwort künftig oft schon vor dem ersten Klick auf Ihren Shop. Ob Ihr Artikel darin vorkommt, hängt davon ab, wie vollständig die Angaben auf Ihrer Produktseite hinterlegt sind. Fehlen sie, wird ein Wettbewerber genannt. In Ihrer Auswertung sehen Sie davon keine Spur, weil ein Besuch, der nie stattgefunden hat, auch keine Zahl erzeugt.

2. Zwei Richtungen: Künstliche Intelligenz im E-Commerce arbeitet im Shop und davor

Die meisten Ratgeber zum Einsatz von KI im E-Commerce zählen Werkzeuge auf. Chatbots im Kundenservice, dynamische Preise, automatisch erzeugte Produktbeschreibungen, personalisierte Produktempfehlungen, KI-gestützte Suchfunktion im Shop. Das ist die erste Richtung. Sie ist gut belegt. Eine intelligente Suchfunktion, die auf maschinellem Lernen aufsetzt, versteht die Absicht hinter einer Formulierung und liefert relevante Ergebnisse, wo ein starres Keyword-Matching leer ausgeht. Das Prinzip dahinter ist die Bedeutung statt Zeichenkette, und es steigert nachweislich Conversion und Bestellwert.

Beispiele für den Einsatz von künstlicher Intelligenz im Onlinehandel

Die Liste der KI-Tools für Online-Shops ist lang, und das meiste davon ist längst Standard. Ein System analysiert Kundendaten, erkennt Muster in Daten und spielt Empfehlungen basierend auf dem Verhalten früherer Besucher aus. Zwei Verfahren tragen fast alle diese Beispiele: Machine Learning und Natural Language Processing, kurz NLP, also die maschinelle Verarbeitung natürlicher Sprache. Beide Verfahren haben gemeinsam, aus Daten zu lernen und daraus Empfehlungen zu geben.

All das verbessert das Einkaufserlebnis im eigenen Shop, also die Customer Experience, und daran ist nichts verkehrt. Solche KI-Lösungen zu implementieren, hebt Conversion Rate und Effizienz messbar, und Shopsysteme wie Shopware liefern einen Teil davon inzwischen ab Werk. Nur wirken diese Werkzeuge erst, wenn ein Besucher schon da ist. KI im Onlinehandel endet für die meisten Anbieter genau an dieser Grenze.

Die zweite Richtung wird selten mitgedacht. Sie beginnt außerhalb Ihres Shops.

Dort tippen Menschen keine Keywords, sondern beschreiben ein Problem. Nach den Zahlen von CELUM und TQS nutzen dafür bereits 29,7 Prozent der Befragten in Deutschland KI-Chatbots wie ChatGPT. 29,4 Prozent lesen die KI-Zusammenfassungen der Google Suche. Erhoben wurde Ende März bis Mitte April 2026, bei 1.000 Befragten, repräsentativ nach Geschlecht, Alter, Bundesland und Bildungsstand. Auf der Gegenseite misst Adobe Analytics für die USA im ersten Quartal ein Wachstum des Verkehrs aus KI-Quellen von 393 Prozent gegenüber dem Vorjahr, auf einer Datenbasis von mehr als einer Billion Besuchen auf Handelsseiten.

In derselben Erhebung geben 39 Prozent von mehr als 5.000 Befragten an, künstliche Intelligenz bereits beim Onlineshopping genutzt zu haben.

Beide Richtungen hängen an derselben Sache. Eine intelligente Suche im Shop kann nur sortieren, was in den Produktdaten steht. Ein KI-System außerhalb Ihres Shops kann nur empfehlen, was es in Ihren Produktdaten findet. Der Unterschied: Im ersten Fall merken Sie es, wenn die Suchergebnisse schlecht sind, weil Kunden abspringen. Im zweiten Fall merken Sie gar nichts.

„Marken und Händler müssen die Inhalte zu ihren Produkten schon jetzt so aufbereiten, dass diese von der KI gefunden, verstanden und schlussendlich empfohlen beziehungsweise gekauft werden.“ Alexandra Vetrovsky-Brychta, Chief Growth Officer bei CELUM

Ein Bild dafür: Der Produktfeed, den Sie an Preisportale und Anzeigen ausspielen, ist ein Lieferschein. Er sagt, was in der Kiste liegt und was es kostet. Ein KI-System soll aber beraten, und ein Lieferschein hat noch nie jemanden beraten.

3. Unsere Position: Der Zugang ist offen, die Produktdaten fehlen

Was die meisten Ratgeber zum Thema übersehen: Sie behandeln die KI Suche als Werkzeugfrage. Welches Tool, welcher Anbieter, welche Lizenz. Unsere Position ist eine andere. Sie lässt sich prüfen.

Für diesen Beitrag haben wir im August eine Stichprobe deutscher Onlineshops und Versandhändler gezogen. Auswahlweg: zwei Wikipedia-Kategorien zu Onlineshops und Versandhändlern, über Wikidata auf Unternehmen mit Sitz in Deutschland und hinterlegter Website gefiltert, daraus 154 Domains, davon systematisch jede fünfte. Von 26 Kandidaten waren 19 abrufbar, 13 davon zeigten im ausgelieferten Quelltext ein Shop-Merkmal wie Warenkorb oder Kasse. Geprüft wurde ausschließlich das rohe Dokument ohne JavaScript, so wie es ein automatisches Abrufprogramm sieht.

Das Ergebnis widerspricht der verbreiteten Erzählung, KI-Systeme würden ausgesperrt. Genau 2 von 19 Domains hinterlegen überhaupt eine Sperre für eines der Abrufprogramme, und in beiden Fällen betrifft sie nur ein einzelnes. Die Tür steht offen. Dahinter aber steht in 7 von 13 Fällen kein einziger ausgezeichneter Artikel.

Die übrigen Werte runden das Bild ab. 9 von 19 Domains hinterlegen auf der Startseite überhaupt strukturierte Angaben, 7 von 19 einen maschinenlesbaren Absender. Von den 13 Domains mit Shop-Merkmal liefern 6 von 13 eine ausgezeichnete Produktseite. Sieben der 26 gezogenen Kandidaten fielen ganz aus der Auswertung, weil sie nicht antworteten oder den Abruf sperrten.

Der aufschlussreichste Teil steckt in den 6 Shops, die ihre Artikel ausgezeichnet haben. Alle 6 hinterlegen eine Artikelkennung, alle 6 die Marke, 5 den Preis, 5 die Verfügbarkeit. Das sind exakt die Felder, die ein Shopping-Feed erzwingt. Genau ein Shop hinterlegt eine Beschreibung von mehr als 200 Zeichen; die übrigen liegen zwischen 72 und 224 Zeichen, also im Bereich einer Bildunterschrift.

Daraus folgt die These, die dieser Beitrag vertritt: Wer seine Produktdaten für Preisvergleiche und Anzeigen optimiert hat, hat damit noch nichts für die KI Suche getan. Die Feld-Pflicht der Kanäle deckt Identität und Preis ab. Ein Sprachmodell benötigt aber den Satz, der erklärt, für wen das Produkt taugt. Diese Lücke ist der eigentliche Befund. Schließen lässt sie sich.

„Erhält eine Webseite einen Wert von 50 Prozent, bedeutet das: Die Hälfte ihrer Inhalte ist für Maschinen nicht lesbar.“
(„So, if a webpage receives a score of 50%, this means half of its content is not readable by machines.“ Vivek Pandya, Adobe)

Adobe misst diesen Wert für ganze Seitentypen. Startseiten kommen auf 75 Prozent, Bereiche mit häufig gestellten Fragen auf 80 Prozent. Einzelne Produktseiten bilden mit 66 Prozent das Schlusslicht, und das ist bemerkenswert: Ausgerechnet die Seite, auf der die Kaufabsicht entsteht, ist die am schlechtesten lesbare. Zur Einordnung: Das erklärt auch, warum viele Marken in KI-Antworten fehlen, obwohl ihre Sichtbarkeit in der klassischen Suche stimmt. Was passiert, wenn die Antwort den Besuch ersetzt, haben wir an anderer Stelle beschrieben, nämlich wenn der Klick ausbleibt.

4. Voraussetzungen: Was ein KI System auf Ihrer Produktseite liest

Bevor Sie eine einzige KI-Lösung einkaufen, lohnt der Blick auf die Datengrundlage. Die folgende Gegenüberstellung zeigt, was ein Kanal wie ein Shopping-Feed verlangt und was ein KI-System zusätzlich benötigt, um Ihr Produkt in einer Antwort zu nennen. In den meisten Shops ist die linke Spalte erledigt. Die rechte selten.

Diese Trennung wird gerade auch technisch festgeschrieben. Mit dem Universal Commerce Protocol baut Google einen offenen Standard, über den Händler Katalog, Kasse und Zahlung an KI-Oberflächen anbinden; Partner erhalten Zugriff auf Katalogfunktionen, die Varianten, Bestände und Preise in Echtzeit abrufen. Parallel dazu haben Stripe und OpenAI mit dem Agentic Commerce Protocol einen offenen Standard für den Kaufabschluss durch KI-Agenten veröffentlicht, unter Apache-2.0-Lizenz und mit öffentlich dokumentierter Spezifikation.

Beide Standards regeln den Kauf. Keiner regelt die Auswahl. Warum ein KI-System ausgerechnet Ihr Produkt vorschlägt, steht dort nicht. Diese Frage entscheidet sich vorher, im Inhalt Ihrer Produktseite.

5. Schritt für Schritt: Produktdaten für die KI Suche aufbereiten

Fünf Schritte, in dieser Reihenfolge. Ziel ist es, den Weg vom Rohbestand zur zitierfähigen Produktseite ohne Umweg zu gehen. Die ersten beiden kosten nichts außer Zeit.

Schritt 1: Zwanzig echte Kundenfragen sammeln

Am besten holt man sich diese Fragen dort, wo sie ohnehin täglich auflaufen: im Kundenservice und im Verkauf. Notieren Sie zwanzig Kundenanfragen im Wortlaut, ohne sie zu glätten. „Hält die Jacke einen Radweg im Nieselregen aus“ ist eine solche Frage, „wasserdichte Jacke“ ist keine. Diese Liste ist der Maßstab für alles Weitere, weil sie zeigt, welche Kaufabsicht Ihre Kunden tatsächlich formulieren.

Schritt 2: Die eigene Produktseite ohne JavaScript ansehen

Rufen Sie den Quelltext einer Produktseite ab und schalten Sie die Skripte ab. Was jetzt noch dasteht, ist alles, was ein automatisches Abrufprogramm zu sehen bekommt. In unserer Stichprobe war der Unterschied dramatisch: Bei mehreren Shops mit sichtbarem Warenkorb blieb im Rohdokument keine einzige ausgezeichnete Produktangabe übrig. Wer diesen Test manuell einmal macht, spart sich drei Beratungsgespräche.

Schritt 3: Produktdaten maschinenlesbar auszeichnen

Jetzt kommt Schema Markup ins Spiel, also die Auszeichnung von Seiteninhalten in einem Format, das Programme direkt auslesen können. Für Artikel heißt der passende Typ Product, dazu gehören Kennung, Marke, Preis, Verfügbarkeit und, das ist der oft ausgelassene Teil, eine gehaltvolle Beschreibung. Wer die Marke zusätzlich als eigenständige Sache im Netz verankert, findet die Grundlagen unter dem Stichwort Knowledge-Graph-Optimierung.

Schritt 4: Beschreibungen um Anwendungsfall und Grenzen ergänzen

Aus den zwanzig Fragen aus Schritt 1 werden jetzt Absätze. Für wen taugt der Artikel, wofür nicht, was unterscheidet ihn von der nächsten Variante. Zwei bis vier Sätze je Frage reichen. Ein Sprachmodell kann daraus eine Empfehlung formulieren. Ein Preisvergleich nicht. Nebenbei beantworten dieselben Absätze die häufig gestellten Fragen im Shop und senken erfahrungsgemäß Retouren und Kundenanfragen.

Schritt 5: Belege außerhalb des eigenen Shops aufbauen

KI-Systeme gewichten fremde Quellen höher als die Selbstauskunft eines Verkäufers. Fachtests, Vergleiche, Erwähnungen in Branchenmedien zahlen deshalb direkt auf die Empfehlung ein. Für den planbaren Teil davon eignen sich Erwähnungen in geprüften Medien, für den organischen Teil eine ehrliche Bewertungspraxis im Shop. Beides zusammen ergibt das Bild, das ein KI-System als Beleg wertet.

6. Häufige Fehler und wie Sie sie vermeiden

Der erste Fehler ist der Werkzeugkauf vor der Datenprüfung. Eine KI-gestützte Suchfunktion im Shop verbessert die interne Produktsuche, ändert aber nichts daran, was ein externes System über Ihr Sortiment weiß. Verkauft wird beides oft in einem Atemzug. Zweierlei bleibt es trotzdem.

Der zweite Fehler ist die automatisch erzeugte Produktbeschreibung ohne Eingangsdaten. Wenn im Warenwirtschaftssystem nur Maße und Farbe stehen, erzeugt auch das beste Modell daraus nur ausgeschmückte Maße und Farbe. Künstliche Intelligenz kann im E-Commerce Texte skalieren, aber keine Sachkenntnis erfinden.

Der dritte Fehler ist die Annahme, Sichtbarkeit aus dem klassischen SEO übertrage sich automatisch auf die Sichtbarkeit in generativer KI. In der Praxis kann sich das inzwischen deutlich unterscheiden, weil Modelle andere Signale priorisieren als ein Ranking-Algorithmus. Ein GEO-Audit misst diesen Abstand, statt ihn zu vermuten.

Der vierte Fehler ist der Verzicht auf die Messung, weil sie unbequem ist. Kein Bericht der Welt zeigt Ihnen einen Kunden, der Sie nie besucht hat. Es bleibt die aktive Prüfung. Stellen Sie dieselben zwanzig Fragen in mehreren KI-Systemen und protokollieren Sie, welche Anbieter genannt werden. In unseren Tests ist das die einzige Auswertung, die diesen Ausfall überhaupt sichtbar macht. Als Einstieg in die Systematik eignet sich der Leitfaden dazu, wie Marken von KI-Systemen genannt werden.

7. Fazit

Die KI Suche im E-Commerce ist keine Frage der Werkzeugauswahl. Die Systeme, die künftig einen Teil Ihrer Kaufentscheidungen vorwegnehmen, lesen dieselben Produktdaten, die auch Ihre interne Suchfunktion nutzt. Nur mit einem strengeren Maßstab. Sie sortieren nicht, sie begründen.

Die Stichprobe zeigt, wo der Engpass in der Praxis liegt. Nicht beim Zugang, den fast niemand sperrt. Sondern bei dem einen Absatz auf der Produktseite, der erklärt, für wen der Artikel taugt.

Das Ziel: Jede Produktseite beantwortet die zwanzig Fragen, die Ihr Kundenservice ohnehin täglich hört, in einer Form, die auch ein Programm auslesen kann. Wer damit beginnt, arbeitet gleichzeitig an der Beratungsqualität im Shop und an der Chance, außerhalb davon genannt zu werden.

8. Anhang: Checkliste für die nächsten zwei Wochen

FAQ Häufig gestellte Fragen

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. Die eigene Stichprobe ist eine Momentaufnahme vom 19. August und nicht repräsentativ: geprüft wurden ausschließlich das ausgelieferte Rohdokument ohne JavaScript sowie Seiten, die über Sitemap oder Verlinkung erreichbar waren; einzelne Einträge der Ausgangsliste sind Konzernseiten ohne eigenen Verkaufsbereich. Genannte Zahlen sind den verlinkten Quellen entnommen und können sich ändern.