Wie werden Produkte in der KI-Suche und von Agenten gefunden?

Ein AI-Readiness-Check für deine Produktdaten

Immer mehr Kaufentscheidungen beginnen nicht mehr im Suchschlitz, sondern im Gespräch mit einer KI. Schon 35 Prozent der Nutzerinnen und Nutzer lassen sich von KI bei Einkaufsentscheidungen unterstützen. Wo früher eine Linkliste stand, liefert die KI heute direkt eine Antwort, und Studien zeigen, dass Menschen seltener auf Links klicken, sobald eine KI-Zusammenfassung erscheint. Das Rennen um die Frage, wer in dieser Antwort vorkommt, läuft bereits.

AI-Readiness der Produktdaten beschreibt, wie gut deine Produktinformationen von KI-Systemen gelesen, verstanden und gekauft werden können. Die Voraussetzung für Produktdaten: sie müssen maschinenlesbar, strukturiert, vollständig, konsistent und aktuell sein. In der Zielvorstellung ist das nichts Neues, in der Umsetzung müssen AI-Agenten verstehen: Was ist das Produkt, für wen passt es, ist es verfügbar, was kostet es, wie schnell kommt es an, wie vertrauenswürdig ist der Händler, und warum sollte es empfohlen werden? Es geht um strukturierte Felder, stabile Identifikatoren wie GTIN, semantische Vollständigkeit, Schema.org, aktuelle Feeds und eine zentrale Datenbasis. 

Wie Agenten technisch an deinen Shop andocken, wie sie bezahlen und wie du Budgets und Freigaben steuerst, sind eigene Themen, auf die hier nicht eingegangen wird.

Inhaltsverzeichnis:

• Wie verändert KI-Suche das Kaufverhalten in DACH?
• So entwickelt sich die Customer Journey
• Worin unterscheiden sich menschliche Suche und KI-Suche?
• Wie entscheidet eine KI, welches Produkt sie empfiehlt?
• Welche Voraussetzungen brauchen Produkte, damit Agenten sie kaufen können?
  • Eindeutige Identität: das Produkt maschinell erkennbar machen
  • Vollständige Attribute: mehr als Titel und Bild
  • Kaufbarkeit in Echtzeit: Preis, Bestand, Lieferung, Retouren
  • Vertrauenssignale: warum ein Agent sich für dich entscheidet
• Wie stelle ich sicher, dass meine Produktdaten strukturiert und maschinenlesbar sind?
• Wie schreibe ich Produktbeschreibungen für KI?
• AI-Readiness entsteht durch Struktur, nicht durch Aufwand

Wie verändert KI-Suche das Kaufverhalten in DACH?

Am Beispiel von Google-Suchen kann man einen Trend sehr gut erkennen: Mit der Einführung des AI Modes  in Deutschland, Österreich und der Schweiz ab Oktober 2025, steigt der Prozentsatz an Zero-Klick-Suchen stetig. Suchen werden durch die KI-Zusammenfassungen auf der Plattform direkt beantwortet und führen zu keinen weiteren Klicks. Aktuelle Recherchen zum Zero-Klick-Verhalten belegen, dass der Anteil an Zero-Klick-Suchen in den ersten vier Monaten 2026 in US bereits bei 68%, in Deutschland bei 62% aller Suchen liegt. 

Für den Handel verschiebt sich damit der Einstiegspunkt. Die Customer Journey wird kürzer und stärker durch KI vorgefiltert. Und sie wird zweigeteilt: In der KI-Suche geht es darum, in der generierten Antwort überhaupt aufzutauchen. Im Agentic Commerce geht ein autonomer Assistent einen Schritt weiter und übernimmt Recherche, Vergleich und zunehmend den Kauf selbst.

Beide Entwicklungen sind keine Zukunftsmusik. Bereits 28 Prozent aller Internetnutzer und 36 Prozent der Jüngeren wollen einer KI künftig sagen, was sie brauchen, damit diese passende Angebote sucht. Auf Unternehmensseite setzen laut PwC bereits über 70 Prozent KI-Agenten ein oder testen sie. Produkte, die in diesen Antworten nicht vorkommen, verlieren an Sichtbarkeit, bevor ein Mensch die erste Entscheidung trifft.

So entwickelt sich die Customer Journey

Die klassische Customer Journey verlief über mehrere Stationen: suchen, eine Trefferliste sichten, klicken, im Shop stöbern, vergleichen, Bewertungen checken, kaufen. An jeder Station hattest du eine Chance, mit Bild, Marke und Gestaltung zu überzeugen.

In der KI-gestützten Customer Journey fallen viele Stationen weg. Der Bedarf wird in einem Satz formuliert, die KI filtert vor und präsentiert eine kurze Auswahl oder kauft direkt. Die entscheidende Vorauswahl trifft die Maschine auf Basis deiner strukturierten Daten, lange bevor ein Mensch dein Produkt zu Gesicht bekommt. Sichtbarkeit entscheidet sich dadurch früher und an einer Stelle, die du nicht mehr visuell gestaltest, sondern mit Daten füllst.

Eine Bruchstelle bleibt vorerst. Die Bereitschaft, eine KI suchen und vorfiltern zu lassen, ist heute größer als die Bereitschaft, ihr den Kauf selbst zu überlassen. Eine internationale Studie von Criteo über 6000 Konsumentinnen und Konsumenten ergibt, dass zwar rund 40% KI für die Produktsuche nutzen, aber nur 8% ihr den Kauf anvertrauen.  An dieser Schwelle bricht die KI-Reise oft ab: Der Agent stellt die Auswahl zusammen, den Abschluss übernimmt wieder der Mensch. Diese Vertrauenslücke verkleinert sich mit jeder Generation der Assistenten, und sie verkleinert sich schneller dort, wo die Daten verlässlich sind. Ein Agent empfiehlt und kauft eher, wo Preis, Verfügbarkeit und Bedingungen eindeutig und aktuell stimmen.

Worin unterscheiden sich menschliche Suche und KI-Suche?

Menschen und Maschinen suchen grundverschieden. Ein Mensch interpretiert ein unscharfes Bild, verzeiht eine Lücke in der Beschreibung und fragt im Zweifel nach. Eine KI tut das nicht. Sie verarbeitet, was als Feld vorhanden ist, und überspringt den Rest.

Der Kern dieser Tabelle: Visuelles Merchandising verliert in der maschinellen Vorauswahl an Wirkung. Was zählt, ist die Vollständigkeit und Präzision der maschinenlesbaren Beschreibung und Aktualität. Generative KI kann nur empfehlen, was sie eindeutig versteht.

Dahinter steckt eine größere Verschiebung. Im klassischen Handel war das Produkterlebnis zwischen Produktdaten und Website-Design aufgeteilt, und eine starke Oberfläche, gutes Bildmaterial oder eine clevere Navigation konnten lückenhafte Daten kaschieren. Sobald ein Agent die gesamte Reise allein aus strukturierten Daten aufbaut, fällt dieses Sicherheitsnetz weg. Die Produktdaten gleichen die Lücke nicht mehr nur aus, sie werden selbst zum Erlebnis.

Wie entscheidet eine KI, welches Produkt sie empfiehlt?

KI-Systeme arbeiten semantisch. KI-Systeme ranken nicht nach Keyword-Dichte, sondern interpretieren die Absicht hinter einer Anfrage. Sie versuchen zu verstehen, worum es bei einem Produkt geht, welche Eigenschaften es hat und ob es zur Frage passt. Eine Anfrage wie „Welcher Kaffeevollautomat passt in eine kleine Büroküche und kommt mit kalkhaltigem Wasser zurecht?" wird als komplette Anforderung gelesen, nicht als Suchbegriff.

Sie zerlegen eine einzelne Frage im Hintergrund in mehrere Teilanfragen, ein Verfahren, das als Query-Fan-out (QFO) bekannt ist. Aus der Kaffevollautomat-Frage werden parallel Suchen nach Wasserqualität, Größe, Zielgruppeneignung, Miet-/Kaufmodelle, etc. gestellt. Ein einzelnes optimiertes Keyword wie "Kaffevollautomat Büor" greift dann zu kurz. Die Beschreibung wird umso eher als Antwort herangezogen, je mehr dieser Teilfragen sie abdeckt.

Ob ein Produkt in die Antwort kommt, hängt damit an einer Frage: Versteht die KI es eindeutig? Dafür müssen die entscheidenden Felder vorhanden, maschinenlesbar strukturiert und sprachlich so beschrieben sein, dass sie echte Nutzerfragen beantworten. Dabei gelten genau dieselben Anforderungen an Datenqualität, die auch schon vor KI dazu beigetragen haben, dass Produktdaten Konversionen hervorgebracht haben. Lies gerne dazu unsere Artikel: 

• Warum Datenqualität über deinen E-Commerce Erfolg entscheidet
• Wege zur Verbesserung der Datenqualität im eCommerce
• Produktdatenqualität messen: Dimensionen, Formeln und kanalspezifisches Scoring

Welche Voraussetzungen brauchen Produkte, damit Agenten sie kaufen können?

Gefunden zu werden ist die eine Stufe. Gekauft zu werden ist die nächste, und sie legt die Latte höher. Sobald ein Agent eine Transaktion vorbereitet, handelt er auf Basis der Daten und reagiert empfindlich auf alles Unsichere. Diese Anforderungen entscheiden dann darüber, ob ein Produkt überhaupt in die engere Wahl kommt.

Eindeutige Identität: das Produkt maschinell erkennbar machen

Ein Agent muss jede Variante zweifelsfrei identifizieren, um sie über Shops, Marktplätze und Bewertungsquellen hinweg als dasselbe Produkt abzugleichen. Dafür braucht jede Variante stabile Kennungen:

• SKU oder item_id als eindeutige Referenz pro Variante
• GTIN oder EAN für den Abgleich mit Marktplätzen und Vergleichsseiten
• MPN als Herstellernummer, besonders bei Technik, Ersatzteilen und im B2B
• Marke und eine kanonische Produkt-URL als Quelle, auf die sich ein Agent berufen kann

Fehlt die Kennung, fällt das Produkt aus dem Vergleich oder erscheint als falsches Einzelprodukt.

Vollständige Attribute: mehr als Titel und Bild

Agenten gleichen Anforderungen ab, nicht Stichworte. Eine Produkteigenschaft, die nur im Fließtext steht, ist für sie praktisch nicht vorhanden. Wichtig sind normalisierte Attribute in Gruppen:

• physische Daten wie Maße, Gewicht, Material, Farbe und Größe
• Anwendungsfall und Zielgruppe, also wofür und für wen das Produkt taugt
• Kompatibilität zu Geräten, Modellen oder Ersatzteilnummern
• Einschränkungen und Warnhinweise, also wofür es ausdrücklich nicht geeignet ist

Je sauberer diese Attribute hinterlegt sind, desto präziser ordnet ein Agent das Produkt einer Anfrage zu.

Kaufbarkeit in Echtzeit: Preis, Bestand, Lieferung, Retouren

Für den Kauf zählt, ob das Produkt jetzt erhältlich ist. Diese Angaben müssen aktuell und maschinenlesbar vorliegen:

• Preis mit Währung, inklusive Aktionspreis und Zeitraum
• Verfügbarkeit als klarer Status, etwa auf Lager, ausverkauft oder vorbestellbar
• Lieferdaten wie Zielland, Versandkosten und Bearbeitungszeit
• Retourenbedingungen mit Frist und Kosten

Weicht der Preis auf der Seite vom Feed ab oder ist der Bestand veraltet, zieht der Agent die Empfehlung zurück oder bricht den Kauf ab.

Vertrauenssignale: warum ein Agent sich für dich entscheidet

Bei sonst gleicher Datenlage entscheidet das Vertrauen. Agenten werten dieselben Signale aus, die auch Menschen überzeugen, nur als strukturierte Daten:

• Bewertungen mit Durchschnitt und Anzahl, gepflegt über systematisches Review Management
• nachvollziehbare Händleridentität und klare Richtlinien zu Versand, Rückgabe und Datenschutz
• sichtbare Aktualität, also aktuelle Preise, Bestände und Aktualisierungsdaten

Produkte ohne diese Signale landen hinten, selbst wenn der Rest stimmt. Wie Agenten technisch andocken und bezahlen, ist eine eigene Ebene, die wir hier ausklammern.

Wie stelle ich sicher, dass meine Produktdaten strukturiert und maschinenlesbar sind?

Hier geht es um die technischen Voraussetzungen. Den Anfang macht die strukturierte Auszeichnung der Produktseite über Schema.org im Format JSON-LD. Damit liest ein KI-System Felder wie Preis, Verfügbarkeit und Bewertung maschinell aus, statt sie aus dem Layout raten zu müssen. Die offiziellen Vorgaben dazu stehen in der Structured-Data-Dokumentation von Google.

Der zweite Ausspielweg ist der Produktfeed, etwa über das Google Merchant Center. Konkrete Pflichtfelder und Limits ändern sich und variieren je Kategorie, deshalb gilt: das Prinzip umsetzen und für die Details auf die offizielle Plattformdokumentation gehen, statt mit veralteten Werten zu arbeiten.

Es gibt nicht die eine Spezifikation für alle Plattformen und Modelle. OpenAI beschreibt für ChatGPT Shopping strukturierte Produktfeeds mit Preis, Verfügbarkeit, Verkäuferangaben, Medien, Varianten, Retouren, Bewertungen sowie Fragen und Antworten. Google empfiehlt für Merchant Listings strukturierte Product- und Offer-Daten mit Preis, Verfügbarkeit, Versand- und Retoureninformationen. Die Schnittmenge ist groß, doch Daten für jedes einzelne Ziel extra aufzubereiten, lohnt sich kaum.

Zwei Dinge entscheiden über die Verlässlichkeit. Erstens muss das Markup mit dem sichtbaren Seiteninhalt übereinstimmen, sonst stuft ein KI-System die Quelle als unzuverlässig ein. Zweitens müssen die Daten über alle Kanäle aktuell und konsistent sein. Beides lässt sich nur halten, wenn die Daten an einer Stelle gepflegt und von dort ausgespielt werden, nicht pro Kanal von Hand nachgezogen.

Wie schreibe ich Produktbeschreibungen für KI?

Strukturierte Attribute allein beantworten keine komplexe Frage. Eine klassisch optimierte Beschreibung wie „Bürostuhl ergonomisch schwarz" hilft bei der Anfrage „Welcher Bürostuhl eignet sich für langes Sitzen bei 1,90 m Körpergröße?" wenig.

Hier kommt wieder das Query-Fan-out Verfahren ins Spiel. Aus der Stuhl-Frage werden parallel Suchen nach Sitzhöhenbereich, Rückenlehnenhöhe, Belastbarkeit und Eignung für große Personen. Damit eine KI solche Fragen mit deinem Produkt beantwortet, braucht die Beschreibung Kontext: für wen das Produkt gedacht ist, welches Problem es löst, in welchem Szenario es funktioniert und wo seine Grenzen liegen. Eine Formulierung wie „Sitzhöhe von 45 bis 58 cm, geeignet für Körpergrößen bis 2,00 m, mit verstellbarer Lordosenstütze für langes Sitzen, belastbar bis 150 kg" ist kein Werbetext, sondern eine maschinenlesbare Entscheidungsgrundlage.

Praxis-Tipp: Eine agententaugliche Beschreibung beantwortet drei Fragen explizit und nimmt die naheliegenden Teilfragen vorweg. Für wen ist das Produkt? Welches konkrete Problem löst es? Wo sind seine Grenzen? Belege schlagen Superlative: „Testsieger 03/2026" wird verarbeitet, „bestes Produkt" wird ignoriert.

AI-Readiness entsteht durch Struktur, nicht durch Aufwand

An dieser Stelle entsteht leicht ein Missverständnis. Die Anforderungen dieses Beitrags lesen sich wie ein Berg manueller Arbeit: dutzende Felder befüllen, jede Beschreibung semantisch anreichern, Feeds pflegen, Preise in Echtzeit synchron halten. Genau dieser Berg ist das Missverständnis.

AI-Readiness ist eine Frage der Struktur, nicht des Fleißes. Die Vollständigkeit, die KI-Suche und Agenten verlangen, ist von Hand nicht dauerhaft zu halten, sobald Sortiment, Kanäle und Team wachsen. Sie entsteht aus einer zentralen Datenbasis, in der jedes Attribut einmal sauber gepflegt wird und aus der alle Kanäle konsistent versorgt werden. Genau das leistet ein Product Information Management (PIM) System. Ein Datensatz, so aufbereitet, dass er für alle Endpunkte funktioniert.

Das Ziel ist deshalb nicht, separat für Agenten zu bauen, sondern strukturierte Daten zu schaffen, die jedem Endpunkt dienen. Jede Verbesserung für die KI-Suche wirkt damit zugleich auf Shop und Marktplätze, auch wenn der agentische Kanal gerade erst Fahrt aufnimmt. Der Aufwand zahlt also nicht auf eine einzelne Wette ein, sondern auf alle Kanäle gleichzeitig.

Die laufende Bereinigung und Anreicherung muss dabei nicht manuell laufen. Fehlende Attribute lassen sich automatisiert vorschlagen, Dubletten erkennen, Beschreibungen kanalgerecht erzeugen. Wie dich bei diesen Fleißaufgaben KI konkret unterstützen kann, beschreibt der Beitrag KI im PIM: Wie viel Potenzial nutzt du wirklich schon?  

Hublify ist als Commerce-Backend für genau diese Aufgabe gebaut. Produkt-, Preis- und Bestandsdaten liegen zentral und werden konsistent auf Shop, Marktplätze und Feeds ausgespielt. Ein Kunde beschreibt das so:

„Mit Hublify PIM konsolidieren wir alle Bilder und Produktdaten, die aus verschiedenen Listen, aus SAP oder anderen Systemen kommen. Alle Daten werden zentral gesteuert zur Ausspielung im Shopify Plus Shop oder bei anderen Online-Partnern und Marktplätzen." (Patrick, Atera GmbH)

Der Schlüssel liegt in der Infrastruktur, nicht im einzelnen Tool. Wenn du wissen willst, wie weit deine Produktdaten schon KI-ready sind, lass es uns gerne gemeinsam anschauen.

Häufig gestellte Fragen

Was ist Agentic Commerce?

Agentic Commerce bezeichnet das Einkaufen mit KI-Agenten, die für Kunden recherchieren, vergleichen und zunehmend eigenständig kaufen. Anders als ein einfacher Chatbot handelt ein solcher Agent mehrschrittig und greift dabei auf Tools und Daten zu, allen voran auf Produktinformationen.

Wie optimiere ich Produktdaten für ChatGPT und die KI-Suche?

Sorge für vollständige, strukturierte und konsistente Daten, zeichne sie per Schema.org aus und halte Preis und Verfügbarkeit aktuell. Ergänze die Beschreibungen um Einsatzkontext und Grenzen, damit eine KI komplexe Kauffragen mit deinem Produkt beantworten kann.

Was ist Google AI Mode?

Der AI Mode ist Googles KI-gestützter Suchmodus, der statt einer Linkliste eine generierte Antwort liefert und Funktionen wie Produktvergleiche enthält. Er ist inzwischen auch im deutschsprachigen Raum verfügbar und verändert, wie Produkte in der Suche sichtbar werden.

Brauche ich ein PIM, um in der KI-Suche zu erscheinen?

Technisch nötig ist ein PIM nicht, praktisch wird es ab einer gewissen Größe unverzichtbar. Sobald Sortiment, Kanäle und Team wachsen, lässt sich die geforderte Vollständigkeit und Aktualität nur über eine zentrale Datenbasis konsistent halten.