GEO für Online-Shops: Produktdaten, die KI-Assistenten zitieren

Die Kaufberatung wandert in den Chat. Statt drei Vergleichsportale zu öffnen, fragen Nutzer direkt: Welcher Akkuschrauber taugt für den gelegentlichen Heimwerker unter 150 Euro? Die Antwort nennt drei bis fünf Produkte, oft mit Händlerverweis. Wer dort nicht vorkommt, existiert für diesen Nutzer nicht. Das Unangenehme daran: Der Ausschluss ist unsichtbar. Es gibt keine Position 11, die man verbessern könnte.

Warum Shops systematisch schlechter abschneiden

Shop-Seiten haben strukturelle Nachteile gegenüber Ratgeberinhalten:

• Dünne Produkttexte: Übernommene Herstellerbeschreibungen stehen wortgleich auf hunderten Domains. Ein Modell hat keinen Grund, ausgerechnet Ihre Variante zu zitieren.
• Werbliche Sprache: Formulierungen ohne prüfbaren Informationsgehalt werden bei der Antwortbildung schlicht ignoriert.
• Wichtige Fakten im JavaScript: Preis, Verfügbarkeit und Varianten werden clientseitig nachgeladen. Crawler ohne Rendering sehen sie nicht.
• Keine Einordnung: Die Seite sagt, was das Produkt ist, aber nicht, für wen es taugt und für wen nicht. Genau diese Einordnung braucht ein Assistent für eine Empfehlung.

Die technische Pflicht: vollständiges Product-Schema

Strukturierte Daten sind bei Produkten kein Nice-to-have. Sie sind der zuverlässigste Weg, Fakten unmissverständlich zu übergeben. Vollständig heißt:

• name, description, image, brand, sku, gtin13 oder mpn als Basis. Die GTIN ist besonders wertvoll, weil sie Produkte über Händlergrenzen hinweg eindeutig identifiziert.
• offers mit price, priceCurrency, availability und priceValidUntil. Der Preis muss im HTML stehen, nicht nur im gerenderten DOM.
• aggregateRating und review, sofern echte Bewertungen vorliegen. Bewertungsdaten sind ein starkes Signal für Empfehlungslogik.
• additionalProperty für die technischen Eigenschaften: Gewicht, Maße, Leistung, Material, Kompatibilität. Diese Felder werden unterschätzt und beantworten genau die Filterfragen, die Nutzer stellen.

Prüfen Sie die Auszeichnung mit dem Rich-Results-Test und stellen Sie sicher, dass die Werte mit dem sichtbaren Seiteninhalt übereinstimmen. Abweichungen zwischen Markup und Text sind ein Qualitätsproblem, das gegen Sie arbeitet.

Der inhaltliche Hebel: Eignung statt Merkmale

Ein Assistent, der eine Empfehlung formuliert, braucht Entscheidungswissen. Merkmale hat er vom Hersteller. Was fehlt, ist die Einordnung. Ergänzen Sie auf der Produktdetailseite drei Blöcke:

Für wen geeignet, für wen nicht

Zwei kurze Listen. Geeignet für den gelegentlichen Einsatz im Haushalt, für Möbelmontage, für Arbeiten in Weichholz. Nicht geeignet für den täglichen Profieinsatz, für Beton, für Schrauben über 8 Millimeter. Diese Ehrlichkeit kostet gelegentlich eine Bestellung und gewinnt regelmäßig eine Empfehlung, weil sie exakt das Format hat, das Assistenten für Abwägungen brauchen.

Abgrenzung zu Alternativen

Ein Absatz, der das Produkt gegen die naheliegende Alternative im eigenen Sortiment stellt. Modell A hat mehr Drehmoment, Modell B längere Akkulaufzeit bei geringerem Gewicht. Wer viel über Kopf arbeitet, nimmt B.

Konkrete Anwendungsfälle

Kurze, spezifische Szenarien mit Zahlen. Reicht für etwa 200 Schrauben pro Akkuladung in Fichtenholz. Diese Angaben sind zitierfähig, weil sie überprüfbar und spezifisch sind.

Kategorieseiten als Beratungsseiten

Die größte ungenutzte Fläche in den meisten Shops sind Kategorieseiten. Sie enthalten typischerweise 200 Wörter SEO-Text und ein Produktraster. Damit sind sie für Kaufberatungsfragen wertlos.

Machen Sie daraus echte Übersichten: eine Vergleichstabelle der wichtigsten Modelle mit den drei bis vier entscheidungsrelevanten Kennzahlen, ein Abschnitt zu den Auswahlkriterien, eine Preis-Leistungs-Einordnung nach Nutzungsprofil. Solche Seiten werden von Assistenten deutlich häufiger als Quelle herangezogen als Produktdetailseiten, weil sie die Frage in ihrer ganzen Breite beantworten.

Bewertungen zugänglich machen

Echte Kundenbewertungen sind ein starkes Differenzierungssignal, weil sie nirgendwo sonst identisch existieren. Zwei Bedingungen: Sie müssen im HTML stehen, nicht in einem nachgeladenen Widget eines Drittanbieters. Und sie müssen als Text lesbar sein, nicht nur als Sternegrafik. Ein zusammenfassender Absatz mit den häufigsten Nennungen aus Bewertungen, also was Kunden loben und was sie bemängeln, ist besonders gut zitierbar.

Verfügbarkeit und Preis aktuell halten

Assistenten werden zunehmend skeptisch gegenüber Quellen mit veralteten Preisen. Wenn Ihr Markup einen Preis nennt, der beim Klick nicht stimmt, ist das ein Vertrauensschaden mit Folgen weit über die eine Anfrage hinaus. Setzen Sie priceValidUntil realistisch und stellen Sie sicher, dass availability tatsächlich dem Lagerbestand folgt.

Was Sie messen sollten

Die klassischen Shop-KPIs zeigen den Effekt nicht. Bauen Sie stattdessen ein Prüfset aus 20 bis 30 Kaufberatungsfragen für Ihre Hauptkategorien und protokollieren Sie monatlich, wie oft Ihr Shop oder Ihre Produkte genannt werden, in welchem Kontext und gegen welchen Wettbewerb. Zusätzlich lohnt ein Blick auf Referrer aus KI-Systemen in der Webanalyse, auch wenn diese Zahlen unvollständig sind: Die Absolutwerte sind unzuverlässig, der Trend ist es nicht.

Die Grundlagen zur Auszeichnung finden Sie im Beitrag zu Schema-Markup für KI-Systeme. Eine strukturierte Bestandsaufnahme für Ihr Sortiment liefert ein GEO-Audit.