Wie Generative KI die Produktentdeckung verändert
Die Zahlen sind atemberaubend: Am Prime Day 2025 maß Adobe Analytics einen 3.300% Anstieg im Jahresvergleich des Traffics von generativen KI-Quellen zu US-Einzelhandelsseiten. In der Holiday Season 2025 stieg KI-getriebener Traffic um 693%. Aber das Volumen ist nicht einmal der interessanteste Teil. Es ist die Qualität. Käufer die von KI-Assistenten kamen konvertierten 31% besser, verbrachten 45% mehr Zeit auf der Seite und sahen 13% mehr Seiten pro Besuch. Statt "schwarze Lederstiefel Größe 38" in Google zu tippen, fragt eine Käuferin ChatGPT: "Ich brauche bequeme Stiefel für London im November die fürs Büro und Wochenend-Spaziergänge funktionieren, Budget ca. £150." Die KI synthesiert Bewertungen, Preise, Verfügbarkeit und empfiehlt drei oder vier spezifische Produkte mit Begründung. Das ist keine Suche. Das ist ein persönlicher Shopping-Assistent. Ich arbeite mit eCommerce-Kunden in UK und DACH. Dieser Post zeigt was ich jedem eCommerce-Kunden gerade sage: Die Art wie Käufer deine Produkte finden ändert sich, und deine Produktdaten müssen sich mitändern.
Die Zahlen die das Gespräch verändert haben
Adobe Analytics Daten im Kontext: Im Juli 2024 war generativer KI-Traffic zu Einzelhandelsseiten winzig. Bis Juli 2025 war er um 4.700% gewachsen. Am Prime Day 2025 stieg KI-getriebener Traffic um 3.300%. In der Holiday Season um 693%.
Wichtige Nuance: KI-Traffic ist noch ein kleiner Anteil am Gesamtvolumen. Paid Search machte 28,5% der eCommerce-Verkäufe am Prime Day aus. Aber die Qualitätsmetriken sind beeindruckend: 31% höhere Conversion, 33% niedrigere Bounce-Rate, 45% mehr Zeit auf der Seite.
Die Conversion-Lücke schließt sich schnell. Im Juli 2024 war KI-Traffic 43% weniger wahrscheinlich zu konvertieren. Bis Oktober 2025 waren KI-verwiesene Besucher tatsächlich 16% wahrscheinlicher zu konvertieren.
Wie KI-Shopping funktioniert
Traditionelle Google-Suche: "schwarze Stiefeletten Damen" ChatGPT Shopping-Anfrage: "Ich brauche bequeme schwarze Stiefeletten für eine Lehrerin die den ganzen Tag steht, wasserdicht wäre super, Budget ca. €80, nachhaltige Marke bevorzugt"
Die erste Anfrage matched Keywords. Die zweite beschreibt eine Person, einen Kontext, Einschränkungen und Werte. Die KI braucht völlig andere Daten.
ChatGPT Shopping Research stellt Klärungsfragen und generiert einen maßgeschneiderten Einkaufsführer. Perplexity mischt Echtzeit-Websuche mit KI-Synthese und PayPal-Integration. Gemini nutzt Googles Shopping-Ökosystem.
Was das für New Look bedeutet
Typischer Kunde: preisbewusst, trendorientiert, zunehmend mobil. KI-Shopping-Anfrage: "Was soll ich freitags im Büro in London tragen, Oversized-Blazer-Trend, unter £50, bis Donnerstag geliefert"
Traditional Produkt-Feed: Name, Preis, Kategorie, Farbe, Größe. Reicht für Google Shopping Ads. Reicht nicht für konversationsbasierte KI.
GEO-optimierter Feed ergänzt: Style-Beschreiber ("Oversized, relaxed fit"), Anlass-Tags ("Casual Friday, Smart Casual"), Styling-Notizen ("Layer über T-Shirt, passt zu Wide-Leg Hosen"), Material und Nachhaltigkeit, Passform-Kontext, Liefer-Details, Review-Synthese.
Was das für Selfridges bedeutet
Völlig anderes Segment — Luxus, erlebnisorientiert, redaktionell. KI-Anfrage: "Besonderes Geburtstagsgeschenk für meine Frau, sie liebt understated Luxus, findet Bottega Veneta zu offensichtlich, welche Marke ist gerade in der Mode-Szene angesagt?"
Härtere Anfrage für KI — erfordert Verständnis von Mode-Positionierung und kulturellem Ansehen. Selfridges hat den Content (Redaktionsbeiträge, Buyer Notes, Brand Curation Stories) — aber er ist nicht maschinell strukturiert.
GEO für Selfridges: strukturierte Markennarrative, redaktionelle Assoziationen, Geschenk-Kontext, Handwerks-Details.
Technische Implementierung
Ob New Look oder Selfridges — die technische Grundlage ist dieselbe: GEOOptimiser der Standard-Feed-Attribute um konversationellen Kontext anreichert. Style-Deskriptoren, Anlass-Tags, Styling-Kontext, Passform-Informationen, Nachhaltigkeit, Review-Synthese, Lieferkontext, Geschenk-Tags, Trend-Signale, Markennarrative.
JSON-LD Product Schema mit erweiterten Attributen auf jeder Produktseite.
Die GEO-Checkliste
- Produktbeschreibungen über Keywords hinaus anreichern — Kontext: für wen, wann, wozu, was löst es
- Daten für Maschinen strukturieren — JSON-LD auf jeder Produktseite
- Reviews härter arbeiten lassen — KI-Assistenten synthesieren Review-Themen
- Produktdaten frisch halten — KI-Modelle priorisieren aktuellen Content
- Für konversationelle Anfragen bauen — FAQ-Inhalte die KI-Fragen spiegeln
- Für mehrere KI-Plattformen optimieren — Google Merchant Centre, crawlbare Seiten, offene strukturierte Daten
- KI-Referral-Traffic tracken — UTM-Parameter für ChatGPT, Perplexity, Gemini
- Über die eigene Seite hinaus denken — redaktionelle Erwähnungen, Vergleichsartikel, Review-Seiten
Was Auto-Prammer.at macht
Für unseren Automotive-Marktplatz passiert KI-Produktentdeckung bereits. Jemand fragt ChatGPT: "Ich brauche ein Familienauto für österreichische Bergstraßen, Budget ca. €20.000, gebraucht ist OK, sparsam und Platz für zwei Kindersitze."
Wir reichern jedes Inserat mit kontextuellen Attributen an: Geländetauglichkeit, Familienfeatures (ISOFIX, Kofferraum, Rücksitzplatz), Betriebskostenschätzungen, echtes Nutzerfeedback.
Das große Bild
Das alte Modell: Für Googles Algorithmus optimieren, Ads kaufen, auf Keywords konkurrieren.
Das neue Modell: Für KI-Assistenten optimieren die persönliche Shopping-Berater für Millionen Menschen werden. Gib ihnen die reichen, strukturierten, kontextuellen Produktdaten die sie brauchen um deine Produkte zu empfehlen.
Die Retailer die ihre Produktfeeds jetzt anpassen werden die sein die KI-Assistenten zuerst empfehlen. Und diese Empfehlungen konvertieren 31% besser.
Das ist kein Trend zum Beobachten. Das ist ein Kanal zum Aufbauen.