---
title: "KI-Shopping-Sichtbarkeit: tracken, was KI auf Produktebene empfiehlt"
url: "/de/blog/ai-shopping-visibility-product-level"
canonical_url: "https://crunchjunkie.io/de/blog/ai-shopping-visibility-product-level"
markdown_url: "https://crunchjunkie.io/de/blog/ai-shopping-visibility-product-level.md"
language: "de"
last_updated: "2026-09-04"
type: "blog"
summary: "Wenn Käufer KI fragen, was sie kaufen sollen, nennt die Antwort Produkte, nicht nur Marken. Empfehlungsrate auf SKU-Ebene tracken — und der Schema-Audit, den die meisten Produktseiten nicht bestehen."
site: "CrunchJunkie"
llms_txt: "https://crunchjunkie.io/llms.txt"
---

# KI-Shopping-Sichtbarkeit: tracken, was KI auf Produktebene empfiehlt
Source: https://crunchjunkie.io/de/blog/ai-shopping-visibility-product-level
Published: 2026-09-04 · By Philipp Enders · KI-Sichtbarkeit · 8 min read

Bei Shopping-Fragen werden KI-Antworten kommerziell unverblümt: Frag, was du kaufen sollst, und die Engines nennen drei Produkte, manchmal mit Preisen, und das Gespräch endet oft dort. Marken-Sichtbarkeit erfasst das nicht — eine Marke kann respektvoll erwähnt werden, während ihre tatsächlichen Produkte nie in einer Antwort landen. Das Tracking muss auf Produktebene, und das technische Fundament ist in schlechterem Zustand, als fast alle annehmen. Auf dem echten Konto unten trugen 8,8 % der Produktseiten Produkt-Schema. Der Rest war für jede Maschine, die einen Preis zitieren wollte, unsichtbar.

## Shopping-Prompts sind eine eigene Kategorie
„Bester LED-Streifen für die Werkstatt“, „Top-Saugroboter unter 300 Euro“, „was soll ich für X kaufen“ — Kaufabsichts-Prompts verhalten sich anders als informationale. Die Antworten sind listenförmig, produktbenannt und preisverankert, und die Engines stützen sich stärker auf strukturierte Quellen: Produktseiten, Shopping-Feeds, Bewertungsaggregatoren. Ein generisches Prompt-Set zeigt dir nicht, wie du hier abschneidest; das Shopping-Set muss als eigene Population getrackt werden, mit eigener Metrik.

Diese Metrik ist die Empfehlungsrate: Von den Shopping-Prompt-Läufen, in denen irgendein getracktes Produkt empfohlen wurde — wie oft war es deins? Gemessen pro Marke und pro Produkt, mit derselben Sampling-Disziplin wie alles andere — wiederholte Läufe, sichtbare Stichproben, und ein Strich statt einer Null, wenn ein Produkt noch nicht genug entscheidende Läufe gesammelt hat, um ehrlich etwas zu sagen.

## Runter bis zur SKU
Shopping-Sichtbarkeit auf Markenebene beantwortet „mögen uns die Engines“; auf Produktebene: „welche unserer Produkte verkaufen sie wirklich“. Die Lücke zwischen beidem ist regelmäßig der Befund. Das Hero-Produkt eines Katalogs kann die gesamte Empfehlungsrate tragen, während die Margenbringer nie auftauchen; oder Engines empfehlen ein Produkt im Auslauf; oder sie empfehlen deins — beschrieben mit den Specs des Wettbewerbers.

Produkt-Tracking heißt: Der Katalog lebt im Tool. Jedes Produkt mit Aliassen und SKU-Varianten (Engines benutzen selten deinen exakten Produktnamen — „V-TAC LED Strip 24V Warm White“ zu matchen verlangt seine Aliase), Wettbewerberprodukte als Nur-Beobachten, und pro Produkt Empfehlungs- und Win-Rate über die Zeit. Die Win-Rate — von den Läufen, in denen irgendein getracktes Produkt empfohlen wurde, gewann deins — ist das Shopping-Äquivalent zum Share of Voice, und die Zahl, mit der ein Merchandising-Team wirklich arbeiten kann.

![Produkt-Tracking-Tabelle: einzelne Produkte mit Aliassen und SKUs, je mit Empfehlungsrate, Win-Rate und Läufe-Spalten, dazu ein Eingabefeld zum Hinzufügen und eine Wettbewerberprodukt-Beobachtungsoption](https://crunchjunkie.io/blog/img/ai-shopping-product-tracking.webp)

## Der Schema-Audit, den die meisten Kataloge nicht bestehen
Hier der Realitätscheck der Angebotsseite, vom Konto im Titelbild. Von 200 Produktseiten prüfte der Audit 40; sechs waren für den Checker unerreichbar (ein eigener Befund). Von den 34 prüfbaren Seiten: 3 trugen Product-Schema, 3 trugen Offer-/Preis-Schema, und null — keine — trug Bewertungs-Schema. Das ist ein echter, laufender Shop mit echtem Umsatz.

Warum das mechanisch zählt: Wenn eine Engine „Top X unter Y Euro“ komponiert, brauchen preisverankerte Antworten maschinenlesbare Preise. Eine Produktseite ohne Offer-Schema zwingt die Engine, Prosa zu parsen — und Engines unter Zeitdruck tun das nicht: Sie zitieren den Wettbewerber, dessen Preis strukturiert war. Dasselbe bei Bewertungen: „Bestbewertet“-Antworten werden aus Review-Markup gebaut, und ein Katalog mit null Bewertungs-Schema hat sich aus jeder solchen Antwort abgemeldet. Der Audit macht daraus eine Fix-Liste: welche Seiten, welche Schema-Typen, in Prioritätsreihenfolge.

## Katalog rein, Antworten raus
Niemand sollte 200 Produkte in ein Tracking-Tool tippen. Der Katalog importiert — Google-Shopping-XML, TSV- oder CSV-Feed, oder direkt aus dem Merchant Center synchronisiert — und die Prompt-Seite generiert daraus: Shopping-Prompts um deine echten Kategorien und Preispunkte statt geratener.

Und klar gesagt, was das nicht tut: Ein importierter Feed bringt die Engines nicht dazu, dich zu empfehlen, und das behaupten wir auch nicht. Er macht die Messung vollständig — jedes empfehlbare Produkt wird beobachtet. Wenn das Merchandising fragt „empfiehlt KI je unsere Mittelklasse-Linie“, ist die Antwort eine Zahl mit n, kein Schulterzucken.

## Wohin das läuft
Shopping ist die KI-Sichtbarkeits-Oberfläche mit einer Transaktion am Ende, und die Engines bauen auf diese Transaktion zu — ChatGPT hat Shopping-Ergebnisse, Preisvergleiche und wachsende Checkout-Ambitionen; Googles KI-Oberflächen ziehen direkt aus Shopping-Daten. Wenn Agenten im Auftrag von Nutzern kaufen, hört die Empfehlungsrate auf, eine Marketing-Metrik zu sein, und wird Distribution selbst.

Das ist das Argument, jetzt zu messen, solange die Produktseiten deiner Wettbewerber so schema-arm sind wie die aller anderen: Die Fixes sind unglamourös (Markup, Feeds, Aliase, hebbare Specs), und die Messung sagt dir, welcher Fix sich lohnt. Fang damit an, ob die Engines deine Preise überhaupt zitieren können — der [kostenlose GEO-Audit](https://crunchjunkie.io/products/geo-audit) enthält den Schema-Check — und wenn du mehr als eine Handvoll SKUs verkaufst, [tracke die Shopping-Prompts als eigenes Set](https://crunchjunkie.io/products/ai-shopping-visibility), bevor die Kategorie voll wird.

### FAQ
**Wie tracke ich meine Produkte in ChatGPT-Empfehlungen?**
Kaufabsichts-Prompts als eigenes Set tracken und auf Produktebene messen, nicht nur auf Markenebene: jedes Produkt mit Aliassen und SKUs (Engines benutzen selten exakte Produktnamen), eine Empfehlungsrate pro Produkt mit Stichprobengrößen, Wettbewerberprodukte auf Beobachtung. Kataloge importieren per Google-Shopping-Feed oder Merchant Center, damit die Messung alles Empfehlbare abdeckt.

**Was ist eine gute KI-Empfehlungsrate für ein Produkt?**
Es gibt keinen ehrlichen universellen Benchmark — Raten hängen komplett von Kategorie, Prompt-Set und Wettbewerb ab. Brauchbar sind die internen Vergleiche: deine Rate gegen deine getrackten Wettbewerber auf denselben Prompts, und dein Trend über die Zeit. Jede Produktrate ohne Laufzahl gehört ignoriert; zu wenige entscheidende Läufe heißen ehrlich: ein Strich, kein Prozentwert.

**Beeinflusst Produkt-Schema KI-Shopping-Empfehlungen?**
Strukturierte Daten sind der Weg, wie Engines Preise und Bewertungen zitieren, ohne Prosa zu parsen. Eine Seite ohne Offer-Schema lässt sich in „Beste unter X“-Antworten nicht verlässlich preislich zitieren; ein Katalog ohne Review-Markup fehlt in jeder „Bestbewertet“-Komposition. Auf einem echten Konto, das wir auditiert haben, trugen 8,8 % der Produktseiten Product-Schema und keine ein Bewertungs-Markup — eine Fix-Liste, und eine häufige.

**Kann ich tracken, welche Wettbewerberprodukte KI empfiehlt?**
Ja — Wettbewerberprodukte als Nur-Beobachten-Einträge anlegen. Sie sammeln aus denselben Läufen dieselben Empfehlungs- und Win-Raten. Aus „ihre Mittelklasse schlägt unser Flaggschiff bei Unter-300-Prompts“ wird eine gemessene Aussage mit Stichprobengröße statt einer Ahnung aus Screenshots.

### Methodology & data
Produktbeispiele und Audit-Zahlen stammen aus einem Live-Projekt für KI-Shopping-Sichtbarkeit bei einem E-Commerce-Kunden unserer eigenen Agentur Pmax Online, gelesen im September 2026: Ein Produktseiten-Schema-Audit über 40 von 200 Produktseiten (6 unerreichbar und ausgeschlossen) fand Product-Schema auf 3 von 34 prüfbaren Seiten (8,8 %), Offer-/Preis-Schema auf 3 von 34 (8,8 %) und Bewertungs-Schema auf 0 von 34. Die Empfehlungsrate ist definiert als Anteil der Shopping-Prompt-Läufe, in denen eine Marke oder ein Produkt empfohlen wird, gemessen über die gescannten Engines mit Stichprobengrößen; Produktzeilen ohne genügend entscheidende Läufe zeigen einen Strich, keine Null.