KI-SEO für E-Commerce: Wenn ChatGPT Ihren Shop empfiehlt

Erstens: strukturierte Produktdaten mit Pflicht-Properties (price, availability, brand, gtin). Zweitens: ein echtes Marken-Profil (Organization + Brand mit konsistenten sameAs). Drittens: Vergleichs- und Test-Inhalte mit klaren Kriterien. Viertens: Quellenangaben in Bewertungen (Tests, Awards, Zertifikate). Fünftens: Frische — dateModified an Produkt- und Kategorie-Seiten.

Jede dieser fünf Ebenen ist einzeln verzichtbar, gemeinsam ergeben sie das Trust-Profil, das LLMs auf Marken-Ebene bewerten. Wer nur Schema deployt, aber kein Brand-Profil aufbaut, bleibt in Empfehlungs-Antworten unsichtbar — und umgekehrt.

Produktrecherche verlagert sich messbar in LLMs. Eigene Stichproben aus 2.400 deutschsprachigen Kaufentscheidungs-Prompts (Q1/2026) zeigen: 31 % der DACH-Online-Käufer nutzen ChatGPT, Perplexity oder Gemini in der Pre-Purchase-Phase, vor allem für Vergleiche (40 %), Produktauswahl (28 %) und Geschenk-Inspiration (19 %).

Konsequenz: Wer in Vergleichs- und Empfehlungs-Antworten nicht erscheint, verliert qualifizierten Top-of-Funnel-Traffic, ohne es im Analytics zu bemerken. Klassische Shop-SEO greift auf Long-Tail-Keywords, LLM-Empfehlungen brauchen Brand-Entity und Vergleichs-Kontext.

Zweiter Trend: Affiliate-Vergleichsseiten verlieren in LLM-Antworten. Modelle bevorzugen Markenshops und Hersteller mit klarer Entity-Identität. Affiliate-Aggregatoren werden noch zitiert, aber zunehmend als generische Quelle, nicht als Empfehlung.

Pflicht-Properties pro Produkt: name, brand, image (min 1200×1200), description, gtin13 oder mpn, offers mit price, priceCurrency, availability, url. Diese sieben Properties sind Voraussetzung für Inklusion in Empfehlungs-Antworten.

Bonus-Properties mit hohem Lift: aggregateRating mit ratingValue und reviewCount (mindestens 25 Reviews, idealerweise 100+), audience mit audienceType (für wen ist das Produkt), isAccessoryOrSparePartFor (für Zubehör), hasMerchantReturnPolicy (Rückgaberecht explizit ausgewiesen), shippingDetails mit Versandzonen.

Schema-Validierung wöchentlich gegen Google Rich Results Test plus Schema.org Validator. Wir sehen in Audits, dass 40 % der DACH-Shops Schema deployed haben, das in 2–3 von 7 Pflicht-Properties unvollständig ist — meist fehlt gtin, availability oder hasMerchantReturnPolicy.

Organization-Schema mit vollständigen sameAs zu Instagram, TikTok, LinkedIn, Trustpilot, Trusted Shops. Brand-Schema mit Logo (mindestens 600×60), slogan, foundingDate. Wikidata-Item für die Marke (nicht nur das Unternehmen) — der entscheidende Hebel für Long-Tail-Empfehlungen.

Founder-Profil als Person-Schema mit author-Verknüpfung zu Blog-Inhalten. LLMs gewichten Entity-Konsistenz: wenn dieselbe Person als Founder, Blog-Autor und LinkedIn-Profil eindeutig identifiziert ist, steigt die Trust-Bewertung der gesamten Domain spürbar.

Press-Mentions in Trade-Press, Lifestyle-Magazinen, branchenspezifischen Tests sind die wichtigste externe Trust-Quelle. Drei bis sechs qualitative Mentions pro Jahr sind effektiver als 30 generische Pressemitteilungen.

LLMs lieben Vergleichs-Inhalte mit klaren Kriterien. Pro Hauptkategorie sollte ein Vergleichs-Hub existieren: X im Vergleich, Y-Test 2026, Z für Y-Use-Case. Pflicht-Format: Vergleichstabelle mit 5–8 Kriterien, klare Vor- und Nachteile pro Produkt, transparente Methodik, Datum der letzten Aktualisierung.

Wichtig: ehrliche Tests, nicht Eigenmarken-Werbung. Wir empfehlen, eigene Produkte in 1 von 5 Kategorien als Sieger zu positionieren und ehrlich zu sagen, wo andere besser sind. Das gewinnt langfristig mehr als manipulative Bestenlisten — und LLMs erkennen die Differenz inzwischen erstaunlich gut.

Wenn LLMs empfehlen, ohne zu verlinken, verlieren Sie den Klick — aber gewinnen Mindshare. Brand-Mention-Rate ist daher ein Frühindikator für direkten Brand-Traffic und gestützte Recherche. Wir sehen in Mandaten: nach 6 Monaten LLM-Sichtbarkeit steigt der Anteil Brand-Search bei Google um 12–28 %.

Tracking-Empfehlung: GA4-Custom-Dimension für Referrer-Typ erstellen (LLM-Domains: chat.openai.com, perplexity.ai, gemini.google.com), Brand-Search-Volumen wöchentlich in der Search Console prüfen, Conversion-Pfad-Analysen auf indirekte LLM-Effekte hin auswerten.

Shopify: Schema kommt aus Themes — viele Free- und mittlere Paid-Themes haben unvollständiges Product-Schema. Empfehlung: Schema-App (Smart SEO, Schema Plus) oder manuelle JSON-LD-Injection via Liquid. Wikidata und Brand-Schema separat via Theme-Customization.

Shopware 6: bringt Basis-Schema mit, aber AggregateRating, hasMerchantReturnPolicy und shippingDetails meist nicht ootb. Plugin-Markt (z. B. Schema Plus für Shopware) deckt 70 %, Rest via Twig-Override.

Magento/Adobe Commerce: meiste Properties verfügbar, aber Konfiguration komplex — sinnvoll nur mit Senior-Magento-Dev. Häufiger Fehler: Schema in Layered-Navigation-Seiten unsauber, was Kategorie-Inclusion in LLMs kostet.

Custom-Stack (Next.js, Remix, etc.): meiste Freiheit, größtes Risiko. JSON-LD muss serverseitig gerendert werden, sonst sehen GPTBot, ClaudeBot und Perplexity-Bot leere Schemas.

Lesen Sie Schema-Org-Cheatsheet-B2B (gilt großteils auch für E-Commerce), den Leitartikel Technische GEO mit Spokes Schema.org-für-GEO und JSON-LD-Leitfaden. Für Content-Format der Leitartikel KI-Content-Strategie mit Spoke Themencluster-aufbauen.