LLM-Optimierung: So taucht dein Shop in KI-Antworten auf

„Welcher Standing-Desk unter 500 Euro ist gut?“ – solche Fragen beantwortet heute immer öfter eine KI: ChatGPT, Perplexity, Claude – und vor allem Google selbst, dessen AI Overviews nach eigenen Angaben monatlich rund zwei Milliarden Menschen erreichen. Die Antwort nennt drei Produkte und zwei Shops. Entweder deinen – oder die der Konkurrenz. Sichtbarkeit in KI-Antworten (oft GEO genannt, Generative Engine Optimization) ist damit vom Experiment zur eigenen Disziplin neben SEO geworden – mit messbaren Signalen, einer reifen Tool-Landschaft und ersten belastbaren Studien dazu, was wirkt und was nicht.

Das Wichtigste in Kürze

• KI-Antworten speisen sich aus drei Quellen: Trainingswissen, Live-Suchergebnisse und strukturierte Daten, die Agenten und Shopping-Systeme direkt lesen.
• Die größte generative Fläche ist Google selbst: AI Overviews erreichen rund zwei Milliarden Nutzer im Monat, der AI Mode rund eine Milliarde – zitiert wird, wer gut rankt und Fragen direkt beantwortet.
• Zitierfähige Inhalte – Fakten, Tabellen, ehrliche FAQs – werden zitiert; Marketing-Floskeln nicht.
• llms.txt ist ehrlich betrachtet ein unbelegtes Extra: kostet nichts, schadet nichts – aber Google erklärt sie für unnötig, und Studien messen keinen Effekt.
• Für Shops ist der ChatGPT-Produktfeed nach der OpenAI Product Feed Spec der direkteste Sichtbarkeitskanal – mit Aktualisierung im 15-Minuten-Takt.
• Messen ist erwachsen geworden: Tools wie Profound, Peec und Otterly tracken Erwähnungen, Zitate und Share of Voice in KI-Antworten automatisiert.

Wie LLMs Empfehlungen bilden

Drei Quellen speisen KI-Antworten auf Kaufberatungs-Fragen: das im Training gelernte Weltwissen des Modells, Live-Suchergebnisse bei web-fähigen Systemen wie Perplexity, ChatGPT Search oder Googles KI-Suche, und zunehmend strukturierte Daten – Schema-Markup und Produktfeeds –, die Agenten und Shopping-Systeme direkt auslesen. Auf alle drei kannst du einzahlen, nur mit unterschiedlichen Zeithorizonten.

Trainingsdaten wirken langsam, über Monate und neue Modellversionen hinweg – hier zählt vor allem, ob dein Content im offenen Web präsent und zitierfähig ist, wenn ein Modell trainiert wird. Suchintegration wirkt dagegen fast sofort: Verbesserst du heute dein klassisches Ranking, kann sich das schon in der nächsten Live-Suche eines KI-Tools niederschlagen. Die strukturierten Daten schließlich sind der Hebel, der mit zunehmender Agenten-Nutzung am schnellsten an Gewicht gewinnt – mehr dazu in unserem Artikel zu Agent-Ready Commerce.

Die größte Fläche: Google AI Overviews und AI Mode

Wer bei KI-Sichtbarkeit nur an ChatGPT denkt, übersieht die mit Abstand größte generative Fläche: Google beantwortet Suchanfragen zunehmend selbst. AI Overviews – die KI-Zusammenfassungen über den klassischen Treffern – erreichen nach Google-Angaben rund zwei Milliarden Nutzer im Monat, der dialogorientierte AI Mode überschritt 2026 die Milliarde. Für Shops heißt das: Ob du in KI-Antworten auftauchst, entscheidet sich zuerst bei Google.

Die gute Nachricht: Für AI Overviews gelten keine Geheimregeln. Google zitiert bevorzugt Seiten, die ohnehin gut ranken – das klassische Ranking wirkt als Vorfilter – und die eine Frage direkt und extrahierbar beantworten. Wer für konversationelle, mehrteilige Suchanfragen („elektrischer Standing-Desk unter 500 Euro, leise, fürs Homeoffice“) die präziseste Antwort liefert, hat die besten Karten. Bemerkenswert für die Praxis: AI Overviews und AI Mode zitieren einer Analyse zufolge nur in rund 14 Prozent der Fälle dieselben URLs – beide Flächen verdienen also eigene Beobachtung.

Zur ehrlichen Einordnung gehört die Kehrseite: Viele KI-Antworten enden ohne Klick. Umso wichtiger, dass die Antwort deine Marke korrekt nennt und verlinkt – Sichtbarkeit verlagert sich messbar von Klicks zu Erwähnungen.

Zitierfähige Inhalte schaffen

LLMs lieben klare, faktenreiche Antworten und meiden vage Marketingsprache – Vergleichstabellen, Spezifikationen, ehrliche Vor- und Nachteile sowie substanzielle FAQ-Blöcke werden überproportional häufig zitiert. Der Mechanismus dahinter ist simpel: Ein Modell, das eine Antwort formuliert, sucht extrahierbare Fakten, keine Stimmung.

Das hat eine direkte Konsequenz für Produktseiten: Dünner, austauschbarer Content – etwa identische Beschreibungen über Farbvarianten hinweg – wird von Suchmaschinen abgestraft und von Sprachmodellen erst recht ignoriert, weil er keinen extrahierbaren Mehrwert bietet. Wie sich das bei skaliert erzeugten Produkttexten vermeiden lässt, beschreibt unser Artikel zu KI-Produkttexten in Serie.

Besonders zuverlässig funktionieren: strukturierte Vergleichstabellen mit klaren Spaltenüberschriften, nummerierte Schritt-für-Schritt-Anleitungen, FAQ-Blöcke mit direkter Antwort-Einleitung, und Definitionen, die einen Begriff in ein bis zwei Sätzen präzise fassen, bevor die Vertiefung folgt. Reine Fließtext-Absätze ohne erkennbare Struktur werden dagegen seltener zitiert, selbst wenn sie inhaltlich genauso korrekt sind – das Modell muss die Fakten erst mühsam herausdestillieren, statt sie direkt zu übernehmen.

Aus der Praxis: Ein einfacher Test zeigt, ob eine Seite zitierfähig aufgebaut ist: Lässt sich aus den ersten zwei bis drei Sätzen einer Sektion eine korrekte, eigenständige Antwort auf die Überschrift extrahieren? Wenn nicht, sitzt die eigentliche Information zu tief im Text vergraben, um von einem Modell zuverlässig aufgegriffen zu werden.

Entitäten-Klarheit herstellen

Marke, Produkte und Firma müssen als eindeutige, widerspruchsfreie Entitäten erkennbar sein, damit ein Modell sie korrekt einem Kontext zuordnen kann. Das bedeutet konkret: konsistente Namensschreibweise über alle Kanäle hinweg, sauberes Organization- und Product-Schema als JSON-LD, und Präsenz in Quellen, denen Modelle tendenziell vertrauen – Wikipedia-Umfeld, Fachmedien, seriöse Bewertungsportale.

Praktisch heißt das: Firmenname, Markenname und Produktbezeichnungen sollten auf der eigenen Website, in Marktplatz-Listings, in Presseerwähnungen und auf Bewertungsportalen identisch geschrieben werden – ein Unternehmen, das mal als „blicht GmbH“, mal als „Blicht“ und mal als „blicht.com“ auftritt, macht es Modellen unnötig schwer, alle drei Nennungen derselben Entität zuzuordnen. Ein sauberes Organization-Schema mit Name, Logo, Kontaktdaten und Social-Profilen auf jeder Seite ist dabei kein Nice-to-have, sondern die maschinenlesbare Bestätigung dieser Identität.

Maschinenlesbarkeit und Freshness-Signale

KI-Crawler müssen technisch überhaupt erst lesen können, was auf der Seite steht – das klingt banal, scheitert in der Praxis aber häufig an denselben Stellen wie klassisches SEO. GPTBot, ClaudeBot & Co. gehören in der robots.txt zugelassen, und Inhalte sollten als sauberes HTML statt als JavaScript-Fassade ausgeliefert werden, die ein Crawler im schlechtesten Fall leer sieht.

Fest ins Pflichtprogramm gerückt sind 2026 Freshness-Signale. Modelle und ihre Such-Backends bevorzugen bei zeitsensiblen Fragen erkennbar gepflegte Quellen: ein korrektes dateModified im Schema-Markup, lastmod-Werte in der Sitemap, die mit den echten Änderungsdaten übereinstimmen, und sichtbare Aktualisierungsdaten auf der Seite. Einer Auswertung von KI-Zitaten zufolge stammt rund die Hälfte aus Inhalten, die jünger als drei Monate sind. Für Shops besonders relevant: Veraltete Preise, Verfügbarkeiten und Statistiken disqualifizieren – Seiten mit Zahlen brauchen einen festen Aktualisierungsrhythmus.

llms.txt: Eine ehrliche Einordnung

Kaum ein GEO-Baustein wurde so gehypt wie llms.txt – eine kuratierte Markdown-Zusammenfassung der wichtigsten Seiten, gedacht als Einstiegspunkt für KI-Systeme. Inzwischen gibt es Daten, und die sind ernüchternd: Google stellt in seinem 2026 veröffentlichten Leitfaden zur KI-Suche ausdrücklich klar, dass llms.txt für AI Overviews und AI Mode nicht nötig ist und sich weder positiv noch negativ auswirkt. Otterly maß über 90 Tage, dass nur rund 0,1 Prozent aller KI-Crawler-Zugriffe die Datei überhaupt abrufen, und eine Auswertung von etwa 300.000 Domains fand keinen messbaren Zusammenhang zwischen llms.txt und der Zitierhäufigkeit in KI-Antworten.

Die ehrliche Linie lautet deshalb: kostet nichts, schadet nichts, Nutzen unbelegt. Wir nutzen llms.txt auf blicht.com selbst – als gepflegtes Inhaltsverzeichnis für Maschinen ist die halbe Stunde Aufwand vertretbar, und einzelne KI-Anbieter empfehlen die Konvention für Dokumentations-Sites weiterhin. Aber sie gehört ans Ende der Liste, nicht an den Anfang: kein Ersatz für strukturierte Daten und zitierfähige Inhalte. Wer nur eine Stunde Zeit hat, steckt sie in Schema-Markup.

ChatGPT-Shopping: Der Produktfeed als direkter Kanal

Für Shops gibt es seit 2025 einen Weg in KI-Antworten, der nichts mit Content zu tun hat: den Produktfeed. OpenAI beziffert die Shopping-Anfragen in ChatGPT auf rund 50 Millionen pro Tag – und welche Produkte dort erscheinen, bestimmt die OpenAI Product Feed Spec. Sie definiert Schema.org-basiert, welche Produktdaten OpenAI erwartet, und akzeptiert Aktualisierungen im 15-Minuten-Takt: Preise und Verfügbarkeiten können nahezu in Echtzeit stimmen. Wer seine Daten liefern kann, ist drin; wer nicht, existiert in diesem Kanal schlicht nicht.

Das Muster dahinter heißt „Discover in AI, buy on site“: Entdeckt wird im Chat, gekauft zunehmend wieder im Shop – der Feed übernimmt die Auffindbarkeit, deine Produktseite den Abschluss. Moderne Shopsysteme erzeugen solche Feeds zunehmend automatisch; deine Aufgabe ist die Datenqualität dahinter: vollständige Attribute, ehrliche Verfügbarkeiten, konsistente Preise. Wie die Protokolle UCP und ACP zusammenhängen und was Shopifys Wachstumszahlen über den Kanal verraten, ordnet der Agentic-Commerce-Guide ein.

Erwähnungen statt nur Links sammeln

LLMs gewichten, wo und wie oft eine Marke im Kontext eines Themas auftaucht – nicht nur, wer auf wen verlinkt. PR, Testberichte und Community-Präsenz zahlen deshalb direkt auf KI-Sichtbarkeit ein, auch ganz ohne klassischen Backlink. Kundenbewertungen spielen hier eine unterschätzte Rolle, weil sie Modellen zusätzliche, glaubwürdige Erwähnungen liefern, die über die eigene Website hinausreichen.

Die häufigsten Fehler bei der LLM-Optimierung

Vier Muster verhindern in der Praxis Sichtbarkeit in KI-Antworten:

1. KI-Crawler blockiert: Aus Datenschutz- oder Kontroll-Sorge wird GPTBot pauschal gesperrt – und die Marke verschwindet aus dem Kanal komplett. Korrektur: bewusste, dokumentierte Entscheidung statt Standard-Blockade.
2. Nur Marketing-Sprache, keine Fakten: Produktseiten voller Adjektive, aber ohne Spezifikationen liefern nichts, was ein Modell zitieren kann. Korrektur: konkrete Fakten und Vergleichsdaten ergänzen.
3. Inkonsistente Markendarstellung: Verschiedene Schreibweisen oder widersprüchliche Angaben über Kanäle hinweg verhindern Entitäten-Erkennung. Korrektur: Namensschreibweise und Kernfakten zentral pflegen.
4. Kein Monitoring: Niemand prüft regelmäßig, ob und wie die eigene Marke in KI-Antworten vorkommt – Lücken fallen erst auf, wenn Umsatz spürbar fehlt. Korrektur: festen Prüfrhythmus etablieren, per Hand-Audit oder GEO-Tool.

Messen: Hand-Audit plus GEO-Tools

Bevor du optimierst, miss den Ist-Zustand: Unser kostenloser LLM Brand Check fragt die großen Modelle in einer Minute, was sie über deine Marke oder Domain wissen – die Basis für alles Weitere. Darauf aufbauend macht ein einfacher, wiederholbarer Audit-Prozess GEO-Sichtbarkeit greifbar:

1. Liste der zwanzig wichtigsten Kauffragen deiner Kategorie zusammenstellen.
2. Diese Fragen monatlich in ChatGPT, Perplexity und Googles AI Mode stellen und protokollieren, ob und wie dein Shop erwähnt wird.
3. Zitierte Quellen in den Antworten notieren – oft verraten sie, welche eigenen Seiten oder Drittquellen tatsächlich gelesen werden.
4. Referral-Traffic aus KI-Quellen in der eigenen Analytics separat auswerten, nicht in „Sonstige Quellen“ untergehen lassen.
5. Auffällige Lücken (Fragen ohne Erwähnung) gezielt mit zitierfähigem Content schließen.

Was vor zwei Jahren noch reine Handarbeit war, ist heute eine reife Tool-Kategorie: Spezialisierte GEO-Tracker messen automatisiert, ob und wie eine Marke in KI-Antworten vorkommt – als Erwähnung, als zitierte Quelle und als Share of Voice im Vergleich zum Wettbewerb.

Aus der Praxis: Für die meisten Shops ist der pragmatische Einstieg eine Kombination: der monatliche Hand-Audit (ein bis zwei Stunden) plus ein günstiges Monitoring-Tool. In die größeren Plattformen zu investieren lohnt erst, wenn der KI-Referral-Traffic in der eigenen Analytics nachweisbar wächst.

Unterm Strich

Der Kanal ist der Experimentierphase entwachsen: Google beziffert seine generativen Flächen in Milliarden Nutzern, OpenAI seine Shopping-Anfragen in zweistelligen Millionen pro Tag, und mit reifen GEO-Tools ist die Messbarkeit angekommen. Wer klassisches SEO beherrscht, muss keine neue Disziplin von Grund auf lernen, sondern vorhandene Stärken um Zitierfähigkeit, Entitäten-Klarheit, strukturierte Daten und Freshness ergänzen – und für den Shopping-Kanal den Produktfeed ernst nehmen. Der pragmatischste erste Schritt bleibt derselbe: die zwanzig wichtigsten Kauffragen deiner Kategorie diese Woche selbst in ChatGPT, Perplexity und Googles AI Mode stellen und ehrlich prüfen, ob dein Shop überhaupt auftaucht.