Folge 31: Optimierung für AI Commerce – Produktdaten, Protokolle und Agentic Shopping
In Folge 30 haben Martin Grahl und Franziska Schneider die Grundlagen des AI Commerce gelegt und die verschiedenen Entwicklungsstufen vom klassischen E-Commerce über Conversational Commerce bis hin zum Agentic Commerce beleuchtet. Jetzt wird es konkret: Wie optimiert man Produkte für die Ausspielung in KI-Systemen? Und welche technischen Voraussetzungen müssen erfüllt sein, damit Shops für die Zukunft des KI-gestützten Einkaufens gerüstet sind?
Diese Folge zeigt, wie Produktdatenfeeds für Google AI Mode und ChatGPT optimiert werden, welche neuen Attribute entscheidend sind und wie offene Protokolle wie UCP, ACP und WebMCP den Weg zu vollautomatisierten Shopping-Agenten ebnen.
Die drei Entwicklungsstufen des Commerce
Der Online-Handel durchläuft aktuell eine fundamentale Transformation. Während im klassischen E-Commerce Nutzende eigenständig recherchieren und Produkte manuell in den Warenkorb legen, unterstützen im Conversational Commerce KI-Systeme dialogbasiert bei der Produktauswahl. Die Zukunft liegt im Agentic Commerce: KI-Agenten übernehmen die vollständige Kaufabwicklung – von der Bedarfserkennung über den Preisvergleich bis zur Zahlungsabwicklung, ohne manuellen Eingriff.
Google ist aktuell der mit Abstand relevanteste Player im AI Commerce. Mit dem AI Mode, dem Shopping Graph und der Integration in die klassische Suche verfügt Google über die umfassendste Infrastruktur für KI-gestütztes Shopping. Deshalb konzentrieren sich die folgenden Optimierungsempfehlungen primär auf das Google-Ökosystem – mit dem Wissen, dass viele dieser Maßnahmen auch für andere Plattformen relevant sind.
E-Commerce
Eigenrecherche, selbstgesteuerte Navigation durch Kategorien und Filter, manuelles Befüllen des Warenkorbs und Kaufabschluss.
Conversational Commerce
Dialogbasierte Beratung mit Rückfragen zu Budget und Präferenzen, Filterung und Priorisierung von Produktvorschlägen, teilautomatisiert bis zur Auswahl.
Agentic Commerce
Eigenständige Bedarfserkennung, Planung und Entscheidung, transaktionsfähig mit automatischer Zahlungsabwicklung, intentgetrieben ohne manuellen Eingriff.
Optimierung für Google AI Commerce: Die sechs entscheidenden Faktoren
Die Auswahl von Produkten in KI-Systemen folgt komplexen Bewertungskriterien. Sechs zentrale Faktoren entscheiden darüber, ob und wie Produkte in Google AI Mode und Shopping ausgespielt werden: Produktdaten-Feeds im Google Merchant Center, strukturierte Daten (Schema.org) für den Shopping Graph, ausführlicher Produkt-Content auf der Webseite, positive User Signals, kundenfreundliche Service- und Rückgabebedingungen sowie Vertrauen und Reputation durch Bewertungen und Erwähnungen.
Der Google Shopping Graph ist die zentrale Datenbank, in der Google alle Produktinformationen zusammenführt. Er speist sich aus Merchant Center Produktfeeds und Onpage-Informationen mit strukturierten Daten. Auf dieser Basis kann Google erkennen, welche Produkte welche Features haben, welche Varianten existieren und für welche Anwendungsfälle sie geeignet sind.
1. Produktdaten-Feeds
Die Qualität und Vollständigkeit der Produktdatenfeeds im Google Merchant Center ist der wichtigste Faktor. Ohne optimierte Feeds keine Sichtbarkeit in KI-Systemen.
2. Strukturierte Daten
Strukturierte Daten (Schema.org) zu Produkten fließen in den Google Shopping Graph ein und ermöglichen es KI-Systemen, Produkte semantisch zu verstehen.
3. Produkt-Content
Ausführliche Produktbeschreibungen, technische Details und Reviews auf der Webseite helfen KI-Systemen, Anwendungskontexte zu verstehen.
4. Nutzungserfahrung
User Signals wie Verweildauer, Interaktionsrate und Kaufabschlüsse signalisieren Relevanz und Qualität – auch für KI-Systeme.
5. Service & Rückgaben
Versand- und Rückgabebedingungen sowie Shop-Bewertungen beeinflussen die Ausspielung. KI-Systeme bevorzugen kundenfreundliche Konditionen.
6. Vertrauen & Reputation
Bewertungen (Google, Trusted Shops), Quality Score und Erwähnungen in Tests stärken das Vertrauen – entscheidend für KI-Empfehlungen.
Produktdaten-Feed-Optimierung: Die wichtigsten Attribute
Die Optimierung des Produktdatenfeeds im Google Merchant Center ist der wichtigste Hebel für AI Commerce-Sichtbarkeit. Neben den klassischen Pflichtfeldern (Titel, Beschreibung, Bilder, GTIN/EAN, Marke, Preis, Verfügbarkeit) kommen neue, KI-optimierte Attribute hinzu:
Product Highlights ermöglichen es, USPs in Bullet-Form (bis zu 150 Zeichen) anzugeben und Nutzungskontexte mitzugeben. Product Type ergänzt die starren Google Categories durch Freitext-Kategorisierung – besonders wichtig für Nischenprodukte. Konversationelle Attribute (angekündigt, noch nicht live) werden FAQs, Anwendungsfragen und Problemlösungen in natürlicher Sprache ermöglichen.
Entscheidend: Alle Daten im Produktdatenfeed müssen mit den Informationen auf der Webseite übereinstimmen. Preise, Produktnamen, Verfügbarkeit und Bilder sollten konsistent sein. Feeds müssen mindestens täglich, besser mehrmals täglich aktualisiert werden. Veraltete Daten führen zu Disapprovals und schlechter Performance.
Marke + Produkttyp + Hauptmerkmal im Titel platzieren, Kernbegriffe vorne, natürlichsprachige Formulierungen verwenden.
Beispiel: „Nike Air Zoom Pegasus 40 Laufschuh Herren – atmungsaktiv, leicht“
Längere, informative Beschreibungen in natürlicher Sprache, klare Darstellung von Vorteilen und Anwendungsfällen, technische Details. Keine Standard-Herstellertexte – individuelle, differenzierende Beschreibungen.
Weißer oder transparenter Hintergrund für Hauptbilder, verschiedene Varianten mit Lifestyle-Bildern und Nutzungsszenen, mehrere Perspektiven in hoher Auflösung. Lifestyle-Bilder sind für KI-Systeme deutlich relevanter als früher.
Bis zu 150 Zeichen pro Highlight, USPs in Bullet-Form, Nutzungskontexte und besondere Features. Werden sowohl in KI-Antworten als auch in Organic und Paid Product Grids angezeigt.
Beispiel: „GORE-TEX-Material – 100% wasserdicht“
Freitext-Kategorisierung mit relevanten Keywords, besonders wichtig für Nischenprodukte. Beispiel: „Laufschuhe > Trail Running > Wasserdicht“
FAQs in natürlicher Sprache, Anwendungsfragen, Produktdetails und Problemlösungen. Noch nicht live, werden aber in Kürze ausgerollt.
Strukturierte Daten und ChatGPT-Optimierung
Neben dem Produktdatenfeed sind strukturierte Daten auf der Webseite der zweite zentrale Hebel. Drei Schema-Typen sind besonders relevant: Product Schema (Name, Beschreibung, Marke, Kategorie, Bilder, technische Eigenschaften), Offers Schema (Preis, Verfügbarkeit, Währung, Händler, Versandkosten) und Review Schema (Bewertungen und Rezensionen stärken Vertrauen und Autorität).
Eine Studie von Peec AI zeigt: ChatGPT greift zu 84% auf Produktdaten von Google zu. Das bedeutet: Wer für Google optimiert, optimiert aktuell auch für ChatGPT. Die Investition in Google Merchant Center, strukturierte Daten und Produktfeeds zahlt sich doppelt aus. Eine separate Optimierung für ChatGPT ist nicht notwendig.
Der Google Business Agent (aktuell nur USA) ist ein personalisierter Chatassistent, der Produktfragen direkt in Google beantwortet – rund um die Uhr, in der Corporate Language des Händlers. Unternehmen geben Trainingsdaten ein, der Agent reduziert Kundensupport-Aufwand.
Product Schema
Beschreibt das Produkt selbst: Name, Beschreibung, Marke, Kategorie, Bilder, technische Eigenschaften.
Offers Schema
Beschreibt das konkrete Angebot: Preis, Verfügbarkeit, Währung, Händler, Versandkosten.
Review Schema
Bewertungen und Rezensionen stärken Vertrauen und Autorität – entscheidend für KI-Empfehlungen.
Technische Grundlagen für Agentic Commerce: UCP, ACP und WebMCP
Die Zukunft liegt im Agentic Commerce: KI-Agenten, die eigenständig Produkte auswählen, vergleichen und kaufen. Damit dies möglich wird, müssen neue technische Standards erfüllt sein. Drei Protokolle spielen dabei eine zentrale Rolle:
WebMCP (Web Model Context Protocol) von Google ist eine JavaScript-Schnittstelle, über die KI-Systeme strukturiert mit Websites interagieren können – ohne menschliches Verhalten simulieren zu müssen. Die Website teilt der KI mit, welche Aktionen möglich sind, die KI kann diese direkt aufrufen.
UCP (Universal Commerce Protocol) von Google ermöglicht KI-Systemen die direkte Kommunikation mit Händlersystemen – von der Produktsuche bis zur Kaufabwicklung. KI-Systeme können Produktkataloge durchsuchen, Verfügbarkeiten und Preise in Echtzeit abrufen, Produktvarianten abfragen und Produkte vergleichen.
ACP (Agentic Commerce Protocol) von OpenAI und Stripe ist das Gegenstück zu UCP. Es definiert, wie KI-Systeme und Shops miteinander sprechen – von der Produktanfrage bis zum abgeschlossenen Kauf. KI-Agenten können Produktdaten abrufen, Artikel in Warenkörbe legen, Zahlungen über Stripe abwickeln und Bestellbestätigungen erhalten.
WebMCP
Ansatz: Browserbasiert – KI-Browser interagiert mit Websites
Entwickler: Google
Anwendung: KI-Browser wie Perplexity Comet
UCP
Ansatz: Agenten-Protokoll – direkte Kommunikation zwischen KI und Shop-Backend
Entwickler: Google
Anwendung: KI-Chatbots und AI-Suchmaschinen
ACP
Ansatz: Agenten-Protokoll mit Zahlungsabwicklung
Entwickler: OpenAI & Stripe
Anwendung: Vollautomatisierte Kaufprozesse
Aktuell müssen KI-Assistenten menschliches Verhalten simulieren – entweder über Screenshots (Vision Models) oder HTML-Analyse (DOM-Ansatz). Beide Ansätze sind ineffizient und fehleranfällig. WebMCP, UCP und ACP schaffen standardisierte Schnittstellen, über die KI-Systeme direkt und effizient mit Websites und Shops kommunizieren können.
Shopify Agentic Storefronts zeigen, wie es geht: Shopify-Händler können ihre Shops automatisch mit KI-Plattformen verbinden. Vorteile: ACP-Protokoll mit Echtzeit-Produktdaten (Preis, Bestand, Varianten), direkter Checkout in Shopify mit vorbelegtem Produkt. Händler richten ihre Systeme einmal ein – und sind automatisch in allen relevanten KI-Plattformen präsent.
Performance-Monitoring und Erfolgsmessung
Wie lässt sich der Erfolg von AI Commerce-Optimierungen messen? Zwei Tools sind zentral: Die Search Console zeigt, wie Seiten in der Google-Suche performen (Klicks, Impressionen, Rankings) und wann Impressionen von klassischer Suche in Shopping & KI-Ergebnisse wandern. Das Merchant Center zeigt, wie Produkte im Shopping-Index performen: Feed-Status, Fehler, Disapprovals, Produkt-Sichtbarkeit und Datenfehler. Feed-Fehler bedeuten unsichtbare Produkte in der KI-Suche.
Regelmäßiges Monitoring dieser beiden Tools ist essenziell, um Optimierungspotenziale zu identifizieren und Fehler schnell zu beheben.
Fazit: Die fünf Säulen der AI Commerce-Optimierung
Die Optimierung für AI Commerce erfordert ein Zusammenspiel aus Datenqualität, technischer Infrastruktur und strategischer Vorbereitung:
1. Google zuerst
Google ist aktuell der relevanteste Player. Investitionen in Google Merchant Center und Shopping Graph zahlen sich doppelt aus – auch für ChatGPT.
2. Datenfeeds & Strukturierte Daten
Produktdatenfeeds sind der wichtigste Hebel. Neue Attribute wie Product Highlights, Product Type und konversationelle Attribute sind entscheidend.
3. Content für KI und Nutzende
Produktbeschreibungen sollten ausführlich, natürlichsprachig und differenzierend sein. KI-Systeme verstehen Anwendungskontexte.
4. Protokolle & Standards
Bereite dich auf UCP, ACP und WebMCP vor. Diese Protokolle sind die Zukunft des Agentic Commerce.
5. Monitoring & Tracking
Nutze Search Console und Merchant Center, um AI-Traffic zu identifizieren und Commerce-Performance zu messen.
Mit diesen Maßnahmen legen Händler das Fundament für erfolgreichen AI Commerce – heute im Conversational Commerce, morgen im vollautomatisierten Agentic Commerce.
