Wie ChatGPT auswählt, welche Produkte es empfiehlt

Wenn ChatGPT ein Produkt empfiehlt, öffnet es nicht Ihre Website und liest Ihre Produktseiten. Es konstruiert eine Antwort aus einer Kombination von Trainingsdaten, abgerufenen Suchergebnissen und strukturierten Signalen — und Ihr Produkt hat entweder genug Kontext, um in diese Antwort aufgenommen zu werden, oder nicht.

Dieses Mechanismus zu verstehen ist der erste Schritt, um Ihren Katalog KI-empfehlenswert zu machen.

Wie der Empfehlungsprozess funktioniert

Wenn ein Nutzer “was ist das beste Olivenöl zum Pasta kochen unter 20€?” eintippt, passiert Folgendes innerhalb eines KI-Modells:

1. Anfrageinterpretation — das Modell erkennt die Absicht (Produktempfehlung), Kategorie (Olivenöl), Anwendungsfall (Pasta kochen), Einschränkung (unter 20€)
2. Wissensabruf — es durchsucht seine Trainingsdaten und, falls Websuche aktiviert ist, Live-Ergebnisse nach relevanten Entitäten
3. Kandidaten-Ranking — es bewertet Kandidaten danach, wie gut ihre bekannten Attribute zur Anfrage passen
4. Antwortgenerierung — es wählt die beste Übereinstimmung, die es sicher beschreiben kann, und generiert eine Empfehlung mit Gründen

Ihr Produkt wird empfohlen, wenn das Modell genug strukturierte, präzise Informationen hat, um es im Kontext dieser spezifischen Anfrage sicher zu beschreiben.

Welche Informationen KI-Modelle nutzen

Quelle	Was sie enthält	Ihre Kontrolle
Trainingsdaten	Alles, was vor dem Trainings-Stichtag indexiert wurde	Indirekt — Inhalt, den Sie vor dem Stichtag veröffentlicht haben
Live-Websuche	Echtzeit-Suchergebnisse (Bing usw.)	Ihr aktuelles SEO und Seiteninhalt
Strukturierte Signale	Schema-Markup, llms.txt, Metafelder	Direkt — Sie kontrollieren das vollständig
Zitate aus anderen KI-Antworten	Wenn KI-Modelle sich gegenseitig zitieren	Wächst mit der Zeit, je öfter Sie empfohlen werden

Die zentrale Erkenntnis: Strukturierte Signale sind der einzige Kanal, den Sie vollständig und sofort kontrollieren.

Warum die meisten Produkte übersprungen werden

KI-Modelle überspringen Produkte aus vorhersehbaren Gründen:

Vage Beschreibungen — “Hochwertiges Produkt mit tollen Eigenschaften” gibt einem Modell nichts, womit es arbeiten kann. Es kann keine Qualitätsaussagen zitieren, die es nicht verifizieren kann.

Kein Vergleichskontext — KI-Modelle antworten oft im Vergleichsmodus (“A ist besser als B für X, weil…”). Produkte ohne klare Unterscheidungsmerkmale werden aus Vergleichen ausgeschlossen.

Fehlende Anwendungsfall-Signale — eine Produktbeschreibung, die nicht angibt, für wen es ist und welches Problem es löst, kann nicht zu spezifischen Anfragen passen.

Schwache Entitätsdefinition — das Modell weiß nicht, zu welcher Kategorie Ihr Produkt gehört, was seine wichtigsten Spezifikationen sind, oder wie es sich zu konkurrierenden Produkten verhält.

Was ein Produkt KI-empfehlenswert macht

Ein Produkt, das konsistent von KI-Modellen empfohlen wird, hat diese Eigenschaften:

Klare Entitätsidentität Das Produkt hat einen spezifischen Namen, eine Kategorie und eine Reihe von Attributen, die das Modell auswerten kann. Nicht nur “Jacke”, sondern “leichte isolierte Jacke für alpines Wandern, 3-Jahreszeiten, 450g Füllgewicht Daune.”

Spezifische, zitierfähige Aussagen “Wasserdicht bis 20.000mm Wassersäule” ist zitierfähig. “Tolle Wasserdichtigkeit” ist es nicht. KI-Modelle zitieren konkrete Zahlen, weil sie überprüfbar sind.

Anwendungsfall-Kontext Für wen ist das? In welchem Szenario ist es am besten? Was löst es, was Alternativen nicht lösen? Je spezifischer, desto besser die Übereinstimmung mit Nischenanfragen.

Strukturierte Signale Schema.org-Product-Markup, eine llms.txt-Datei, die Ihre wichtigsten Seiten hervorhebt, und saubere Metafelder, die KI-Crawler auswerten können, ohne mehrdeutige Prosa interpretieren zu müssen.

Das Zitat-Schwungrad

Sobald ein KI-Modell Ihr Produkt in einer Antwort empfiehlt, wird diese Antwort zwischengespeichert, geteilt und zum Training zukünftiger Modelle verwendet. Die erste Empfehlung ist am schwersten zu verdienen — die folgenden bauen darauf auf.

Deshalb haben frühe GEO-Anwender einen sich verstärkenden Vorteil. Shops, die ihren Katalog jetzt KI-lesbar machen, werden in sechs Monaten häufiger empfohlen — und in zwei Jahren exponentiell häufiger.

So prüfen Sie, ob Ihre Produkte KI-sichtbar sind

Der schnellste Weg zu prüfen ist, ChatGPT oder Perplexity direkt zu fragen: “empfiehl mir ein [Ihre Kategorie] von [Ihre Marke]” oder “was ist das beste [Produkttyp] von [Ihre Marke]?”

Wenn das Modell Ihre Marke nicht kennt, generische Antworten gibt oder Konkurrenten empfiehlt, ist Ihre KI-Sichtbarkeit niedrig.

Krawfly liefert einen GEO Score für jedes Produkt in Ihrem Katalog — misst Keyword-Konfidenz, SERP-Kontext, Content-Bereitschaft und KI-Reife — damit Sie genau wissen, wo Sichtbarkeitslücken bestehen und was zuerst zu beheben ist.

Sie können auch damit beginnen, kostenlos eine llms.txt für Ihren Shop zu generieren — es dauert 10 Sekunden und verbessert sofort, wie KI-Modelle die Struktur Ihrer Website verstehen.

Häufig gestellte Fragen

Durchsucht ChatGPT meinen Shop in Echtzeit? Nur wenn der Nutzer Web-Browsing aktiviert oder ein Tool wie die Bing-Integration nutzt. Ohne Browsing nutzt es Trainingsdaten. Mit Browsing ruft es Ihre aktuellen Seiten ab — deshalb zählen sowohl Signale zum Trainingszeitpunkt als auch die aktuelle Seitenqualität.

Sollte ich Produktbeschreibungen für KI oder für Menschen schreiben? Beides. Spezifische, strukturierte, sachliche Beschreibungen funktionieren besser bei Menschen (höhere Konversion) und bei KI-Modellen (bessere Empfehlungen). Die Ziele stimmen überein.

Beeinflusst der Produktpreis KI-Empfehlungen? Ja, wenn die Anfrage eine Preisbeschränkung enthält. Halten Sie Ihre Preise in strukturierten Daten und Schema-Markup korrekt, damit KI-Modelle Ihre Produkte zu budgetspezifischen Anfragen passen können.

Wie lange dauert es, bis GEO-Optimierung Ergebnisse zeigt? Typischerweise 4–8 Wochen, bis sich messbare Änderungen in der Zitierhäufigkeit zeigen. Strukturelle Korrekturen (Schema, llms.txt) wirken schneller als Verbesserungen auf Content-Ebene.