KI-Shopping bewegt sich nicht so schnell, wie Marken glauben

KI ist schnell zu einem Teil der Art und Weise geworden, wie Verbraucher Produkte recherchieren. Adobe Analytics hat festgestellt, dass der Verkehr von generativen KI‑Tools zu US‑Einzelhandelsseiten um 693,4 Prozent während der Einkaufssaison 2025 im Vergleich zum Vorjahr wuchs. Ein Jahr zuvor fand Adobe heraus, dass 39 Prozent der befragten US‑Verbraucher bereits generative KI für Online‑Einkäufe genutzt hatten, wobei Produktrecherche und Empfehlungen zu den häufigsten Anwendungsfällen gehörten.

Die Technologieunternehmen hinter diesen Systemen haben darauf reagiert, indem sie das Einkaufen direkt in ihre KI‑Produkte integriert haben. OpenAI hat Shopping‑Recherche in ChatGPT entwickelt, um Verbrauchern zu helfen, Produkte anhand ihrer Bedürfnisse, Vorlieben und Budgets zu vergleichen. Google nutzt KI, um Produkt­empfehlungen und Shopping‑Einblicke zu erzeugen, während Amazon seinen KI‑Shopping‑Assistenten erweitert hat, um Verbrauchern bei der Recherche und Auswahl von Produkten zu helfen.

Da KI eine größere Rolle bei der Produkterkennung übernimmt, beobachten Marken ihre Präsenz in diesen Empfehlungen mit der Intensität, die sie einst für Google‑Rankings aufbrachten. Marketer stellen KI‑Modellen wiederholt dieselben Produktfragen, protokollieren, welche Marken erscheinen, und verfolgen, wie sich diese Ergebnisse ändern.

Dieser Ansatz kann Marketer mit einem verzerrten Bild davon zurücklassen, wie schnell KI‑Shopping tatsächlich voranschreitet.

Stellt man einem KI‑Modell dieselbe Frage zehnmal, kann man zehn verschiedene Produktkombinationen erhalten. Eine Marke kann in einer Antwort zuerst, in der nächsten viertens und in einer anderen überhaupt nicht erscheinen. Interpretiert ein Marketer jede Antwort als Rangliste, suggerieren diese Ergebnisse, dass sich die Position ständig ändert.

Generative Modelle führen jedoch Variabilität in ihren Antworten ein, und Marketer müssen diese Schwankungen berücksichtigen, bevor sie entscheiden, dass eine Marke gewonnen oder verloren hat. Das nützlichere Signal stammt aus Mustern, die über eine große Anzahl relevanter Shopping‑Gespräche hinweg bestehen.

Die von uns gesammelten Daten aus etwa 3.300 KI‑Shopping‑Empfehlungstrends, die 186 Kombinationen aus Marken, Prompts und KI‑Modellen umfassen, veranschaulichen den Unterschied. Einzelne Antworten änderten sich häufig, während die breitere Verteilung der Empfehlungen deutlich konstanter blieb.

Für Marketer ist die Einheit der Messung ebenso wichtig wie die Daten selbst.

Mehr Anfragen können KI-Shopping volatiler erscheinen lassen

Suchrankings boten Marketers eine vertraute Methode, die digitale Sichtbarkeit zu messen. Ein Ergebnis besetzte zu einem bestimmten Zeitpunkt eine Position, und Marketer konnten diese Position gegenüber Wettbewerbern verfolgen.

KI‑Empfehlungen erfordern einen anderen Messansatz, weil die Systeme Antworten rund um die Anfrage und den Kontext eines Verbrauchers generieren. OpenAI erklärt beispielsweise, dass ChatGPT‑Shopping‑Ergebnisse die Nutzeranfrage und kontextuelle Informationen berücksichtigen können. Google sagt ähnlich, dass seine Shopping‑Ergebnisse Relevanz, Suchbegriffe, frühere Aktivitäten und Shopping‑Präferenzen widerspiegeln können.

Infolgedessen kann ein Marketer dieselbe allgemeine Frage mehrfach stellen und jedes Mal unterschiedliche Produkte hervorgebracht sehen.

Stellen Sie sich eine Laufschuh‑Marke vor, die in einer Antwort zuerst, in einer anderen viertens und in einer dritten gar nicht erscheint. Diese drei Beobachtungen lassen die Performance der Marke unstabil wirken. Über Hunderte relevanter Gespräche hinweg könnte dieselbe Marke jedoch jede Woche etwa denselben Prozentsatz an Empfehlungen erhalten.

Der Unterschied wird wichtig, wenn Marketer die Häufigkeit ihrer Überwachung erhöhen. Mehr Anfragen erzeugen mehr Beobachtungen, und mehr Beobachtungen schaffen mehr Gelegenheiten, normale Schwankungen zu sehen. Ein Dashboard kann daher immer aktiver erscheinen, obwohl sich die breitere Verteilung der Empfehlungen kaum ändert.

Marketer benötigen ausreichend Beobachtungen, um zu bestimmen, ob diese Bewegung anhält. Ohne eine repräsentative Stichprobe kann tägliche Überwachung sie dazu verleiten, nach Erklärungen zu suchen, die wenig mit Änderungen ihrer Produkte, ihres Marketings oder ihrer Wettbewerbsposition zu tun haben.

Die Konsequenzen reichen über das Reporting hinaus. Messungen steuern Entscheidungen darüber, wo Marketer Zeit und Geld einsetzen. Ein Unternehmen, das jede tägliche Schwankung als bedeutsam interpretiert, könnte Produktinhalte wiederholt ändern, Wettbewerber untersuchen oder Marketing‑Ressourcen umleiten, bevor es genügend Evidenz hat, um diese Entscheidungen zu rechtfertigen.

Marketer müssen definieren, was als bedeutsam gilt

Die Messung von KI‑Shopping benötigt eine Schwelle, die Marketers sagt, wann eine Veränderung einer Untersuchung wert ist.

Eine Marke, die in drei Antworten verschwindet, liefert wenig Evidenz für ihre breitere Performance. Wenn dieselbe Marke über Hunderte relevanter Shopping‑Gespräche hinweg ihren Empfehlungsanteil verliert und dieser Rückgang mehrere Wochen anhält, haben Marketer einen stärkeren Grund zur Untersuchung.

Die Stichprobengröße ist wichtig, weil einzelne KI‑Antworten Variabilität enthalten. Die Zeit ist wichtig, weil beständige Muster mehr Informationen liefern als isolierte Änderungen. Marketer sollten beides bestimmen, bevor sie Empfehlungsdaten für Entscheidungen nutzen.

Das Modell spielt ebenfalls eine Rolle.

Eine Marke kann in ChatGPT an Empfehlungsanteil gewinnen, während ihre Performance in Gemini stabil bleibt. Marketer, die diese Beobachtungen zu einem einzigen KI‑Sichtbarkeits‑Score zusammenführen, können nützliche Informationen darüber verlieren, wo die Veränderung stattgefunden hat.

Verschiedene KI‑Shopping‑Systeme greifen auf unterschiedliche Informationen zu und operieren über unterschiedliche Produkterlebnisse. OpenAI sagt, dass seine Shopping‑Recherche Händler‑Produktdaten, öffentlich verfügbare Produktinformationen und andere Einzelhandelsquellen nutzen kann. Google sagt, dass seine KI‑unterstützten Produkt­empfehlungen auf Shopping‑Daten basieren, die von Marken, Geschäften und anderen Inhaltsanbietern aggregiert werden.

Diese Unterschiede geben Marketers einen Grund, Empfehlungs­muster nach Modell zu untersuchen, anstatt anzunehmen, dass jedes KI‑System zur gleichen Zeit in dieselbe Richtung geht.

Ein über mehrere Wochen aufgebautes Basis‑Line‑Modell kann den Referenzpunkt liefern. Marketer können dann neue Beobachtungen mit dieser Basis vergleichen und Veränderungen untersuchen, die über eine bedeutsame Stichprobe hinweg bestehen.

Der Empfehlungsanteil sagt Marken mehr als die Platzierung

Der Empfehlungsanteil bietet einen praktischen Weg, diese Muster zu messen. Anstatt zu notieren, wo ein Produkt in einer Antwort erschien, können Marketer messen, wie häufig eine Marke über einen repräsentativen Satz relevanter Verbraucher‑Fragen hinweg eine Empfehlung erhält.

Betrachten Sie einen Hersteller von Laufschuhen. Seine Produkte können häufig erscheinen, wenn Verbraucher nach Schuhen für Marathon‑Training fragen, und selten, wenn sie nach Trail‑Running‑Schuhen suchen. Dieser Unterschied liefert Marketers nützliche Informationen darüber, welche Bedürfnisse KI‑Systeme mit der Marke assoziieren.

Ein Ranking aus einer einzelnen Antwort bietet deutlich weniger Kontext. Der Unterschied zwischen zweiter und fünfter Platz kann beim nächsten Mal, wenn die Frage gestellt wird, verschwinden. Ein konstanter Unterschied im Empfehlungsanteil über Hunderte von Gesprächen hinweg gibt Marketers ein Muster, das sie studieren können.

Der Empfehlungsanteil kann Marketers auch dabei helfen, Wettbewerbsbewegungen zu identifizieren. Wenn eine Marke typischerweise 30 Prozent der relevanten Empfehlungen erhält und über mehrere Wochen hinweg 40 Prozent erfasst, können Marketers nachverfolgen, woher dieser Anstieg stammt.

Sie können ermitteln, welche Verbraucher‑Fragen am meisten zum Anstieg beigetragen haben und welche KI‑Modelle ihn erzeugt haben. Von dort aus können sie Änderungen in den Informationen untersuchen, die diesen Systemen zur Verfügung stehen.

Ein neues Produkt kann ein bestimmtes Verbraucher‑Bedürfnis genauer erfüllen. Einzelhändler könnten umfassendere Produktinformationen hinzugefügt haben. Kundenbewertungen oder unabhängige Berichterstattung können KI‑Systemen zusätzliche Evidenz darüber geben, wann ein Produkt zu einem konkreten Anwendungsfall passt.

Das Ziel der Messung sollte sein, dieses Analyse‑Level zu erreichen. Marketers benötigen Kennzahlen, die ihnen helfen, Veränderungen zu identifizieren, die sie untersuchen können, anstatt Kennzahlen, die lediglich mehr Bewegung auf einem Dashboard erzeugen.

KI-Shopping lässt Anekdoten leicht für Trends halten

KI‑Shopping fördert anekdotische Messungen, weil einzelne Antworten überzeugende Evidenz liefern.

Ein Screenshot, der ein Produkt an der Spitze einer ChatGPT‑Empfehlung zeigt, kann innerhalb von Minuten durch ein Unternehmen zirkulieren. Ebenso ein Screenshot, der einen großen Konkurrenten zeigt, während das eigene Produkt nicht erscheint. Beide Beispiele wirken konkret, weil Mitarbeitende die Empfehlung selbst sehen können.

Eine Antwort stellt immer noch eine Beobachtung dar.

Dieses Problem wird wachsen, da Verbraucher zunehmend KI bei der Produktrecherche nutzen. Adobe fand heraus, dass Verbraucher, die von generativen KI‑Quellen auf Einzelhandelswebsites kamen, mehr Seiten besuchten und niedrigere Absprungraten hatten als Besucher aus anderen Traffic‑Quellen. McKinsey hat zudem dokumentiert, wie generative KI‑Assistenten Verbraucher früher im Einkaufs‑Prozess ansprechen, bevor sie sich für einen Kauf entschieden haben.

Dieser wachsende Einfluss gibt Marken einen starken Grund, ihre Position in KI‑Empfehlungen zu verstehen. Gleichzeitig erhöht er die Kosten, aus schwacher Evidenz Schlussfolgerungen zu ziehen.

Marken benötigen ausreichend Beobachtungen, um festzustellen, wie häufig KI‑Systeme ihre Produkte empfehlen, welche Verbraucher‑Fragen diese Empfehlungen erzeugen und wie sich diese Muster im Laufe der Zeit entwickeln. Eine Basislinie gibt Marketers den Kontext, den sie benötigen, um anhaltende Bewegungen zu erkennen.

Wenn Marketers diese Bewegung identifizieren, können sie die Informationen untersuchen, die KI‑Systeme nutzen, um ihre Produkte zu verstehen. Sie können die Genauigkeit und Vollständigkeit von Produktbeschreibungen, Händlerinformationen, Bewertungen und unabhängigen Quellen prüfen und dann bestimmen, ob diese Quellen KI‑Systemen genügend Evidenz liefern, um ein Produkt mit den von Verbrauchern geäußerten Bedürfnissen zu verknüpfen.

Die wachsende Rolle von KI im Shopping macht diese Messung immer wichtiger. Verbraucher können KI jetzt nutzen, um Produkte zu recherchieren, Optionen zu vergleichen und eine Kaufentscheidung einzugrenzen, bevor sie überhaupt die Website eines Einzelhändlers besuchen.

Marken müssen verstehen, was in diesen Gesprächen passiert, aber mehr Monitoring führt nicht automatisch zu besseren Informationen. Der Wert entsteht durch das Sammeln ausreichender Beobachtungen, um gewöhnliche Schwankungen von beständigen Mustern zu trennen.

Einzelne KI‑Antworten werden weiterhin wechseln. Marketers sollten das erwarten. Ihre Aufmerksamkeit sollte auf den Empfehlungs­mustern liegen, die lange genug und über genügend relevante Gespräche hinweg bestehen, um Handlungen zu rechtfertigen.