Wie funktioniert GEO für E-Commerce und Onlineshops?

„Best running shoes for flat feet under $150“ ist keine Suchanfrage mehr — es ist ein Gespräch, und der Assistent beantwortet es mit drei namentlich genannten Produkten statt mit zehn blauen Links. Produktempfehlungs-Prompts sind die kommerziellste Klasse von Fragen, die KI-Engines verarbeiten, und die Fläche wächst schnell in genau dieses Terrain hinein: Der Anteil kommerzieller Anfragen, die Google AI Overviews auslösen, stieg in den sechs Monaten bis April 2026 um 71% (Semrush).

Die Klick-Ökonomie hat sich mitverändert. Erscheint eine KI-Zusammenfassung in den Google-Ergebnissen, klicken Nutzer in 8% der Besuche auf ein reguläres Ergebnis statt in 15% ohne sie, und 26% dieser Sitzungen enden ganz ohne Klick (Pew Research, Juli 2025). Für einen Shop heißt das: Der Moment der Entscheidung — welche drei Produkte genannt werden — findet zunehmend innerhalb der Antwort statt, bevor irgendjemand eine Produktübersichtsseite erreicht.

Die Disziplin, die auf diesen Moment zielt, trägt mehrere Namen — GEO (Generative Engine Optimization), AEO (Answer Engine Optimization), LLM SEO — und alle beschreiben dieselbe Arbeit: Ihre Produkte so auffindbar, zitierfähig und bestätigt zu machen, dass der Assistent sie empfiehlt. Wir verwenden die Begriffe synonym; was zählt, ist, ob Ihr Shop in der Antwort steht.

Die Zitationsdaten sind konkret genug, um damit zu planen. Eine Analyse von 30 Millionen von KI-Suche zitierten Quellen setzt G2 und Yelp auf Platz sechs und sieben aller zitierten Domains — Review-Plattformen sitzen ganz oben in dem, worauf sich Engines bei kommerziellen Fragen stützen (Peec AI). Um sie herum tragen Kaufratgeber, Medien-Roundups und Vergleichsartikel die Empfehlungsanfragen: Der Assistent will eine unabhängige Quelle, die die Optionen bereits geordnet hat.

Die Überraschung in den Daten ist, wie stark markeneigene Inhalte zählen. Eine Studie über 379.321 Claude-Zitate zu SaaS- und Tech-Anfragen fand rund 64% davon auf markeneigenen Websites (Otterly, Juni 2026). Engines zitieren nicht nur Rezensenten über Ihre Produkte; sie zitieren Ihre Produktseiten direkt — vorausgesetzt, Spezifikationen, Preise und Aussagen stehen dort in extrahierbarer Form. Ein Shop, der die eigenen Seiten als Zitationsquellen behandelt — nicht nur als Conversion-Seiten — deckt beide Hälften des Musters ab.

Die taktische Konsequenz aus Princetons GEO-Gründungsstudie gilt direkt für Produktinhalte: Zitate, Statistiken und Quellenangaben auf einer Seite erhöhten deren Sichtbarkeit in generativen Antworten um bis zu 40%. Ein Kaufratgeber mit gemessenen Aussagen — Gewichte, Akkulaufzeiten, Rückgabefristen, benannte Testquellen — ist ein besserer Zitationskandidat als derselbe Ratgeber als Marketingtext.

Ein Assistent, der „best under $150“ zusammenstellt, braucht den Preis, die Verfügbarkeit und die unterscheidende Spezifikation als Fakten, die er extrahieren kann — nicht als Fragmente, verstreut über ein hydratisiertes JavaScript-Widget. Strukturierte Produktdaten (schema.org/Product mit offers, Preis, Verfügbarkeit und aggregierten Bewertungen) formulieren diese Fakten in dem Format, das Retrieval-Systeme am zuverlässigsten parsen — und dieselben Aussagen sollten zusätzlich als Klartext auf der sichtbaren Seite stehen, denn die Extraktion nimmt Passagen, nicht nur Markup.

Die Passage-Regeln aus unserem Leitfaden zu ChatGPT-Zitaten gelten hier mit noch mehr Nachdruck, denn Produktanfragen sind Constraint-Matching: „under $150“, „for flat feet“, „ships to Germany“. Eine Produktseite, die in einem eigenständigen Block „wiegt 240 g, 8 mm Sprengung, kostet 139 $, kostenlose Rückgabe innerhalb von 30 Tagen“ sagt, lässt sich gegen die Anforderungen des Käufers abgleichen; eine Seite, die „für ultimativen Komfort entwickelt“ sagt, nicht. Versandziele, Rückgabefristen und Lagerstatus sind Antwortmaterial — behandeln Sie sie als Aussagen zum Veröffentlichen, nicht als Kleingedrucktes.

Serverseitiges Rendering bleibt das binäre Tor: Retrieval lädt HTML und wartet nicht zuverlässig, bis ein Storefront-Framework hydratisiert ist. Die Prüfung kostet nichts: Laden Sie Ihre Produktseite mit deaktiviertem JavaScript und stellen Sie sicher, dass Preis, Spezifikationen und Verfügbarkeit im Markup vorhanden sind.

ChatGPT hat inzwischen eine eigene Produktentdeckungs-Erfahrung — visuelles Stöbern, direkter Vergleich, aktuelle Preise — angetrieben vom Agentic Commerce Protocol (ACP), das OpenAI 2026 vom Checkout auf die Discovery ausgeweitet hat. Händler liefern strukturierte Produktfeeds (Titel, Beschreibung, URL, Bild, Preis, Verfügbarkeit) per Datei-Upload oder API; Shopify-Händler sind über Shopify Catalog automatisch integriert, und das Feed-Onboarding für alle anderen läuft derzeit über einen Freigabeprozess statt über offenen Self-Service (OpenAI).

Zwei Dinge über den aktuellen Stand sollte man wissen, bevor man darauf plant. Erstens: OpenAI ist vom eigenständigen Instant Checkout zum händlereigenen Checkout zurückgerückt — der strategische Fokus liegt auf Discovery, und der Kauf schließt weitgehend auf Ihrer Website ab. Zweitens: Ein Feed ist nicht die einzige Tür — OpenAIs eigene Anleitung sagt, dass öffentliche Produktseiten in ChatGPT-Shopping-Ergebnissen auftauchen können, wenn OAI-SearchBot sie crawlen kann. Der Feed gibt Ihnen einen kontrollierten, aktuellen Produktdatensatz; der Weg über das offene Web belohnt genau die Seitenstruktur, die GEO ohnehin aufbaut.

Die praktische Reihenfolge für die meisten Shops: zuerst Crawler-Zugang und Seitenstruktur reparieren, denn davon profitiert jede Engine — ChatGPT, Perplexity, Gemini, AI Overviews. Dann den Feed-Weg ergänzen, wo Sie qualifiziert sind (Shopify- und Etsy-Händler sind größtenteils schon drin), damit Ihre Preise und Ihr Lagerstatus in ChatGPT aus Ihren eigenen Daten kommen statt aus einem Crawl, der hinterherhinken kann.

Die Entscheidungs-Prompts — „Brand X vs Brand Y“, „alternatives to X“ — sind der Ort, an dem Shops namentliche Empfehlungen gewinnen oder verlieren, und die meisten Shops weigern sich, ehrliche Vergleiche mit Wettbewerbernamen zu veröffentlichen. Diese Weigerung ist die Chance: Wenn keine bessere Quelle existiert, baut der Assistent den Vergleich aus dem zusammen, was irgendjemand veröffentlicht hat. Ein Shop, der faktische Vergleichsseiten auf Spezifikationsniveau liefert, wird tendenziell zur Quelle für die Entscheidungs-Prompts seiner eigenen Kategorie.

Grenzüberschreitende Shops fügen eine Sprachdimension hinzu, die die meisten GEO-Ratschläge ignorieren: Assistenten antworten deutschen Käufern aus deutschsprachigen Quellen und französischen aus französischen — ein maschinell übersetzter (oder gar nicht übersetzter) Katalog ist in der Hälfte seiner Märkte unsichtbar. In der Sprache des Käufers zu verkaufen heißt, in der Sprache des Käufers zitierfähig zu sein; genau dafür bauen und messen wir muttersprachlich in neun Sprachen.

Die Messung folgt der Methode, die wir auf alles anwenden: eine fixierte Prompt-Batterie aus Kategorie-, Produkt- und Vergleichs-Prompts je Markt und Sprache, gefahren in sauberen ausgeloggten Sitzungen über ChatGPT, Perplexity und Gemini, bewertet als Share of Voice und Zitierrate gegen eine Baseline vom ersten Tag. Für einen Shop liest sich die Prompt-Batterie wie eine Käuferreise — „best [category] for [use case]“, „[product] vs [competitor]“, „is [brand] legit“ — und die Baseline zeigt, in welchen dieser Antworten Sie heute erscheinen, bevor Ihnen irgendjemand irgendetwas verspricht.