
Ob Menschen Google nutzen, zu Amazon gehen oder einen Chatbot fragen: KI liefert ihnen inzwischen Antworten mit einem Produkt darin, und die meisten E-Commerce-Marken haben keine Ahnung, wie sie genau dieses Produkt werden. AI Listing Simulation schließt diese Wissenslücke. Sie stellen ein KI-Modell Ihrem Produkt und dem eines namentlich genannten Wettbewerbers gegenüber, lassen es wählen und lesen nach, warum es so entschieden hat.
Sie arbeitet mit den Daten, die ein KI-Einkaufsagent tatsächlich liest: Ihrem Produkt-Feed, Ihrem Katalog und den strukturierten Daten auf Ihren Produktseiten. Sie funktioniert nicht über Ihre Startseite, weil der KI-Einkaufsagent sie nie sieht.
Ich halte das derzeit für den am meisten unterschätzten Test im E-Commerce. Shops diskutieren wochenlang über Hero-Banner, während das, was über den Kauf entscheidet, ein Titelfeld mit „Blue Bottle 2“ ist. Ein Mensch würde abspringen. Ein KI-Einkaufsagent wählt einfach jemand anderen und sagt es Ihnen nie.
Kurzfassung
- AI Listing Simulation bedeutet, KI-Modelle zwischen Ihrem Produkt und dem eines Wettbewerbers wählen zu lassen und dann die Gründe zu lesen, die sie dafür angeben.
- Die Eingaben sind Ihr Produkt-Feed, Ihr Katalog und Ihre strukturierten Daten. Titel, Beschreibungen, GTINs, Preis, Verfügbarkeit, Versand und Rückgabebedingungen sind am wichtigsten.
- Behandeln Sie die Ergebnisse als richtungsweisende Hinweise. Selbst ein starkes akademisches Simulationsmodell entsprach realen Veränderungen bei den Warenkorb-Hinzufügungen nur in 77% der Fälle, nicht in allen.
- Korrigieren Sie die Daten, führen Sie denselben Vergleich erneut durch und beobachten Sie dann Besuche von KI-Assistenten, um zu sehen, ob sich etwas verändert hat.
- Der kostenlose Scan von ecentic deckt Ihre Top-10-Produkte ohne Karte ab. Das reicht aus, um das Muster zu erkennen.
Was AI Listing Simulation für einen Onlineshop bedeutet
Der Begriff wird oft mit Tools für Immobilien oder Generatoren für Beschreibungen verwechselt, deshalb formuliere ich es konkret. Für einen Shop ist ein Produktangebot ein Produktdatensatz: Titel, Beschreibung, Bilder, Attribute, Preis, Bestand sowie Versand- und Rückgabebedingungen. Simulation bedeutet, eine Kaufanfrage durch ein KI-Modell laufen zu lassen und zu beobachten, welchen Datensatz es auswählt.
Eine nützliche Simulation hat drei Teile:
- Eine Suchanfrage eines Käufers, etwa „bestes Geschenk unter $60 für jemanden, der dunkle Schokolade mag“.
- Eine Auswahl an Kandidatenprodukten: Ihres und das von mindestens einem namentlich genannten Wettbewerber.
- Eine Begründung in klarem Englisch für die Auswahl.
Der Grund ist der wertvolle Teil. Ein Score ohne Ursache ist ein Horoskop. Wenn der Agent sagt, dass er das andere Produkt bevorzugt hat, weil dort Material, Größe und Rückgabefrist angegeben waren, haben Sie eine konkrete Aufgabenliste.
Das unterscheidet sich auch von klassischen A/B-Tests. Ein A/B-Test braucht Traffic und Wochen. Eine Simulation braucht einen Katalog und ein paar Minuten. Das Engineering-Team von Shopify hat dieselbe Idee für die eigene Agentenarbeit beschrieben: Die ShopGym-Sandboxes ermöglichen Entwicklern, Fehler von Agenten unter kontrollierten, konsistenten Bedingungen zu reproduzieren, und genau das bekommen Sie von echten Käufern nicht. Wenn Sie die ausführlichere Argumentation dafür lesen möchten, Änderungen vor dem Rollout zu testen, behandeln wir das in simulationsbasierten A/B-Tests für KI-Agenten.
Wie ein KI-Agent Ihren Shop liest
Der Agent sieht nie Ihre Startseite. Er liest maschinenlesbare Daten, und die Quellen unterscheiden sich je nach Plattform.
Bei Shopify werden Katalogdaten standardisiert, damit Apps und Agenten sie durchsuchen und anzeigen können. In der Summer-'25-Version beschrieb Shopify Shopify Catalog als Standardisierung von Preisen, Optionen und Verfügbarkeit für Apps und KI-Agenten. In der Praxis bedeutet das: Ein dünner oder inkonsistenter Produktdatensatz begleitet Sie überallhin.
Shopping-Assistenten kombinieren außerdem statisches Produktwissen mit dem Live-Verhalten von Käufern. Gorgias dokumentiert, dass sein Shopping Assistant Kataloginformationen, Inhalte von Produktseiten und benutzerdefinierte Produktdetails mit Käuferaktivitäten kombiniert, etwa angesehenen Produkten und Warenkorbinhalten, um zu entscheiden, was empfohlen wird. Den statischen Teil kontrollieren Sie selbst: Beschreibungen, Materialien, Garantieinformationen.
Dann kommt der Kaufabschluss. Google UCP, das Universal Commerce Protocol, ist ein offener Standard für Agenten-Checkouts. Laut den Entwicklerunterlagen von Google ermöglicht UCP die Händlererkennung, Katalogsuche und den Kaufabschluss über ein Profil unter /.well-known/ucp. Es arbeitet mit AP2 zusammen, einem Zahlungsprotokoll, bei dem ein vom Händler signierter Checkout mit der Freigabe des Käufers abgeglichen wird, damit ein Agent den Preis nicht unbemerkt ändern kann. Einkäufe direkt in der KI-Antwort sind heute bereits in Google AI Mode und Gemini in den USA live. ChatGPT leitet Käufer stattdessen zum Checkout des Shops weiter.
OpenAI hat ein eigenes Protokoll, Google hat UCP, und Amazon hat eine Mauer. Ihr Katalog muss mit allen sprechen können oder zumindest nicht vor ihnen scheitern.
Wenn Sie sehen möchten, wie diese Agenten intern aufgebaut sind, macht die Anleitung zu wie man einen KI-Agenten baut die Schleife aus Abrufen, Schlussfolgern und Handeln leichter verständlich. Sie erklärt auch, warum ein fehlendes Feld für das Modell unsichtbar ist: Was nicht in den Daten steht, existiert für das Modell nicht.
Was Sie in einer Simulation prüfen sollten
Bevor Sie starten, sollten Sie wissen, auf welche Felder sich der Agent stützen kann. Die Dokumentation von Google für Merchant Center führt die unterstützten Attribute auf. Bei den meisten Vergleichen sind Titel, Beschreibung, Bild, Marke, SKU, GTIN, Preis, Währung des Preises, Verfügbarkeit sowie strukturierte Angaben zu Versand und Rückgabe entscheidend. Die vollständige Liste finden Sie in der Google-Referenz für strukturierte Datenattribute.
So würde ich jedes Feld lesen, wenn der Agent ein Konkurrenzprodukt auswählt:
| Feld | Wie der Agent es nutzt | Typischer Fehler |
|---|---|---|
| Titel | Erstes Element, das mit der Suchanfrage des Käufers abgeglichen wird | Nur Markenname, kein Produkttyp, keine Größe oder Verwendung |
| Beschreibung | Quelle für Gründe, die der Agent wiedergeben kann | Marketingtext ohne konkrete Attribute |
| GTIN, Marke, SKU | Bestätigt, dass das Produkt ein bekanntes, konkretes Produkt ist | Fehlende oder doppelte Kennungen |
| Preis und Währung | Grundlage für Vergleich und Kaufabschluss | Preis im Feed weicht von der Produktseite ab |
| Verfügbarkeit | Ob das Produkt sicher empfohlen werden kann | Veralteter Lagerstatus |
| Versand und Rückgaben | Ob ein Kauf abgeschlossen werden kann | Felder fehlen oder sind inkonsistent |
Die unspektakulären Fehler sind entscheidend. In unseren eigenen Audits hatte ein Spirituosen-Marktplatz mit rund €70M Jahresumsatz bei 88 % seiner 9.699 Produkte Fehler in den Daten, die Agenten lesen. Als Agenten gefragt wurden, wo man zwei Flaschen kaufen kann, die dort geführt werden, tauchte der Shop 0 Mal in 20 Versuchen auf. Niemand im Team hatte beschlossen, unsichtbar zu sein. Der Feed sagte es einfach.
Auch der Checkout scheitert oft still. Bei einer schwedischen Hautpflegemarke erreichten Agenten-Checkouts in 0 von 6 Ländern die Zahlung, weil eine Versandeinstellung eine Telefonnummer verlangte. Agenten haben die Telefonnummer Ihres Kunden nicht, was ein durchaus vernünftiger Umstand ist. Keiner der Shops wird hier genannt, und das bleibt auch so.
So führen Sie eine Simulation mit Ihrem eigenen Katalog durch
Sie können eine grobe Version manuell durchführen, und das sollten Sie auch tun, wenn Sie es noch nie gemacht haben. Wählen Sie ein Produkt und einen echten Wettbewerber und folgen Sie dann diesen Schritten.
- Formulieren Sie die Käuferanfrage so, wie eine Person sie in einen Chat eingeben würde – mit Budget, Verwendungszweck und Einschränkung.
- Fügen Sie Ihren Produktdatensatz und den des Wettbewerbers in denselben Prompt ein, möglichst ohne Branding, und bitten Sie das Modell, eine Auswahl zu treffen und sie zu begründen.
- Wiederholen Sie den Test mit mindestens zwei verschiedenen Modellen. Sie widersprechen sich stärker, als man erwarten würde.
- Speichern Sie die genannten Gründe und gruppieren Sie sie: fehlendes Attribut, schwächere Aussage, Preis, Versand, Vertrauen.
- Ändern Sie eine Sache in Ihrem Produktangebot, führen Sie denselben Prompt erneut aus und notieren Sie, ob die Auswahl kippt.
Genau darum geht es im letzten Schritt. Ändern Sie immer nur eine Sache gleichzeitig, sonst lernen Sie nichts.
Das manuell für ein Produkt zu machen, kostet einen Nachmittag. Für 800 Produkte wird daraus ein Berufswechsel. Deshalb haben wir ecentic darum aufgebaut: Es verbindet sich mit Shopify, WooCommerce oder einem Produktfeed, lässt ChatGPT, Claude und Gemini jedes Produkt mit dem eines benannten Wettbewerbers vergleichen und zeigt, warum es verliert. Wenn Sie einen Überblick über diese Tool-Kategorie möchten: Unser Beitrag zu KI-Agenten-Simulatoren zum Testen der Sichtbarkeit von Produktangeboten vergleicht die Ansätze, und Sie können den UCP Playground nutzen, um Agenten direkt gegen einen Shop zu testen.
Wenn Ihr Team technisch orientiert ist, können Sie auch die Pipeline-Seite testen. Stripe dokumentiert eine Sandbox, in der Plattformen Produktkatalogdaten hochladen und Parsing, Feldzuordnungen und Datenqualität validieren bevor Live-Updates aktiviert werden. Die Idee lässt sich übertragen: Validieren Sie die Daten, bevor Agenten die Live-Version sehen.
So lesen Sie die Ergebnisse, ohne sich selbst zu täuschen
Eine Simulation ist ein Modell eines Modells. Sie kann auf zwei Arten falsch liegen: Der simulierte Käufer ist kein echter Käufer, und die getestete KI ist nicht unbedingt die KI, die Ihr Kunde nächsten Monat nutzt. Wie sehr sollten Sie ihr also vertrauen?

Dazu gibt es nützliche wissenschaftliche Hinweise. Das SimGym-Paper simuliert A/B-Tests auf E-Commerce-Storefronts mit Vision-Language-Agenten in einem Live-Browser und berichtete eine Richtungsübereinstimmung von 77 % mit beobachteten Veränderungen bei Warenkorb-Hinzufügungen. Die Autoren vergleichen simulierte und beobachtete Veränderungen mithilfe von Richtungsübereinstimmung und Pearson-Korrelation. Lesen Sie diese Zahl nüchtern: Simulationen zeigen meist in die richtige Richtung, manchmal aber auch nicht. Sie sind ein guter Filter dafür, was Sie zuerst testen sollten, aber kein Ersatz für echte Ergebnisse.
So trenne ich Erkenntnisse von Vermutungen:
- Wiederkehrende Gründe. Wenn drei Modelle dasselbe fehlende Attribut nennen, beheben Sie es. Das ist eine belastbare Erkenntnis.
- Unterschiede zwischen Modellen. In unseren Simulationen wählte ChatGPT das Produkt bei demselben Katalog etwa 3-mal so häufig wie Claude oder Gemini (51,6 % gegenüber etwa 18,5 %). Grundlage waren die 36.797 simulierten Käufe, die wir bis Oktober 2026 durchgeführt hatten. Dieselben Produkte, ganz unterschiedliche Muster. Fassen Sie die Modelle deshalb nicht zu einem einzigen Durchschnittswert zusammen. Betrachten Sie jedes Modell einzeln.
- Einzelne ungewöhnliche Auswahlen. Ein einzelner Durchlauf, der aus einem seltsamen Grund ein Konkurrenzprodukt bevorzugt, ist Rauschen, bis sich das Muster wiederholt.
- Vorhersagen zum Umsatz. Eine Simulation sagt Ihnen nicht, was Sie verkaufen werden. Wer etwas anderes behauptet, verkauft Ihnen etwas – und ich verkaufe auch etwas, deshalb sage ich es Ihnen direkt.
Als fairer Hinweis: Simulationen können echte Traffic-Daten nicht ersetzen. Sie zeigen Ihnen, was Sie zuerst beheben sollten und warum. Ob es funktioniert hat, zeigen nur Ihre eigenen Besuche, Warenkörbe und Bestellungen.
Aus Erkenntnissen messbare Verbesserungen machen
Die meisten Verbesserungen sind unspektakulär und konkret. Ergänzen Sie die fehlende GTIN. Nehmen Sie Produkttyp, Größe und Material in den Titel auf. Ersetzen Sie eine Stimmungsbeschreibung durch eine Beschreibung, die erklärt, was das Produkt ist, für wen es geeignet ist und wie lang die Rückgabefrist ist. Sorgen Sie dafür, dass die strukturierten Daten zur sichtbaren Produktseite passen. Füllen Sie die Felder für Versand und Rückgaben aus, damit ein Kauf abgeschlossen werden kann.

Messen Sie danach auf zwei Ebenen.
Führen Sie zuerst denselben Vergleich erneut aus. Wenn der Agent jetzt Ihr Produkt auswählt und das hinzugefügte Attribut nennt, hat die Änderung gegriffen. Das ist günstig und schnell – und genau hier zeigt die Simulation ihren Wert.
Beobachten Sie zweitens das reale Verhalten. Besuche von KI-Assistenten sind das früheste Signal, das Sie in Analytics sehen können. Unser erster Pilotkunde, DUA Flavours, verzeichnete von April bis Juli 2026 einen Anstieg der Besuche von KI-Assistenten und des direkten Traffics um 12 %. Das ist eine Besuchszahl, kein Umsatz, und ein Pilot bleibt ein Pilot. Aber genau solche Bewegungen lassen sich tatsächlich beobachten, und unser Playbook für Traffic durch KI-Agenten zeigt, wie Sie das Tracking einrichten. Für die Arbeit an Produktangeboten lesen Sie unseren Leitfaden zu Optimierung von Produktangeboten für KI-Auswahlen.
Auf Shopify überträgt ecentic Änderungen ins Google Merchant Center und verfolgt Besuche von KI-Assistenten. Auf WooCommerce ermöglicht das kostenlose ecentic-Plugin Agenten die Suche, das Befüllen eines Warenkorbs und den Kaufabschluss über UCP. Genau diesen Checkout-Teil lassen einfache Feed-Tools aus – und dort verlor unser schwedisches Beispiel jeden einzelnen Verkauf.
Ein Hinweis zu Wettbewerbern, denn Sie werden Tools vergleichen. Viele Feed-Management-Produkte sind gut in dem, was sie tun: einen Katalog bereinigen, zuordnen und auf viele Kanäle verteilen. Wenn Ihr Hauptproblem darin besteht, einen Feed in zwanzig Marktplätze zu bringen, passen sie gut zu Ihnen. Meist endet ihre Arbeit beim Feed. Unser Vergleich der besten Optimierungstools für KI-Shopping-Agentenzeigt, welches Tool zu welchem Anwendungsfall passt.
Unsere Sichtweise
Ich glaube, die meisten Marken behandeln KI-Shopping wie ein Ranking-Problem, dabei ähnelt es eher einem Vorstellungsgespräch. Der Agent stellt Ihrem Produktdatensatz eine Reihe von Fragen, und ein Datensatz, der sie nicht beantworten kann, verliert gegen einen, der es kann. Der Verlierer erfährt das meist nie.
Deshalb simulieren wir direkte Vergleiche. Ein Score nur für Ihren Shop ist schmeichelhaft und nutzlos. Ein benanntes Konkurrenzprodukt neben Ihrem, während der Agent seine Auswahl erklärt, ist unangenehm und nützlich. Nach diesem Prinzip haben wir 36.797 simulierte Käufe durchgeführt, und die Gründe sind fast nie exotisch. Es sind fehlende Felder, vage Titel und Checkout-Einstellungen, die niemand getestet hat.
Wir glauben außerdem, dass das Finden des Problems nur die halbe Arbeit ist. Wenn Sie also auf Apply klicken, schreibt ecentic Titel, Beschreibung und strukturierte Daten neu und veröffentlicht sie im Shop. Auf der Kaufseite möchten wir, dass der Agent die Bestellung abschließt und nicht nur das Produkt bewundert. Ich helfe einem Shop lieber dabei, eine zusätzliche Bestellung über einen Agenten zu verkaufen, als noch einen Bericht zu schreiben.
Ich sehe diese Entwicklung nicht völlig optimistisch. Käufer werden mehr delegieren, und der Agent wird aus den Daten auswählen, die sich am einfachsten lesen lassen. Shops, die diese Daten nicht aufräumen, konkurrieren dann mit Shops, die es getan haben, ohne dem Käufer je zu begegnen. Das ist ein düsterer Satz – und zugleich ein lösbares Problem.
Xhurian Shaba
Starten Sie mit dem kostenlosen Scan
Unser Claim ist einfach: den Verkauf erzielen, wenn KI einkauft. Der schnellste Weg zu verstehen, was das für Ihren Shop bedeutet, ist der kostenlose Scan. Er umfasst Ihre 10 wichtigsten Produkte, benötigt keine Karte und zeigt Ihnen, welches Konkurrenzprodukt die Agenten bevorzugen und warum.
Wenn sich das Muster bestätigt, finden Sie die kostenpflichtigen Pläne auf unserer Preisseite. Compete kostet $14.90 pro Monat für bis zu 100 Produkte. Scale kostet $44.90 pro Monat für bis zu 1.000 Produkte mit One-Click-Verbesserungen. Dominate kostet $149 pro Monat und ergänzt die Synchronisierung mit Google Merchant Center sowie die Einrichtung von Agenten-Checkouts. Zusätzlich gibt es ein nutzungsbasiertes Modell mit 3 % auf KI-attribuierte Bestellungen, gedeckelt auf $500 pro Monat. Enterprise bietet individuelle Limits, API- und MCP-Zugang sowie ein DPA, ohne veröffentlichten Preis.

Shopify-Händler können auf der Seite KI für Shopify-Shops starten, und die Seite KI-Optimierung für Produktangebote zeigt, was Apply in einem Datensatz verändert.
FAQ
Was ist KI-Listing-Simulation im E-Commerce?
Dabei werden KI-Modelle gebeten, zwischen Ihrem Produkt und dem eines benannten Wettbewerbers zu wählen – auf Basis der Daten, die Agenten tatsächlich lesen. Sie erhalten eine Auswahl und eine genannte Begründung. Die Gründe zeigen Ihnen, welche Felder, Aussagen oder Checkout-Einstellungen Sie verbessern sollten.
Welche Felder sind in einer Simulation am wichtigsten?
Titel, Beschreibung, Bild, Marke, SKU, GTIN, Preis, Währung, Verfügbarkeit sowie strukturierte Versand- und Rückgabedaten. Google führt diese als unterstützte Produktattribute auf. Beginnen Sie mit Titel und Beschreibung, weil sie die Gründe liefern, die ein Agent wiedergeben kann.
Wie genau sind Simulationsergebnisse?
Betrachten Sie sie als Richtungsindikator. In einer wissenschaftlichen Studie stimmte die Richtung simulierter Storefront-Tests in 77 % der Fälle mit beobachteten Veränderungen bei Add-to-Cart-Aktionen überein. Das macht Simulationen zu einer guten Methode, um Prioritäten für Tests festzulegen, aber zu einer schwachen Methode für Umsatzprognosen.
Funktioniert das sowohl für Shopify als auch für WooCommerce?
Ja. ecentic verbindet sich mit Shopify, WooCommerce oder einem einfachen Produktfeed. Auf Shopify werden Änderungen zusätzlich ins Google Merchant Center übertragen. Auf WooCommerce ermöglicht das kostenlose Plugin Agenten die Suche, das Befüllen eines Warenkorbs und den Kaufabschluss über UCP.
Kann ich das testen, ohne zu bezahlen?
Ja. Der kostenlose Scan umfasst Ihre 10 wichtigsten Produkte und benötigt keine Karte. Das reicht aus, um zu sehen, ob Agenten ein Konkurrenzprodukt bevorzugen und welche Gründe sie dafür nennen.
Quellen
- Unterstützte Attribute und Werte für strukturierte Daten, Google Merchant Center
- SimGym: Ein Framework zur Simulation von A/B-Tests im E-Commerce
- Secure Agent Commerce with AP2 and UCP, Google Codelabs
- ShopGym: Realistische, reproduzierbare Sandboxes für Shopping-Agenten, Shopify Engineering
- Verkaufen über Agenten als SaaS-Plattform, Stripe Docs
- Wie Shopping Assistant Produkte empfiehlt, Gorgias Docs
- Shopify Summer '25 Edition freigegeben, DEVOPSdigest
Diese Themen entdecken