
Die schnellste einzelne Korrektur für Kategorieseiten in der KI-Suche besteht darin, jede Seite sowohl mit einem page_category (oder pageCategories)-Wert als auch mit einem passenden Pflichtfilter zu definieren, zum Beispiel categories: ANY('Home & Garden'), damit die Browse-Anfrage eines KI-Agenten eingegrenzte, relevante Produkte zurückgibt statt einer breiten, allgemeinen Mischung. Kombinieren Sie das mit sauberen Feeddaten (klare Titel, vollständige GTINs, guten Bildern) und prüfen Sie es anhand der AI Commerce-Dokumentation von Google Cloud, der Copilot Shopping-Dokumentation von Microsoft und mit einem Simulationstool, bevor Sie live gehen.
Kurzfassung:
- Browse-Anfragen verwenden eine leere Query. Deshalb müssen pageCategories und der Request-Filter exakt übereinstimmen, einschließlich Groß- und Kleinschreibung, sonst können die Ergebnisse nicht relevante Produkte enthalten.
- Verwenden Sie ein wiederverwendbares Deployment mit einem Kategoriefilter und übergeben Sie zur Laufzeit den passenden plp_category-Kontext jeder Seite; führen Sie Wildcard-Seiten ohne Kategorieeinschränkungen.
- Copilot Shopping stützt sich auf Feeds aus dem Microsoft Merchant Center. Verbessern Sie die Berücksichtigung mit spezifischen Titeln, vollständigen GTINs, wo zutreffend, hochwertigen Bildern und zugeordneten Produktkategorien.
- Testen Sie nach Änderungen echte Browse-Anfragen und prüfen Sie is_filter_applied, products_list und total_result; Simulationen und schrittweise Vergleiche helfen, eine nicht verifizierte Korrektur nicht im großen Maßstab auszurollen.
Wie sich KI-Browse-Anfragen von der Textsuche unterscheiden
Textsuche und Browse sind zwei unterschiedliche Vorgänge, und bei Kategorieseiten entscheidet sich Erfolg oder Misserfolg daran, welchen davon ein KI-Agent auszuführen glaubt. Eine Textanfrage sendet ein nicht leeres query -Feld: Der Käufer oder Agent hat etwas Konkretes eingegeben, und die Engine bewertet nach Relevanz zu diesen Begriffen. Browse funktioniert anders. Es arbeitet mit einer leeren Anfrage und hängt vollständig von pageCategories und Filtern ab, um zu bestimmen, was auf die Seite gehört – laut der Google-Cloud-Dokumentation zur KI-Suche im Handel.
Dieser Unterschied ist wichtig, weil Käufer zunehmend KI-Agenten für sich browsen lassen. Wenn jemand einen Assistenten bittet, „Teppiche für ein kleines Wohnzimmer“ zu finden, tippt der Agent diese Phrase nicht in ein Suchfeld Ihrer Website ein: Er sendet eine Browse-Anfrage und erwartet, dass Ihre Kategorieseite bereits weiß, welche Produkte hineingehören. Die Kategorieseite wird damit zu einer Art zweitem Eindruck – dem Ort, an dem ein KI-Agent eine Kategorie prüft, um zu entscheiden, ob Ihr Katalog weitere Empfehlungen wert ist.
Wenn pageCategories oder der zugehörige Filter fehlt, hat die Anfrage nichts, woran sie ihren Geltungsbereich ausrichten kann. Das Ergebnis ist standardmäßig ein breites, oft irrelevantes Inventar – ein Fehler, der nichts mit Ihren Texten oder Bildern zu tun hat, sondern vollständig auf die Backend-Konfiguration zurückgeht.
- Eine Textanfrage enthält eine konkrete Suchphrase und bewertet nach Relevanz zu diesen Begriffen.
- Eine Browse-Anfrage enthält eine leere Anfrage und ist auf Kategorie- und Filterfelder angewiesen, um den Geltungsbereich festzulegen.
- Fehlende oder nicht übereinstimmende Kategoriefelder führen dazu, dass Browse-Ergebnisse standardmäßig ein breites Inventar mit geringer Relevanz anzeigen.
Deshalb beginnt die Optimierung von Kategorieseiten für KI-Agenten als Engineering-Aufgabe und nicht als Content-Aufgabe.
Felder und Feed-Signale, die Kategorieseiten zum Funktionieren bringen
Die Behebung besteht größtenteils darin, die richtigen Felder an den richtigen Stellen zu setzen und konsistent zu halten. So sollten Sie dabei vorgehen.
- Setzen Sie
page_categoryoderpageCategoriesauf der Seite selbst und in der Anfrage-Payload. Die Dokumentation von Google Cloud zur KI-Commerce-Suche weist ausdrücklich darauf hin, dass Browse-Ergebnisse zu breit bleiben, wenn der Seitenkategorie-Identifier und ein passender Filter nicht gemeinsam vorhanden sind, laut derselben Anleitung. - Lassen Sie den Filter auf denselben Wert verweisen, unabhängig davon, ob es sich um
attributes.pageCategoriesoder eincategoryid-Feld handelt. Eine Seite mit dem Tag „Outdoor Furniture“, deren Filter auf einen anderen Kategorie-String verweist, grenzt die Ergebnisse stillschweigend nicht ein, obwohl kein Fehler ausgegeben wird. - Verwenden Sie eine Kontextvariable, zum Beispiel
plp_category, in der Filterkonfiguration der Plattform und übergeben Sie dieselbe Variable zur Laufzeit im Request-Kontext. Dieser Mechanismus ermöglicht es, dass ein Deployment viele Kategorieseiten bedient, ohne für jede Seite einen Filter fest zu hinterlegen. - Prüfen Sie die Groß- und Kleinschreibung genau. Feldnamen und Filtervariablen unterscheiden zwischen Groß- und Kleinschreibung, und eine Abweichung zwischen
PageCategoryundpageCategoryin unterschiedlichen Teilen Ihres Stacks ist eine häufige, unsichtbare Ursache für zu breit gefasste Ergebnisse. - Ordnen Sie Ihre Taxonomie formal zu. von Google
Product.category-Feld unterstützt jetzt einCategoryCode-Objekt, das Ihre internen Produkttypen der offiziellen Taxonomie von Googlezuordnet. Dadurch erhalten KI-Einkaufsagenten ein konsistentes Kategoriesignal zum Filtern und Bewerten, statt aus einem frei formulierten Kategorie-String raten zu müssen. - Fügen Sie Signale für Paginierung und Facetten hinzu, etwa
page,page_size, Facettenanzahlen sowie Response-Flags wieis_filter_applieddamit Sie im Nachhinein bestätigen können, dass die Eingrenzung tatsächlich stattgefunden hat, statt sie nur anzunehmen. - Fügen Sie strukturierte Daten oder Metadaten hinzu die Produkte explizit ihren Kategorieseiten zuordnen. Das hilft nachgelagerten Modellen und dem Katalogtraining, die Beziehung zu erkennen, statt sie allein aus dem Seitenlayout abzuleiten.
Profi-Tipp: Prüfen Sie zuerst eine stark frequentierte Kategorieseite vollständig, bevor Sie den restlichen Katalog anfassen: Kontrollieren Sie den Kategorienwert der Seite, den Kategorienwert des Filters und die Kontextvariable in der Anfrage-Payload in einem Durchgang, da die Abweichung meist zwischen zwei dieser drei Elemente verborgen liegt.
Ein Deployment erstellen, das jede Kategorieseite bedient
Sie benötigen keine separate Suchkonfiguration für jede Kategorie. Das praktische Muster, beschrieben in der Implementierungsanleitung für Produktlistenseiten, besteht darin, ein wiederverwendbares Deployment oder eine wiederverwendbare Konfiguration zu erstellen, die eine Suchmaschine mit einem Kategoriefilter verbindet, und dann dasselbe Deployment für jede Kategorieseite aufzurufen, während zur Request-Zeit jeweils anderer Kontext übergeben wird.
- Erstellen Sie ein Deployment (oft über eine
deployment_ididentifiziert), das Ihre Suchmaschine mit einer Definition für Kategoriefilter kombiniert. - Senden Sie bei jeder Browse-Anfrage eine leere Anfrage, die
deployment_id, den Namen der Kategorie, die Seitennummer und ein Kontextobjekt, das denplp_category-Wert für diese konkrete Seite bereitstellt. - Stellen Sie sicher, dass der Filter selbst denselben Variablennamen verwendet wie das Kontextobjekt. Das Deployment liest die Variable, nicht einen fest codierten Kategorie-String.
- Kombinieren Sie den Kategoriefilter mit Hybrid- oder semantischem Ranking, damit natürliche Sprachrelevanz weiterhin die Produktreihenfolge innerhalb des eingegrenzten Ergebnisses bestimmt, statt sich allein auf den Filter zu verlassen, um eine gute Seite zu erzeugen.
- Behandeln Sie Seiten für „alle Produkte“ oder Wildcard-Seiten bewusst – entweder durch eine alternative Filterkonfiguration oder durch explizites Routing außerhalb des Kategorie-Filter-Musters –, damit sie nicht versehentlich eine Kategoriebeschränkung übernehmen, die für engere Seiten gedacht ist.
- Prüfen Sie
products_list,total_result, Facettenanzahlen undis_filter_appliedin Ihren Response-Logs nach jeder Änderung am Deployment, um sicherzustellen, dass der Filter wie beabsichtigt ausgelöst wurde.
Dieses Muster lässt sich sauber skalieren: Ein Händler mit vielen Kategorieseiten kann ein einziges gut konfiguriertes Deployment mit unterschiedlichen Kontextwerten verwenden, statt für jede Seite eine separate Suchkonfiguration zu pflegen.
So simulieren und messen Sie das Verhalten von KI-Agenten auf Ihren Seiten
Konfigurationsänderungen sind nur dann sinnvoll, wenn Sie bestätigen können, dass sie funktionieren. Dazu müssen Sie den Browse-Pfad genauso testen, wie ein KI-Agent ihn aufrufen würde.
- Führen Sie API-Aufrufe direkt im Browse-Modus aus, mit den echten Kontextwerten, die Ihre Kategorieseiten senden werden, und prüfen Sie
is_filter_applied,products_listsowietotal_resultin der Antwort, um zu bestätigen, dass die Anfrage tatsächlich auf die erwartete Kategorie eingegrenzt wurde. - Nutzen Sie Tools zur Agentensimulation oder kontrollierte Agentenanfragen um zu sehen, welche Produkte für einen bestimmten Kategorie-Prompt ausgewählt werden, und erfassen Sie einen Snapshot der Ergebnisse vor und nach jeder Änderung. So erhalten Sie einen konkreten Vorher-Nachher-Vergleich statt bloßer Vermutungen.
- Verfolgen Sie einen kleinen Satz an KPIs: die Filteranwendungsrate über Browse-Anfragen hinweg, KI-attributierte Sitzungen, den Anteil der Agentenzitate, die auf Kategorieseiten statt auf einzelne Produktseiten verweisen, sowie daraus resultierende Verbesserungen bei der Conversion.
- Automatisieren Sie regelmäßige Rescans, besonders nach Katalogupdates oder Änderungen an der Taxonomie, da eine neue Produktkategorie oder ein umbenanntes Attribut einen zuvor funktionierenden Filter unbemerkt beschädigen kann.
- Bewerten Sie frühe Ergebnisse vorsichtig. Eine Handvoll simulierter Anfragen oder wenige Tage Agenten-Traffic sind nur eine kleine Stichprobe. Gestaffelte Rollouts oder einfache A/B-Vergleiche bieten eine belastbarere Grundlage, um zu entscheiden, ob eine Änderung tatsächlich Wirkung gezeigt hat, bevor Sie sie im gesamten Katalog anwenden.
Deutliche Veränderungen beim von KI weitergeleiteten Shopping-Traffic gingen mit breiteren Veränderungen im Umgang der Nutzer mit KI-Suchtools einher, wie Berichterstattung über verändertes Suchverhalten festgestellt haben – ein Hinweis darauf, dass sich selbst die Grundlage, gegen die Sie messen, laufend verändert.
Was E-Commerce-Teams bei diesem Rollout falsch machen
Die meisten Teams behandeln das zuerst als Content-Problem und schreiben Texte für Kategorieseiten um oder ergänzen FAQ-Blöcke, obwohl die eigentliche Hürde fast immer ein fehlendes oder nicht passendes Kategoriefeld im Backend ist. Das ist ein lösbares, technisches Problem, wird aber von Content-Arbeit überdeckt, weil Änderungen am Text nach Fortschritt aussehen und Filter-Audits nicht.

Die bessere Reihenfolge: Priorisieren Sie zuerst Ihre meistbesuchten Kategorien und prüfen Sie dort die Übereinstimmung von page_category und Filter. Erst danach sollten Sie den Rest des Katalogs angehen. Eine gezielte Korrektur über einige wenige Kategorien hinweg zeigt meist schnell das Muster, das Ihre Filter siteweit beeinträchtigt, und erspart Ihnen, dieselbe Fehlersuche Seite für Seite zu wiederholen.
Kombinieren Sie diese technische Korrektur mit einer Prüfung der Feed-Qualität. Denn selbst eine perfekt eingegrenzte Kategorieseite mit vagen Titeln und fehlenden GTINs liefert einem KI-Agenten kaum gute Empfehlungen. Beweisen Sie mit einer Simulation, dass die Korrektur funktioniert hat, bevor Sie sie breit ausrollen: Das ist der Unterschied zwischen der Hoffnung, dass eine Änderung geholfen hat, und dem Wissen, dass sie es tatsächlich getan hat.
— Xhurian
Wie Ecentic Ihnen hilft, die Anbindung von Kategorieseiten zu korrigieren und zu belegen
Wir haben unsere Plattform rund um die Lücke aufgebaut, auf die die meisten Teams nach Leitfäden wie diesem stoßen: Zu wissen, dass page_category und Filter übereinstimmen sollten, ist das eine. Zu bestätigen, dass dies im gesamten Katalog der Fall ist, etwas anderes. Wir simulieren, wie KI-Einkaufsagenten wie ChatGPT und Gemini Ihre Produktangebote bewerten, zeigen Ihnen, welche Produkte ein Agent auswählen würde und warum, und liefern verständliche Diagnosen mit priorisierten Korrekturvorschlägen.

- Wir führen einen kostenlosen Einführungsscan durch, der Einblicke in Ihre Produktangebote liefert.
- Mit unseren Diagnosen veröffentlichen Sie Korrekturen mit einem Klick auf Shopify und WooCommerce, damit eine Korrektur nicht im Backlog liegen bleibt.
- Wir verfolgen laufende KI-Auswahlraten mit kontinuierlichen erneuten Scans, damit Änderungen an Ihrem Katalog über die Zeit beobachtet werden können.
Starten Sie mit einem kostenlosen Scan um zu sehen, wie Ihre eigenen Kategorieseiten abschneiden, oder vergleichen Sie unsere Pläne Compete, Scale und Dominate wenn Sie direkt mit laufender Optimierung beginnen möchten. Für Teams, die UCP-Profile gegen reales Agentenverhalten validieren, ermöglicht unser UCP Playground ermöglicht Ihnen, die Konfiguration jedes beliebigen Shops direkt zu testen.
FAQ
Wie sammelt KI Ihre Daten?
KI-Einkaufsagenten erfassen Produktdaten aus den Feeds und strukturierten Daten, die Sie bereits veröffentlichen, etwa dem Microsoft Merchant Center Feed, der Copilot-Shopping-Empfehlungen unterstützt, zusammen mit Kategorie-Metadaten und Seitensignalen Ihrer Website. Es gibt keine separate „nur für KI“-Datenpipeline: Dieselben Feed- und Taxonomiefelder, die klassische Shopping-Anzeigen unterstützen, versorgen auch KI-Empfehlungssysteme.
Was ist die 30%-Regel für KI?
Wenn Sie den Begriff verwendet gesehen haben, lohnt es sich, den ursprünglichen Kontext direkt zu prüfen, statt ihn als allgemeinen Branchenstandard zu behandeln.
Welche KI-Shopping-Plattformen sollte man beobachten?
Statt einer festen Liste sollten Sie die großen KI-Einkaufsagenten beobachten, die Käufer tatsächlich zum Browsen und Kaufen verwenden, darunter ChatGPT, Gemini, Claude und Perplexity sowie handelsbezogene Oberflächen wie Microsoft Copilot Shopping. Jede Plattform interpretiert Produktfeeds und Kategoriesignale etwas anders. Deshalb ist es sinnvoller, Ihre eigenen Produktangebote gegen jede einzelne zu testen, statt sich auf ein allgemeines Ranking zu verlassen.
Welche Hauptkategorien von KI sind für Shopping relevant?
Im E-Commerce sind vor allem konversationelle Einkaufsagenten (wie ChatGPT oder Gemini), KI-gestützte Such- und Browse-Engines innerhalb von Commerce-Plattformen sowie Empfehlungs- oder Rankingmodelle relevant, die hinter Produktfeeds arbeiten. Für Händler ist weniger die akademische Kategorie der KI entscheidend als vielmehr, ob Kategorieseiten und Feed die konkreten technischen Anforderungen erfüllen, die diese Systeme prüfen – etwa die Übereinstimmung von Seitenkategorie und Filter, von der Browse-Anfragen abhängen.
Wie teste ich, ob meine Kategorieseiten korrekt für KI-Agenten eingerichtet sind?
Führen Sie einen API-Aufruf im Browse-Modus mit Ihren echten Kontextwerten aus und prüfen Sie, ob is_filter_applied und total_result eine korrekte Eingrenzung widerspiegeln. Vergleichen Sie das anschließend mit den Ergebnissen einer KI-Agenten-Simulation für dieselbe Kategorie. Stimmen beide nicht überein, liegt die Ursache meist bei einem Kategoriefeld oder einer Filtervariable, die zwischen Seitenkonfiguration und Request-Payload nicht übereinstimmt.