
Ob Menschen googeln, zu Amazon gehen oder einen Chatbot fragen: KI liefert ihnen heute eine Antwort mit einem Produkt darin, und die meisten E-Commerce-Marken haben keine Ahnung, wie sie genau dieses Produkt werden. Produktdatenqualität für KI heißt, dass Ihre Titel, Spezifikationen, Kennungen, Preise und der Lagerstatus vollständig sind, an allen Stellen konsistent bleiben und von Software gelesen werden können. Wenn Sie das in Ordnung bringen, kann ein Agent Ihr Produkt mit dem eines Wettbewerbers vergleichen und Ihres auswählen.
Das Lustigste daran ist für mich, wie lange wir alle Startseiten poliert haben. Der Agent sieht Ihre nie. Er liest den Produkt-Feed, den Katalog und die strukturierten Daten auf den Produktseiten und zieht weiter, wenn etwas fehlt. Ihr Hero-Banner ist wunderschön, und niemand beachtet es.
TL;DR
- KI-Agenten vergleichen Produkte anhand von Feed-Feldern, Katalogdaten und strukturierten Daten auf Produktseiten, nicht anhand Ihrer Startseite oder Markengeschichte.
- Fehlende, inkonsistente oder veraltete Felder (Spezifikationen, Kennungen, Preis, Verfügbarkeit) sind die häufigsten Gründe, warum ein Agent ein Produkt überspringt.
- Feed und Seiten-Markup müssen dasselbe aussagen. Google verwendet beides und gleicht eines mit dem anderen ab.
- Prüfen Sie zuerst die Abweichungen, die dazu führen würden, dass ein Käufer falsch entscheidet: Identität, Eignung, Angebot, Zielseite.
- Fangen Sie klein an: Ein kostenloser Scan von ecentic deckt Ihre Top-10-Produkte ab und zeigt, welcher Wettbewerber Sie schlägt und warum.
Was Produktdatenqualität bedeutet, wenn ein Agent einkauft
Für einen Menschen ist eine Produktseite eine Geschichte mit Fotos. Für einen Agenten ist sie ein Datensatz. Der Agent stellt eine einfache Frage: Sagt mir dieser Datensatz, was das Produkt ist, ob es zur Anfrage passt, was es kostet, ob es auf Lager ist und wo man es kaufen kann?
Ein Beitrag von 2026 über KI-gestützte Produktsuche macht einen sorgfältigen Hinweis: Vollständige Produktdaten können die Wahrscheinlichkeit erhöhen, dass ein KI-gestütztes System ein Produkt bewertet und ausspielt, sie beweisen aber nicht, dass sich ein weniger bekanntes Produkt gegen eine größere Marke durchsetzt. Ich halte diese Einordnung für richtig. Saubere Daten sind die Eintrittskarte. Sie sind keine Garantie.
LogicBrokers Jager Robinson ergänzt in einem Beitrag von 2026 über Produktdatenqualität: Bei der KI-gesteuerten Produktsuche gewinnen oft nicht die Anbieter mit den größten Marketingbudgets, sondern diejenigen, deren Daten sauber, strukturiert und konsistent genug sind, damit Modelle sie lesen und ihnen vertrauen können. Die meisten Kataloge wurden darauf ausgelegt, Produkte schnell live zu bringen, während Vollständigkeit eher ein Bonus war. Dieser Kompromiss war früher günstig. Heute ist er es nicht mehr.
Die vier Dinge, die ein Agent prüft
Am einfachsten lässt sich das aus meiner Sicht auf vier Fragen herunterbrechen, die dem Audit-Framework aus dem Bericht zur KI-Shopping-Bereitschaft:
- Identität. Um welches konkrete Produkt und welche Variante handelt es sich? Das beantworten Identifikatoren und das Hauptbild.
- Eignung. Passt es zu dem, wonach der Käufer gesucht hat? Attribute, Kompatibilität und unterstützende Nachweise beantworten das.
- Angebot. Wie hoch ist der Preis, in welcher Währung, ist das Produkt verfügbar und zu welchen Bedingungen?
- Zielseite. Führt der Link zur richtigen Produktseite mit funktionierendem Kaufpfad?
Wenn eines dieser vier Elemente falsch ist, rät der Agent entweder oder springt ab. Raten ist für Sie schlimmer, denn ein falscher Preis oder eine falsche Größe beim Käufer führt zu einer Rücksendung oder einem verlorenen Auftrag.
Warum Lücken dazu führen, dass Agenten Sie überspringen
LogicBroker beschreibt diese Fehler als vorhersehbar, sobald skaliert wird: Spezifikationen sind unvollständig, Beschreibungen mit Keywords überladen, Attribute über SKUs hinweg uneinheitlich gepflegt und dasselbe Produkt trägt in verschiedenen Kanälen unterschiedliche Namen. Die nüchterne Zusammenfassung lautet: Ein Modell gleicht Lücken nicht aus, sondern geht weiter.
Google formuliert Ähnliches mit eigenen Worten. Die von Google veröffentlichte Produktdatenspezifikation für Merchant Center weist darauf hin, dass fehlerhafte, ungenaue oder fehlende Produktinformationen zu Ablehnungen, eingeschränkter Berechtigung oder falschen Darstellungen führen können und dass korrekte, richtig formatierte Daten für Anzeigen und kostenlose Einträge in KI-gestützten Formaten entscheidend sind.
Daneben gibt es ein weniger offensichtliches Problem: Daten, die ein Mensch erreichen kann, ein Agent aber nicht. Core dna beschrieb einen Test auf einer Clark-Rubber-Website, bei dem Produktinformationen abrufbar waren, während Lagerbestände auf Filialebene hinter einer Interaktion verborgen lagen, die der Abrufpfad nie offengelegt hat. Ein Mensch klickt auf die Filialauswahl und sieht den Bestand. Der Agent klickt nie irgendwo hin. Verständlich, es ist schließlich ein Roboter, aber er entscheidet trotzdem darüber, wer den Verkauf bekommt.
Was wir in unseren eigenen Simulationen sehen
Das sind Zahlen von ecentic aus unseren eigenen Durchläufen, also lesen Sie sie bitte auch so. Bis Oktober 2026 hatten wir 36.797 simulierte Käufe durchgeführt. Im selben Katalog wählte ChatGPT das Produkt etwa dreimal so häufig wie Claude oder Gemini, nämlich 51,6 % gegenüber rund 18,5 %. „Die KI“ ist also kein einzelner Käufer. Jedes Modell gewichtet Ihre Daten anders, und ein Datensatz, der bei einem Modell gewinnt, kann bei einem anderen verlieren.

In einem anonymen Audit hatte ein Spirituosenmarktplatz mit etwa 70 Millionen € Jahresumsatz bei 88 % seiner 9.699 Produkte einen Fehler in den Daten, die Agenten lesen. Als Agenten gefragt wurden, wo man zwei dort vorrätige Flaschen kaufen könne, erschien der Marktplatz in 20 Versuchen 0-mal. Niemand hatte es bemerkt, weil die Website großartig aussah.
Ein weiteres Audit bei einer schwedischen Hautpflegemarke zeigte, dass Agenten-Checkouts in 0 von 6 Ländern bis zur Zahlung gelangten, weil eine Versandoption nach einer Telefonnummer fragte. Ein Agent, der einen Warenkorb füllt, kennt die Telefonnummer Ihres Kunden nicht. Es war eine winzige Einstellung, und sie blockierte jede Bestellung.
Welche Spezifikationen und Attribute Sie angeben sollten
Beginnen Sie mit dem, was die Plattformen selbst verlangen. Die von OpenAI veröffentlichte Produktspezifikation für Feeds fordert item_id, title, description, url, brand, seller_name, image_url, availability und price. Als optionale Felder werden condition, product_category, material, color, size, gender, age_group, dimensions und weight aufgeführt. Optional ist hier das höfliche Wort. Wenn zwei Produkte konkurrieren, lässt sich das Produkt mit ausgefüllten Material- und Maßangaben leichter einer konkreten Anfrage zuordnen.
Xorosoft macht den praktischen Punkt in seinem Leitfaden für Daten von KI-Einkaufsagenten: Faktische Vollständigkeit ist wichtiger als Werbesprache, und strukturierte Attribute erleichtern Vergleiche, weil Software Details nicht erst aus Fließtext ableiten muss. Das Beispiel dort: Ein Käufer sucht einen Schreibtisch aus Walnussholz mit weniger als 50 Zoll Breite. Diese Zuordnung ist deutlich zuverlässiger, wenn Material und Breite eigene Felder sind und nicht nur Adjektive in einem Absatz.
Photoroom schlägt eine siebenstufige Struktur für Produktangebote vor, die ich für eine praktische Checkliste halte:
| Ebene | Was hineingehört |
|---|---|
| Titel | Produkttyp, Marke, Modell, Material, Farbe, Größe, Kapazität |
| Strukturierte Attribute | Farbe, Größe, Material, Geschlecht, Zustand, Kompatibilität, Maße |
| Beschreibung | Konstruktion, Leistung, Lieferumfang, Verwendungszweck, Pflege |
| Identifikatoren | GTIN, MPN, SKU, Artikelgruppen-ID |
| Angebotsdaten | Preis, Währung, Verfügbarkeit, Zustand, Lieferung, Retouren |
| Bilder | Hauptbild, alternative Perspektiven, Details, Lifestyle |
| Konsistenz zwischen Seite und Feed | Übereinstimmender Preis, Bestand, Titel, Variante, Bild und URL |
Auffällig ist, was fehlt: Slogans. Ein Titel wie „Die einzige Tasse, die Sie jemals brauchen werden“ sagt einem Agenten nichts. „Kaffeebecher aus Steingut, 12 oz, matt schwarz, spülmaschinenfest“ liefert alles, was sich vergleichen lässt. Wenn Sie tiefer in Titel und Beschreibungen einsteigen möchten, behandelt unser Leitfaden zur Optimierung von Produktangeboten behandelt die Überarbeitung von Texten.
Feed und Seiten-Markup müssen übereinstimmen
Die meisten Shops pflegen zwei Versionen der Wahrheit: den Produktfeed und die strukturierten Daten (JSON-LD, ein maschinenlesbarer Block) auf der Produktseite. Sie driften schneller auseinander, als irgendjemand zugibt.
In der Dokumentation von Google Search Central heißt es, dass die Bereitstellung sowohl strukturierter Daten als auch eines Merchant-Center-Feeds die Berechtigung maximiert und Google bei der Datenprüfung unterstützt. Manche Darstellungen kombinieren beide Quellen, sodass Produktausschnitte Preise aus dem Feed übernehmen können, wenn sie im Seiten-Markup fehlen. Die eigene Hilfeseite von Merchant Center ergänzt Regeln, über die viele stolpern: Markup muss im vom Server ausgelieferten HTML enthalten sein und darf nicht per JavaScript generiert werden, es muss dem entsprechen, was Nutzer sehen, Seiten benötigen ein Product-Objekt mit verschachteltem Offer-Objekt und Preise verwenden einen Punkt als Dezimaltrennzeichen.
Der Blog des Universal Commerce Protocol nennt die minimalen Product-Schema-Eigenschaften für Handel mit KI-Agenten: name, description, sku oder gtin13, brand, image, offers mit price und availability sowie aggregateRating. Empfohlen werden zusätzlich weight, height, width, depth, color, size, category und additionalProperty für produktspezifische Attribute. Wenn Sie mit dem Markup selbst noch nicht vertraut sind, hilft eine einfache Erklärung dazu, wie Schema-Markup funktioniert weiter, und eine Schritt-für-Schritt-Anleitung zum Hinzufügen von Produkt-Schema-Markup enthält ein direkt nutzbares Beispiel.
| Produktfeed | Strukturierte Daten der Seite | |
|---|---|---|
| Wo es liegt | In einen Kanal wie Merchant Center hochgeladen | Im HTML jeder Produktseite |
| Besonders geeignet für | Preis, Bestand und Identität im großen Maßstab aktuell halten | Systemen ermöglichen zu prüfen, ob die Seite mit dem Feed übereinstimmt |
| Typischer Fehler | Veralteter Preis oder Bestand | Fehlendes Offer, nur per JavaScript erzeugtes Markup |
| Wer es meist verantwortet | Growth- oder Channel-Team | Entwickler oder Theme |
BBQ Growth Lab beschreibt das treffend als vier Ebenen: Quelldaten (PIM, ERP, Bestand, Preise), ein normalisiertes Produktmodell, Kanalausgaben (Seiten-HTML, JSON-LD, Feeds) und eine Feedback-Ebene mit Statusmeldungen, Warnungen und Ablehnungen. Die Regel dort lautet, dass kein Plattform-Feed stillschweigend die Quelldaten überschreiben sollte. Das halte ich für richtig, und genau diese Regel brechen die meisten kleineren Shops beim ersten Mal, wenn jemand einen Titel direkt im Vertriebskanal bearbeitet.
Ein wichtiger Hinweis: Strukturierte Daten garantieren keine Empfehlung. Core dna formuliert es fair und sagt, dass sie KI-Systemen bessere kommerzielle Informationen liefern, während Auffindbarkeit weiterhin von Relevanz, Kontext und anderen Signalen abhängt. Außerdem ist eine API nicht automatisch für einen Agenten erreichbar, wenn es keinen unterstützten Weg gibt, sie zu nutzen.
Unsere Sicht auf Markup finden Sie in der Checkliste für strukturierte Daten auf Produktseiten und im Beitrag über simulationsgestütztes Produktschema.
So prüfen Sie Ihren Katalog
Sie müssen nicht am ersten Tag 10.000 Produkte korrigieren. Beginnen Sie mit den Produkten, bei denen eine Abweichung dazu führen würde, dass Käufer die falsche Wahl treffen. Das ist die Priorität, die First Brand in seinem Bereitschafts-Auditvorschlägt, und es ist ein sinnvoller Filter.
- Exportieren Sie Ihren Feed und wählen Sie Ihre 20 meistverkauften Produkte aus. Kleine Stichproben zeigen Muster schnell.
- Prüfen Sie bei jedem Produkt die Identität: Hat jede Variante ihren eigenen Identifikator, und ist der Titel auf Ihrer Website, im Feed und auf Marktplätzen identisch?
- Prüfen Sie die Eignung: Sind Material, Größe, Maße, Kompatibilität und Verwendungszweck als Felder gepflegt oder nur im Fließtext versteckt?
- Prüfen Sie das Angebot: Vergleichen Sie Preis, Währung und Verfügbarkeit im Feed mit den Angaben auf der Live-Seite und im JSON-LD.
- Prüfen Sie das Ziel: Klicken Sie auf die Feed-URL. Sie sollte zur richtigen Variante führen und einen Kaufpfad bieten, der weder Login noch Telefonnummer verlangt.
- Fragen Sie einige Chatbots nach Ihrem Produkt, so wie es ein Käufer tun würde, und notieren Sie, wer statt Ihnen genannt wird.
Bei Schritt 6 geraten die meisten Teams ins Stocken, weil er manuell langsam ist und sich die Antworten je nach Modell ändern. Deshalb haben wir die Simulationsseite von ecentic entwickelt. Mehr dazu weiter unten.
So messen Sie, ob Ihre Daten gut genug sind
Es gibt keinen einheitlichen Branchenwert, deshalb würde ich eine einfache Scorecard führen und sie monatlich verfolgen. Vier Kennzahlen decken das ab:
- Vollständigkeit: der Anteil der Produkte, bei denen alle erforderlichen und empfohlenen Felder ausgefüllt sind.
- Konsistenz: der Anteil der Produkte, bei denen Titel, Preis und Verfügbarkeit in Feed, Seite und Marktplätzen übereinstimmen.
- Genauigkeit: eine Stichprobenprüfung anhand des realen Produkts, der Verpackung und des Lieferantenblatts.
- Aktualität: wie viel Zeit zwischen einer Preis- oder Bestandsänderung in Ihrem System und derselben Änderung im Feed vergeht.
Die vorhandenen Tools helfen bereits weiter. Merchant Center zeigt Warnungen und Ablehnungen auf Artikelebene an, was eine kostenlose Konsistenzprüfung anhand der Google-Regeln darstellt. Wichtig ist auch, wer wofür verantwortlich ist. Nach Ansicht von BBQ Growth Lab definiert das Produktteam die Faktenbasis, die kommerziellen Systeme verantworten Preis- und Bestandsdaten, das Engineering die Verteilung und das Growth-Team Plattform-Mapping und Qualitätskontrollen. Gesteuert werden muss, ob Preis, Bestand, Identifikatoren, Varianten und Bilder überall korrekt dargestellt sind, nicht wer die Datei hochlädt.
Für eine längere Umsetzung zeigen unser 30- bis 90-Tage-Plan für die Optimierung von KI-Produktseiten und der Beitrag darüber, welche Datenquellen KI-Shopping verwendet die Reihenfolge auf.
Unsere Sicht darauf, wohin sich das entwickelt
Wir glauben, dass Produktdaten zum Schaufenster werden. Wenn jemand einen Agenten bittet, ein Geschenk zu finden, zwei Mixer zu vergleichen oder Kaffee nachzubestellen, liest der Agent Datensätze. Er durchsucht keine Seiten, lässt sich nicht von Bannern beeindrucken und verzeiht keine fehlende Größenangabe.
Deshalb arbeitet ecentic direkt am Shop selbst: am Produktfeed, am Katalog und am Checkout, den ein Agent für den Kauf nutzt. Wir verbinden uns mit Shopify, WooCommerce oder einem Produktfeed. Wir lassen ChatGPT, Claude und Gemini jedes Ihrer Produkte mit dem eines benannten Wettbewerbers vergleichen und zeigen in einfachem Englisch, warum Ihres verliert. Wenn Sie auf Apply klicken, überarbeiten wir Titel, Beschreibung und strukturierte Daten und veröffentlichen sie in Ihrem Shop.
Der Checkout ist wichtig. In den USA können Käufer in Google AI Mode und Gemini bereits direkt innerhalb der KI-Antwort über UCP einkaufen – den offenen Standard von Google für den Checkout durch Agenten. Auf WooCommerce können Agenten mit dem kostenlosen ecentic-Plugin über UCP suchen, einen Warenkorb füllen und den Kauf abschließen. Auf Shopify übertragen wir Korrekturen in Google Merchant Center und erfassen Besuche von KI-Assistenten. ChatGPT verlinkt auf den eigenen Checkout des Shops; dort müssen die Produktseite und der Checkout daher weiterhin für Agenten funktionieren. OpenAI hat ACP, Google hat UCP, Amazon hat eine Mauer.
Unser erster Pilotkunde, DUA Flavours, verzeichnete von April bis Juli 2026 einen Anstieg der Besuche durch KI-Assistenten und des Direkttraffics um 12 %. Das ist eine Besuchszahl, keine Verkaufszahl, und das möchte ich klar sagen. Wir stehen noch am Anfang und führen Pilotprojekte durch.
Xhurian Shaba
Mit einem kostenlosen Scan starten
Wenn Sie die Lücken lieber sehen als darüber lesen möchten, deckt der kostenlose ecentic-Scan Ihre 10 wichtigsten Produkte ab, benötigt keine Kreditkarte und zeigt, welchen benannten Wettbewerber jedes KI-Modell bevorzugt und warum. Sie können außerdem das kostenlose WebMCP-Audit des Kaufablaufs für Ihren Shop ausführen und nachlesen, wie es funktioniert bevor Sie irgendetwas verbinden.

Wenn Sie die Korrekturen veröffentlichen möchten, kostet der Compete-Plan $14.90 pro Monat für bis zu 100 Produkte. Scale kostet $44.90 pro Monat für bis zu 1.000 Produkte und ergänzt Korrekturen per Klick. Dominate kostet $149 pro Monat und ergänzt die Synchronisierung mit Google Merchant Center sowie die Einrichtung von Agenten-Checkout. Zusätzlich gibt es eine nutzungsabhängige Option mit 3 % der KI-attribuierten Bestellungen, gedeckelt auf $500 pro Monat. Die aktuellen Bedingungen finden Sie auf der Preisseite, und größere Kataloge können sich Enterprise.
FAQ
Was bedeutet Produktdatenqualität für KI?
Sie beschreibt, wie vollständig, konsistent, korrekt und aktuell Ihre Produktdatensätze sind und ob Software sie lesen kann. Agenten vergleichen Produkte anhand von Feldern wie Titel, Attributen, Identifikatoren, Preis und Verfügbarkeit. Ein Datensatz mit Lücken wird leicht übersprungen, daher lässt sich das Produkt mit dem vollständigeren Datensatz meist einfacher empfehlen.
Welche Produktspezifikationen sind für KI-Einkaufsagenten am wichtigsten?
Beginnen Sie mit den Feldern, die Plattformen verlangen: Titel, Beschreibung, Marke, Bild, Preis und Verfügbarkeit sowie Identifikatoren wie GTIN oder SKU. Feed-Spezifikation von OpenAI führt außerdem material, color, size, dimensions und weight als optionale Felder auf. Füllen Sie diese als separate Felder aus und nicht nur innerhalb der Beschreibung.
Brauche ich sowohl einen Produktfeed als auch strukturierte Daten?
Ja, denn sie erfüllen unterschiedliche Aufgaben. Laut der Dokumentation von Google schafft die Bereitstellung beider die bestmöglichen Voraussetzungen für die Berücksichtigung Ihrer Produkte und ermöglicht den Abgleich der beiden Datenquellen. Halten Sie Preis, Verfügbarkeit, Titel und Variante in beiden identisch und belassen Sie das Markup im HTML, das der Server zurückgibt.
Garantieren saubere Daten, dass KI mein Produkt empfiehlt?
Nein. Saubere Daten machen Ihr Produkt lesbar und vergleichbar, aber Relevanz, Kontext und andere Signale spielen weiterhin eine Rolle. Sie beseitigen jedoch vermeidbare Gründe, übersprungen zu werden, und diese sind oft am günstigsten zu beheben.
Quellen
- AI Shopping Discovery: Warum Produktdaten wichtig sind
- Warum KI Ihre Produkte nicht finden kann: Produktdatenqualität
- KI-Shopping-Bereitschaft: Produktdaten für Empfehlungen
- Produktdatenspezifikation, Google Merchant Center-Hilfe
- Optimierung von Produktfeeds für KI-Shopping und KI-Suche
- OpenAI-Produktspezifikation für Feeds
- Produktdaten für KI-Shopping: So bereiten Sie sich auf Shopping-Agenten vor
- So strukturieren Sie Produktangebote für KI-Shopping-Agenten
- Einführung in strukturierte Produktdaten bei Google
- Strukturierte Daten für Merchant Center einrichten
- Strukturierte Daten für KI-Agenten: schema.org, JSON-LD und UCP
- Strukturierte Produktdaten vs. Feeds
- Schema-Markup erklärt
Diese Themen entdecken