Warum manche Shopify-Produkte 2,4x besser aus der KI-Suche konvertieren

Die kurze Antwort

Immer mehr Käufer starten ihre Produktsuche nicht mehr bei Google, sondern bei ChatGPT, Perplexity oder in den KI-Antworten direkt in der Suche. In diesem Agentic-Commerce-Szenario entscheidet nicht mehr das Keyword, sondern ob ein KI-Agent die Eigenschaften deines Produkts maschinenlesbar findet. Auf Shopify hängt das an zwei Stellschrauben: der richtigen Kategorie-Tiefe in der Taxonomy und gefüllten Metafeldern. Wer seine Specs in strukturierte Felder schreibt statt in Fließtext, wird gefunden und empfohlen. Wer sie versteckt, wird geraten oder übersprungen. Shopifys eigene Daten zeigen, wie groß der Unterschied ist.

Vom Keyword zum Use Case

Jahrelang haben wir Kunden auf eine feste Navigation trainiert: Kategorie anklicken, filtern, durchblättern. Nicht weil das der natürliche Weg ist, sondern weil wir nichts Besseres anzubieten hatten. Menschen denken nicht in Kategorien, sie denken in Bedürfnissen. Niemand sucht „Herrenshorts, blau, Größe M“. Jemand sucht „bequeme Shorts mit weichem Bund und Taschen, aus denen beim Laufen nichts rausfällt“.

Genau da setzt der KI-Agent an. Er zerlegt diesen einen Satz in einzelne Anforderungen und sucht für jede parallel nach Produkten, deren Eigenschaften die Anforderung beantworten. Google nennt diesen ersten Schritt Query Fan-out: Aus einer Frage werden mehrere gleichzeitige Suchen, bevor überhaupt eine Antwort formuliert wird.

Für dich als Shopbetreiber heißt das: Die Einheit des Shoppings hat sich vom Suchbegriff zum Use Case verschoben. Und der Agent kann einen Use Case nur bedienen, wenn deine Produktdaten die passenden Antworten in einer Form liefern, die er lesen kann.

Das ist längst kein Nischenphänomen. Nach Shopifys eigener Q2-Auswertung haben sich Sessions und Bestellungen aus KI-Quellen im Jahresvergleich rund verdreifacht, und die Hälfte dieser Sessions landet direkt auf einer Produktseite statt auf der Startseite. Der Agent schickt den Käufer nicht zum Stöbern, sondern zum konkreten Produkt. Und dieser Käufer kauft eher: Wer über KI auf einer Produktseite ankommt, konvertiert laut Shopify rund 80 Prozent besser als über organische Suche.

Wie stark der Effekt an den Produkteigenschaften hängt, zeigt der Vergleich der Kategorien. Traffic aus KI-Suche konvertiert im Segment Apparel rund 1,6x besser als aus der klassischen organischen Suche. In den spec-lastigeren Unterkategorien zieht die Zahl deutlich an: Uhren rund 2,4x, Halsketten rund 2,3x. Je mehr konkrete Eigenschaften ein Produkt hat, desto besser bedient es die zerlegte Anfrage eines Agenten.

Warum Kategorie-Tiefe der Hebel ist

Der Unterschied zwischen 1,6x und 2,4x steckt nicht im Produkt selbst, sondern darin, wie tief es in der Taxonomy eingeordnet ist. Die Kategorie bestimmt, welche Attributfelder Shopify dir überhaupt anbietet. Und die Zahl dieser Felder ist die Fläche, auf der ein Agent deine Produkte mit einer Anfrage abgleichen kann.

Ein Beispiel. Ordnest du eine Uhr flach unter „Home > Apparel“ ein, bekommst du eine Handvoll generischer Felder: Farbe, Größe, Material, Zielgruppe. Ordnest du dieselbe Uhr korrekt unter „Home > Apparel > Accessories > Watches“ ein, öffnet Shopify ein ganzes Set kategoriespezifischer Attribute: Uhrwerk, Gehäusematerial, Glasmaterial und weitere, plus alles, was die Kategorie von den Elternebenen erbt. Eine Anfrage mit fünf Anforderungen trifft dort auf über ein Dutzend mögliche Antwortfelder.

Beim flach eingeordneten T-Shirt gibt es kein Feld für „weiche Baumwolle, die nicht klebt“. Der Agent muss die Eigenschaft aus der Beschreibung raten, und Raten verliert gegen ein sauber befülltes Feld. Diese Felder existieren nur in der Tiefe, in die du dein Produkt einordnest. Mappst du flach, existieren sie schlicht nicht.

Der härteste Beleg dafür kommt wieder aus Shopifys Daten: Käufer, die über strukturierte Katalogdaten zum Produkt kommen, konvertieren rund doppelt so gut wie solche, die über gescrapte oder Drittanbieter-Feeds gefunden wurden. Struktur schlägt Text. Wer das Prinzip einordnen will: Kategorie-Tiefe und Metafelder sind für KI-Agenten das, was Breadcrumbs mal für Collections und Produkte waren. Nicht neu im Konzept, aber neu in der Wirkung.

Der Fix in Shopify

Die gute Nachricht: Der Hebel ist kein Relaunch, sondern Fleißarbeit an der Produktseite. Drei Schritte.

Erstens, die richtige Kategorie zuweisen. Nicht die nächstbeste Oberkategorie, sondern den tiefstmöglichen passenden Knoten in der Shopify-Taxonomy. Das schaltet die spezifischen Attributfelder überhaupt erst frei.

Zweitens, die Metafelder füllen. Jedes Attribut, das ein Käufer als Anforderung formulieren könnte, gehört in ein Feld, nicht in einen Satz. Maße, Material, Kompatibilität, Anwendungsfall. Ein leeres Pflichtfeld kann ein Produkt komplett aus der Auswahl kippen, nicht nur ein paar Plätze nach hinten.

Drittens, die Beschreibung neu denken. Sie ist nicht der Ort für Specs, die in Felder gehören, sondern für das, was ein Feld nicht abbildet: Charakter. Ein oft zitiertes Beispiel aus der Shopify-Community ist eine Produktbeschreibung mit dem Hailey-Bieber-Zitat, man wolle Hautpflege, „so soft you want to take a bite out of it“. So etwas würde eine KI von sich aus nie schreiben, und genau deshalb wählten Agenten das Produkt häufiger. Konkret und menschlich schlägt generisch und keyword-gestopft. Woher die Daten für all das kommen, ist eine eigene Frage: In der Praxis speist du Metafelder sauber aus PIM oder ERP, statt sie manuell zu pflegen.

B2B: spec-dicht, aber oft versteckt

Wenn Kategorie-Tiefe der Hebel ist, dann ist B2B der Fall, bei dem er am stärksten wirkt. Was Shopify für den B2B-Handel grundsätzlich leistet, haben wir im Überblick zu Shopify für B2B zusammengefasst. B2B-Produkte sind von Natur aus spec-dicht. Maße, Toleranzen, Werkstoffe, Normen, Zertifikate, Kompatibilität zu anderen Teilen. Das ist der Uhren-Fall, nicht der T-Shirt-Fall. Genau diese Attribute sind es, die ein Einkäufer als Anforderung an einen Agenten formuliert, und je mehr davon in Feldern stehen, desto eher landet dein Produkt in der Antwort.

Nur gibt es im B2B zwei Herausforderungen, die im B2C kein Problem darstellen.

Die erste ist der versteckte Katalog. Viele B2B-Shops zeigen Produkte, Preise oder das ganze Sortiment erst nach Login, nach Kundengruppen-Freigabe oder gar nicht öffentlich. Was hinter dem Login liegt, sieht ein Agent nicht. Nichts zählt, was nicht öffentlich sichtbar ist. Die Aufgabe ist deshalb, sauber zu trennen: Was muss öffentlich und spec-reich auffindbar sein, damit du überhaupt in die Auswahl kommst, und was bleibt zu Recht gated. Häufig lässt sich die Produktebene mit Datenblatt-Attributen öffnen, während Preise, Konditionen und Bestellung hinter dem Login bleiben. Wie du kundenspezifische Preise und Freigaben in Shopify sauber abbildest, ohne die Sichtbarkeit zu opfern, ist ein Thema für sich (dazu mehr in unserem Beitrag zu Staffelpreisen und B2B-Preisen).

Die zweite Herausforderung ist die Taxonomie. Shopifys Taxonomy ist auf Consumer-Sortimente ausgelegt. Ein technisches B2B-Sortiment passt selten sauber hinein. Die Lösung sind eigene Metafelder für die Attribute, die die Standard-Taxonomy nicht kennt, damit die spec-dichten Eigenschaften trotzdem in strukturierten Feldern landen. Auch hier gilt: Die Attributdaten kommen idealerweise aus dem führenden System (PIM/ERP) und werden nach Shopify gespiegelt, nicht doppelt gepflegt.

Für einen spec-dichten Katalog wie den eines Schmuckhändlers sieht die Umsetzung konkret so aus: jedes Stück tief einordnen, Material, Länge, Steinart und Anlass als Felder pflegen, und die Beschreibung für Charakter nutzen statt für Specs. Ein konfigurierbares Produkt wie individuell zusammengestelltes Hundefutter zeigt dieselbe Logik von der Bedarfsseite: Der Kunde sucht „Futter für meinen allergischen Senior-Hund“, nicht eine Artikelnummer, und findet nur, wessen Eigenschaften diesen Bedarf in Feldern beantworten.

Checkliste: Shopify für die KI-Suche vorbereiten

Fazit

KI-Sichtbarkeit ist kein Zufall und kein Buzzword, sondern eine Frage der Datenstruktur. Der Agent kauft nach Eigenschaften, und Eigenschaften wirken nur, wenn sie in Feldern stehen, die er lesen kann. Für Shopify-Händler ist der Weg dahin unspektakulär: richtig einordnen, Metafelder füllen, Specs aus dem Fließtext in Felder holen. Für B2B kommt die Katalog- und Taxonomie-Frage dazu, und genau da wird aus einer Fleißaufgabe ein Wettbewerbsvorteil, weil die wenigsten es sauber machen.

Wir kommen von der Händlerseite und denken Technologie vom Umsatz, nicht vom Feature. Wenn du wissen willst, wie auffindbar dein Shopify-Katalog für KI-Agenten heute ist: Wir schauen uns deine Kategorien und Metafelder an, zeigen dir, wo Umsatz liegen bleibt, und setzen die Korrektur mit um. Nicht als Konzept zum Selberbauen, sondern bis in den Shop. Wie wir mit Shopify arbeiten, von der Strategie bis in die Umsetzung, siehst du auf unserer Leistungsseite.

Häufige Fragen

Was ist Agentic Commerce?

Einkaufen, bei dem ein KI-Agent (etwa ChatGPT, Perplexity oder eine KI-Antwort in der Suche) für den Nutzer recherchiert, Produkte vergleicht und empfiehlt. Der Agent zerlegt einen Bedarf in Anforderungen und gleicht sie mit Produktdaten ab.

Wie finden KI-Agenten meine Shopify-Produkte?

Über strukturierte Produktdaten. Der Agent liest maschinenlesbare Felder wie Kategorie-Attribute und Metafelder und gleicht sie mit den Anforderungen der Anfrage ab. Laut Shopify konvertieren Käufer über strukturierte Katalogdaten rund doppelt so gut wie über gescrapte Feeds.

Metafelder oder Beschreibung: was ist wichtiger?

Beides, aber für Unterschiedliches. Specs gehören in Metafelder, weil der Agent dort verlässlich matcht. Die Beschreibung trägt den Charakter, den ein Feld nicht abbildet.

Was ist mit Produkten hinter dem Login (B2B)?

Was nicht öffentlich sichtbar ist, sieht ein Agent nicht. Für KI-Auffindbarkeit muss die Produktebene öffentlich und spec-reich sein. Preise, Konditionen und Bestellung können hinter dem Login bleiben.

Ist das dasselbe wie SEO oder GEO?

Es überschneidet sich. Saubere, strukturierte Produktdaten helfen klassischem SEO, der Generative Engine Optimization (GEO) und der KI-Suche gleichzeitig. Der Unterschied liegt im Fokus: Hier geht es um die Datenstruktur deiner Produkte, nicht um Content-Marketing.