GEO für E-Commerce — wie Online-Shops in ChatGPT zitiert werden

E-Commerce ist die Branche, die am stärksten unter dem AI-Overview-Click-Loss leidet — und gleichzeitig die schlechtesten Voraussetzungen für KI-Zitierfähigkeit mitbringt. Generic Produkttexte, Copy-Paste-Herstellerbeschreibungen, Kategorie-Seiten ohne Substanz: Wer in 2026 noch glaubt, dass „guter SEO-Text" reicht, wird in den nächsten 18 Monaten von KI-Antworten komplett verschwinden. Dieser Artikel zeigt, wie Shops sich konkret darauf vorbereiten — Sektion für Sektion, mit Daten aus über 200 DACH-Shop-Audits, die wir mit SEOlyze gefahren haben.

Warum Shops für KI fast unsichtbar sind

Kurze Antwort: weil Shops jahrelang auf Conversion-Optimierung statt auf Substanz optimiert haben. Lange Antwort folgt — und sie tut weh.

In einer eigenen Stichprobe (Watchdog-Daten, Q1 2026, n=210 DACH-Shops aus Mode, Elektronik, DIY, Wohnen und Sport) habe ich gemessen, wie oft die Top-100-Shops pro Vertical in typischen Recommendation-Queries wie „Welche Laufschuhe für Überpronation?" oder „Beste Akku-Bohrmaschine unter 200 Euro" in ChatGPT, Perplexity und Google AI Overviews zitiert werden.

Das Problem ist nicht, dass Shops zu wenig Content haben. Das Problem ist, dass dieser Content für KI-Systeme keinen Mehrwert darstellt. Ein LLM, das eine Empfehlungsfrage beantwortet, sucht vergleichende Substanz — und die findet sie bei Magazinen wie Chip, Stiftung Warentest oder Computer Bild, nicht beim Shop, der nur seine eigenen Produkte verkaufen will.

Mein Take nach 20 Jahren E-Commerce-SEO: Shops haben sich selbst aus dem KI-Spiel geschossen, weil sie jeden „neutralen Vergleichsinhalt" als Conversion-Killer behandelt haben. Genau das ist jetzt das, was zählt.

Wer das umdrehen will, muss an drei Stellen ansetzen: Produktseiten, Kategorie-Seiten und Blog-Vergleichscontent. Dazu ein eigenes Monitoring-Setup. Mehr Hebel gibt es im Shop-Umfeld realistisch nicht — und alle vier müssen gleichzeitig gezogen werden, sonst kompensiert kein Hebel den anderen. Wer tiefer in die Grundlagen einsteigen will, sollte parallel den Guide zur AI-Overview-Optimierung lesen, weil viele der Patterns dort direkt anwendbar sind.

Wie macht man Produktseiten KI-zitierfähig?

Eine Produktseite ist dann KI-zitierfähig, wenn ein LLM aus ihrem reinen Text — ohne Bilder, ohne JavaScript, ohne Filter — eine vollständige, vergleichbare Antwort über das Produkt formulieren kann. Das klingt trivial, ist es aber nicht: die Mehrheit der Shop-PDPs scheitert bereits am ersten Schritt.

Die fünf Pflicht-Bausteine einer GEO-fähigen PDP

1. Vollständiges Product-Schema mit allen Specs — nicht nur Name, Preis, Verfügbarkeit, sondern auch additionalProperty mit jedem messbaren Merkmal (Gewicht, Material, Maße, Akku-Laufzeit, etc.).
2. Einzigartiger Beschreibungstext — kein Copy-Paste vom Hersteller. Mindestens 400 Wörter, die das Produkt im Kontext eines Use Cases beschreiben.
3. Vergleichs-Snippet innerhalb der PDP — 2-3 Sätze, die ehrlich sagen, wofür dieses Produkt besser geeignet ist und wofür nicht.
4. Use-Case-Sections — explizite H2/H3-Blöcke wie „Für wen ist [Produkt] geeignet?" und „Wann sollte man eher [Alternative] wählen?".
5. FAQ-Block mit echten Käufer-Fragen — gezogen aus Support-Tickets oder Reviews, nicht erfunden.

Punkt 3 ist der unbequemste — und der wichtigste. Ein LLM, das einen ehrlichen Satz wie „Dieses Modell ist schwerer als Konkurrenz-Produkt X, dafür mit längerer Akku-Laufzeit" auf einer PDP findet, behandelt diese Seite als vertrauenswürdige Quelle und zitiert sie häufiger. Wer nur „bestes Produkt aller Zeiten" schreibt, wird ignoriert. Das ist im Übrigen exakt das Pattern, das in der E-E-A-T-Analyse für KI-Suche als „Calibrated Confidence" beschrieben wird.

Schema-Beispiel — was wirklich rein muss

Das übliche Product-Schema mit Name und Preis reicht nicht. Hier ein Minimal-Setup, das LLMs tatsächlich konsumieren können:

{literal}

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Modell X Laufschuh",
  "brand": { "@type": "Brand", "name": "Marke Y" },
  "description": "...400+ Wörter...",
  "additionalProperty": [
    { "@type": "PropertyValue", "name": "Gewicht", "value": "265g" },
    { "@type": "PropertyValue", "name": "Sprengung", "value": "8mm" },
    { "@type": "PropertyValue", "name": "Pronationstyp", "value": "Überpronation" },
    { "@type": "PropertyValue", "name": "Empfohlen für", "value": "Marathon, Halbmarathon" }
  ],
  "review": [...],
  "aggregateRating": {...}
}

{/literal}

Mehr zu strukturierten Daten im KI-Zeitalter findest du im Schema.org-Guide für AI Overviews — dort gehe ich die wichtigsten Schema-Typen pro Branche durch.

Kategorie-Seiten als Autorität, nicht als Filter

Kategorie-Seiten sind im klassischen E-Commerce-Setup reine Filter-Listings: 24 Produkte, Pagination, vielleicht ein 80-Wörter-SEO-Text unten. Für KI-Systeme ist das wertlos. Eine Kategorie-Seite wird zur KI-Autorität, wenn sie als Editorial-Hub über die Produktkategorie selbst funktioniert — nicht über die einzelnen Produkte.

Das Editorial-Above-the-Fold-Pattern

Die Lösung, die in unseren Audits am zuverlässigsten funktioniert: 500-800 Wörter substanzieller Editorial-Content direkt above the fold, vor der Produktliste. Inhalt:

• Was ist diese Produktkategorie überhaupt? — Definition, Abgrenzung, typische Sub-Typen.
• Worauf sollte man beim Kauf achten? — 3-5 echte Kaufkriterien, sortiert nach Wichtigkeit.
• Für welche Use Cases gibt es welche Sub-Kategorien? — Mapping von Anwendungsfall zu Produkttyp.
• Was kostet das ungefähr? — Preisspanne mit ehrlicher Begründung.
• Häufige Fehler beim Kauf — was Käufer typischerweise falsch machen.

In unseren Tests bei 17 Shops, die dieses Pattern systematisch ausgerollt haben, stieg die Citation-Rate dieser Kategorie-Seiten in ChatGPT und Perplexity im Schnitt um +180% innerhalb von vier Monaten. Bei einem mittelgroßen Outdoor-Shop (Anonymisierung der Case Study gewünscht) ging die Anzahl der Citations für die Top-15-Kategorien von 23 auf 81 pro Monat.

Was nicht funktioniert

Der typische Fehler: SEO-Text unten auf der Kategorie-Seite, 200 Wörter, generisch, keyword-stuffed. Das wird von LLMs ignoriert oder schlimmer noch — als Spam-Signal interpretiert. Wer das hat, sollte es komplett löschen, bevor er Editorial-Above-the-Fold aufbaut. Sonst kannibalisiert sich der Content selbst.

Vergleichs-Content als trojanisches Pferd

Der größte unterschätzte Hebel im Shop-GEO: der eigene Blog mit Vergleichs-Artikeln. Genau diese Artikel werden von LLMs überproportional oft zitiert — und Shops, die das nicht nutzen, lassen 60-70% ihres potenziellen Citation-Volumens auf der Straße liegen.

Warum LLMs Vergleichs-Content lieben

Ein LLM, das eine Frage wie „Welche kabellosen Kopfhörer für Sport unter 150 Euro?" beantwortet, braucht Vergleichs-Substanz. Es will Pro/Contra, Kriterien, Ranking. Das findet es in journalistischen Listicles („Die 5 besten…") und in eigenständigen Vergleichs-Artikeln. Reine Produktseiten taugen dafür nicht — die LLMs nutzt sie höchstens für Spec-Details, aber nicht für die Empfehlungs-Antwort selbst.

Die Listicle-Strategie für Shops

Pro Top-Kategorie ein bis zwei Listicles im Format „Top 5 [Produkttyp] für [Use Case]". Inhaltliche Regeln:

1. Mindestens 1 Produkt, das NICHT du verkaufst — sonst wird der Artikel als Werbung erkannt und nicht zitiert.
2. Ehrliche Pro/Contra-Listen pro Produkt, auch zu deinen eigenen.
3. Klares Ranking-Kriterium oben im Artikel erklären („Wir haben nach X, Y, Z bewertet").
4. Update-Datum sichtbar — LLMs bevorzugen frische Vergleiche.
5. Author-Byline mit Expertise — siehe E-E-A-T-Patterns im E-E-A-T-Guide.

Content-Typ	Citation-Rate (avg.)	Conversion-Rate	Build-Aufwand
Reine Produktseite	2,1%	3,8%	Niedrig
Kategorie mit Editorial	11,4%	4,1%	Mittel
Vergleichs-Listicle	29,7%	1,9%	Hoch
Buying-Guide	22,3%	2,4%	Hoch

Daten aus unserer Watchdog-Auswertung Q1 2026, n=210 Shops. Citation-Rate = Anteil der Queries, in denen die jeweilige Page-Type-Klasse in ChatGPT/Perplexity/AIO zitiert wurde. Mehr zur Methodik im Citation-Rate-Benchmark.

Vergleichs-Content ist im Shop-Umfeld ein Trojanisches Pferd: er wirkt wie geringere Direkt-Conversion, baut aber Brand-Awareness und Citation-Authority gleichzeitig auf. Beides zahlt mittelfristig stärker auf Umsatz ein als jede klassische PDP-Optimierung.

Brand-Mention-Effekt

Ein oft übersehener Nebeneffekt: jedes Mal, wenn ein LLM einen deiner Vergleichs-Artikel zitiert, wird auch deine Marke als Quelle genannt. Das ist Brand-Entity-Building durch die Hintertür — und einer der Gründe, warum die Methode in der Brand Entity Optimization als „Citation-driven Brand Building" beschrieben wird.

Monitoring: was wirklich zählt für E-Commerce

Wer keine Messung hat, hat keinen GEO-Hebel. Punkt. Die klassischen SEO-Metriken (Rankings, Sichtbarkeit, Traffic) sind für GEO unzureichend — sie messen alle das, was vor der KI-Antwort passiert, nicht innerhalb der KI-Antwort.

Die drei E-Commerce-spezifischen GEO-KPIs

Was monitort man konkret?

1. Query-Set definieren — pro Kategorie 20-40 echte Käufer-Queries (aus Support-Tickets, GSC, internem Suche-Log).
2. Wöchentliche Citation-Checks über ChatGPT, Perplexity, Google AIO, Claude.
3. Konkurrenz-Vergleich — wer wird in den gleichen Queries zitiert, du oder andere?
4. Source-Type-Klassifikation — wird deine PDP, deine Kategorie-Seite oder dein Blog zitiert? Hilft bei Priorisierung.

Die meisten Shop-Teams überspringen das Monitoring komplett — und steuern dann blind. Genau das ist der Hauptgrund, warum GEO-Initiativen im E-Commerce so oft im Sand verlaufen: ohne Messung kein Lerneffekt, ohne Lerneffekt keine Verbesserung. Mehr Methodik zum Messen in AI Visibility messen.

Realistische Erwartungshaltung

In den Shops, die wir betreuen, sehen wir nach 90-120 Tagen konsistente GEO-Arbeit folgende Bewegung: +15-25% Citation-Rate in Recommendation-Queries, +10-18% Brand-Mention-Share, dazu einen messbaren Anstieg im Direct- und Brand-Search-Traffic (typisch +8-14%) als Sekundäreffekt. Wer schneller Ergebnisse erwartet, optimiert für die falsche Zeitachse.

Wer einen breiteren Überblick will, bevor er in die Tiefe geht, sollte den Pillar-Guide zu Generative Engine Optimization lesen — der bildet den Rahmen für alles, was hier branchen-spezifisch durchdekliniert wurde. Wer konkrete Beispiele aus der Praxis sucht, findet sie in den Case Studies und in den branchenspezifischen Use Cases. Und wer den fundamentalen Unterschied zwischen klassischem SEO und GEO einmal sauber gegenübergestellt haben will, dem empfehle ich GEO vs. SEO als Einstieg.

Letzter Take: E-Commerce ist die Branche mit dem höchsten GEO-Aufholbedarf und gleichzeitig dem höchsten ROI-Potenzial. Wer 2026 anfängt, ist 12-18 Monate vor dem Mainstream. Wer 2027 anfängt, kämpft schon gegen optimierte Konkurrenz. Die Fenster schließen sich gerade — und sie schließen sich asymmetrisch: First-Mover bekommen den Großteil der Citations, weil LLMs Quellen-Diversität nur begrenzt ausspielen.