Wie bereitet man Produktfeeds für KI-Suche in ChatGPT, Gemini und Perplexity vor?
Modekataloge erscheinen präziser in generativen KI-Shopping-Agenten, wenn Händler Google-Shopping-Feeds anreichern und vollständiges Product-Schema-Markup mit Live-Preisen und Lagerbeständen implementieren.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Shopping-Anfragen auf generativen KI-Plattformen stiegen laut dem State of Fashion 2026-Bericht zwischen 2024 und 2025 um 4700 Prozent.
- ChatGPT lieferte bei 87 Prozent der Shopping-Anfragen strukturierte Produktkarten und Google AI Mode bei 91 Prozent, während Perplexity und Gemini in Prosa antworteten.
- Vollständiges Product-Schema in JSON-LD erfordert name, image, price, priceCurrency, availability und GTIN oder MPN für Querverweisabgleich.
- Für Bekleidung verlangen Google-Shopping-Feeds die Attribute colour, size, gender und age group, andernfalls werden Produkte abgelehnt.
Modehändler können die Sichtbarkeit in der generativen KI-Suche erhöhen, indem sie Google-Shopping-Feeds optimieren und vollständiges schema.org-Product-Markup implementieren. Shopping-bezogene Suchanfragen auf generativen KI-Plattformen stiegen zwischen 2024 und 2025 um 4700 Prozent, und Googles KI-Shopping-Funktionen ziehen nun aus Merchant-Center-Feeds, wodurch die Produktdatenqualität zum primären Hebel für KI-Agenten-Empfehlungen wird.
Welche KI-Shopping-Agenten lesen Produktfeeds?
ChatGPT lieferte bei 87 Prozent der Shopping-Anfragen eine strukturierte Produktkarte und Google AI Mode bei 91 Prozent, wodurch sie zu den beiden primären Oberflächen für Commerce im Jahr 2026 werden. Perplexity zeigte bei 1 Prozent eine Karte und Gemini bei 0 Prozent, stattdessen antworteten sie mit zitierten Quellen. Google Shopping Feed, schema.org-Product-Markup und ein OpenAI Shopping Feed bilden die Grundlage und erreichen gleichzeitig ChatGPT, Gemini, Perplexity und Copilot.
Während der Feriensaison 2025 stieg der Traffic zu Einzelhandelswebsites aus KI-Quellen wie ChatGPT, Gemini und Perplexity im Jahresvergleich um fast 700 Prozent. KI-verursachter Traffic zu US-Einzelhandelsseiten wuchs laut Adobe Analytics im ersten Quartal 2026 im Jahresvergleich um etwa 393 Prozent.
Was erfordert Product-Schema-Markup?
Schema.org-Product-Markup ist der Standard, den alle grossen KI-Systeme und Suchmaschinen verstehen. Das Markup sollte im JSON-LD-Format geschrieben und in den Seiten-HTML eingebettet werden. Googles Product-Schema erfordert name, image, offers, price und priceCurrency.
Wesentliche Felder für KI-Sichtbarkeit umfassen:
- name: der Produktname genau so, wie er Käufern erscheint
- image: eine URL zu einem Produktfoto, mindestens 250 mal 250 Pixel für Bekleidung
- brand: eine der drei eindeutigen Produktkennzeichnungen
- sku: interne Lagerhaltungseinheit
- gtin oder mpn: GTIN oder MPN zu jedem Produkt für Querverweisabgleich hinzufügen
- offers: ein verschachteltes Offer-Objekt mit price, priceCurrency, availability und URL
- availability: gültige Werte umfassen https://schema.org/InStock, https://schema.org/OutOfStock, https://schema.org/PreOrder, https://schema.org/LimitedAvailability und https://schema.org/Discontinued
- AggregateRating und Review: AggregateRating- und Review-Markup nur mit echten Bewertungsdaten einschliessen
MerchantReturnPolicy ist seit 2025 von Google für Merchant Listings erforderlich. Google schreibt, dass für seine generativen KI-Funktionen kein spezielles Markup benötigt wird, während Microsoft sagt, dass Schema seinen Systemen, einschliesslich Copilot, hilft, Inhalte zu verstehen.
Wie unterscheiden sich Mode-Feeds von anderen Kategorien?
Google Shopping verlangt die Attribute colour, size, gender und age_group für Bekleidungs- und Modeprodukte. Das Fehlen eines dieser Attribute führt zur sofortigen Produktablehnung. Das colour-Attribut muss mit dem auf der Landingpage sichtbaren Farbnamen übereinstimmen. Verwenden Sie bis zu 3 Farben, getrennt durch Schrägstrich, für mehrfarbige Artikel.
Bekleidungsprodukte, die in mehreren Grössen und Farben verkauft werden, benötigen item_group_id, um Varianten desselben Stils zu verknüpfen. Die Verbindung erfolgt an zwei Stellen gleichzeitig: im Feed über item_group_id und auf der Website über ProductGroup-Strukturdaten. Ein Hemd in 6 Grössen und 4 Farben erzeugt 24 eindeutige SKUs für einen Stil, und jede Variante benötigt ihre eigene Feed-Zeile mit angegebener Grösse und Farbe.
Googles Bekleidungsrichtlinien empfehlen Marke plus Produkttyp plus wichtige Attribute, mit den Schlüsseldetails in den ersten 70 Zeichen. Ein Beispiel: "Nike Damen-Laufschuhe Schwarz Grösse 8 Mesh".
Welche Feed-Attribute sind für KI-Agenten am wichtigsten?
KI-Agenten fragen strukturierte Produktdaten ab, und wenn Attribute unvollständig sind, Beschreibungen vage sind oder Kompatibilitätsdetails fehlen, empfiehlt die KI einen Konkurrenten mit besseren Daten. Die wirkungsvollsten Attribute für KI-Overview-Karussells sind product_highlight, product_detail und Beschreibungslänge und -struktur.
| Attribut | Warum es für KI wichtig ist | Format |
|---|---|---|
| product_highlight | Scannbare Funktions-Bulletpoints, die häufige Fragen beantworten | 4 bis 6 kurze Phrasen |
| product_detail | Strukturierte Name-Wert-Paare für Spezifikationen | z.B. "Material: Merinowolle" |
| description | Natürlichsprachige Antworten auf Konversationsabfragen | Detaillierter Absatz mit Attributen im Kontext |
| gtin | Querverweisabgleich über Plattformen hinweg | 13-stellige Global Trade Item Number |
| material | Primäres Gewebe oder Zusammensetzung für Bekleidung | Einzelwert, nicht Grösse oder Farbe |
| colour | Muss genau mit Landingpage übereinstimmen | Bis zu 3 Farben mit Schrägstrich-Trennung |
product_detail verwendet strukturierte Name-Wert-Paare für messbare Spezifikationen wie Akkulaufzeit, Abmessungen und Materialien, was Vergleichsabfragen im AI Mode ermöglicht. KI-Agenten beantworten natürlichsprachige Fragen wie zeige mir leichte Laufschuhe für breite Füsse unter 150 Pfund, sodass Beschreibungen diese Attribute in natürlicher Sprache enthalten müssen, nicht nur strukturierte Felder.
Wie können Händler Feeds genau halten?
KI-Agenten überprüfen die Datengenauigkeit vor dem Empfehlen, und eine Preisabweichung zwischen Feed und Website kennzeichnet Daten als unzuverlässig, wodurch der Agent zu einem Konkurrenten wechselt. Echtzeit-Inventarsynchronisation ist entscheidend. Verbinden Sie Schema mit einem Live-Merchant-Center-Feed, damit Google strukturierte Daten in Echtzeit gegen den Produktbestand validieren kann.
Händler können die Sichtbarkeit testen, indem sie KI-Assistenten direkt abfragen. Fragen Sie KI-Assistenten nach Ihrer Produktkategorie und geben Sie Zielabfragen in ChatGPT, Perplexity und Gemini ein. Versuchen Sie bei Perplexity Produktkategorieabfragen; suchen Sie bei Gemini auf Google mit Fragen wie bestes Produkt für Anwendungsfall und schauen Sie sich die KI-Overview- und Gemini-Shopping-Ergebnisse an.
Validierungstools umfassen:
- Google Rich Results Test für Rich-Result-Berechtigung
- Schema Markup Validator für allgemeine schema.org-Gültigkeit
- Google Merchant Center-Feed-Diagnose für Attributvollständigkeit
- Manuelle Abfragen auf ChatGPT, Perplexity und Gemini für tatsächliche Sichtbarkeit
Was sind die häufigsten Implementierungsfehler?
Die Angabe eines Preises, einer Bewertung oder eines Lagerbestands, der nicht mit dem übereinstimmt, was der Nutzer auf der Seite sieht, führt dazu, dass Google diese Lücke hart bestraft, bis hin zur Entfernung aller Rich Results. Ein Product-Eintrag ohne Preis, Lagerstatus oder gültige Bildreferenz wird von KI-Parsern oft vollständig ignoriert, nicht teilweise verwendet.
Weitere häufige Fehler umfassen:
- Verwendung von einfachem Text wie "InStock" anstelle der vollständigen schema.org-URI https://schema.org/InStock
- Leer lassen der Felder brand, GTIN oder MPN bei Markenprodukten
- Vermischen von Schematypen, wie die Auszeichnung eines Blogposts als Product
- Hinzufügen von Review-Markup für gescrapte Drittanbieter-Bewertungen statt echter Kundenbewertungen
- Vergessen, priceValidUntil-Daten zu aktualisieren, was abgelaufene Daten signalisiert
- Fehlen von colour, size, gender oder age_group bei Bekleidung, was sofortige Ablehnung verursacht
KI-generierte Inhalte, die direkt in Feeds gelangen, können Merchant-Center-Richtlinien-Flags wie Falschdarstellung oder Website-needs-improvement auslösen. Händler, die KI zum Entwurf von Beschreibungen verwenden, sollten jede Zeile vor dem Hochladen überprüfen.
Häufige Fragen
Benötige ich separate Feeds für ChatGPT und Google?
Ein mit vollständigen Attributen angereicherter Google-Shopping-Feed erreicht beide Plattformen. ChatGPT liest öffentliche Produktseiten mit schema.org-Markup und kann über zugelassene Partner auf Google-kompatible Feeds zugreifen, während Google AI Mode direkt aus dem Merchant Center zieht. Ein gut strukturierter Feed bedient beide.
Wie oft sollten Produktfeeds aktualisiert werden?
KI-Agenten überprüfen Preise und Lagerbestände in Echtzeit, bevor sie Produkte empfehlen. Eine Preisabweichung zwischen Feed und Landingpage kennzeichnet Daten als unzuverlässig. Synchronisieren Sie Feeds, wann immer sich Preis oder Verfügbarkeit ändert, und verwenden Sie für Kataloge mit hohem Umschlag mindestens täglich automatisierte geplante Uploads.
Was passiert, wenn Farbe oder Grösse bei Bekleidung fehlt?
Google lehnt Bekleidungsprodukte sofort ab, wenn die Attribute colour, size, gender oder age_group fehlen. Abgelehnte Produkte erscheinen nicht in Shopping-Anzeigen, kostenlosen Einträgen, Performance Max oder AI-Mode-Empfehlungen. Jede Variante benötigt ihre eigene Feed-Zeile mit diesen ausgefüllten Feldern.