KI-Engine-Optimierung (AEO) 2025
AEO ist der neue Standard für Sichtbarkeit und Verkauf im elektronischen Handel.
Warum ist AEO so wichtig für Ihren Online-Shop?
- KI nimmt Verkehr von Suchmaschinen. KI-Antworten (AIO) erscheinen bereits bei einem großen Teil der E-Commerce-Anfragen und erzeugen einen erheblichen Datenverkehr
- Top 1-3 in Google ist nicht genug. Nur ein Bruchteil dieser Artikel schafft es in die AIO, und die meisten Quellen in der AIO decken sich nicht mit den klassischen TOP3 SEO
- Das Gespräch verkauft sich. Der Einkauf über Chat/Voice/AI geht in die Hunderte von Milliarden Dollar pro Jahr - es ist ein tragfähiger Umsatzkanal, es ist die Gegenwart
- Personalisierung = Geld. Bei führenden Unternehmen machen Empfehlungen/Personalisierung ~35-40 % des Umsatzes aus
- Polnische Praxis. Im Durchschnitt können 6 % des Datenverkehrs aus KI-Chats bis zu 14 % des Umsatzes generieren (Fallbeispiel Semly)
- Schlussfolgerung: AEO neben SEO hinzufügen + Aufbereitung der Daten, Übermittlung des Angebots an ChatGPT/Gemini und Messung des Anteils der Verkäufe mit KI
Was ist jetzt zu tun?
- Organisieren von Produktdaten
- sie in LLM-Ökosystemen veröffentlichen
- einen Einkaufsassistenten enthalten
- messung der Sichtbarkeit von AI und der Auswirkungen auf die Einnahmen
Warum ist SEO nicht mehr genug?
- AI verkürzt den Weg nutzer, wobei klassische organische Ergebnisse ignoriert werden (80 % der Quellen in der AI-Übersicht sind keine SEO-Führer)
- 77 % der E-Commerce-Manager nutzen KI täglich für Kampagnenautomatisierung, Analysen, Empfehlungen und Personalisierung
- 29 % der Einzelhandelsunternehmen bauen bereits einen Vorteil auf der Grundlage von Big Data und Erkenntnissen aus KI auf - bessere Prognosen, Lagerbestände, schnelle Reaktion auf Trends
- Zero-Click wächst und OSR (Organic Search Revenue) flacht ab; der regulatorische Druck in Bezug auf AIO in der EU bestätigt das Ausmaß des Phänomens
Was kann AEO realistischerweise leisten?
- Anteil der KI-Sichtbarkeit (SAV): prozentsatz der Suchanfragen, bei denen die Marke in AIO/LLM erscheint. Heute ist die "neue 1. Seite" bei Google
- Gesprächsunterstützte Einnahmen: anteil der Umsätze, bei denen der erste Kontakt ein Chat/LLM ist (Attribution basierend auf Parametern und Umfragen nach dem Kauf)
- Zeit bis zur Antwort (Time-to-Answer, TTA) und Antwortqualitätswert: latenzzeit und Vollständigkeit der Antworten (FAQ, Preis, Verfügbarkeit, Rückgabe)
- Bindung & AOV-Steigerung unterstützt durch Personalisierung - bestätigt durch mcKinsey-Meta-Analysen
- GMV im Gespräch - wachsenden Kuchen (290 Mrd. $), so dass selbst ein kleiner Anteil zu erheblichen Einnahmen führt
AEO-Architektur - von Daten zu Sichtbarkeit
Produktdatenschicht
- Kanonischer Feed Google XML + JSON-Zeilen für LLM (Schlüssel:
productTitle,marke,gtin,mpn,sku,beschreibung,preis.wert/währung,verfügbarkeit,imageUrl,url,versand,gibt zurück,land,sprache) - Standardisierung der Einheiten (ml/g/cm), Varianten, Bündel, Kompatibilität mit schema.org/Produkt (JSON-LD)
- Frische-SLA: preise/Status mind. alle 15-60 Min. (LLM bevorzugt aktuell)
AEO-fähige Inhaltsebene
- Die Beschreibungen basieren auf absicht und Anwendungsfälle (vollständige Antworten, keine Phrasen)
- FAQ/Q&A pro Produkt/Kategorie (kurze Antwort + Quelle)
- Polyglott: gleiche Entitäten (Marke, GTIN) und Thesaurusphrasen in EN/EN/DE/ES
Ebene der Vertrauenssignale
- Rezensionen (Anzahl, Frische, Bewertung), Rückgabepolitik, Garantie, lokalstaaten (LIA), Transparenz der Lieferung
Publikationsschicht für AI-Ökosysteme
- Endpunkte der Ingestion für ChatGPT/Gemini/Perplexity (Feed Pull / Webhook Push)
- Kategoriezuordnung (Google Product Taxonomy) + benutzerdefinierte Ontologie
- Sicherheit und Rechte: robots/LLM-allow, Quellenpolitik, UTMs für die Zuweisung
Konversationsebene
- Einkaufsassistent (Chat/Voice) mit erdung im Feed (Abruf), Zugang zu Preisen/Zuständen und Politiken
- Übergabe zur Kasse oder zum Warenkorb mit 1 Klick (Deep Link, Schema-App-Links)
Beobachtbarkeit
- Telemetrie: SAV, CTR-to-site mit AIO/LLM, % der Antworten mit korrektem Preis/Bestand, Änderungsindexierungszeit, abgeleiteter Anteil an Empfehlungen
Daten aus dem polnischen Markt
- Beispiel eines Kinderartikelladens - Umsetzung des AEO (via Semly) übersetzt in steigerung der Anzahl der Produktanfragen in KI-Modellen um 130% m/m und eine Erhöhung der Konversionsrate in diesem Kanal um 18%
- Beleuchtungsgeschäft: Das Erscheinen der Produkte in der Rubrik "Produkte ansehen" von Google Gemini hat eine +25% des Wertes des durchschnittlichen Korbes
- Bekleidungsgeschäfte: Nutzer geben mit personalisierten KI-Empfehlungen aus 30% mehr Zeit vor Ortwas sich direkt in höheren Konversionsraten niederschlägt
Wie kann man den ZWB messen - KPI-Definitionen
- SAV @Top Answer = Abfragen mit der Marke in der "Haupt"-Antwort / alle überwachten Abfragen
- Erfassungsbereich in AIO/LLM = Anzahl der indizierten SKUs in den Modellen / #SKUs im Feed
- Antwort-Genauigkeit (Preis/Status) mit Probenahme alle N Stunden
- Konv-Hilfsrate = Aufträge mit Erstkontakt LLM - Chat / alle Aufträge
- mCAC(AI) = (Werkzeugkosten + Betriebskosten) / dem ZWB zugewiesene Aufträge
- AOV/CR anheben in den Kohorten "mit Chat" und "ohne Chat"
30-Tage-Umsetzungsplan (kampferprobt)
- Tag 1-5: Datenaudit (GTIN/MPN/Markenvollständigkeit ≥ 95%), Schemakonsistenz, JSON-LD + JSONL Vorbereitung
- Tag 6-10: "Antwortpakete" für die 100 wichtigsten Abfragen (Beschreibung, FAQ, Parameter, 2-3 Vergleiche von Alternativen)
- Tag 11-15: Veröffentlichung auf LLM (ChatGPT/Gemini) + Attributionsrouting (Parameter, Umfrage nach dem Kauf)
- Tag 16-20: Einkaufsassistentin (Chat) mit Grundkenntnissen und Richtlinien (Rückgabe/Lieferung/Preisgestaltung)
- Tag 21-25: Frische-Tests (Preis/Status), Validierung Antwort-Genauigkeit > 97%, Tests (keine SKU, keine Variante)
- Tag 26-30: Abstimmung der Prompts, Organisation der Kategorien (Taxonomie), Dashboard-KPIs (SAV, Conv-assist, AOV-Uplift)
Conversational Commerce und der Beitrag der KI zum Verkauf
Weltweite Ausgaben für Conversational Commerce (Einkaufen per Chat, Sprache, KI) wird im Jahr 2025 über 290 Milliarden Dollar betragen. Für polnische Geschäfte führt die Umsetzung des ZWB durch Semly bereits zu einem durchschnittlichen Gewinn von 6% des Datenverkehrs stammt aus AI-Chaträumen (ChatGPT, Gemini), verantwortlich für so viel wie 14% der Ladeneinnahmen.
Anti-Patterns (die häufigsten Fehler)
sEO-Inhalte 1:1 in AEO "umschreiben" (zu langsam, unangemessen)
❌ Keine kanonisch quelle der Wahrheit (Preis/Zustand) sichtbar für LLM → Preishalluzinationen
❌ Häufig gestellte Fragen (FAQs), die in Marketingsprache geschrieben sind, statt prägnante Antworten (LLM bevorzugt Unzweideutigkeit)
❌ Keine SAV/Genauigkeitskennzahlen → keine Rückkopplungsschleife und keine Optimierung
Glossar (AEO 2025)
Grundlegend
- AEO (KI-Engine-Optimierung) - den Prozess der Aufbereitung von Produktdaten, Inhalten und Vertrauenssignalen und deren Veröffentlichung in LLM-Ökosystemen und generativen Ebenen von Suchmaschinen, um die Sichtbarkeit und den Umsatz durch KI-Antworten zu steigern
- AIO (AI Übersichten) - google-Modul zur Generierung zusammengefasster KI-Antworten auf Abfragen (früher SGE/AI Snapshots)
- LLM (Großes Sprachmodell) - ein umfangreiches Sprachmodell (z. B. ChatGPT, Gemini), das Antworten auf der Grundlage von Wissen und externen Quellen generiert
- Konversation im Handel - verkäufe, die über Chat/Sprache/AI-Assistenten initiiert oder durchgeführt werden
Metriken und KPIs
- SAV (Anteil an der AI-Sichtbarkeit) - anteil der Suchanfragen, bei denen die Marke in der Haupt-KI-Antwort erscheint:
SAV = (Anzahl der Abfragen mit Sichtbarkeit in AIO/LLM) / (Anzahl der überwachten Abfragen) - AIO/LLM-Abdeckung - katalogabdeckung in Modellen:
Abdeckungsgrad = (Anzahl der in AIO/LLM sichtbaren SKUs) / (Anzahl der SKUs im Feed)
- Antwort-Qualitäts-Score (AQS) - prozentsatz der AI-Antworten, die mit Preis/Status/Politik in den Kontrollproben übereinstimmen:
AQS = (Anzahl der richtigen Antworten) / (Anzahl der überprüften Antworten)
- TTA (Time-to-Answer) - zeit von der Anfrage bis zur vollständigen Antwort/Übergabe an den Warenkorb
- Conv-Assist-Rate (CAR) - anteil der Aufträge, bei denen der erste Kontakt über LLM/Chat erfolgte:
CAR = (Anzahl der Aufträge mit 1st touch LLM) / (alle Aufträge)
- mCAC(AI) - grenzkosten für den Erwerb über den ZWB-Kanal:
mCAC(AI) = (Kosten für Werkzeuge + Betriebskosten + AEO-Inhalt) / (Anzahl der dem AEO zugewiesenen Aufträge)
- GMV im Gespräch - wert der Verkäufe aus Sitzungen mit Gesprächsinteraktion
- AOV (Durchschnittlicher Auftragswert) - durchschnittlicher Auftragswert
- CR (Konversionsrate) - umrechnungskurs
- CAC (Kundenakquisitionskosten) - kundengewinnungskosten
- ROAS/ROMI - Rendite der Werbeausgaben/Marketinginvestitionen
- OSR (Organic Search Revenue) - einnahmen, die auf organischen Verkehr von Suchmaschinen zurückzuführen sind
Daten und Formate
- Google XML-Produkt-Feed - standard Angebotsdatei für Google Merchant (erweiterbar unter AEO)
- JSON-LD (schema.org/Produkt) - strukturierte Daten auf der Seite (
Produkt,Angebot,AggregateRating,FAQSeite) - JSONL (JSON-Zeilen) - lineares Datensatzformat (1 Produkt = 1 Zeile), nützlich für LLM-Lieferungen
- GTIN/EAN, MPN, SKU global Merchandise Identifier / Hersteller-Teilenummer / Shop Stock Identifier
- Frische-SLA - garantierte Preis-/Statusaktualisierungsrate (z. B. ≤60 Minuten)
- Antwort-Pakete - kurze, unmissverständliche Antwortblöcke (Beschreibung + 2-3 Parameter + Quelle), die der LLM 1:1 zitieren kann
- Produkt-Wissensdiagramm - entitätsgraph (Produkte-Marken-Parameter-Kategorien), der Bezeichner und Attribute kombiniert
AI-Implementierung
- RAG (Retrieval-Augmented Generation) - generierung mit angeschlossener Suche/Retrieval aus maßgeblichen Shopdaten
- Erdung - "Erdung" von KI-Antworten in aktuellen, vertrauenswürdigen Quellen (Feeds, Richtlinien, Staaten)
- Einbettung - vektordarstellung von Text/Daten für den schnellen Abgleich von Inhalten und Produkten
- Endpunkt der Ingestion - ort des Empfangs/Herunterladens von Feeds durch KI-Ökosysteme (Pull-API, Webhook-Push)
- Taxonomie/Ontologie - wörterbuch der Kategorien und Beziehungen (z. B. Google Product Taxonomy + eigene Erweiterungen)
- LIA (Lokale Inventar-Anzeigen) - lokale Verfügbarkeitssignale (Status im stationären Geschäft) auch für AEO nützlich
Zurechnung und Analytik
- UTM - link-Parameter für die Verfolgung von Quelle/Medium/Kampagne (z. B. utm_source=chatgpt)
- Umfrage nach dem Kauf - ein kurzer Fragebogen nach dem Kauf, um die Wirkung des AEO zu überprüfen ("Wo haben Sie zum ersten Mal von dem Produkt gehört?")
- Tiefe Verbindung - einen Link, der auf den Warenkorb/die spezifische Variante mit Attributionsparametern verweist
- Übergabe - kontrollierte Übergabe vom KI-Assistenten zum Checkout-Pfad (z.B. Warenkorb mit vorausgefüllter SKU)
- Null-Klick - die Situation, in der der Benutzer eine Antwort erhält, ohne die Seite aufzurufen (insbesondere bei AIO/LLM)
- LLM-zulassen/Roboter - zugriffsrichtlinien (robots.txt / meta), die ausgewählten Agenten/LLMs den Abruf von Daten eindeutig erlauben
- Beobachtbarkeit - eine Reihe von Protokollen, Indikatoren und synthetischen Tests zur Überwachung der Sichtbarkeit, Aktualität und Relevanz von KI-Antworten
Teilen: