Ein praktisches Modell für Ecommerce-Teams mit Search Console, Merchant Center, First-Party-Analytics, manuellen Checks und Produktdaten-Experimenten.
AI-Shopping-Sichtbarkeit ist für Ecommerce-Teams zu einer regelmäßigen operativen Aufgabe geworden. Produkte können in Google AI Mode, AI Overviews, Gemini, ChatGPT Search, Copilot, Marketplace-Assistenten oder AI-gestützten Retail-Media-Erlebnissen erscheinen. Jede Oberfläche liefert aber andere Daten. Einige Signale sind offizielle Reports, andere tauchen nur indirekt in Referrern, Markensuchen, PDP-Verhalten oder Befragungen nach dem Kauf auf.
Ein gutes Messmodell trennt belastbare Nachweise von Richtungssignalen. Search Console, Merchant Center, First-Party-Analytics und manuelle AI-Surface-Checks beantworten unterschiedliche Fragen. Operativ wertvoll wird die Auswertung erst, wenn jede Sichtbarkeitsprüfung mit einer konkreten Produktdaten- oder Content-Änderung verbunden ist.
Die erste Schicht ist technische Eignung. Seiten müssen crawlbar, indexierbar, snippetfähig, intern verlinkt und mit sichtbaren Produktinformationen ausgestattet sein. Google Search Central erklärt, dass die SEO-Grundlagen auch für AI Overviews und AI Mode gelten. Ein spezielles AI-Dateiformat oder ein eigenes Schema nur für diese Oberflächen ist nicht erforderlich.
Die zweite Schicht ist Search Console. Im Juni 2026 hat Google Generative-AI-Performance-Reports für einen Teil der Properties eingeführt. Der Search Report zeigt Impressions in generativen Google-Search-Funktionen, darunter AI Overviews und AI Mode, gruppierbar nach Seiten, Ländern, Geräten und Datum. Das ist Sichtbarkeit, aber keine vollständige Ecommerce-Attribution.
Die dritte Schicht ist Merchant Center. Am 27. Mai 2026 kündigte Google AI Performance Insights für AI-gestützte Shopping-Erlebnisse an. Der Report umfasst Share of Voice, Shopping Funnel Performance, Product Term Insights und Product Attribute Insights. Laut Google beginnt der Rollout in den USA, Kanada, Australien, Indien und Neuseeland.
Die vierte Schicht ist First-Party-Analytics. Der Händler kontrolliert Source, Medium, Referrer, Landing Page, Produktseite, Add-to-cart, Checkout Start, Bestellung, Währung, Markt, Gerät, Repeat Visit und Befragung nach dem Kauf. AI-gestützte Discovery kann als Direct, Markensuche, allgemeiner Referral oder späterer Rückkehrbesuch erscheinen. Diese Daten eignen sich deshalb besonders für Kohorten- und Verhaltensvergleiche.
Die fünfte Schicht sind manuelle Checks. Teams brauchen ein stabiles Prompt Set für wichtige Produkte und Kaufmomente: Kategorie, Problem, Vergleich, Budget, Kompatibilität, Versand und Rückgabe. Das ist kein perfektes Rank Tracking. Es zeigt aber fehlende Attribute, schwache PDP-Copy, Lücken in Policy Content und Abweichungen zwischen AI-Antworten und DTC-Website-Fakten.
Die sechste Schicht sind strukturierte Produktdaten. Product JSON-LD, Merchant-Center-Attribute, sichtbare PDP-Copy, Bilder, Preis, Verfügbarkeit, Versand und Rückgabe sollten dasselbe Angebot beschreiben. Googles Dokumentation zu Product structured data erklärt, wie strukturierte Produktinformationen reichere Search-Erlebnisse unterstützen können. Die Merchant-Center-Ankündigung zu AI Insights betont ebenfalls die Vollständigkeit von Produktattributen.
Die siebte Schicht ist das Experiment-Log. Ohne Log wird Sichtbarkeit zur Meinungsrunde. Notiert werden Produktumfang, Datum, geänderte Felder, geänderte Seiten, erwartetes Signal und Beobachtungsfenster. Beispiel: Am 12. Juni werden Material- und Kompatibilitätsattribute für zwanzig Produkte ergänzt. Zwei Wochen später prüft das Team generative Impressions, Merchant-Center-Lücken, manuelle Prompt-Notizen und PDP-Engagement für dieselbe Gruppe.
Der normale Performance Report bleibt die breite Web-Search-Basis. Der Generative-AI-Report liefert, falls vorhanden, eine eigene Sicht auf Impressions aus unterstützten generativen Funktionen. Der erste Schritt ist daher, den Zugriff der Property zu prüfen. Ohne Zugriff wird die Lücke dokumentiert und die Analyse läuft weiter über Web-Search-Trends, Landing Pages und Query-Familien.
Die Grenze ist klar: Der Report zeigt vor allem Impressions. Er erklärt nicht jeden Prompt, jede Session, jeden Klick oder jeden Umsatz. Search-Labs-Experimente sind ausgeschlossen und normale Search-Console-Limits gelten weiter. Die wöchentliche Frage lautet nicht, ob jeder Verkauf erklärt wird. Die Frage lautet, ob wichtige Seiten in unterstützten generativen Funktionen Sichtbarkeit gewinnen oder verlieren und ob diese Bewegung zu Produktdaten- oder Content-Änderungen passt.
Merchant Center ist wichtig, weil Shopping Discovery stark von der Klarheit der Produktfakten abhängt. Product Term Insights können zeigen, welche Sprache Käufer in Konversationen verwenden. Product Attribute Insights können fehlende Angaben sichtbar machen: Farbe, Material, Stil, Größe, Kompatibilität, Versand oder Rückgabe.
Priorisierung sollte wirtschaftlich erfolgen. Beginnen Sie mit umsatzstarken Produkten, margenstarken Kategorien, Produkten mit bestehender Nachfrage und Seiten, auf denen Attribute Kaufvertrauen schaffen. Wenn AI Insights noch fehlen, nutzen Sie Diagnostics, Feed Status, Approval Status, Attributabdeckung, Titel- und Beschreibungsqualität, Versand-Retouren-Setup und Landing-Page-Konsistenz als Proxy-Signale.
Externe Reports zeigen selten, was nach dem Klick passiert. First-Party-Analytics sollte Source, Medium, Referrer, Landing Page, Produktseite, Add-to-cart, Checkout Start, Bestellung, Währung, Markt, Gerät, Repeat Visit und Befragung speichern. AI-gestützte Discovery kann später als Direct oder Markensuche zurückkommen.
Foundax unterstützt Storefront Analytics, Source Breakdowns, Page und Funnel Analysis, Product Analytics und orderbezogene Analytics Sessions. Teams können Verhalten von AI-nahen Referrals, Brand Search, Content Pages, PDPs und Direct Returns vergleichen. Entscheidend ist, ob Besucher klare Produktfakten finden und im Funnel weitergehen.
Manuelle Checks funktionieren wie qualitative Forschung. Halten Sie Prompt Set, Markt und Sprache möglichst stabil. Dokumentieren Sie, ob Marke und Produkt erscheinen, welche Attribute genannt werden, welche Quellen verlinkt sind und welche Fakten fehlen oder falsch sind.
Ein gutes Experiment hat eine Produktfamilie, ein Käuferproblem, eine Gruppe von Feldern und ein Bewertungsfenster. Vorher werden Search Console, Merchant Center, PDP Engagement und Prompt Notes erfasst. Danach werden dieselben Schichten erneut gelesen. Mehrere gleichgerichtete Signale sind belastbarer als ein einzelner Ausschlag.
Foundax führt kontrollierbare Eingaben in einem Workflow zusammen: Product Records, SEO Metadata, Product JSON-LD Preview, Sitemap, Search Console Verification, Sitemap Submission, Merchant Center Preflight, mehrsprachige Inhalte, Content Studio Publishing und First-Party-Analytics. AI-Shopping-Sichtbarkeit hängt selten an einem einzelnen Feld. Sie hängt an Konsistenz zwischen Seite, structured data, feed-page alignment, policy content und Verhalten nach dem Klick.
Der praktische Ablauf: Produktset wählen, Produktfakten bereinigen, PDP und Support Content veröffentlichen, structured data und Google workflows prüfen, Sitemap bei Bedarf einreichen, dann Search Console, Merchant Center und First-Party-Verhalten beobachten.
Ja, wenn die Property Zugriff auf den Generative-AI-Performance-Report hat. Ohne Zugriff bleibt der normale Performance Report die Web-Search-Basis.
Google beschreibt einen schrittweisen Rollout in ausgewählten Ländern. Ohne Zugriff helfen Diagnostics, Feed Health, Approval Status und Attribute Completeness.
First-Party-Analytics ist vor allem für den Vergleich von Kohorten, Landing Pages, PDP-Verhalten, Funnel-Bewegung, Repeat Visits und Survey-Antworten geeignet.
Wöchentlich reicht für aktive Produktsets. Tägliche Checks sind vor allem bei Launch, Migration, Feed-Problem oder großem Experiment sinnvoll.
Starten Sie mit Material, Größe, Kompatibilität, Preis, Verfügbarkeit, Versand, Rückgaben, Care Instructions, Use Cases und PDP FAQs.