Ihre Kundschaft fragt keine Suchmaschine mehr. Sie fragt einen Agenten.
Ein Agent liefert keine zehn Links. Er wählt ein Produkt und begründet es. Entschieden wird nach den Daten, die er über Sie findet — reichen sie nicht, überspringt er Sie.
„Welche Laufschuhe für Asphalt bis 150 €?“
Ein Satz, kein Keyword — und erwartet wird eine Antwort.
Ihr Produkt kam in der Antwort nicht vor
Wo heute über den Kauf entschieden wird
Drei Oberflächen, auf denen Ihr Produkt entweder auftaucht oder nicht. Auf keiner blättert jemand durch zehn Links.
Der Chatbot als Einkäufer
ChatGPT oder Claude liefern keine Liste. Sie wählen ein Produkt und sagen warum.
neun weitere Produkte schaffen es nicht in die Antwort
AI Overviews statt Links
Google antwortet selbst und schiebt die Links unter die Übersicht. Zitate wählt es nach Daten, nicht nach Platzierung.
blaue Links erst unter der Übersicht
Agenten vergleichen für die Kundschaft
Perplexity Shopping und der Shopping Graph vergleichen Merkmale selbst. Was in den Daten fehlt, existiert schlicht nicht.
| Produkt | Preis | Attr. | Feed |
|---|---|---|---|
| Trail 7 | 2 890 | 12 | ✓ |
| Road 3 | 2 490 | 9 | ✓ |
| Ihr Produkt | 2 690 | — | — |
Sechs Stellen, an denen über Ihr Produkt entschieden wird
Die Prozentwerte sind die Gewichte, mit denen unser Score jeden Block wirklich rechnet — keine Schätzung.
Produktname
20 % des ScoresT-Shirt blau
Nike Dri-FIT Herren-T-Shirt, blau, Größe L
Marke + Typ + Eigenschaft. Daran gleicht der Agent die Frage ab.
Produktbeschreibung
30 % des Scores„Ein hochwertiges Shirt zum super Preis.“
Drei der vier Dinge, nach denen der Agent fragt, fehlen.
Fotos
10 % des Scoresein Foto aus einem Winkel, ohne Alt-Text
Der Alt-Text ist das Einzige, was der Agent am Foto liest.
Attribute
20 % des ScoresStrukturierte Daten
das EingangstorOhne sie rät der Agent aus dem HTML — oder findet die Daten gar nicht.
Preis und Verfügbarkeit
20 % des Scoresvor zwei Stunden aktualisiert
Ein veralteter Preis in der Antwort ist schlimmer als keiner.
Die Sprache, die direkt mit dem Agenten spricht
Links, was Sie in die Seite legen. Rechts, was der Agent daraus mitnimmt.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Nike Dri-FIT pánské tričko, modré, vel. L",
"brand": {"@type": "Brand", "name": "Nike"},
"gtin13": "0194957000000",
"offers": {
"@type": "Offer",
"price": "890",
"priceCurrency": "CZK",
"availability": "InStock"
}
}
</script>Ohne JSON-LD leitet der Agent alles aus dem HTML ab. Mal rät er richtig, mal überspringt er Sie — und Sie erfahren es nie.
Das übersehene und das empfohlene Produkt nebeneinander
Der Agent kann es in keinen Vergleich einordnen.
Der Agent kann es vergleichen — und die Empfehlung begründen.
Vom gefundenen Feed zur besseren Antwort
Vier Schritte, jeder mit eigenem Artefakt. Der letzte führt zum ersten zurück — daher die Schleife.
Wir finden den Feed
shop.cz/feed.xml
gefunden · 972 ProdukteDie Shop-Adresse genügt. Den Feed suchen wir selbst — und lesen den Shop, wenn es keinen gibt.
Wir messen den Score
Eine Zahl und drei Säulen, damit Sie sehen, wo es hakt.
Wir schlagen die Korrektur vor
Ein konkreter Satz, nicht der Rat „Attribute ergänzen“. Ein Klick genügt zur Freigabe.
Wir veröffentlichen und messen erneut
Die korrigierten Daten gehen in den Feed, und eine Woche später messen wir, ob es gewirkt hat.
Ermitteln Sie Ihren AI-Visibility-Score — kostenlos
Die kostenlose Feed-Analyse dauert nur wenige Minuten. Konkrete Empfehlungen für 10 Produkte · ohne Registrierung.
Kostenlos analysieren