KI statt Kategoriebaum: Wie ChatGPTs Shopping Research die Produktsuche neu ordnet

OpenAI hat ChatGPT um eine Funktion erweitert, die klassische Produktsuche alt aussehen lassen soll: Shopping Research. Statt sich durch Kategoriebäume und Filter zu klicken, chatten Nutzer ihren Bedarf herbei – und bekommen Vergleichslisten mit Quellen, Preisen und Händlerlinks. Für Onlinehändler ist das mehr als ein Feature-Update. Es ist eine neue Sichtbarkeits-Baustelle, die Kategorieseiten, SEO-Texte und Performance-Marketing-Budgets betrifft.

Was OpenAI mit Shopping Research tatsächlich gestartet hat

Der Name klingt nach Studienarbeit, ist aber ein Einkaufsassistent: ChatGPT Shopping Research übernimmt laut OpenAI die Recherche und hilft, „die richtigen Produkte zu finden“ – so die offizielle Formulierung im Produktblog von OpenAI. Die Funktion ist als Agent angelegt: Sie stellt Rückfragen, durchsucht das Web und fasst die Ergebnisse in einem personalisierten Einkaufsführer zusammen.

Verfügbar ist Shopping Research nach Angaben von OpenAI und mehreren Tech-Medien für eingeloggte Nutzer aller Tarife – Free, Go, Plus und Pro –, sowohl im Browser als auch mobil. Zur Feiertagssaison rund um Black Friday und Weihnachten 2025 hat OpenAI zusätzlich eine nahezu unbegrenzte Nutzung angekündigt, was zeigt, wie sehr man die Funktion als Shopping-Kanal positionieren will. Das ist kein Nebenprodukt, das ist strategisches Timing.

Das Problem dabei: Wer als Händler bislang auf Kategorieseiten, Meta-Descriptions und Preisvergleichsportale gesetzt hat, verhandelt plötzlich mit einer Instanz, die gar keine klassische Ergebnisliste mehr anzeigt, sondern eine kuratierte Auswahl. Klartext: Die Suchmaschinen-Landingpage verliert an Bedeutung, wenn die KI die Vorauswahl trifft.

Interessant ist außerdem der Wettbewerbskontext, in dem OpenAI diesen Schritt setzt. Google baut generative Antwortformate in die eigene Suche ein, Amazon experimentiert mit Assistenzfunktionen im eigenen Marktplatz, und auch kleinere Anbieter versuchen, sich als Einstiegspunkt für Produktentscheidungen zu positionieren. Shopping Research ist also kein isoliertes Experiment, sondern Teil eines größeren Rennens darum, wer künftig die erste Anlaufstelle für Kaufentscheidungen ist – die Suchmaschine, der Marktplatz oder der Chat. Für Händler bedeutet das: Es reicht nicht, nur eine dieser Flanken zu beobachten. Sichtbarkeit muss künftig auf mehreren Ebenen gleichzeitig funktionieren, ohne dass schon klar ist, welche Ebene sich langfristig durchsetzt.

So funktioniert die KI-Produktsuche im Chat-Dialog

Der Ablauf ist bewusst konversationell gestaltet. Nutzer beschreiben, was sie suchen – etwa einen leisen Staubsauger für eine kleine Wohnung mit Budgetgrenze. ChatGPT fragt nach fehlenden Details, verfeinert das Anforderungsprofil und liefert danach Produktlisten mit Begründungen, Vor- und Nachteilen sowie Preis-Insights samt Händlerlinks.

Besonders praxisrelevant: Nutzer können einzelne Vorschläge als „interessant“ oder „nicht interessiert“ markieren und „Mehr davon“ verlangen. Der Agent passt die Auswahl dann in Echtzeit an – ein Muster, das eher an personalisierte Empfehlungsalgorithmen erinnert als an eine Suchmaschine. Wer schon einmal mit Prompt-Formulierungen für ChatGPT experimentiert hat, merkt schnell: Je präziser die Eingangsfrage, desto brauchbarer die Ergebnisliste. Genau darin liegt für Händler die eigentliche Herausforderung, denn die KI-Produktsuche funktioniert nur so gut wie die Daten, aus denen sie zitiert.

Diese dialogische Personalisierung ist letztlich eine Weiterentwicklung dessen, was Chatbots im E-Commerce grundsätzlich leisten können: Beratung, Eingrenzung von Optionen und eine Antwort, die sich an die individuelle Situation anpasst, statt eine starre Filterlogik abzuarbeiten. Der Unterschied ist, dass dieser Chatbot nicht im eigenen Shop sitzt, sondern eine Ebene darüber – und damit die Kontrolle über die erste Kontaktfläche zum Kunden teilweise aus der Hand des Händlers nimmt.

Technisch basiert die Funktion laut Medienberichten auf einer für Shopping trainierten, kompakteren Modellvariante, die vertrauenswürdige Websites lesen und zitieren soll. OpenAI selbst nennt in seinem offiziellen Blogbeitrag keine konkrete Modellbezeichnung – diese Einordnung sollte man also als Medieninterpretation behandeln, nicht als bestätigte technische Spezifikation.

Preisvergleich-Disruption: Hype oder schon Realität?

Schlagzeilen wie „Das Ende von Google und Amazon“ machen die Runde, seit Shopping Research online ist. Nüchtern betrachtet lohnt der Blick auf belastbare Zahlen. Eine 2026 veröffentlichte Studie der Frankfurt School of Finance & Management, zusammengefasst über den Wissenschaftsdienst idw, hat gemessen, wie viel Traffic Large Language Models tatsächlich in den E-Commerce bringen – ein Jahr nach dem Start organischer Shopping-Links.

Das Ergebnis: Laut dieser Studie zu ChatGPT im Online-Shopping machte LLM-Traffic in der untersuchten Stichprobe weniger als 0,2 Prozent des gesamten Traffics aus. Für alltägliche, preisgetriebene Käufe bleibt die KI-Produktsuche bislang ein Nischenkanal. Relevanter wird sie bei komplexen, beratungsintensiven Anschaffungen – also genau dort, wo Nutzer ohnehin länger vergleichen, statt impulsiv zu kaufen.

Meine persönliche Einschätzung: Die Preisvergleich-Disruption ist real, aber sie passiert leiser und langsamer, als es die Überschriften suggerieren. Wer jetzt in Panik alle SEO-Budgets in „KI-Optimierung“ umschichtet, verwechselt Zukunftspotenzial mit Gegenwartstraffic. Die Zahl aus der Stichprobe ist kein globaler Standardwert für jeden Markt, aber sie ist ein guter Realitäts-Check gegen den Hype.

Wichtig ist dabei auch die methodische Einordnung: Eine einzelne Studie mit einer bestimmten Stichprobe und einem bestimmten Erhebungszeitraum bildet nicht automatisch die gesamte Marktrealität ab. Andere Branchen, andere Länder oder andere Nutzergruppen könnten schon heute höhere Anteile zeigen, insbesondere dort, wo Beratungsbedarf traditionell hoch ist – etwa bei technischen Geräten, Möbeln oder Anschaffungen mit langer Nutzungsdauer. Wer als Händler ausschließlich Standardware im unteren Preissegment verkauft, wird den Effekt der KI-Produktsuche wahrscheinlich später und schwächer spüren als ein Anbieter erklärungsbedürftiger Produkte. Diese Differenzierung nach Produktkategorie dürfte in den kommenden Jahren wichtiger werden als die Frage, ob KI-Shopping insgesamt „kommt“ oder nicht – sie ist längst da, nur ungleich verteilt.

Was Händler jetzt an Produktdaten liefern müssen

Trotz der noch geringen aktuellen Traffic-Anteile: Wer für KI-Produktsuche unsichtbar bleibt, verliert langfristig Sichtbarkeit in einem Kanal, der wächst. Die Konsequenz für Händler ist unbequem, aber klar. Produktdaten müssen KI-kompatibel aufbereitet sein – nicht nur für Menschen, sondern für einen Agenten, der Webseiten liest und zitiert.

Konkret bedeutet das:

• Strukturierte Produktdaten (Schema.org, Preis, Verfügbarkeit, Spezifikationen) statt reiner Marketingtexte auf der Produktseite.
• Klare, faktenbasierte Vergleichsinformationen statt Werbefloskeln – die KI zitiert eher nachvollziehbare Fakten als Superlative.
• Aktuelle Preisangaben, denn ein Agent, der veraltete Preise zitiert, schadet dem Vertrauen in die eigene Marke mehr als eine schlecht gepflegte Kategorieseite.
• Konsistente Produktnamen und Attribute über alle Kanäle hinweg, damit die KI Varianten nicht verwechselt.

Das ist im Kern dieselbe Hausaufgabe, die D2C-Händler schon für Plattform-Integrationen wie Shopify-Anbindungen an KI-Shopping-Flüsse machen müssen: Wer seine Produktdaten nicht sauber strukturiert, taucht in der Ergebnisliste einer KI schlicht nicht auf. Kein Ranking-Trick der Welt rettet dann die Conversion.

Ein hypothetisches, aber realistisches Szenario verdeutlicht die Dringlichkeit: Ein Fachhändler für Kaffeemaschinen mit gepflegten, strukturierten Produktdatenblättern und nüchternen Vergleichsartikeln würde in einer Shopping-Research-Anfrage zu „leisen Kaffeevollautomaten unter 800 Euro“ tendenziell eher zitiert als ein Wettbewerber, dessen Produktseiten nur aus Bildergalerien und Werbetexten bestehen. Ob dieser Effekt heute schon spürbar ist, hängt stark von Kategorie und Markt ab – aber die Logik dahinter dürfte sich mit wachsender Nutzung eher verstärken als abschwächen. Wer zusätzlich versteht, wie sich Besucher auf der eigenen Seite tatsächlich verhalten, kann mit Aufzeichnungstools für das Einkaufverhalten im eigenen Shop nachvollziehen, welche Inhalte überhaupt Vertrauen schaffen – ein Signal, das indirekt auch der Zitierfähigkeit gegenüber einem KI-Agenten zugutekommt.

Checkout im Chat: Warum der direkte Kauf noch Zukunftsmusik ist

Wer jetzt denkt, man kaufe schon direkt in ChatGPT, irrt sich. Nach aktuellem Stand der Berichterstattung ist ein Instant-Checkout innerhalb des Chats perspektivisch geplant, aber nicht flächendeckend verfügbar. Der Kaufabschluss findet weiterhin überwiegend auf der Händlerseite statt – ChatGPT liefert den Link, nicht den Warenkorb.

Das ändert die Priorität für Händler kurzfristig: Die letzte Meile bis zum Klick auf den Händlerlink entscheidet die Marge, nicht die Bequemlichkeit eines In-Chat-Kaufs. Sollte OpenAI diesen Schritt – etwa über eine Anbindung an Plattformen wie Shopify – tatsächlich vollziehen, würde sich das Bild ändern: Dann würde ChatGPT nicht nur die Produktsuche, sondern auch den Checkout-Prozess selbst mitgestalten. Bis dahin bleibt es bei einer Empfehlung mit Ausgang zum eigenen Shop.

Für die Praxis heißt das auch: Die eigene Landingpage, auf der ein Nutzer nach dem Klick aus einer ChatGPT-Empfehlung landet, sollte genauso überzeugend sein wie eine Seite, die aus einer klassischen Google-Anzeige kommt. Wer hier Ladezeiten, mobile Darstellung oder Preisdarstellung vernachlässigt, verschenkt genau den Traffic, den man sich mit sauberen Produktdaten erst mühsam erarbeitet hat. Die KI-Produktsuche liefert im Idealfall vorqualifizierten Traffic mit hoher Kaufabsicht – aber nur, wenn die Übergabe an den eigenen Shop reibungslos funktioniert.

ChatGPT Shopping Research im Vergleich zu klassischen Kanälen

Ein nüchterner Anbietervergleich hilft, die Aufregung einzuordnen. Wo steht die KI-Produktsuche gegenüber Amazon-Suche, Google Shopping und klassischen Preisvergleichsportalen?

• Amazon-Suche: Riesiges Sortiment, sofortiger Checkout, aber wenig Beratung – Filter statt Dialog. Stärke bei Standardware, Schwäche bei komplexen Entscheidungen.
• Google Shopping: Breite Preisübersicht, hohe Reichweite, aber reine Listendarstellung ohne kontextuelle Erklärung, warum ein Produkt passt.
• Klassische Preisvergleichsportale: Gut für reine Preisjagd, schwach bei Beratung und individuellen Anforderungsprofilen.
• ChatGPT Shopping Research: Starke Beratungskomponente durch Rückfragen und Begründungen, aber noch begrenzte Kauf-Integration und laut Studienlage bislang geringer tatsächlicher Traffic-Anteil.

Das Bild ist also kein Entweder-oder. Für Elektronik, Haushaltsgeräte oder andere erklärungsbedürftige Anschaffungen kann die KI-Produktsuche schon jetzt sinnvoll ergänzen. Für Alltagsartikel mit geringer Beratungsintensität bleibt die klassische Suche schneller und direkter – niemand fragt einen Chatbot nach der günstigsten Klopapierpackung.

Bemerkenswert ist außerdem, dass die vier Kanäle sich in Zukunft wahrscheinlich stärker vermischen werden, statt sich klar voneinander abzugrenzen. Google integriert generative Elemente in die Suche, Amazon experimentiert mit Assistenzfunktionen, und ChatGPT könnte irgendwann direktere Kaufwege anbieten. Für Händler bedeutet das, dass eine einseitige Kanalstrategie zunehmend riskant wird. Wer heute ausschließlich auf Amazon-Listings oder ausschließlich auf klassisches SEO setzt, baut seine Sichtbarkeit auf einem einzigen Fundament auf, während sich die Landschaft darunter bereits verschiebt.

Folgen für Performance-Marketing und D2C-Sichtbarkeit

Wenn ein Agent statt einer Suchergebnisseite die Vorauswahl trifft, verschiebt sich das Spielfeld für Performance-Marketing. Klassische Shopping-Ads, die auf Klickpreise und Positionen in Google Shopping optimieren, treffen nicht automatisch auf ein Publikum, das seine Recherche im Chat startet. Wer schon Erfahrung mit Amazon-PPC-Optimierung gesammelt hat, kennt das Muster: Sichtbarkeit kostet Geld, aber die Spielregeln ändern sich, sobald ein neuer Vermittler zwischen Nutzer und Produkt tritt.

Für D2C-Marken bedeutet das eine zusätzliche Sichtbarkeitsebene, die weder Suchmaschinen-Ranking noch Marktplatz-Listing ist, sondern etwas Drittes: Zitierfähigkeit gegenüber einem KI-Agenten. Wer in Produktbewertungen, Fachartikeln und strukturierten Datenblättern zitierfähig auftaucht, hat bessere Chancen, in einer Shopping-Research-Antwort genannt zu werden – unabhängig vom eigenen Werbebudget. Das ist eine interessante Verschiebung: weg von reiner Ad-Spend-Marge, hin zu Content-Qualität und Datenpflege als Sichtbarkeitsfaktor.

Genau hier gewinnt strukturiertes Content-Marketing im E-Commerce an neuer Bedeutung, weil nachvollziehbare, faktenbasierte Inhalte offenbar eher zitiert werden als reine Verkaufsprosa. Wer bislang Content-Marketing vor allem als SEO-Instrument betrachtet hat, sollte es künftig auch als Investition in die eigene KI-Zitierfähigkeit verstehen – ein Effekt, der sich in klassischen Ranking-Reports nicht abbildet, aber langfristig über Sichtbarkeit in neuen Kanälen entscheiden könnte.

Ist das schon die große Zäsur für Performance-Marketing? Nein, noch nicht, wenn man die Traffic-Zahlen der Frankfurt-School-Studie ernst nimmt. Aber wer als Marketingleitung erst reagiert, wenn die Zahlen zweistellig sind, hat den strukturellen Vorlauf verschenkt.

Offene Fragen zu Vertrauen und Datenschutz

Neben der reinen Sichtbarkeitsfrage bleibt ein weiterer Punkt bislang unterbeleuchtet: Wie transparent ist die Auswahl, die ChatGPT als Empfehlung präsentiert? Nutzer sehen eine kuratierte Liste, aber nicht notwendigerweise, nach welchen Kriterien einzelne Produkte gegenüber anderen bevorzugt wurden. Für Verbraucher stellt sich damit eine ähnliche Vertrauensfrage wie bei klassischen Suchmaschinen-Rankings – nur mit dem Unterschied, dass ein Chat-Dialog persönlicher wirkt und dadurch möglicherweise unkritischer aufgenommen wird als eine sichtbare Ergebnisliste mit erkennbaren Anzeigenkennzeichnungen.

Auch aus Händlersicht bleiben Fragen offen, die sich erst mit mehr Praxiserfahrung beantworten lassen werden: Wie stabil sind die Zitationen über Zeit, wenn sich Produktseiten ändern? Wie geht der Agent mit widersprüchlichen Informationen zwischen Herstellerangaben und Drittanbieter-Bewertungen um? Und welche Rolle spielen europäische Datenschutz- und Transparenzanforderungen, wenn ein US-Anbieter zunehmend als Vermittler zwischen Nutzer und Händler auftritt? Belastbare Antworten darauf gibt es aus heutiger Sicht noch nicht – wohl aber gute Gründe, das Thema aufmerksam zu beobachten, statt es als reines Marketing-Feature abzutun.

Praktische Schritte für Händler und Shopbetreiber

Was also konkret tun, statt auf die nächste Studie zu warten? Ein paar Handlungsschritte, die sich unabhängig vom eigenen Skeptizismus-Level lohnen:

• Produktdatenblätter mit strukturierten Daten (Schema.org-Markup) versehen, damit Preise, Verfügbarkeit und Spezifikationen maschinenlesbar sind.
• Vergleichsseiten und FAQ-Inhalte faktenbasiert statt werblich formulieren – KI-Agenten zitieren eher nüchterne Informationen als Marketingsprache.
• Preisangaben aktuell halten und Caching-Probleme technisch vermeiden, damit ein Agent keine veralteten Preise zitiert.
• Beobachten, ob Referral-Traffic aus ChatGPT in den eigenen Analytics-Tools auftaucht – noch klein, aber ein früher Indikator für Verschiebungen.
• Kategorien mit hoher Beratungsintensität priorisieren, weil dort laut aktueller Studienlage der größte KI-Effekt zu erwarten ist.

Wer diese Punkte als lästige Pflichtübung abtut, verpasst womöglich den Moment, in dem aus 0,2 Prozent Traffic ein zweistelliger Wert wird. Die Geschichte des E-Commerce ist voll von Kanälen, die erst belächelt und dann zur Pflicht wurden. Wichtig ist dabei ein realistischer Zeithorizont: Niemand muss von heute auf morgen das gesamte Produktdaten-Management umbauen. Sinnvoller ist ein schrittweises Vorgehen, das mit den umsatzstärksten oder beratungsintensivsten Produktkategorien beginnt und von dort aus auf das restliche Sortiment ausgeweitet wird.

Was bleibt?

ChatGPT Shopping Research ist kein Amazon-Killer und kein Ende des Preisvergleichs, wie es manche Schlagzeile suggeriert. Es ist ein neuer, noch kleiner, aber strukturell interessanter Kanal, der die Logik der Produktsuche verschiebt: weg vom Klicken durch Kategoriebäume, hin zum Beschreiben eines Bedarfs. Die Traffic-Zahlen sind heute noch überschaubar, die strategische Frage für Händler ist es nicht. Wer jetzt seine Produktdaten für KI-Agenten aufräumt, verliert wenig und gewinnt womöglich viel, sobald die Nutzung wächst. Die eigentliche Frage lautet nicht, ob die KI-Produktsuche den klassischen Kategoriebaum ersetzt – sondern wie schnell Händler merken, dass sie längst zwei Zielgruppen bedienen müssen: Menschen und Agenten.