ChatGPT Shopping Research: Was KI-Produktsuche für Shops wirklich bedeutet

OpenAI hat ChatGPT gerade um eine Funktion namens Shopping Research erweitert – und die Produktsuche-Logik, auf der E-Commerce-Unternehmen seit Jahren ihre SEO-Budgets aufgebaut haben, gerät dabei ernsthaft unter Druck. Kein neuer Tab, kein Filterrauschen, kein Preisvergleich auf 14 Seiten: Die KI stellt Rückfragen, bündelt Specs, Reviews und Preise und liefert einen kuratierten Einkaufsführer. Für Shopbetreiber ist das eine neue Variable im Kanal-Mix – und für klassische SEO-Agenturen klingt das ungefähr so angenehm wie eine Retourenquote von 40 Prozent.

Was Shopping Research konkret macht – und was nicht

OpenAI beschreibt Shopping Research als dialogbasierten Assistenten innerhalb von ChatGPT, der komplexe Kaufanfragen übernimmt. Nutzer formulieren ihre Anforderungen in natürlicher Sprache – Budget, Nutzungszweck, Präferenzen – und die KI stellt bei Bedarf Rückfragen, bevor sie einen strukturierten Einkaufsführer mit Produktvergleichen und Empfehlungen zusammenstellt.

Das Problem dabei, wenn man es aus klassischer SEO-Brille betrachtet: Dieser Prozess findet komplett innerhalb des Chatfensters statt. Der Nutzer öffnet keine Google-Ergebnisseite, klickt sich nicht durch Preisvergleichsportale und landet nicht organisch auf einer Produktdetailseite. Die Klickpfade, auf denen Shopbetreiber und Hersteller ihren Discovery-Funnel aufgebaut haben, werden schlicht übersprungen.

Wichtig zu verstehen: Die Empfehlungen basieren laut OpenAI auf öffentlich verfügbaren Informationen und sind organisch erzeugt – also keine klassischen Werbeplatzierungen wie bei Google Shopping. Das klingt erst einmal verbraucherfreundlich. Für Marken, die jahrelang Kampagnenbudgets in genau diese Platzierungen gepumpt haben, ist es ein anderes Signal.

Gleichzeitig gilt: Shopping Research ist kein belegter Gamechanger mit Marktanteilen im zweistelligen Bereich. Es ist ein früher, wachsender Kanal. Eine vollständige Disruption von Google Shopping oder Amazon-Suche ist mit den vorliegenden Daten derzeit nicht zu belegen.

Von Keyword zu Dialog: Was sich strukturell verschiebt

Die eigentliche Verschiebung ist weniger technischer als kommunikativer Natur. Klassische KI-Produktsuche über Google oder Amazon funktioniert über Stichwörter und Filter: Nutzer geben „Laufschuhe Herren 44 wasserdicht unter 100 Euro“ ein und bekommen sortierte Ergebnislisten. Shopping Research hingegen arbeitet mit Absichtserkennung und Kontextfragen.

Das ist ein fundamentaler Unterschied in der Datenstruktur, die Produkte sichtbar macht. Bei der Keyword-Suche gewinnt, wer Titel, Beschreibung und Tags optimal befüllt. Bei dialogbasierter KI-Produktsuche gewinnt, wessen Produktdaten strukturiert, vollständig und maschinell interpretierbar sind – Specs, Vergleichsattribute, Preishistorie, aggregierte Bewertungen.

Laut einer Studie des Nürnberg Institut für Marktentscheidungen (NIM) bevorzugt bereits rund ein Drittel der Befragten in Deutschland ein KI-Tool wie ChatGPT gegenüber klassischen Suchmaschinen, wenn sie Unterstützung bei Kaufentscheidungen suchen. Das ist noch keine Mehrheit. Aber es ist eine relevante Minderheit, die tendenziell informiertere und kaufbereitere Nutzersegmente umfasst.

Ich halte diese Zahl für den eigentlichen Alarmpunkt – nicht weil ein Drittel schon die Mehrheit ist, sondern weil dieser Anteil vor drei Jahren näher an null lag. Die Kurve zählt mehr als der aktuelle Wert.

Affiliate-Modelle und die Frage nach der Marge

Wer bezahlt eigentlich, wenn ChatGPT ein Produkt empfiehlt? Das ist die Frage, die im Hintergrund jeder Diskussion über Shopping Research mitläuft – und die OpenAI bislang nicht vollständig beantwortet hat.

Klar ist: Aktuell sind die Empfehlungen laut OpenAI nicht kommerziell bezahlte Platzierungen. Das unterscheidet Shopping Research fundamental von Google Shopping Ads oder gesponserten Listings auf Amazon. Händler kaufen sich nicht in den ersten Slot ein. Das klingt fair – und ist für etablierte Werbebudget-Strukturen gleichzeitig das eigentliche Problem.

Denn wenn Sichtbarkeit nicht mehr durch Gebotsstrategien steuerbar ist, verlieren Performance-Marketing-Setups einen zentralen Hebel. Die Marge, die Marken bisher für bezahlte Discovery ausgegeben haben, landet nicht automatisch im eigenen ROAS – sie wird schlicht irrelevant, wenn der Nutzer die Entscheidung bereits im Chat trifft.

Shopify hat reagiert und eine direkte Integration mit ChatGPT aufgebaut, die es Händlern ermöglicht, ihre Produktdaten strukturiert in die KI-Produktsuche einzuspeisen. Das ist ein früher strategischer Schachzug: Wer die Datenpipeline kontrolliert, kontrolliert die Sichtbarkeit. Für Shops außerhalb dieses Ökosystems bleibt die Frage offen, wie ihre Produktinformationen überhaupt in die Empfehlungen einfließen.

ChatGPT vs. Google Shopping: Eine ehrliche Vergleichstabelle

Um den Unterschied konkret zu fassen, lohnt ein direkter Vergleich der beiden Ansätze:

• Entdeckungsmechanismus: Google Shopping nutzt Keyword-Matching und Gebotsalgorithmen; ChatGPT Shopping Research arbeitet mit dialogbasierter Absichtserkennung und Kontextverarbeitung.
• Sichtbarkeitssteuerung: Bei Google über Gebote, Feed-Qualität und Kampagnenstruktur; bei ChatGPT aktuell primär über Datenvollständigkeit und öffentliche Produktinformationen.
• Conversion-Pfad: Google leitet direkt auf Produktseiten weiter; ChatGPT liefert erst einen Einkaufsführer, der dann zum Shop führt – ein zusätzlicher Friktionspunkt.
• Bezahltes Placement: Google Shopping hat etablierte Anzeigenformate; ChatGPT Shopping Research basiert aktuell nicht auf bezahlten Platzierungen.
• Datenquelle: Google nutzt Merchant-Center-Feeds; ChatGPT greift auf öffentlich verfügbare Informationen zu, strukturierte Feeds sind ein Vorteil.
• Zielgruppe: Google Shopping deckt breite Suchvolumina ab; ChatGPT richtet sich laut OpenAI eher an komplexe, mehrkriterienbezogene Kaufentscheidungen.

Das Zwischenfazit dabei: Es ist kein Entweder-oder. Wer jetzt alle SEO- und Google-Shopping-Budgets umschichtet, handelt voreilig. Wer Shopping Research komplett ignoriert, schläft einen Kanal verschlafen, der gerade Fahrt aufnimmt.

Brand Safety und die Kontrollfrage

Für Marken ergibt sich ein spezifisches Problem, das beim Schlagwort Brand Safety zu kurz greift: Wenn eine KI Produktempfehlungen ausspricht, kontrolliert die Marke weder Kontext noch Tonalität der Einbettung. Ein Produkt kann in einer Antwort neben einem Wettbewerber auftauchen, ohne dass die Marke das gesteuert hat – und ohne dass ein Mediaplan diese Nachbarschaft hätte verhindern können.

Das ist nicht per se negativ. Aber es ist neu. Klassische Brand-Safety-Strategien sind auf platzierungsbasierte Werbung ausgelegt: Man bucht Slots, vermeidet bestimmte Umfelder, setzt Keyword-Sperrlisten. Bei dialogbasierter KI-Produktsuche gelten diese Werkzeuge schlicht nicht mehr.

Dazu kommt die Frage der Datenqualität. OpenAI gibt intern eine Produktgenauigkeit von 64 Prozent bei komplexen Produktanfragen an – das ist ein Wert aus einer eigenen Evaluation und kein unabhängiges Benchmark. Für Händler bedeutet das konkret: Wenn ihre Produktdaten online unvollständig, veraltet oder widersprüchlich sind, riskieren sie Fehldarstellungen in KI-Empfehlungen, die sie nicht sehen und nicht korrigieren können, bevor der Kunde sie liest.

Traffic, Conversion und die Lücke dazwischen

Hier wird Klartext gebraucht, weil in vielen Berichten über Shopping Research die zwei entscheidenden Metriken vermischt werden: Referral-Traffic und Kaufabschluss.

Dass ChatGPT Besucher auf Produktseiten schickt, ist belegt und wächst. Dass diese Besucher zu Käufern werden, ist eine andere Geschichte. Vorliegende Daten zeigen, dass der Commerce-Impact von ChatGPT-generierten Empfehlungen bislang hinter etablierten Kanälen wie Google Organic, Google Shopping Ads oder Amazon-internen Suchergebnissen zurückbleibt. Conversion-Raten und durchschnittliche Warenkorbwerte sind für diesen Kanal noch weitgehend unversioniert.

Das bedeutet für Shopbetreiber: Wer Shopping Research in seine Kanalstrategie aufnimmt, sollte zunächst Tracking-Grundlagen legen. UTM-Parameter für ChatGPT-referral-Traffic, klare Conversion-Attribution und eine saubere Trennung von organischem und KI-generierten Traffic sind Voraussetzungen, um überhaupt zu messen, ob sich der Aufwand rechnet.

Die offizielle OpenAI-Beschreibung von Shopping Research gibt erste Hinweise auf Funktionsumfang und Zielgruppe – der Kanal ist explizit für komplexe, mehrkriterienbezogene Kaufentscheidungen konzipiert, nicht als Massenkanal für Commodities.

Welche Produktkategorien profitieren – und welche nicht

Ein Aspekt, der in der bisherigen Debatte um Shopping Research zu wenig Beachtung findet, ist die Frage der Produktkategorie. Nicht jedes Sortiment profitiert gleichermaßen von dialogbasierter KI-Produktsuche – und das hat direkte strategische Konsequenzen für die Ressourcenplanung.

Shopping Research ist konzeptionell auf komplexe, mehrdimensionale Kaufentscheidungen ausgerichtet. Wer ein Ladekabel für zehn Euro sucht, fragt keine KI nach kuratierten Vergleichen – wer hingegen einen Lauftrainer, eine Kaffeemaschine für einen spezifischen Haushalt oder ein B2B-Softwaretool evaluiert, bringt genau die Art von Anforderungsprofil mit, das einen Dialog sinnvoll macht. Für Händler bedeutet das: Kategorien mit hoher Beratungsintensität, vielen Vergleichsattributen und mittleren bis hohen Preispunkten sind die wahrscheinlichsten Early-Adopter-Felder für diesen Kanal.

Wer dagegen hauptsächlich Standardware oder Verbrauchsgüter verkauft, deren Differenzierung primär über den Preis läuft, hat von Shopping Research kurzfristig weniger zu erwarten – und weniger zu befürchten. Die richtige Frage ist also nicht nur „Was macht Shopping Research?“, sondern „Was suchen meine Kunden, und in welchem Modus treffen sie Kaufentscheidungen?“

Händler, die KI-gestützte Beratungslogik bereits in ihren eigenen Shop integriert haben, haben hier einen doppelten Vorteil: Sie kennen die typischen Dialoge und Anforderungsprofile ihrer Kundschaft besser und können Produktdaten gezielter auf genau diese Fragen hin strukturieren.

Gegenargument: Warum Shopping Research auch überschätzt werden kann

Eine ehrliche Einordnung erfordert auch den Blick auf die Gegenposition. Es gibt valide Argumente dafür, dass Shopping Research zumindest kurzfristig weniger disruptiv ist, als manche Kommentare nahelegen.

Erstens bleibt der Conversion-Pfad länger als bei direkten Suchergebnissen. Wer über ChatGPT ein Produkt findet, muss anschließend noch auf eine externe Seite navigieren, dort den Kaufprozess starten und ggf. ein Konto anlegen. Das sind Friktionspunkte, die bei etablierten Kanälen durch jahrelange UX-Optimierung deutlich geglättet wurden.

Zweitens ist das Nutzerverhalten träge. Gewohnheiten wie „Amazon-Suche für Produkte, Google für alles andere“ haben sich über Jahre aufgebaut. Die NIM-Studie zeigt zwar, dass ein Drittel der Deutschen KI bei Kaufentscheidungen bevorzugt – aber Bevorzugung im Befragungskontext und tatsächliches Verhalten im Kaufmoment können erheblich auseinanderfallen.

Drittens ist unklar, wie OpenAI die Monetarisierung langfristig gestaltet. Wenn Shopping Research in Zukunft bezahlte Platzierungen einführt, verschiebt sich die gesamte Logik – und Händler, die jetzt auf organische KI-Sichtbarkeit optimiert haben, stehen wieder vor einem Pay-to-Play-Modell. Diese Ungewissheit ist kein Argument gegen eine Beschäftigung mit dem Kanal, aber ein guter Grund, keine irreversiblen Budgetentscheidungen auf Basis des heutigen Status zu treffen.

Was Händler jetzt konkret tun sollten

Aus der Analyse ergibt sich eine pragmatische Prioritätenliste, die keine Revolution erfordert, aber klare Hausaufgaben definiert.

Produktdaten aufräumen – sofort. Vollständige, konsistente und strukturierte Produktbeschreibungen sind nicht nur für SEO relevant, sondern die Grundvoraussetzung dafür, dass KI-Systeme ein Produkt korrekt einordnen und empfehlen können. Fehlende Specs, widersprüchliche Maßangaben oder veraltete Preise sind Fehler, die in klassischen Suchergebnissen tolerierbar waren. In KI-kuratierten Empfehlungen können sie zur Nicht-Erwähnung oder Fehlinformation führen.

Schema Markup und strukturierte Daten priorisieren. Wer Produktdaten maschinenlesbar aufbereitet hat, hat bei jeder Form von KI-Produktsuche einen strukturellen Vorteil gegenüber Shops, die auf unstrukturierte Freitext-Beschreibungen setzen. Das gilt für Preis, Verfügbarkeit, Kategorie und Kundenbewertungen.

Shopify-Integration und ähnliche direkte Pipelines prüfen. Plattformen, die direkte Datenverbindungen zu ChatGPT oder vergleichbaren KI-Systemen aufgebaut haben, bieten strukturelle Sichtbarkeitsvorteile. Das ist kein Garant, aber eine reduzierte Friktionsstufe gegenüber Shops, deren Daten nur indirekt über Web-Crawling erreichbar sind.

Tracking-Setup anpassen. ChatGPT-Referral-Traffic taucht in Analytics-Systemen nicht automatisch sauber getrennt auf. UTM-Parameter und eine klare Traffic-Source-Klassifikation sind Voraussetzung, um Daten zu sammeln, die mittelfristig Budgetentscheidungen informieren können.

Die Einordnung von ChatGPT im E-Commerce zwischen Reichweite und Kaufbereitschaft fasst den Stand der Diskussion nüchtern zusammen: Wachsender Kanal, noch kein Umsatztreiber erster Klasse. Das ist die richtige Erwartungshaltung für die nächsten Quartale.

Die eigentliche strategische Frage

Meiner Einschätzung nach ist Shopping Research nicht das Ende der klassischen Produktsuche – aber es ist ein Präzedenzfall für eine Verschiebung der Entscheidungshoheit. Wenn KI-Systeme zunehmend die Auswahl vorstrukturieren, bevor ein Nutzer überhaupt eine Produktseite aufruft, verändert sich, welche Signale kaufentscheidend sind.

Früher gewann, wer beim Suchbegriff auf Position 1 stand. Morgen gewinnt, wessen Produkt von einer KI als am relevantesten für den beschriebenen Anwendungsfall eingestuft wird. Das ist kein kleiner Unterschied – das ist eine andere Logik.

Die Einordnung von The Decoder zu ChatGPT als Einkaufsagent beschreibt das Szenario treffend: Die KI recherchiert autonom, vergleicht und kuratiert. Der Shop ist dann kein Ausgangspunkt der Discovery mehr, sondern deren Endpunkt.

Welche Shopbetreiber werden in zwei Jahren feststellen, dass ihr organischer Traffic gesunken ist – und es erst dann bemerken?