KI statt Kategoriebaum: ChatGPT Shopping Research und die neue Produktsuche im E-Commerce

OpenAI hat ChatGPT Shopping Research offiziell gestartet – und stellt damit die klassische Produktsuche im E-Commerce vor ein echtes Strukturproblem. Wer bisher auf Kategoriebäume, Filtermasken und Amazon-Rankings gesetzt hat, muss jetzt neu rechnen. Die Frage ist nicht ob, sondern wie schnell sich die Einstiegslogik für Käuferinnen und Käufer verschiebt.

Was ChatGPT Shopping Research konkret macht

Klartext zuerst: Shopping Research ist kein Preisvergleichsportal mit KI-Fassade. OpenAI beschreibt die Funktion als dialogischen Einkaufsassistenten, der bei passenden Kaufanfragen automatisch vorgeschlagen wird. Nutzerinnen und Nutzer tippen keine Keywords in eine Suchmaske, sondern beschreiben ihr Problem – und ChatGPT stellt Rückfragen, bis ein hinreichend präziser Bedarf formuliert ist. Erst dann liefert die KI eine strukturierte Produktübersicht mit Quellen.

Die Funktion ist laut OpenAI für alle eingeloggten Nutzerinnen und Nutzer der Pläne Free, Go, Plus und Pro verfügbar – auf Mobile und Web. Das ist keine Beta-Funktion für Entwickler, sondern ein breites Rollout. Das Problem dabei: Viele Händler wissen noch nicht, wie ihre Produktdaten in diesem Kontext bewertet werden.

Der Ablauf unterscheidet sich fundamental von klassischen Suchanfragen. Wer bei Google „Staubsauger leise kleine Wohnung“ eingibt, bekommt eine Liste aus SEO-optimierten Seiten, bezahlten Anzeigen und Vergleichsportalen. ChatGPT Shopping Research fragt stattdessen nach: Wie groß ist die Wohnung? Gibt es Tiere? Was ist das Budget? Wichtiger als Saugkraft – Lautstärke oder Filterwirkung? Das klingt banal, ist aber ein anderes Interaktionsmodell.

Das Ergebnis ist eine kuratierte Empfehlungsliste, die Quellen zitiert und explizit auf vertrauenswürdige Websites zugreifen soll. OpenAI hat hier ein Kernproblem generativer KI direkt adressiert: Die Angabe von Quellen soll Halluzinationen in Produktempfehlungen reduzieren. Ob das in der Praxis funktioniert, wird sich zeigen – aber die Intention ist klar dokumentiert.

Der Kategoriebaum stirbt nicht, aber er verliert seine Monopolstellung

Seien wir ehrlich: Kategoriebäume sind oft die schlechteste Antwort auf eine nuancierte Kaufentscheidung. Wer ein Gerät sucht, das in drei Sprachen funktioniert, für Kinder geeignet ist und unter 80 Euro kostet, klickt sich durch fünf Filterebenen – und findet trotzdem nicht das Richtige. Gute Händler wissen das. Trotzdem hat sich an der grundlegenden Navigation in den meisten Onlineshops seit 15 Jahren wenig geändert.

Die KI-Produktsuche adressiert genau diese Lücke. Sie übersetzt unscharfe, natürlichsprachliche Anfragen in Produktvergleiche. Das ist der strukturelle Vorteil gegenüber klassischem Facetted Search. Gleichzeitig ist die Conversion-Logik eine andere: Wer über ChatGPT Shopping Research ein Produkt findet, hat bereits mehr Recherche investiert als der durchschnittliche Käufer nach einer Google-Suche. Das kann die Rücklaufquote senken – oder auch nicht, wenn die KI-Empfehlung nicht zu den tatsächlichen Gegebenheiten passt.

Preisvergleichsportale wie Idealo oder Check24 stehen vor einer spezifischen Herausforderung: Sie sind auf den direkten Preisvergleich als Einstiegspunkt gebaut. ChatGPT Shopping Research dagegen verlagert den Einstieg in die Bedarfsdefinition. Bis der Nutzer einen konkreten Preis sehen will, hat die KI bereits stark vorselektiert. Das ist Disruption auf der Ebene der Customer Journey, nicht auf der Ebene der Preistransparenz.

Was die Zahlen gerade noch sagen – und warum das kein Freifahrtschein ist

Eine Studie der Frankfurt School vom Juni 2026 gibt dem Hype einen nüchternen Rahmen: Im untersuchten Sample lag der LLM-Anteil am gesamten E-Commerce-Traffic bei unter 0,2 Prozent. Das ist laut der idw-Meldung zur Studie kein Widerspruch zur strategischen Relevanz, sondern eine Einordnung: LLM-Traffic ist aktuell für komplexe Kaufentscheidungen relevant, nicht für den Massenkauf von Alltagsprodukten.

Das Problem dabei für Händler: Komplexe Kaufentscheidungen sind oft genau die Kategorien mit der höchsten Marge. Wer Elektronik, Haushaltsgroßgeräte, Sportequipment oder erklärungsbedürftige Software verkauft, sitzt in den Segmenten, in denen KI-Produktsuche bereits jetzt Einfluss nehmen kann. Wer Klopapier und Kaffee verkauft, kann sich vorerst entspannen.

Meiner Einschätzung nach unterschätzen viele Händler diesen Punkt bewusst, weil der Traffic-Anteil noch klein wirkt. Das ist ein Fehler. Der Zeitpunkt, Produktdaten KI-kompatibel aufzubereiten, ist jetzt – nicht wenn der Traffic-Anteil auf 2 Prozent gestiegen ist und die Konkurrenz bereits optimiert hat.

Produktdaten für KI-Sichtbarkeit: Konkret, nicht abstrakt

Was bedeutet „KI-kompatible Produktdaten“ im Klartext? ChatGPT Shopping Research liest externe Quellen, zitiert sie und strukturiert daraus Empfehlungen. Die KI bevorzugt Seiten, die strukturierte, klar lesbare Produktinformationen liefern. Das heißt für Händler und Hersteller: Produktbeschreibungen müssen die Fragen beantworten, die echte Käuferinnen und Käufer stellen – nicht die Fragen, die ein Kategoriebaum-Filter abfragt.

Konkret: Statt „2400 Watt, HEPA-Filter, 3 Meter Kabel“ braucht es Antworten auf „Wie laut ist das Gerät in Dezibel?“, „Für welche Bodenfläche ist es ausgelegt?“ und „Welche Besonderheiten hat es gegenüber vergleichbaren Modellen?“. Produktseiten, die diese Fragen nicht beantworten, werden von der KI schlicht ignoriert oder durch Rezensionen und Testberichte ersetzt – die dann die Sichtbarkeit übernehmen.

Technisch gesehen ist strukturiertes Markup weiterhin relevant. Schema.org-Produktdaten, klare Titel, vollständige Spezifikationstabellen und ehrliche Vergleiche gegenüber Wettbewerbern werden von KI-Systemen besser verarbeitet als blumige Marketingtexte. Das ist keine neue Erkenntnis – aber Shopping Research macht sie dringlicher.

Ein weiterer Punkt: Produktbewertungen und externe Testberichte gewinnen an Gewicht. ChatGPT zitiert Quellen – und wenn die Quelle für ein Produkt ein unabhängiger Test ist, während die eigene Produktseite dünn bleibt, verliert der Händler die Kontrolle über die eigene Darstellung in der KI-Antwort. Content-Strategie für E-Commerce-Betreiber bekommt damit eine neue Dimension: Es geht nicht mehr nur um Rankings in Suchmaschinen, sondern um die Qualität der Informationen, die KI-Assistenten zitieren können.

Performance-Marketing und D2C-Sichtbarkeit: Das Ökosystem verschiebt sich

Wer im E-Commerce auf bezahlte Suchanzeigen setzt, steht vor einem strukturellen Problem. ChatGPT Shopping Research zeigt nach aktuellem Stand keine klassischen Textanzeigen im Google-Stil. Die KI selektiert nach Relevanz und Quellenqualität, nicht nach Geboten. Das bedeutet: Ein kleiner D2C-Händler mit exzellenten Produktinhalten kann gegenüber einem Großhändler mit hohem Media-Budget sichtbarer sein – zumindest in der KI-Antwort.

Das klingt demokratisch. Das Problem dabei: „Exzellente Produktinhalte“ sind keine günstige Ressource. Sie erfordern redaktionelle Arbeit, technisches Markup und kontinuierliche Pflege. Für Händler mit breitem Sortiment und dünnen Margen ist das eine erhebliche Investition. Für Nischenanbieter mit klarem Produktfokus ist es eine echte Chance.

OpenAI beschreibt Shopping Research als Funktion, die bewusst auf vertrauenswürdige Quellen setzt und Kaufentscheidungen durch strukturierte Recherche unterstützt. Das impliziert: Marken und Händler, die bereits heute in unabhängigen Tests, Fachpublikationen und hochwertigen Produktseiten präsent sind, profitieren überproportional. Wer nur auf bezahlte Reichweite gesetzt hat, muss sein Portfolio überdenken.

Für D2C-Marken ist das eine besondere Situation. Wer seine Produkte ausschließlich über den eigenen Shop ohne starke Markenpräsenz in unabhängigen Quellen verkauft, läuft Gefahr, in der KI-Antwort schlicht nicht aufzutauchen. Aggregatoren, Vergleichsportale und starke Redaktionen behalten eine wichtige Funktion – aber jetzt als Zitatquelle für KI-Assistenten, nicht nur als Traffic-Lieferant.

Amazon und klassische Produktsuche: Wo der Druck wirklich entsteht

Amazon hat eine der stärksten Produktsuchdatenbanken der Welt. Die Suche dort ist auf Konversion optimiert: Sponsored Products, optimierte Listings, A+ Content, Rezensionen mit Ranking-Gewicht. Das alles funktioniert innerhalb von Amazons geschlossenem Ökosystem.

ChatGPT Shopping Research operiert außerhalb dieses Ökosystems. Wenn eine Nutzerin ChatGPT fragt, welchen Standmixer sie kaufen soll, und die KI eine Empfehlung aus einem unabhängigen Testbericht zitiert, landet der Klick möglicherweise auf dem Hersteller-Shop oder einem Fachhandel – nicht auf Amazon. Das ist kein garantiertes Szenario, aber eine strukturelle Möglichkeit, die für Händler mit eigenen Shops oder starken D2C-Kanälen interessant ist.

Das Problem dabei für Amazon-abhängige Seller: Ihre Produktdaten und Rezensionen liegen in Amazons Silo. ChatGPT kann Amazon-Listings lesen, aber der primäre Checkout-Impuls geht möglicherweise in eine andere Richtung. Wie sich das auf Conversion Rates in verschiedenen Kategorien auswirkt, ist aktuell noch nicht systematisch belegt – die Frankfurt-School-Studie deutet aber an, dass LLM-Traffic selektiv in komplexen Kategorien entsteht, also genau dort, wo Amazon-Listings oft weniger differenziert sind als spezialisierte Quellen.

Werbung, Transparenz und das Vertrauen der Nutzerinnen und Nutzer

Ein Aspekt, der in der Händler-Diskussion häufig untergeht: ChatGPT Shopping Research berührt auch Fragen der Werbekennzeichnung und Nutzer-Transparenz. OpenAI hat angekündigt, kommerzielle Modelle für sein Ökosystem weiterzuentwickeln. Ob und wie Produktempfehlungen zukünftig gesponsert oder priorisiert werden können, ist ein offener Punkt, der die gesamte Vertrauensdynamik der Funktion beeinflusst. Dass ChatGPT Werbung bekommt und Nutzer das wissen müssen, ist bereits ein eigenes Thema – und direkt relevant für die Frage, wie glaubwürdig Shopping-Empfehlungen langfristig wahrgenommen werden.

Für Händler bedeutet das: Die aktuelle Situation, in der organische Inhaltsqualität den Ausschlag gibt, könnte sich verändern. Wer jetzt ausschließlich auf organische Sichtbarkeit in KI-Antworten setzt, sollte diesen Entwicklungspfad im Blick behalten. Ein hybrides Modell – gute Produktinhalte plus Präsenz auf Plattformen, die KI-Assistenten als Quellen nutzen – ist mittelfristig robuster als eine Einzelstrategie.

Was Händler jetzt konkret tun können

Fünf Handlungsschritte, die keine Raketenwissenschaft sind, aber konsequent umgesetzt werden müssen:

• Produktbeschreibungen auf natürlichsprachliche Fragen hin überarbeiten. Was würde ein Käufer ChatGPT fragen? Diese Fragen müssen auf der Produktseite beantwortet sein – nicht im Marketingtext, sondern in klaren, spezifischen Aussagen.
• Schema.org-Markup vollständig implementieren. Produkttyp, Preis, Verfügbarkeit, Bewertungen – alles, was maschinell lesbar ist, erhöht die Chance, in KI-Antworten zitiert zu werden.
• Externe Präsenz in Testberichten und Fachpublikationen aktiv aufbauen. Produkte, über die unabhängig geschrieben wird, haben eine höhere Chance, als vertrauenswürdige Quelle in Shopping Research zu erscheinen.
• Preisvergleichsportale nicht aufgeben, aber neu einordnen. Idealo und Co. bleiben relevant – aber jetzt als Quellen, die KI-Assistenten zitieren können, nicht nur als direkter Traffic-Kanal.
• Sortimentstiefe prüfen. Händler mit vielen Produkten und dünnen Einzelbeschreibungen sollten priorisieren: Welche Kategorien haben die höchste Marge und die komplexesten Kaufentscheidungen? Dort zuerst investieren.

Ein praktisches Beispiel aus dem Markt: Die Frankfurt School weist in ihrer Studie darauf hin, dass ChatGPT bei komplexen Kaufentscheidungen bereits heute eine Rolle spielt – und dass Händler, die in diesen Segmenten schlecht aufgestellt sind, realen Traffic verlieren können, auch wenn der Gesamtanteil noch klein wirkt.

Gegenargument: Ist die Disruption wirklich so nah?

Es gibt berechtigte Gegenargumente zu einem allzu alarmistischen Blick auf ChatGPT Shopping Research. Erstens: Der dialogische Ansatz setzt voraus, dass Nutzerinnen und Nutzer bereit sind, ihre Kaufentscheidung mit einer KI zu besprechen – ein Verhalten, das bisher vor allem technikaffinen Zielgruppen vertraut ist. Für den Großteil des E-Commerce-Publikums bleibt die gewohnte Suche bei Google oder direkt auf Amazon noch lange der Einstiegspunkt der Wahl.

Zweitens: ChatGPT Shopping Research liefert Empfehlungen, aber keinen direkten Checkout. Die eigentliche Transaktion findet weiterhin auf dem Händler-Shop oder Marktplatz statt. Das bedeutet, dass alle bestehenden Hürden im Kaufprozess – Ladezeiten, Zahlungsabwicklung, Vertrauen in den Shop – weiter gelten. Eine gute KI-Empfehlung ist kein Garant für eine abgeschlossene Bestellung.

Drittens: KI-Systeme machen Fehler. Produktempfehlungen können veraltet sein, falsche Spezifikationen nennen oder Modelle empfehlen, die nicht mehr verfügbar sind. Händler sollten die Qualität ihrer eigenen Darstellung in KI-Antworten regelmäßig testen – und dort, wo Fehler auftauchen, aktiv gegensteuern, etwa durch aktualisierte Produktseiten oder direkte Rückmeldung an Plattformen.

Diese Einschränkungen ändern nichts an der grundsätzlichen Richtung der Entwicklung, aber sie mahnen zur Verhältnismäßigkeit: ChatGPT Shopping Research ist ein wichtiges Signal, kein sofortiger Systembruch. Wer jetzt mit solider Produktdatenpflege beginnt, ist gut positioniert – ohne sein gesamtes Marketing-Budget sofort umzuschichten.

Was bleibt: Wettbewerb um die KI-Antwort

Das Rennen um Sichtbarkeit in Suchmaschinen hat zwanzig Jahre gedauert, bis es halbwegs verstanden war. Der Wettbewerb um Sichtbarkeit in KI-Antworten beginnt gerade. ChatGPT Shopping Research ist dabei kein Einzelereignis, sondern ein Signal: Die Einstiegslogik der Produktsuche verschiebt sich von Keywords zu Kontext, von Kategorien zu Gesprächen, von Ranking zu Relevanz für eine spezifische Frage.

Meiner Meinung nach werden die ersten Gewinner nicht die größten Händler sein, sondern die, die am schnellsten verstehen, dass ihre Produktinhalte jetzt für zwei Zielgruppen optimiert werden müssen: Menschen und Maschinen, die für Menschen lesen. Das ist kein neues Prinzip – aber Shopping Research macht es konkret und dringend.

Welche Kategorien in Ihrem Sortiment haben die komplexesten Kaufentscheidungen – und sind Ihre Produktseiten dort gut genug, um in einer KI-Antwort zitiert zu werden?