KI Produktsuche im E Commerce: Warum AI Search und GEO zusammengehören

Kunden suchen Produkte heute anders als noch vor wenigen Jahren. Statt einzelne Begriffe einzugeben, formulieren sie zunehmend ganze Bedürfnisse:

• „Ich suche einen leichten wasserdichten Wanderschuh für längere Touren unter 180 Euro.“
• „Welcher 27 Zoll Monitor eignet sich für Homeoffice und gelegentliche Bildbearbeitung?“
• „Welche Kaffeemaschine passt zu einem Büro mit 30 Mitarbeitern und ist einfach zu reinigen?“

Solche Anfragen können bei Google beginnen, innerhalb eines Online Shops oder direkt in generativen Systemen wie ChatGPT, Gemini oder Perplexity. Für Händler entsteht dadurch eine neue Herausforderung: Produkte müssen nicht mehr nur über klassische Keywords auffindbar sein. Suchsysteme müssen zunehmend verstehen, welches Bedürfnis hinter einer Anfrage steckt.

Genau hier treffen zwei Entwicklungen aufeinander: AI Search innerhalb des Online Shops und Generative Engine Optimization, kurz GEO, außerhalb des Shops.

Beide verfolgen letztlich dasselbe Ziel. Produkte sollen dort relevant erscheinen, wo Kunden danach suchen.

Von Keywords zu komplexen Produktbedürfnissen

Klassische Produktsuche funktioniert besonders gut, wenn Nutzer bereits genau wissen, wonach sie suchen. Produktnamen, Marken oder Artikelnummern lassen sich effizient über etablierte Retrieval Verfahren finden.

Schwieriger wird es bei offenen oder indirekten Anfragen.

Aktuelle Forschung zeigt, dass gerade sogenannte implizite oder übergeordnete Produktanfragen für klassische Ranking Systeme anspruchsvoll sind. Dazu gehören beispielsweise Formulierungen wie „beste Schuhe für Trailrunning“. In solchen Fällen müssen Suchsysteme zusätzliche Eigenschaften aus der Nutzerintention ableiten, obwohl diese nicht ausdrücklich genannt werden. Dhole et al. untersuchten 2025 genau dieses Problem und zeigen, dass Large Language Models dabei helfen können, solche impliziten Eigenschaften zu identifizieren und für das Ranking nutzbar zu machen.¹

Für die Praxis bedeutet das jedoch nicht, dass jede Shop Suche automatisch durch ein LLM ersetzt werden sollte. Vielmehr gewinnen Architekturen an Bedeutung, die verschiedene Verfahren kombinieren.

Eine Anfrage nach „Nike Air Max 90“ benötigt andere Suchlogik als die Anfrage „bequemer Schuh für lange Messetage“.

Moderne Product Discovery muss beide Fälle beherrschen.

Gute Produktdaten werden zur Grundlage von AI Search

Damit ein Suchsystem komplexe Anfragen verstehen kann, muss es wissen, welche Eigenschaften ein Produkt besitzt.

Produktinformationen sind jedoch häufig uneinheitlich aufgebaut. Manche Eigenschaften befinden sich in strukturierten Attributen, andere nur im Beschreibungstext. Kategorien können historisch gewachsen sein und nicht immer den Begriffen entsprechen, die Kunden tatsächlich verwenden.

Eine 2025 veröffentlichte Arbeit zu Generative Semantic Indexing beschreibt genau diese Herausforderung. Die Autoren bezeichnen die strukturierte Repräsentation von Produktinformationen als einen wesentlichen Engpass für E Commerce Plattformen. Klassisch gepflegte Kategorien und Attribute decken insbesondere Long Tail Produkte und tatsächliche Nutzerpräferenzen nicht immer ausreichend ab. Das vorgestellte Verfahren wurde anschließend in einer realen E Commerce Plattform eingesetzt.²

Damit wird deutlich: AI Search beginnt nicht beim Chatbot. Sie beginnt bei der Qualität und Struktur der Produktinformationen.

Für einen Shop können unter anderem folgende Informationen entscheidend sein:

Je vollständiger und konsistenter diese Informationen vorliegen, desto besser können klassische Suche, semantische Verfahren und generative Systeme darauf aufbauen.

Warum GEO für E Commerce relevanter wird

Die Produktsuche findet gleichzeitig zunehmend außerhalb des Shops statt.

Generative Suchsysteme liefern Nutzern keine klassische Liste von zehn Links, sondern formulieren Antworten, vergleichen Optionen und können Produkte direkt empfehlen. Dadurch entsteht mit Generative Engine Optimization ein neuer Bereich der digitalen Sichtbarkeit.

Für E Commerce Unternehmen lautet die Frage damit nicht mehr ausschließlich:

Wie weit oben steht unsere Produktseite bei Google?

Sondern zunehmend auch:

Wird unser Produkt von einem generativen System überhaupt als relevante Option erkannt?

Wie aktuell das Thema ist, zeigt der wissenschaftliche E GEO Benchmark aus dem Jahr 2025. Der Datensatz enthält mehr als 7.000 realistische mehrteilige Produktanfragen, die unter anderem konkrete Anforderungen, Präferenzen und Nutzungssituationen abbilden. Die Autoren untersuchen damit erstmals systematisch GEO Strategien speziell für den E Commerce und zeigen zugleich, dass einfache pauschale Optimierungsregeln nicht automatisch zuverlässig funktionieren.³

Das ist für Händler besonders wichtig.

GEO sollte nicht als Sammlung kleiner Tricks verstanden werden, mit denen Inhalte möglichst häufig von ChatGPT genannt werden. Viel wichtiger sind verlässliche Grundlagen:

• klare Inhalte, strukturierte Produktdaten, fachliche Relevanz, Aktualität und technische Zugänglichkeit.

Damit überschneiden sich GEO, SEO und moderne Product Discovery stärker, als es zunächst erscheint.

Interne und externe Suche sollten nicht getrennt betrachtet werden

Stellen wir uns eine typische Customer Journey vor:

Ein Kunde fragt einen KI Assistenten nach einem geeigneten Produkt. Das System empfiehlt mehrere Optionen. Anschließend öffnet der Kunde einen Online Shop, möchte dort vergleichen und verwendet die interne Suche.

Jetzt entsteht ein Problem, wenn die externe KI die natürlich formulierte Anfrage verstanden hat, die Shop Suche aber nur einzelne Keywords verarbeiten kann.

Der Kunde müsste seine ursprüngliche Frage wieder vereinfachen.

Aus

„leichte wasserdichte Jacke für tägliches Fahrradfahren“

wird dann vielleicht

„Fahrradjacke“

Dabei gehen wichtige Anforderungen verloren.

Eine moderne E Commerce Search sollte deshalb zunehmend natürliche Sprache, Produktattribute und semantische Zusammenhänge gemeinsam berücksichtigen.

Die technische Forschung zeigt, dass dafür keine einzelne Methode für alle Anfragen optimal ist. Ein aktueller Benchmark aus 2026 untersucht Large Language Models als semantische Encoder unter anderem für Product Search und basiert auf einem sehr großen Amazon Datensatz mit mehr als 570 Millionen Reviews und 48 Millionen Artikeln. Ein Schwerpunkt liegt auf komplexen Produktanfragen, bei denen die sprachliche Bedeutung stärker berücksichtigt werden muss als bei einfacher Keyword Suche.⁴

Für Online Shops spricht das für eine hybride Search Architektur.

Klassische Suche bleibt leistungsfähig bei eindeutigen Begriffen und Produktkennungen. Semantische Verfahren helfen bei Synonymen, natürlichen Formulierungen und komplexeren Bedürfnissen. Filter, Geschäftssignale und Produktattribute ergänzen das Ranking.

Die entscheidende Frage ist die Suchintention

Eine Anfrage wie „leichte wasserdichte Jacke für Fahrradfahren unter 150 Euro“ enthält bereits mehrere Informationen:

Eine klassische Suchmaschine könnte versuchen, Produkte zu finden, in deren Text möglichst viele dieser Wörter vorkommen.

Eine intelligente Suche kann die Anfrage dagegen strukturieren und unterschiedliche Anforderungen getrennt betrachten.

Dadurch verändert sich die zentrale Frage:

Nicht mehr:

„Welche Produkte enthalten diese Wörter?“

Sondern:

„Welche Produkte erfüllen dieses Kundenbedürfnis am besten?“

Genau diese Verschiebung ist für E Commerce Manager entscheidend. Search wird damit weniger zu einer rein technischen Funktion und stärker zu einem Teil von Merchandising, Conversion Optimierung und Customer Experience.

Was eine moderne E Commerce Suche leisten sollte

Für die Praxis lassen sich vier zentrale Anforderungen zusammenfassen.

1. Natürliche Sprache verstehen
Kunden sollten ihre Anforderungen möglichst so formulieren können, wie sie tatsächlich denken. Synonyme und unterschiedliche Bezeichnungen dürfen nicht automatisch zu schlechten Treffern führen.

2. Unterschiedliche Suchverfahren kombinieren
Keyword Search und semantische Suche schließen sich nicht aus. Hybrid Search kann abhängig von der Anfrage unterschiedliche Signale zusammenführen.

3. Produktdaten konsequent einbeziehen
Preis, Verfügbarkeit, Eigenschaften, Kategorien und weitere Attribute gehören direkt in die Relevanzbewertung.

4. Ergebnisse messbar verbessern
Nicht jede KI Funktion sorgt automatisch für bessere Ergebnisse. Suchqualität sollte anhand realer Anfragen, erwarteter Produkte und Business KPIs geprüft werden.

Gerade der letzte Punkt ist wichtig. Eine AI Search ist nur dann besser, wenn Kunden tatsächlich relevantere Produkte finden.

Welche KPIs für E Commerce Teams relevant sind

Für die Bewertung sollten technische und wirtschaftliche Kennzahlen miteinander verbunden werden.

Zusätzlich lohnt sich eine qualitative Betrachtung häufiger Suchanfragen. Sie zeigt nicht nur Probleme der Suchmaschine, sondern häufig auch Lücken bei Produktdaten, Sortiment oder Navigation.

Was bedeutet das für GEO und SEO?

SEO bleibt weiterhin wichtig. GEO ersetzt klassische Suchmaschinenoptimierung nicht. Vielmehr entsteht eine zusätzliche Ebene.

Für Unternehmen wird relevant, dass Produktinformationen über mehrere Systeme hinweg verständlich und konsistent sind.

Eine gute Produktseite sollte deshalb nicht nur Keywords enthalten. Sie sollte konkrete Fragen beantworten:

• Für wen ist das Produkt geeignet?
• Welche Eigenschaften besitzt es?
• Für welchen Einsatz ist es gedacht?
• Welche Einschränkungen gibt es?
• Wie unterscheidet es sich von Alternativen?

Diese Informationen helfen Kunden, klassischen Suchmaschinen, internen Suchsystemen und generativen Anwendungen gleichermaßen.

Aus GEO Sicht sind gerade eindeutige, strukturierte und sachlich belastbare Aussagen relevant. Das erhöht die Wahrscheinlichkeit, dass ein System den Inhalt korrekt einordnen kann. Gleichzeitig sollte GEO nicht mit garantierter Sichtbarkeit verwechselt werden. Generative Systeme unterscheiden sich in Retrieval, Quellenwahl und Antworterzeugung, weshalb Ergebnisse nicht vollständig kontrollierbar sind. Die aktuelle Forschung beschreibt GEO deshalb eher als mehrstufiges und probabilistisches Optimierungsproblem als als klassisches Rankingverfahren.⁵

Fazit: Product Discovery wird zur durchgängigen Customer Journey

KI verändert nicht nur die Suchfunktion innerhalb eines Online Shops. Sie verändert den gesamten Weg, auf dem Kunden Produkte entdecken.

Die Customer Journey kann heute bei Google, in ChatGPT, in einem anderen KI System oder direkt im Online Shop beginnen. Kunden erwarten dabei zunehmend, ihre Bedürfnisse natürlich formulieren zu können.

Für E Commerce Unternehmen ergeben sich daraus drei zentrale Aufgaben:

1. Produktdaten müssen hochwertig und strukturiert sein.
2. Die interne Suche muss unterschiedliche Suchintentionen verstehen.
3. Produktinformationen müssen auch für generative Systeme möglichst eindeutig interpretierbar sein.

AI Search, SEO und GEO sollten deshalb nicht als drei getrennte Projekte betrachtet werden.

Sie greifen auf dieselbe Grundlage zurück: verlässliche Informationen und eine leistungsfähige Search Architektur.

Die entscheidende Frage für Händler lautet damit zunehmend:

Wird unser Produkt nicht nur gefunden, sondern auch richtig verstanden, wenn ein Kunde danach fragt?

Unsere Quasiris Experten unterstützen Sie dabei, Ihre bestehende Produktsuche zu analysieren, reale Kundenanfragen zu bewerten und geeignete Search Verfahren für Ihren konkreten Anwendungsfall auszuwählen. Jetzt Demo Buchen!