Je gründlicher ein KI-Agent nachdenkt, desto egaler wird ihm, auf welchem Platz ein Angebot steht. Damit gerät eine Grundannahme der Suchmaschinenoptimierung ins Wanken.
Forscher der McGill University haben das gemessen. Vier Sprachmodelle von Google und Anthropic buchten in Tausenden Durchläufen aus je 100 zufällig sortierten Angeboten. Der Listenplatz beeinflusste schon die nähere Betrachtung vier- bis zehnmal schwächer als bei Menschen. In einem Zusatzexperiment mit zwei Modellen galt außerdem: Je gründlicher sie nachdachten, desto weniger zählte er.
78 Prozent der Buchungen gingen an dasselbe Angebot: das mit der besten Bewertung zum niedrigsten Preis für diese Bewertung.
Für den Onlinehandel verschieben sich damit Ziel und Logik. Menschen klicken bevorzugt oben, also floss Budget in Rankings, Kategorieplätze und Anzeigen. Ein Agent kann viel mehr Angebote gleichzeitig berücksichtigen und sich stärker auf deren Eigenschaften konzentrieren.
Eine zweite Studie, von der Columbia Business School, zeigt ein weiteres Detail. Dort ließen Agenten Produkte mit „Gesponsert“-Kennzeichnung eher liegen. Gekaufte Sichtbarkeit kann also zum Malus werden.
Bleibt die Frage, wie man für so einen Käufer optimiert. Reicht es, die eigenen Daten maschinenlesbar zu hinterlegen und auf den Vergleich zu hoffen?
Lesbare Daten sind die Eintrittskarte. Ohne Preise, Lieferzeiten und Eigenschaften in sauberer Form kommt ein Angebot gar nicht erst in den Vergleich, gewonnen ist damit aber noch nichts. Der Agent vergleicht entlang der Kriterien, die ihm sein Nutzer mitgibt.
Die Columbia-Forscher haben das auch auf Verkäuferseite getestet: Ein KI-Agent optimierte Produktbeschreibungen gezielt auf das beobachtete Kaufverhalten des jeweiligen Käufermodells – und konnte damit teils erheblich Marktanteil verschieben.
Damit rückt eine andere Frage in den Mittelpunkt: Wie denken die eigenen Kunden, wenn sie vergleichen? Was ist ihnen wichtig, was schließt ein Angebot für sie aus, mit welchen Worten beschreiben sie das?
Dazu kommen Signale, die man sich verdienen muss. In der McGill-Studie landeten die Modelle immer wieder beim selben Angebot: höchste Bewertung, dazu der günstigste Preis in dieser Bewertungsklasse.
Eine Einschränkung gehört dazu. Die Modelle verhalten sich unterschiedlich, und laut der Columbia-Studie kann schon ein Modell-Update die Marktanteile neu mischen. Einmal optimieren und abhaken funktioniert deshalb nicht.
Die wichtigste Marktforschung im Onlinehandel wird damit eine schlichte Frage:
Was tippt mein Kunde in den Chat, wenn er Angebote vergleicht?
