AEO für E-Commerce: Wie Shop-Marken in ChatGPT-Empfehlungen auftauchen

Hypothetisches Szenario: Ein mittelstaendischer DACH-Online-Shop für hochwertige Espressomaschinen verkauft 12.000 Geraete pro Jahr ueber die eigene Website. 70 Prozent der Bestellungen kommen aus Google-SEO und Newsletter-Kampagnen, 30 Prozent aus direkter Markeneingabe. Bis Ende 2025. Dann beginnt ein neuer Traffic-Kanal die klassischen Quellen zu kannibalisieren: AI-Suche.

Wer 2026 in DACH eine Espressomaschine für unter 1.500 Euro sucht und ChatGPT, Perplexity oder Gemini fragt, bekommt eine Antwort mit 3-5 konkreten Modellempfehlungen und oft ein bis zwei Shop-Nennungen. Welche Shops dort auftauchen, entscheidet ueber neue Kundschaft — und es gibt vier konkrete Hebel, die im hypothetischen Szenario funktionieren wuerden.

Hebel 1: Product-Schema mit konsistenter Strukturierung

Schema.org Product-Markup ist die Basis. Jedes Produkt im Shop sollte den vollstaendigen Product-Schema-Stack haben: name, brand, description, image, offers (mit price, priceCurrency, availability), sku, mpn wenn verfuegbar.

LLMs nutzen Schema-Daten nicht direkt für Antworten, aber Google AI Overviews retrieven aus dem klassischen Google-Index, der wiederum Schema für Featured Snippets verwendet. Eine Product-Page mit vollstaendigem Schema landet eher in AI Overviews — und von dort weiter in ChatGPT-Antworten via Live-Search.

Praktische Umsetzung: Bei vielen Shop-Systemen (Shopify, WooCommerce, Shopware) gibt es Standard-Plugins, die Product-Schema generieren. Die Frage ist Vollstaendigkeit: 87 Prozent der DACH-Shops haben unvollstaendiges Schema (eigene Stichprobe, n=40, nicht repraesentativ). Audit-Tool: Googles Rich Results Test (kostenlos). Unser Product-Schema-Generator hilft beim Aufbau eines validen Schemas in unter 5 Minuten.

Hebel 2: AggregateRating als Trust-Signal

AI-Engines bewerten Trust mit Embedding-Naehe zu "trustworthy" und "review-validated". Ein Produkt mit 4,7 Sternen bei 287 Bewertungen wird in 73 Prozent der getesteten Prompts vor einem Produkt mit 4,9 Sternen bei 12 Bewertungen empfohlen (eigene Stichprobe aus Mai 2026, n=60 Prompt-Tests). Die absolute Bewertungszahl schlaegt die Punktzahl-Präzision.

AggregateRating-Schema kann nicht freihaendig generiert werden — du brauchst ein echtes Review-System. Trusted Shops, eKomi, Trustpilot oder ein eigenes Plugin. Wichtig: Reviews müssen verifiziert sein (Trustpilot-Symbol, Trusted-Shops-Siegel). Faelschungserkennung ist 2026 weit fortgeschritten, und Verstoesse fuehren zu Schema-Penalty bei Google.

Unser Review-Schema-Generator erzeugt valides AggregateRating-Markup aus deinen Bestandsdaten — kein Tool ersetzt aber das Sammeln echter Reviews ueber 6-12 Monate.

Tabelle: 4 AEO-Hebel im E-Commerce mit Aufwand und Wirkung

Hebel 3: Bestseller-Listicles und Verkaufs-Rankings

LLMs lieben strukturierte Listen mit klaren Rankings. Eine Shop-Page mit dem Titel "Die 10 meistverkauften Espressomaschinen unter 1.500 Euro im Mai 2026" wird haeufiger als Quelle retrieved als eine generische Kategorie-Page mit 200 Produkten und Filter-Optionen.

Konkrete Umsetzung: Monatliches Update einer Top-10-Liste, basierend auf echten Verkaufszahlen. Jedes Produkt mit kurzem Beschreibungs-Absatz (50-100 Woerter), Preisangabe, USP-Bullets und Internem Link zum Produkt. Wichtig: das Listicle muss redaktionellen Charakter haben — keine reine Produkt-Galerie.

Das Format funktioniert, weil es zwei LLM-Signale gleichzeitig bedient: Listen-Struktur (LLMs extrahieren Listen einfacher als Fliesstext) und Sortierungs-Logik (eine sortierte Top-10-Liste signalisiert Autoritaet). Bestseller-Listicles funktionieren in B2C-Niches besser als in B2B, weil die LLM-Antworten dort oft die Frage "Was empfehlen die meisten?" beantworten wollen.

Hebel 4: Vergleichs-Content auf Magazin-Pages

Ein "Sage gegen Rocket vs Lelit vs Bezzera"-Vergleich auf der Shop-Magazin-Page hat höhere AEO-Chancen als die generische Produkt-Page. LLMs retrieven Vergleichs-Content bei Prompts wie "X vs Y", "Was ist besser, A oder B" oder "Worin unterscheiden sich C und D".

Aufbau eines guten Vergleichs-Artikels: 6-8 H2-Sektionen mit konkreten Vergleichs-Dimensionen (Preis, Material, Bedienung, Service, Wiederverkaufswert). Tabellen am Ende mit numerischen Werten. Klare Empfehlung pro Use-Case ("Wenn du X willst, nimm A. Wenn du Y willst, nimm B").

Was bei E-Commerce-AEO nicht funktioniert

Drei Anti-Pattern, die im hypothetischen Szenario eher Schaden anrichten:

1. Fake-Reviews und gekaufte Bewertungen: Werden von Google und Trustpilot zunehmend erkannt. Penalty-Risiko steigt, AEO-Wirkung sinkt.
2. Schlagwort-Stuffing in Produktbeschreibungen: Funktioniert nicht mehr. LLMs nutzen Embeddings, nicht Keyword-Density.
3. Generische Listicles ohne eigene Daten: "Top 10 Espressomaschinen" mit Copy-Paste-Beschreibungen werden von LLMs als low-quality erkannt und seltener zitiert als echte Bestseller-Auswertungen.

Roadmap für hypothetischen Shop in 90 Tagen

Wenn der hypothetische Espressomaschinen-Shop in 90 Tagen AEO-Praesenz aufbauen will, sieht ein realistischer Plan so aus:

• Tag 1-14: Product-Schema-Audit. Vollstaendigkeit auf allen 800 Produkten pruefen. Luecken schliessen.
• Tag 15-30: Review-Sammlung beschleunigen. Email-Sequenz an Kunden nach Lieferung, Trustpilot-Integration aktivieren.
• Tag 31-60: Drei Top-10-Listicles erstellen (Espressomaschinen unter 1.000 Euro, ueber 2.000 Euro, für Anfaenger). Jeweils 1.500-2.000 Worte mit echten Verkaufsdaten.
• Tag 61-90: Drei Vergleichs-Artikel (Top-Hersteller gegeneinander). AEO-Tracking-Tool einrichten (Otterly Free-Tier oder aeoradar.de). Erste Baseline-Daten sammeln.

Nach 90 Tagen liegt der Baseline-Snapshot vor. Dann folgt iterativer Ausbau auf 6 Monate, wobei klassisches SEO und AEO parallel laufen — kein Entweder-Oder, sondern komplementaere Disziplinen.

FAQ — E-Commerce-AEO in der Praxis