„Bringt dieses ChatGPT-Ding für das, was ich verkaufe, überhaupt was?”
Seit rund einem Jahr fällt in Marketing-Runden ständig das Wort „GEO”. GEO (generative engine optimization) heißt im Kern: Suchmaschinen-Optimierung, aber für KI-Antworten statt für die Google-Trefferliste. Sprich: Du optimierst darauf, dass ChatGPT oder Perplexity deine Marke überhaupt in den Mund nehmen.
Und jedes Mal kommt dieselbe Frage: Bringt das für meine Kategorie was?
Verstehe ich. Das ist halt eine echte Budget-Entscheidung. Ressourcen ins GEO stecken — oder lieber auf Suche und Paid Social lassen? Falsch geraten, und der Fehlgriff ist teuer.
Sag ich’s gleich, dann kommen die Daten. Der Effekt von ChatGPT hängt davon ab, wie kompliziert dein Produkt ist. Je komplexer der Kauf, desto mehr bringt’s. Bei simplen Sachen kaum was.
973 Shops: die Komplexität dreht alles
Kaiser und Schulze, an der Goethe-Universität Frankfurt und der Mannheim Business School, haben 973 E-Commerce-Seiten zwölf Monate lang verfolgt — zusammen rund 20 Milliarden Dollar Umsatz. Sie haben über 50.000 Besuche aus ChatGPT gegen 164 Millionen Transaktionen aus den klassischen Kanälen gestellt.
Das Kernergebnis? Die Conversion-Rate von ChatGPT schlägt Paid Social, bleibt aber hinter den reifen Kanälen wie organischer Suche und E-Mail. So weit ja nichts Überraschendes für einen so jungen Kanal.
Aber jetzt das Spannende. Die Produkt-Komplexität moderiert den Effekt. Je komplexer die Kategorie, desto besser läuft der ChatGPT-Traffic — beim eingespielten Umsatz wie beim Traffic-Anteil. Bei simplen Produkten verschwindet der Abstand zu den klassischen Kanälen fast.
Heißt: Das ist keine einzelne Zahl, die für dein ganzes Sortiment gilt. Sie biegt sich eben mit dem Produkt.
Die Branchendaten machen’s noch schärfer
Der Report von Alhena AI — 329 Marken über acht Handelssparten — zeichnet dieselbe Kurve. Die CVR (Conversion-Rate, also der Anteil der Besucher, die wirklich kaufen) nach Kategorie sah so aus:
- Beauty & Skincare: 5,36 %
- Gesundheit: 4,68 %
- Autoteile: 3,53 %
- Mode: 2,40 %
- Elektronik: unter 2 %
Schau mal, was oben steht. Jedes davon ist eine „vor dem Kauf erst mal schlau machen”-Kategorie: Pflege zur eigenen Haut finden, Supplemente auf ein Gesundheitsziel vergleichen, das Teil raussuchen, das zum eigenen Auto passt. Je mehr die Entscheidung ein Hin und Her braucht, desto höher die Conversion über die KI.
Und noch eine Zahl zum Sacken-Lassen: LLM-Traffic (die großen Sprachmodelle hinter ChatGPT) macht nur etwa 1 % aller Besuche aus — zieht aber rund 10 % der Umsätze. Wenig Menge, viel Qualität. Diese Besucher tauchen schon dicht vor dem Kauf auf.
Adobe sagt dasselbe über komplizierte Käufe
Adobes Report — gebaut aus Billionen Seitenbesuchen plus einer Umfrage unter über 5.000 Käufern — landet an derselben Stelle. Am stärksten konvertierten Elektronik und Schmuck; am schwächsten Bekleidung, Haushaltswaren und Lebensmittel.
Und die Umfrage sagt’s noch direkter: 87 % fühlen sich bei großen oder komplexen Käufen wohler mit KI. Die Käufer selbst sehen den KI-Chat als Werkzeug für die schweren Entscheidungen, nicht für die leichten.
Noch ein sprechendes Detail. 86 % des KI-Traffics kam vom Desktop, gegen 34 % im E-Commerce insgesamt. KI-Produktrecherche ist also kein Daumen-Scrollen auf dem Sofa — das ist die „hinsetzen und vergleichen”-Sitzung. Da nimmt man sich halt Zeit.
Warum die KI bei komplexen Produkten gewinnt
Warum biegt sich das Muster so? Es kommt darauf an, worin ein Chat-Interface gut ist.
Klassische Suche ist Keyword rein, Liste raus: „günstige Taschentücher” tippen, eins wählen, fertig. Für ein simples Produkt reicht das dicke. Denn da gibt’s nicht viel abzuwägen.
Aber mach den Kauf kompliziert, und die Suche ächzt. Versuch mal, „eine Pflegeroutine für trockene, empfindliche Haut, unter etwa 50 Euro im Monat, die morgens reinpasst” in ein Suchfeld zu quetschen. Viel Spaß.
Ein Chat kann genau dieses Sieben nach mehreren Bedingungen — als Gespräch. Du kannst nachfragen oder mittendrin umsortieren, was dir wichtiger ist. (Zauberei ist es trotzdem nicht: wie du fragst und was das Modell gelernt hat, kann die Antwort stark kippen — ein Orakel ist die KI nicht.)
Also: Je verworrener der Vergleich, desto mehr verdient sich das Gesprächs-Tool seinen Platz. Wenn die Entscheidung nicht in ein Suchfeld passt, wird das LLM zu einem echt starken Kanal.
Fazit: Starte GEO da, wo der Kauf schwer ist
LLM-Besuche zahlen sich nicht gleichmäßig übers ganze Sortiment aus. Der Raum für eine KI als „Berater” öffnet sich bei — denen mit vielen Kriterien zum Abwägen und einer langen Recherchephase vor dem Kauf. GEO auf einen Schlag über alles auszurollen, ist deshalb der falsche Zug. Mach’s der Reihe nach.
Praktisch heißt das: Teile dein Sortiment in High-Involvement und Massenware, dann nimm dir zwei, drei Kategorien aus dem ersten Topf zum Testen. Alhenas Branchenzahlen und Adobes Kategorie-Ranking geben dir eine erste Karte; leg deine eigenen Conversion-Raten und die Fragen aus dem Support obendrauf — und die Liste, wo sich Investieren lohnt, wird schnell kurz.
Wenn du das Schwester-Stück willst — wie man die Conversion-Zahlen von ChatGPT liest, ohne sich von einer einzelnen Kennzahl täuschen zu lassen — das hab ich aus derselben 973-Shops-Studie hier rausgeholt.
Quellen
- Kaiser, M. & Schulze, C. (Goethe University Frankfurt / Mannheim Business School), “ChatGPT Referrals to E-Commerce Websites: How Do LLMs Compare Against Traditional Channels?”, SSRN Working Paper, 2025, DOI: 10.2139/ssrn.5585812
- Alhena AI, “329 Brands, 9 Channels: The AI Commerce Report for 2026”, alhena.ai, 2026
- Adobe, “Adobe Analytics: Traffic to U.S. Retail Websites from Generative AI Sources Jumps 1,200 Percent”, Adobe Blog, 2025
