Warum die Produktsuche plötzlich über Umsatz entscheidet
Wer im November 2025 die Zahlen von Adobe Analytics las, konnte die Richtung nicht mehr übersehen: Der über KI-Assistenten vermittelte Traffic auf US-Händlerseiten legte im Jahresvergleich um mehrere hundert Prozent zu. Deutschland hinkt wie üblich zwölf bis achtzehn Monate hinterher. Das ist keine Schonfrist, sondern eine Baustellenansage. Denn die Produktsuche verändert gerade ihren Job: Sie war zwanzig Jahre lang ein Usability-Feature im Shop-Frontend, sie wird jetzt zur Infrastruktur, über die Maschinen den Handel abwickeln.
Christina Schönfeld, Director DACH & CEMEA beim Suchtechnologie-Anbieter Algolia, beschreibt die Verschiebung so: KI-Assistenten verändern die Voraussetzungen für personalisierte Einkaufserlebnisse grundlegend, und die Produktsuche rückt dabei ins Zentrum der Handelsarchitektur. Das klingt nach Vendor-Sprech, ist aber analytisch präzise. Sobald ein Agent im Auftrag eines Kunden einkauft, entscheidet nicht mehr das Category-Menü über Sichtbarkeit, sondern die Frage, ob ein Produktkatalog für ein Retrieval-System auffindbar, verständlich und bewertbar ist.
23 Prozent der deutschen Online-Käufer haben nach aktuellen Branchenerhebungen schon einmal einen KI-Assistenten für eine Produktrecherche genutzt. Noch kaufen die wenigsten direkt über ChatGPT oder Perplexity ein. Aber Recherche verlagert sich zuerst — und wer in der Recherchephase nicht stattfindet, kommt in der Kaufphase gar nicht mehr vor.
Was passiert, wenn Agenten die Suche übernehmen?
Die kurze Antwort: Der Mensch tippt nicht mehr, er delegiert. Statt „wasserdichte Wanderschuhe Damen 39″ formuliert ein Nutzer gegenüber einem Assistenten eher: „Ich fahre im Oktober nach Island, ich brauche Schuhe für nasse Wege und kalte Hütten, Budget 150 Euro.“ Diese Anfrage ist semantisch, situativ und vage zugleich. Kein klassischer Keyword-Match löst sie befriedigend.
Genau hier beginnt die Infrastrukturfrage. Eine moderne Produktsuche muss heute drei Dinge gleichzeitig leisten: Sie versteht natürlichsprachliche Intentions, sie kennt den Kontext des Nutzers aus früheren Interaktionen, und sie liefert Ergebnisse in einer Form, die auch ein Sprachmodell weiterverarbeiten kann. Vektorsuche, Hybrid-Ranking und strukturierte Produktdaten sind dabei keine Innovationsprojekte mehr, sondern das Fundament. Algolia, Elasticsearch-basierte Stacks und die KI-Suchen der Shop-Plattformen konkurrieren längst um genau diese Schicht — nicht um das Suchfeld im Header.
Ein konkretes Beispiel macht das deutlich. Zalando hat seinen eigenen Mode-Assistenten auf Basis großer Sprachmodelle ausgerollt; OTTO experimentiert seit 2024 mit generativer Beratung auf otto.de. Beide Fälle zeigen dasselbe Muster: Der Assistent ist nur so gut wie die Such- und Datenschicht darunter. Wenn Attribute wie Material, Passform oder Verfügbarkeit in der Filiale vor Ort fehlen oder inkonsistent gepflegt sind, halluziniert der Assistent oder schweigt. Beides kostet Conversion.
Warum deutsche Händler ein Datenproblem haben, kein KI-Problem
Die unbequeme Wahrheit zuerst: Die meisten deutschen Produktdatenbanken sind für diesen Wandel nicht gebaut. Der typische Mittelstands-Katalog entstand über Jahre aus Lieferanten-Feeds, Excel-Listen und manueller Pflege. Titel folgen interner Logik statt Kundensprache, Attribute sind lückenhaft, Synonyme fehlen. Ein Mensch im Shop erträgt das, weil er filtert, scrollt und kompensiert. Ein Agent nicht.
Was in der Praxis folgt, lässt sich an drei Baustellen festmachen:
- Attribut-Hygiene: Maschinen brauchen konsistente Felder — Farbe, Material, Größe, Lieferzeit — in einem Schema, nicht als Freitext im Fließtext der Beschreibung.
- Semantische Anreicherung: Der Begriff „Turnschuhe“ muss mit „Sneaker“, „Sportschuhe“ und „Laufschuhe“ verbunden sein, sonst verliert der Katalog Anfragen, die er eigentlich bedienen könnte.
- Echtzeit-Signale: Verfügbarkeit und Preis müssen über Schnittstellen aktuell abrufbar sein. Ein Agent, der einen nicht lieferbaren Artikel empfiehlt, zerstört Vertrauen schneller als jede schlechte Bewertung.
Schönfeld und Algolia argumentieren in diesem Zusammenhang für Personalisierung als Kern des neuen Sucherlebnisses. Das ist richtig, aber die Reihenfolge stimmt nur umgekehrt: Erst die Datenbasis, dann die Personalisierung. Wer Kundendaten mit einer defekten Produktdatenbasis verknüpft, personalisiert den Fehler nur schneller.
Die neue Arbeitsteilung zwischen Agenten und Shops
Seit Herbst 2025 ist absehbar, wie die Marktstruktur aussehen wird. OpenAI hat mit Instant Checkout und dem Agentic Commerce Protocol gezeigt, dass Transaktionen direkt im Chat laufen können; Perplexity baut seine Shopping-Funktionen in dieselbe Richtung; Google drückt mit KI-Übersichten und Shopping-Integration von der Suchseite. Für Händler heißt das: Die Entdeckungsphase wandert auf Plattformen, die ihnen nicht gehören.
Die eigene Onsite-Suche bleibt trotzdem wichtig — sie bekommt nur eine zusätzliche Rolle. Sie wird zur Schnittstelle, über die externe Agenten den Katalog anzapfen, und gleichzeitig zum Differenzierungsmerkmal für Kunden, die bewusst direkt kommen. Beides verlangt dieselbe Investition: saubere Daten, semantisches Verständnis, performante Antworten.
Die entscheidende Frage für Händler lautet nicht mehr „Wie gefällt dem Kunden unsere Suche?“, sondern „Kann eine Maschine unser Sortiment überhaupt verstehen?“
Ein Widerspruch verdient Aufmerksamkeit: Ausgerechnet die Plattformen, die den Händlern jetzt den Traffic entziehen, machen deren Produktdaten wertvoller denn je. Denn ChatGPT, Perplexity und Googles KI-Übersichten brauchen Quellen. Wer seinen Katalog maschinenlesbar, aktuell und attributreich bereitstellt, wird von Agenten zitiert und verlinkt. Wer das nicht tut, wird durch Marktplätze und Wettbewerber ersetzt, die es tun. Sichtbarkeit im Agenten-Zeitalter ist kein SEO-Thema mehr, sondern ein Datenqualitäts-Thema.
Was müssen Händler jetzt konkret ändern?
Die direkte Antwort: die Produktsuche aus der Marketing-Abteilung holen und als Infrastrukturprojekt behandeln. Konkret bedeutet das drei Schritte in sinnvoller Reihenfolge. Zuerst ein Daten-Audit: Welche Attribute sind wie vollständig, wo brechen die Lieferanten-Feeds? Dann die Suchtechnologie prüfen: Kann der bestehende Stack hybride Suche — also Keyword plus Vektor — oder ist er ein Relikt aus der Facetten-Ära? Schließlich die Schnittstellen: Produktdaten als saubere Feeds und APIs bereitstellen, nicht als HTML, das Agenten mühsam scrapen müssen.
Budget-Frage inklusive: Für einen mittelständischen Shop mit 20.000 Artikeln liegt die Erstinvestition für Datenbereinigung und Such-Upgrade realistisch im fünfstelligen Bereich, die laufenden Kosten für eine verwaltete Suchlösung bei einigen hundert bis wenigen tausend Euro im Monat. Das ist weniger als die meisten Händler für bezahlten Traffic ausgeben — und anders als Werbekosten baut es einen Vermögenswert auf, statt ihn zu mieten.
Wer die Hausaufgaben jetzt macht, positioniert sich für den Teil des Agenten-Handels, der tatsächlich wächst: die hochwertige, beratungsintensive Anfrage. „Welcher Espressovollautomat passt zu zwei Personen, wenig Platz und Vollmilch-Trinkern?“ — diese Frage wird künftig kein Mensch mehr in zehn Filterklicks zerlegen. Sie wird an einen Assistenten delegiert, und der Assistent fragt die Kataloge ab, die ihm antworten können. Alle anderen existieren für diesen Kauf nicht. Die Produktsuche entscheidet also nicht mehr nur darüber, wie gut ein Shop funktioniert. Sie entscheidet darüber, ob er in der nächsten Handelsstruktur überhaupt vorkommt.