Im Jahr 2023 gaben deutsche Marken noch 12,8 Milliarden Euro für digitale Werbung aus. Ein wachsender Teil davon verpufft, weil die Zielgruppe nicht mehr bei Google scrollt, sondern bei ChatGPT, Perplexity oder der Google AI Overview fragt. Die Antworten dort listen selten mehr als zwei bis drei Marken. Wer nicht dabei steht, hat vor dem Kauf bereits verloren.
Das Konzept stammt aus den USA, trifft aber auf den deutschen Markt mit voller Wucht. Während stationärer Handel um Fußfall kämpft und klassisches SEA durch steigende CPC-Raten teurer wird, entsteht ein neues Spielfeld: AI Shelf Space. Damit ist die Sichtbarkeit innerhalb generativer KI-Antworten gemeint, etwa in Microsoft Copilot oder der Shopify Sidekick-Suche. Der Begriff wurde zuletzt vom US-Portal Practical Ecommerce geprägt. Die Implikationen für europäische Marken sind mindestens ebenso brisant. Die großen Sprachmodelle trainieren längst auf deutschsprachigen Inhalten aus Onlineshops, Blogs und Foren. Ein deutscher Sportartikel-Händler, der bei der Frage nach den besten Trailrunning-Schuhen nicht auftaucht, verliert Käufer genauso wie ein US-Konkurrent.
Warum ist AI Shelf Space kein neues SEO?
AI Shelf Space ist keine Optimierung für blaue Links, sondern die Sichtbarkeit innerhalb generativer KI-Antworten, die nur wenige Marken nennen. Google zeigt zehn Ergebnisse und überlässt dem Nutzer die Wahl. KI-Systeme verdichten Informationen zu einer einzigen Empfehlung. Das reduziert die Auswahl auf wenige Namen. Platz ist knapper geworden als im Premium-Regal der Drogeriekette.
Eine Gartner-Prognose geht davon aus, dass bis 2026 rund 20 Prozent aller Suchanfragen über generative KI-Schnittstellen laufen. Marken, die nicht in den zugrundeliegenden Trainingsdaten verankert sind, droht irreversible Unsichtbarkeit. Die Kontrollmechanismen, die Performance-Marketer aus SEA und SEO kennen, greifen hier nicht. Es gibt keine Quality-Score-Optimierung und kein Gebot, das eine bessere Platzierung im Chat-Fenster erkauft.
Ein konkretes Szenario verdeutlicht die Brisanz: Ein Nutzer fragt nach den besten Hautseren für reife Haut. Die KI nennt zwei bis drei Marken – basierend auf Trainingsdaten aus Fachartikeln, Reddit-Threads, Publikationen und strukturierten Onlineshops. Douglas oder Flaconi können hier auftauchen, aber auch Nischenmarken, die ihre Inhalte semantisch präzise aufbereitet haben. Nutzer klicken zunehmend seltener auf den Onlineshop. Die Kaufentscheidung fällt bereits im Prompt.
Lässt sich KI-Sichtbarkeit strategisch aufbauen?
Direkt kaufen lässt sie sich nicht. Indirekt beeinflussen Händler ihre Chancen über drei Hebel. Strukturierte Daten nach Schema.org ermöglichen es KI-Crawlern, Produkteigenschaften wie Material, Pflegehinweise oder Herkunft maschinell zu erfassen. Autoritative Publikationen und Fachmedien dienen als Trainingskorpora für Modelle wie GPT-4 oder Gemini. Wer in renommierten Testberichten oder Branchenportalen erwähnt wird, steigert die Wahrscheinlichkeit einer Nennung. Semantisch angereicherte Produkt-Feeds transportieren schließlich über Preis und Verfügbarkeit hinaus Attribute wie vegane Formel, Gore-Tex-Membran oder klimaneutral produziert.
Die Transparenzproblematik bleibt. OpenAI, Google und Anthropic offenbaren nicht, welche Quellen sie wie gewichten. Investitionen in KI-Readiness setzen daher auf eine kalkulierte Vermutung. Statistisch spricht viel dafür: Je mehr KI-Assistenten den Kaufprozess steuern, desto seltener greifen Nutzer zum Scrollen. Die Auswahl trifft das Modell bereits vor dem Shop-Besuch.
Wie reagieren führende deutsche Händler?
Erste Bewegungen zeigen sich im Markt. Bike24 arbeitet daran, Produktattribute für automatisierte Verarbeitung zu standardisieren. Beiersdorf bindet strukturierte Inhalte über Nivea und Eucerin direkt in die Markenkommunikation ein. Zalando experimentiert mit KI-gestützten Beratungsdialogen, die gleichzeitig Daten für externe Modelle generieren. Auch die Agenturlandschaft rüstet auf: Berliner E-Commerce-Berater bauen spezialisierte KI-Visibility-Teams auf, die klassische SEO-Abteilungen ergänzen – nicht ersetzen. Denn letztlich gilt: Wer in herkömmlichen Suchergebnissen nicht existiert, wird es in KI-Antworten erst recht nicht schaffen.
Auch der Mittelstand rückt in den Fokus. Ein Münchner Bio-Kosmetik-Label, das seine Inhaltsstoffe in strukturierten Daten bereitstellt und gleichzeitig in unabhängigen Fachportalen vertreten ist, hat bessere Chancen auf eine Nennung als ein Massenhersteller mit undurchsichtigem Daten-Feed.
Für Shops ab einer Million Euro Jahresumsatz stellt sich nicht die Frage, ob Budget für AI Shelf Space freigemacht wird. Die Frage lautet, wer bis zum zweiten Quartal 2025 damit beginnt, Produktdaten semantisch aufzubereiten. Wer jetzt zögert, wird die begrenzten Plätze in KI-Antworten an Wettbewerber abgeben, die früher verstanden haben: Der begehrte Regalplatz von morgen wird nicht im Handel, sondern im Trainingsset vergeben.