GEO und E-Commerce: Ihr Katalog als KI-Sichtbarkeits-Hebel
Onlinehändler haben bereits das Material, das LLMs lieben — nur im falschen Format. Der Katalog als KI-Sichtbarkeits-Hebel.
Onlinehändler haben einen GEO-Vorteil, von dem ihnen niemand erzählt.
Sie haben die Inhalte bereits. Tausende Produktseiten mit Beschreibungen, Spezifikationen, Anwendungsfällen. Informationsmaterial, das LLMs gerne heranziehen, um die Kaufanfragen ihrer Nutzer zu beantworten.
Das Problem: Dieses Material liegt im falschen Format vor. Es wurde für Google und die menschliche Konversion gebaut, nicht für LLMs. Und die Kluft zwischen beidem ist größer, als man denkt.
Was LLMs mit Kaufanfragen machen
"Welcher Staubsauger für eine 100-m²-Wohnung mit Hund?" "Welche Kopfhörer zum Sport unter 80 Euro?" "Beste Matratze für Seitenschläfer?"
Diese Anfragen landen massenhaft bei ChatGPT, Perplexity und Gemini. Nutzer wollen Empfehlungen, keine Ergebnislisten. Und LLMs antworten mit Empfehlungen — oft sehr konkret, oft mit Begründungen anhand von Produkteigenschaften.
Wer wird in diesen Empfehlungen zitiert? Selten die Produktseiten der Händler. Oft Vergleichsseiten, Kaufratgeber, Testartikel. Weil dieser Inhalt darauf ausgelegt ist, eine Frage zu beantworten — nicht ein Produkt zu verkaufen.
Der Onlinehändler verliert die direkte Empfehlung und sieht seinen Traffic von einer Drittanbieter-Vergleichsseite kommen, die über ihn spricht — wenn er Glück hat.
Warum klassische Produktseiten bei LLMs durchfallen
Eine typische Produktseite ist so aufgebaut: Bildkarussell, Preis, prominenter Kaufbutton, Spec-Bullet-Points, kurze Beschreibung, dynamisch geladene Kundenbewertungen, Bereich für ähnliche Produkte.
Für einen Menschen auf der Seite funktioniert das gut. Für ein LLM, das die Seite nach Informationen durchsucht, ist es eine nahezu leere Seite. Das Karussell lädt nicht. Die Bewertungen liegen in JavaScript vor. Die Beschreibung ist kurz und generisch. Die Spec-Bullet-Points existieren, erklären aber nichts über den Anwendungsfall.
Ergebnis: Das LLM kann aus dieser Seite keine fundierte Empfehlung aufbauen. Es sucht woanders.
Die Markdown-Umwandlung: Was sich ändert
Einen Produktkatalog in Markdown umzuwandeln bedeutet, ein für visuelle Darstellung konzipiertes Format in ein für die Textverarbeitung konzipiertes Format zu überführen.
In Markdown ändert sich die Natur der Produktseite. Der Titel wird zu einer präzise benannten Entität mit ihren Schlüsselattributen. Die Beschreibung wird zu einem Fließtext-Absatz, der erklärt, wem das Produkt passt und warum. Die technischen Spezifikationen stehen in einer sauber ausgezeichneten Tabelle. Anwendungsfälle werden in natürlicher Sprache beschrieben. Vergleiche mit Alternativen werden offen und klar formuliert.
Diese Version ist auf der Website nicht sichtbar. Sie ist für LLM-Crawler über eine eigene URL oder über die llms.txt zugänglich. Sie ersetzt nicht die klassische Produktseite — sie ergänzt sie für ein anderes Publikum.
Die Auswirkung auf die KI-Sichtbarkeit kann erheblich sein. Ein LLM, das eine gut strukturierte Markdown-Version einer Produktseite findet, verfügt genau über das Material, das es braucht, um eine präzise, belegte Empfehlung zu formulieren.
Das Zehn-Kriterien-Audit
Bevor man alles neu schreibt, muss man wissen, wo die Lücken liegen. Ein Produktseiten-Audit nach zehn LLM-Lesbarkeitskriterien liefert ein präzises Bild vom Zustand des Katalogs und den richtigen Prioritäten.
Diese Kriterien umfassen: Präzision des Titels, Qualität der Fließtext-Beschreibung, Vorhandensein expliziter Anwendungsfälle, verwertbare Zahlenwerte, benannte Entitäten, Zugänglichkeit von Bewertungen, Struktur der technischen Spezifikationen, vergleichende Positionierung, Übereinstimmung mit der llms.txt, und Lesbarkeit des Inhalts ohne JavaScript.
Vurto bietet dieses Audit für den gesamten Katalog an, mit Scoring pro Produktseite und Priorisierung der Artikel, die zuerst bearbeitet werden sollten, basierend auf ihrer kommerziellen Bedeutung und ihrem LLM-Sichtbarkeitspotenzial. Das Tool schreibt die Seiten anschließend in Echtzeit nach den identifizierten Standards in Markdown um, mit einer Validierung des Ergebnisses anhand jedes der zehn Kriterien.
Die Produktkategorien, in denen GEO am meisten verändert
Nicht alle Kategorien sind gegenüber LLMs gleich. Manche werden massiv von Kaufanfragen an generative Engines betroffen.
Unterhaltungselektronik. Haushaltsgeräte. Werkzeuge. Beauty- und Pflegeprodukte. Sportausrüstung. Bücher und Brettspiele. Überall dort, wo Nutzer vor dem Kauf vergleichen müssen und technische Kriterien eine Rolle spielen, werden LLMs herangezogen.
In diesen Kategorien bedeutet es, in KI-Empfehlungen nicht zitiert zu werden, in einem wachsenden Teil der Kaufreise nicht zu existieren.
Umgekehrt ist die Auswirkung in Impulskauf- oder Konsumgüterkategorien weniger direkt. Wer Socken oder Toilettenpapier kauft, fragt nicht bei Perplexity um Rat.
Der richtige Einstieg
Nicht, indem man den gesamten Katalog auf einmal neu schreibt. Sondern indem man mit den 50 bis 100 kommerziell wichtigsten Artikeln beginnt und deren LLM-Lesbarkeits-Score prüft. Oft erzeugen 20 % der Artikel 80 % des Traffics. Das sind diejenigen, die zuerst bearbeitet werden sollten.
Prüfen Sie anschließend die technische Struktur der Website, um sicherzustellen, dass diese Seiten — selbst gut in Markdown umgeschrieben — für LLM-Crawler tatsächlich zugänglich sind. Perfekter, aber durch robots.txt blockierter Inhalt ist völlig nutzloser Inhalt.
GEO für E-Commerce ist keine Revolution. Es ist eine logische Erweiterung der bereits bestehenden SEO- und Content-Arbeit. Aber es erfordert einen Wechsel des Bezugsrahmens: "LLM-Lesbarkeit" zusätzlich zu "menschlicher Konversion" mitzudenken und Formate zu produzieren, die beidem dienen.
Vurto analysiert Produktseiten anhand von zehn Kriterien und wandelt sie in strukturiertes Markdown um, um ihre Präsenz in LLM-Empfehlungen zu maximieren.