Produktseiten und KI: Warum Ihr Katalog unlesbar ist
Ihre Produktseiten sind Konversions- und Ranking-Maschinen für Google. Für LLMs sind sie oft unlesbar. Die zehn Kriterien, die das ändern.
Eine Produktseite wurde für zwei Leser konzipiert: den menschlichen Konsumenten und Googles Bot.
Der Mensch betrachtet das Foto, den Preis, die Bewertungen, den Namen. Googles Bot indexiert den Titel, die Meta-Angaben, die strukturierten Schema.org-Daten. Dreißig Jahre E-Commerce haben diese Alchemie verfeinert. Die Produktseiten großer Onlinehändler sind Konversions- und Ranking-Maschinen.
Für LLMs sind sie oft unlesbar.
Was LLMs lesen — und was sie ignorieren
Sprachmodelle verarbeiten Text. Kein JavaScript. Keine Bildkarussells. Keine Tabs im Lazy Loading. Keine Beschreibungen, die hinter einem "Mehr lesen" versteckt sind und einen Klick erfordern.
Die typische Struktur einer E-Commerce-Produktseite: eine H1-Überschrift, ein paar Bullet Points mit Eigenschaften, ein kondensierter Beschreibungsblock, Bilder, ein Preis, ein Kundenbewertungsbereich. Für ein LLM, das die Seite scannt, geht das nützliche Signal oft im HTML-Rauschen unter.
Die direkte Folge: Wenn ein Nutzer ChatGPT oder Perplexity fragt "was ist das beste [Produkt] für [Anwendung]", greift das Modell auf Quellen zurück, die diese Produkte dicht und strukturiert behandeln — Vergleiche, Expertenrezensionen, Kaufratgeber. Selten die offizielle Produktseite des Händlers.
Der Händler verliert die Empfehlung. Manchmal zugunsten eines Vergleichsportals oder Mediums, das besser über sein Produkt spricht als er selbst.
Die zehn Kriterien, die eine Produktseite für KI lesbar machen
Das ist kein Geheimnis. Aber es erfordert ein ehrliches Audit.
1. Beschreibender, präziser Titel. Der Titel muss die Schlüsselattribute enthalten: Marke, Modell, Hauptmerkmal, Zielverwendung. Ein vager Titel wie "Sportschuh Herren" ist für ein LLM nutzlos, das versucht, "welcher Trailrunning-Schuh für Anfänger unter 100 Euro" zu beantworten.
2. Strukturierte Beschreibung in Fließtext. Bullet Points mit technischen Daten reichen nicht. Eine ausformulierte Beschreibung, die erklärt, wem das Produkt in welchem Kontext und warum passt — das ist es, was das LLM in einer Antwort umformulieren kann.
3. Explizite Anwendungsfälle. "Ideal für..." ist kein Anwendungsfall. "Konzipiert für 2- bis 5-tägige Bergwanderungen mit einer Zuladung unter 15 kg" ist ein Anwendungsfall, den das LLM nutzen kann.
4. Offen ausgesprochene Vergleiche. Produktseiten vermeiden sorgfältig den Vergleich mit der Konkurrenz. LLMs dagegen lieben Vergleiche. Eine Seite, die das Produkt klar gegenüber Alternativen positioniert — ohne Herabsetzung — liefert den Modellen das Material, um vergleichende Fragen zu beantworten.
5. Messbare Daten. Gewicht, Abmessungen, Akkulaufzeit, Ertrag, Kapazität, Garantiedauer. LLMs greifen bei vergleichenden Anfragen auf Zahlenwerte zurück. Eine rein qualitative Beschreibung zwingt das Modell, diese Daten woanders zu suchen — oft bei einem Wettbewerber.
6. Korrekt benannte Entitäten. Marke, Technologie, Material, Zertifizierung, Partner — diese Entitäten müssen explizit im Text genannt werden, nicht nur in den Metadaten.
7. Zugänglich ohne JavaScript-Ausführung. Wird die Hauptbeschreibung per JS geladen, sieht der LLM-Crawler sie nicht. Ein Test der Lesbarkeit mit einem reinen Text-Crawler fördert oft Überraschendes zutage.
8. Kein generischer Duplicate Content. Vom Lieferanten kopierte oder massenhaft ohne Differenzierung generierte Beschreibungen werden als Rauschen erkannt. Das LLM bevorzugt eine Quelle mit einem eigenen Blickwinkel.
9. Integrierte und zugängliche Bewertungen. Kundenbewertungen enthalten oft die für ein LLM nützlichsten Formulierungen ("perfekt für breite Füße", "hält gut bei Abfahrten", "ideal für Einsteiger"). Werden sie dynamisch geladen und sind für den Crawler unsichtbar, geht dieses Signal verloren.
10. Verlinkung zu kontextuellen Inhalten. Eine isolierte Produktseite ist ein schwaches Signal. Eine Produktseite, die mit einem Kaufratgeber, einem Vergleich, einem Blogartikel verknüpft ist, ist ein Knoten in einem Content-Netzwerk, das LLMs stärker gewichten.
Der Sonderfall des E-Commerce-Katalogs
Das Problem, das Onlinehändler mit LLMs haben, ist nicht nur eine schlecht strukturierte Produktseite. Es ist der Umfang.
Ein Katalog mit 5.000 Artikeln bedeutet 5.000 Produktseiten, die im Licht der LLMs neu bewertet werden müssen. Der manuelle Ansatz ist unmöglich. Generisches KI-Rewriting ohne Kalibrierung auf LLM-Lesbarkeitsstandards erzeugt Texte, die für einen Menschen lesbar wirken, für generative Engines aber schlecht strukturiert bleiben.
Genau das adressiert Vurto für Onlinehändler: ein Rewriting des Katalogs in Echtzeit im Markdown-Format, strukturiert nach LLM-Lesbarkeitskriterien, mit einer Analyse jeder Produktseite anhand von zehn Dimensionen vor und nach dem Rewriting. Das Ergebnis ist keine generische Version der Seiten — es ist eine Version, die so kalibriert ist, dass LLMs sie verarbeiten, verstehen und empfehlen können.
Was sich beim Umsatz ändert
Die direkte Auswirkung einer LLM-tauglichen Produktseite auf den Umsatz ist schwer zu messen, weil der Traffic aus KI-Systemen noch teilweise intransparent ist. Aber die Signale sind da.
Direkte Referrals von ChatGPT und Perplexity lassen sich mittlerweile über UTMs und Referrer nachverfolgen. Marken, die diesen Traffic beobachten, sehen, dass er gut konvertiert — der Nutzer kommt mit einer qualifizierten Absicht an, nicht bloß aus Neugier. Er hat vor der Ankunft auf der Seite bereits eine Empfehlung von der KI erhalten.
Die zitierte Referenz in dieser Empfehlung zu sein bedeutet, hochintentionalen Traffic zu erfassen, den klassische Werbetools nicht erreichen.
Der Fünf-Minuten-Test
Öffnen Sie ChatGPT. Stellen Sie diese Frage: "[Name Ihres Flaggschiffprodukts]: eignet sich das für [Hauptanwendungsfall Ihrer Kunden]?"
Beobachten Sie die Antwort. Zitiert das Modell Ihre Produktseite oder Ihre Domain — sehr gut. Zitiert es einen externen Vergleich, einen Presseartikel oder schlimmer, einen Wettbewerber — wissen Sie, was als Nächstes zu tun ist.
Vurto analysiert Produktseiten anhand von zehn KI-Lesbarkeitskriterien und schreibt sie in strukturiertes Markdown um, um ihre Präsenz in LLM-Antworten zu maximieren.