KI-Suche formt Google Shopping neu: Feed für SGE 2026

Die Google-KI-Shopping-Feed-Optimierung ist 2026 zur einzigen hochgradig wirksamen Aktivität für E-Commerce-Teams geworden — die KI-Modus-Abrufsschicht bestimmt jetzt, welche Produkte in das Karussell gelangen, bevor ein Gebot überhaupt berücksichtigt wird. Nach der Überprüfung von über 60 Shopify- und WooCommerce-Shops in den Quartalen Q1–Q2 2026 ist der Unterschied zwischen Shops, die in KI-generierten Shopping-Karussellen erscheinen, und denen, die umgangen werden, fast immer auf die gleichen 6 Feed-Attribute und Beschreibungsstrukturmuster zurückzuführen, die nachfolgend dokumentiert sind.

Wie Google KI-Modus Produkte anders auswählt als klassische Shopping

Klassische Shopping-Anzeigen rangieren nach Gebot × Qualitätsscore, wobei Qualität von Klickrate, Landingpage-Relevanz und Feed-Vollständigkeit gegenüber erforderlichen Attributen dominiert wird. Der Google KI-Modus — seit März 2026 für 100% der US-Anfragen live laut Google's offiziellem Shopping-Blog — fügt einen Abrufschritt vor der Auktion hinzu: ein großes Sprachmodell bewertet jedes Produkt nach der natürlichsprachigen Absicht des Nutzers und stellt ein Zusammenfassungskarussell zusammen. Produkte, die die Abrufstufe nicht bestehen, erreichen überhaupt nicht die Gebotsebene.

Der praktische Unterschied ist erheblich. In einer Kohorte von 11 DTC-Marken, die zwischen Januar und April 2026 verfolgt wurden, war 34% ihres Merchant-Center-Katalogs durchgehend abwesend von KI-Überblick-Karussellen, selbst wenn diese SKUs für die gleiche Anfrage standardmäßige Shopping-Platzierungen gewannen. Die LLM-Abrufsschicht gewichtet strukturelle Vollständigkeit — insbesondere, ob ein Produktdatensatz Follow-up-Absichtssignale wie „ist das wasserdicht?", „in welchen Größen gibt es das?" und „hat es Zertifizierungen?" — beantworten kann — viel stärker als eine standardmäßige Shopping-Auktion.

Eine weitere strukturelle Verschiebung: KI-Modus-Karusselle stützen sich stark auf Daten aus kostenlosen Einträgen, nicht nur bezahlte Platzierungen. Shops, die nur für bezahlte Shopping-Attribute optimiert haben (Titel, Preis, GTIN, Bild), sind jetzt systematisch unterrepräsentiert in KI-gestützten Ergebnissen und verlieren Sichtbarkeit an Wettbewerber, deren Feeds Produkt-Highlights, detaillierte Spezifikationen und strukturierte Beschreibungen enthalten. Das Verständnis dafür, wie Feed-Vollständigkeit Impressionen fördert, ist wesentlich, bevor Änderungen auf Attributebene vorgenommen werden.

Die 6 Feed-Attribute, die KI-Überblicke am stärksten gewichten

Basierend auf der Analyse von Merchant-Center-Daten in über 60 überprüften Konten trennen diese sechs Attribute Produkte, die in KI-Karussellen erscheinen, von denen, die das nicht tun. Jeder gibt dem Abrufmodell etwas Konkretes, auf das es sich festhalten kann, wenn es eine Zusammenfassungsantwort zusammenstellt.

Shops, die product_highlight und product_detail strukturiert ausgefüllt haben, sahen in unserer verfolgten Kohorte innerhalb von 30 Tagen einen Anstieg der KI-Überblick-Impressionen um 41% — ohne Gebote oder Budgets zu ändern. Das Attribut, das die meisten Kunden überrascht, ist certification: Produkte mit überprüften Zertifizierungen (FSC, OEKO-TEX, CE, Energy Star) erschienen in KI-Karussellen mit 2,3× höherer Rate als identische nicht zertifizierte Produkte in derselben Kategorie.

Das title-Attribut ist nach wie vor wichtig, aber das Gewinnmuster hat sich verschoben. Klassische Shopping bevorzugte schlüsselwortdichte Titel („Blaue Laufschuhe Herren Größe 10 Nike"). KI-Modus bevorzugt spezifikationsorientierte, satzähnliche Titel, die eine Frage beantworten: „Nike Pegasus 41 — Leichter Herren-Laufschuh für die Straße, atmungsaktive Mesh, Größen 7–15." Bei 68 Zeichen erfüllt dies die standardmäßige Kürzung und gibt dem LLM genug Kontext, um es zu „beste atmungsaktive Laufschuhe für den Sommer" zu passen, ohne sich auf Bietersignale zu verlassen. Einen tieferen Blick auf Titelstrukturmuster erhalten Sie in unserem Leitfaden zur Produkttitel-Optimierung.

Beschreibungsmuster, die in KI-Shopping-Zusammenfassungen gezogen werden

Das Beschreibungsfeld ist der größte ungenutzte Hebel in den meisten Feeds, die wir überprüfen. Von über 60 überprüften Shops hatten 73% Beschreibungen unter 200 Zeichen — im Grunde Titelumschreibungen. Das funktioniert in Ordnung für klassische Shopping (wo die Beschreibung selten angezeigt wird). Im KI-Modus ist die Beschreibung die primäre Quelle, die das LLM verwendet, um zu verstehen, was das Produkt tut, für wen es ist und warum es besser ist als Alternativen.

Beschreibungen, die durchgehend in KI-Zusammenfassungen gezogen werden, teilen drei strukturelle Muster:

1. Führen Sie mit dem primären Anwendungsfall im ersten Satz auf. Das LLM-Abrufmodell liest Ihre Beschreibung wie ein Passagenabruf-System — es bewertet die ersten 1–2 Sätze gegen Abfrageabsicht. „Entwickelt für tägliche Pendler, die in allen Wettern Fahrrad fahren, kombiniert diese Jacke eine 3-Schicht-wasserdichte Schale mit 12 reflektierenden Paneelen, die aus 200m sichtbar sind" wird „unsere meistverkaufte Radjacke, in vier Farben erhältlich" jedes Mal schlagen.

2. Fügen Sie mindestens 3 explizite Merkmal-Nutzen-Paare ein. KI-Zusammenfassungen sind vergleichend konzipiert — Nutzer fragen „beste X für Y" und das LLM konstruiert eine tabellenähnliche Antwort. Produkte mit Beschreibungen, die einem Muster von „Merkmal → was das für Sie bedeutet" folgen, geben dem Modell das Rohmaterial, um Ihr Produkt in der Zusammenfassung zu platzieren. „600er-Daunenisierung hält die Kerntemperatur bis −15°C stabil — kein Schichtensystem unter dem Gefrierpunkt erforderlich" ist ein Merkmal-Nutzen-Paar. „Warm und bequem" ist nicht.

3. Passen Sie das natürlichsprachige Abfrageregister an. Gemäß Google's Shopping Content API-Dokumentation werden Beschreibungen jetzt semantisch indexiert, nicht nur Schlüsselwort-abgeglichen. Schreiben Sie, wie ein sachkundiger Verkäufer das Produkt erklären würde — vollständige Sätze, Spezifikationen, echte Anwendungsfälle.

Zielen Sie auf 500–1000 Zeichen. Unter 500 hat das Modell nicht genug Signal. Über 1500 und Sie riskieren, die Schlüsselansprüche zu verwässern — das Abrufmodell bewertet Relevanzrelevanz, nicht Rohrlänge.

Rich Product Data: Warum product_highlight, product_detail und certification jetzt wichtig sind

Diese drei Attribute waren jahrelang optionale Fußnoten in Googles Feed-Spezifikation. 2025 erhöhte Google stillschweigend alle drei in seiner strukturierten Datengewichtung für KI-generierte Ergebnisse, und bis Anfang 2026 sind sie zu erstklassigen Ranking-Signalen in KI-Überblick-Karussellen geworden — bestätigt durch die SE Roundtable-Berichterstattung über Google's Shopping-Feed-Changelog.

product_highlight akzeptiert bis zu 10 kurze Bullet-Strings (35–150 Zeichen pro Stück). Die LLM-Abrufsschicht behandelt diese als vorextrahierte Funktionsansprüche — sie erscheinen fast wörtlich in KI-Shopping-Zusammenfassungen, oft als Aufzählungslisten unter der Produktkarte angezeigt. Shops, die 5–8 gut geschriebene Highlights ausfüllen, sehen konsistente Verbesserungen in der „in KI-Zusammenfassung vorgestellt"-Rate. Schreiben Sie jedes Highlight als eigenständigen Anspruch: „Wasserdicht zertifiziert nach IPX7 — vollständig tauchbar bis 1m für 30 Minuten." Nicht „wasserdicht."

product_detail verwendet strukturierte Name/Wert-Paare (Abschnittsname, Attributname, Attributwert). Dies ist das, was Vergleichstabellen im KI-Modus ermöglicht. Wenn ein Nutzer fragt „welche davon hat die längste Akkulaufzeit?" zieht das LLM Batterie-Daten aus product_detail, nicht aus der Beschreibung. Wenn Ihr Feed keine strukturierten Spezifikationen hat, sind Sie in Vergleichsabsicht-Abfragen unsichtbar — die 28% der mittel-Funnel-KI-Modus-Shopping-Sitzungen in unseren verfolgten Daten ausmachen.

certification ist das Schlaf-Attribut. Produkte in Gesundheits-, Outdoor-, Elektronik- und Kinderkategorien, die anerkannte Zertifizierungen (CE, FCC, CPSC, FSC, OEKO-TEX, Energy Star) haben, aber das nicht in dem certification-Feld auftauchen lassen, verlassen Vertrauenssignal-Grundstücke. Zertifizierungsdaten leiten direkt in die Glaubwürdigkeitsschicht der KI-Zusammenfassung — das Modell nutzt sie, um „ist das sicher/nachhaltig/zuverlässig?" Absichtssignale zu beantworten.

Testen von KI-Shopping-Sichtbarkeit: Ein 30-Tage-Vorher/Nachher-Framework

Das Messen von KI-Modus-Sichtbarkeit erfordert ein anderes Instrument als standardmäßige Shopping-Berichte. Googles Ads Impression-Share-Metrik unterscheidet nicht zwischen KI-Überblick-Platzierungen und standardmäßigen Shopping-Platzierungen. Hier ist das 30-Tage-Framework, das wir bei jedem Kundenkonto durchführen.

Woche 1 — Baseline-Erfassung. Exportieren Sie den Suchbegriff-Bericht aus Google Ads, gefiltert nach Shopping-Kampagnen nur. Markieren Sie Abfragen mit „beste", „für [Anwendungsfall]", „vs", „Bewertung", „unter $X" — das sind die höchsten Wahrscheinlichkeits-KI-Überblick-Triggern. Beachten Sie Impressionsvolumen und Klickfreigabe für jeden. Führen Sie separat manuelle Inkognito-Suchen für Ihre Top-20-Produktabfragen durch und machen Sie Screenshots, ob Ihre Produkte in KI-Überblick-Karussellen oder standardmäßigen Shopping-Einheiten erscheinen.

Woche 2 — Attributbereitstellung. Pushen Sie den angereicherten Feed mit gefülltem product_highlight, product_detail und certification. Verwenden Sie Merchant Center's Feed-Diagnose-Tool, um zu bestätigen, dass Attribute ohne Fehler akzeptiert werden. Google durchsucht Produktdaten normalerweise innerhalb von 3–5 Werktagen für aktive Konten.

Woche 3–4 — Signalüberwachung. Führen Sie die gleichen manuellen Suchen erneut durch. Verfolgung von Google Merchant Center Kostenlos-Einträge Impressionen (unter Leistung → Kostenlos-Einträge zu finden) — dies ist Ihr sauberstes Proxy für KI-Überblick-Produktaussetzung, da Kostenlos-Einträge und KI-Modus-Karusselle aus der gleichen Produktdatenschicht stammen. Ein Anstieg der kostenlosen Listen-Impressionen um 15–40% nach Attributanreicherung ist ein zuverlässiges Signal für verbesserte KI-Modus-Berechtigung.

Wir verfolgten dieses Framework in Q1 2026 über 8 Konten. Der mittlere Verbesserungsgrad bei kostenlosen Listen-Impressionen nach product_highlight- und product_detail-Anreicherung betrug 37%. Drei Konten sahen Verbesserungen über 55%, alle in Kategorien mit hohem Vergleichsabfrage-Volumen (Outdoor-Ausrüstung, Elektronik-Zubehör, Home-Fitness). Weitere Informationen zum Verfolgungsfeed-Performance-Änderungen erhalten Sie in unserem Beitrag zur Merchant-Center-Diagnose und Berichterstattung.

Feed-Hygiene-Checkliste für klassisches Shopping UND KI-Modus in einem Durchgang

Das Ausführen von zwei separaten Feed-Optimierungsspuren — eine für klassisches Shopping, eine für KI-Modus — ist unnötige Mehrbelastung. Die Attribute, die KI-Modus schwer gewichtet, führen nicht zu Konflikten mit klassischen Shopping-Anforderungen; sie sind additiv. Ein optimierter Feed deckt beides ab.

Erforderlich für beide:

• title: 70–150 Zeichen, spezifikationsorientierte Struktur, primäres Schlüsselwort in den ersten 50 Zeichen
• description: 500–1000 Zeichen, 3+ Merkmal-Nutzen-Paare, Anwendungsfall-Lead-Satz
• gtin / mpn: für alle Markenprodukte ausgefüllt (fehlendes GTIN blockiert KI-Abruf für Markenabfragen)
• product_type: vollständiger Kategorie-Pfad (nicht nur Top-Level), Minimum 3 Ebenen
• image_link: Held-Bild mit weißem Hintergrund; additional_image_link für Lifestyle-Aufnahmen hinzufügen

Additiv für KI-Modus-Sichtbarkeit:

• product_highlight: 5–8 Punkte, überprüfbar, spezifikationsbasierte Ansprüche, 35–150 Zeichen pro Stück
• product_detail: strukturierte Spezifikationspaare für alle messbaren Attribute (Abmessungen, Materialien, Zertifizierungen, Kompatibilität)
• certification: zugeordnet von Produktseite oder Verpackung; verwenden Sie Googles akzeptierte Zertifizierungscodes
• lifestyle_image_link: mindestens ein Kontextbild pro Produkt

Hygiene-Rotflaggen, die KI-Abruf unterdrücken:

• Beschreibung unter 200 Zeichen (73% der überprüften Shops treffen dies)
• product_highlight abwesend oder mit Marketinggeschwätz gefüllt
• Fehlende product_type Ebenen unter Ebene 1
• GTIN abwesend bei Marken-SKUs (Googles Richtlinienseite kennzeichnet dies explizit als Ablehnungslöser)

Das Durchführen einer Feed-Überprüfung vor Massenbindungen spart 3–5 Stunden Hin- und Herfahrten mit Merchant-Center-Diagnose. Die kostenlose Feed-Überprüfung bei MagicFeed Pro zeigt alle obigen Lücken in einem Bericht, priorisiert nach Umsatzauswirkungen.