Ermitteln Sie die Wachstumschancen, die es wert sind, priorisiert zu werden, und zwar anhand der Marktnachfrage, des Wettbewerbsumfelds, der Markenwertversprechen und der Zitationsquellen.
Die AI Performance Insights von Google Merchant Center zeigen den KI-Stimmenanteil, Kaufphasen, Produktbegriffe und Attributlücken. Hier erfahren Marken, was sie als Nächstes tun sollten.
Entdecken Sie 12,000 Nischenmärkte
Aktualisiert von
Aktualisiert am Oct 12, 2026
Google Merchant Center stellt Händlern nach und nach AI Performance Insights zur Verfügung. Zum ersten Mal können Marken über ein offizielles Google-Dashboard sehen, welche Verbraucherbedürfnisse ihre Produkte in AI Mode, AI Overviews und Gemini abdecken, an welcher Stelle der Customer Journey diese Bedürfnisse auftreten und wie viel KI-Exposure sie im Vergleich zu ähnlichen Marken erhalten.
Nachdem ich den Bericht geprüft habe, bin ich jedoch noch mehr von einer Sache überzeugt:
Die wertvollsten Daten in der nächsten Phase der Generative Engine Optimization, kurz GEO, werden nicht darin bestehen, wie oft die KI eine Marke erwähnt. Entscheidend ist, wo sich die Kundennachfrage konzentriert und ob die Marke diese Nachfrage tatsächlich bedienen kann.
Vor nicht allzu langer Zeit habe ich darüber geschrieben, dass Google Search Console und Bing Webmaster Tools damit beginnen, Daten zur KI-Suche bereitzustellen.
Meine damalige Schlussfolgerung war, dass sich GEO von einem neuen Konzept, das weitgehend auf Monitoring durch Drittanbieter und Einschätzungen der Branche beruhte, hin zu einer Phase bewegte, in der offizielle Plattformdaten es validieren können.
Microsoft begann, Zitationen zu erfassen, während Google Search Console damit begann, Impressionen in der KI-Suche auszuweisen. Das bewies zumindest eines: Die Sichtbarkeit von Marken und Zitationen in KI-generierten Antworten waren zu Kennzahlen geworden, die Suchplattformen offiziell erfassen wollten.
Diese Runde von Updates betraf hauptsächlich die Website- und Content-Ebene:
Jetzt ist Google einen weiteren Schritt vorangegangen.
Diesmal sind die Daten in Merchant Center angekommen. Damit betreffen sie nun die Produkt- und E-Commerce-Ebene.
Google AI Performance Insights beginnt Händlern zu zeigen, wie Verbraucher ihre Produkte über AI Mode, AI Overviews und Gemini entdecken, welchen Share of Voice ihre Marken im Vergleich zu ähnlichen Produkten erzielen und welche Produktbegriffe und -attribute den Nutzern besonders wichtig sind.
Das ist nicht einfach nur ein weiterer Bericht.
Es ist Googles Versuch, eine Frage zu beantworten, die weit wichtiger ist als die Frage, ob ein Produkt Exposure erhalten hat:
Was ist Verbrauchern beim Einkaufen über KI wirklich wichtig?
Auf Grundlage der derzeit verfügbaren Benutzeroberflächen und offiziellen Erläuterungen umfasst AI Performance Insights vier große Datenkategorien.
Die erste Kennzahl ist der Share of Voice einer Marke in Googles KI-Shopping-Erlebnissen.
Einfach ausgedrückt, schätzt sie, wie viel KI-Exposure eine Marke und ihre Produkte für relevante Shopping-Bedürfnisse erhalten, und vergleicht dieses Exposure anschließend mit ähnlichen Marken, die Google automatisch identifiziert.
Abbildung 1: Beispiel für Google Merchant Center AI Performance Insights mit dem AI Share of Voice einer Marke und dem Durchschnitt ähnlicher Marken.
Diese Kennzahl mag dem Visibility Score ähneln, den viele GEO-Tools verwenden, doch es gibt einen wichtigen Unterschied.
GEO-Tools von Drittanbietern gehen typischerweise so vor:
Sie definieren eine Reihe von Prompts, fragen regelmäßig mehrere Modelle ab und berechnen, wie häufig eine Marke erscheint.
Googles Daten stammen aus den eigenen KI-Shopping-Umgebungen, darunter AI Mode, AI Overviews und Gemini. Sie bilden daher das tatsächliche Exposure innerhalb des Google-Ökosystems besser ab, können die Performance außerhalb dieses Ökosystems jedoch nicht messen.
Ihr Wert liegt nicht darin, dass sie sämtliche Monitoring-Tools von Drittanbietern ersetzen. Ihr Wert besteht darin, Marken eine offizielle Ausgangsbasis zu liefern.
E-Commerce-Marken können nun mit größerer Sicherheit feststellen:
Meine Produkte erscheinen nicht nur in einer Handvoll Test-Prompts. Sie sind tatsächlich in Googles KI-Shopping-Nachfragelandschaft angekommen.
Der Share of Voice sollte jedoch nicht als Marktanteil interpretiert werden.
Google wählt die Vergleichsmarken automatisch aus, und Händler können die Wettbewerbsgruppe nicht vollständig kontrollieren. Auch Stichprobengröße, Produktkategorisierung und Umfang der Entitätserkennung durch Google können den Prozentwert beeinflussen.
Ein Share of Voice von 100 % bedeutet nicht unbedingt, dass eine Marke ihre Kategorie monopolisiert hat. Ein Wert von 0 % bedeutet nicht unbedingt, dass sie überhaupt kein Exposure erhält.
Die Kennzahl eignet sich besser dazu, Trends zu erkennen, als als alleinstehender Indikator für die Geschäftsperformance.
Google klassifiziert KI-Shopping-Anfragen außerdem nach ihrer Position im Kauftrichter:
Beispiele:
Abbildung 2: AI Performance Insights unterteilt die Shopping-Nachfrage in die Phasen Entdeckung, Bewertung und Kauf.
Ich halte das für wertvoller, als nur das KI-Exposure zu messen.
In der Vergangenheit zählten viele GEO-Monitoring-Programme lediglich, ob eine Marke erschienen ist.
Doch es hat einen ganz anderen kommerziellen Wert, ob eine Marke in einer Antwort auf „Was ist ein Luftreiniger?“ oder auf „Welche Luftreiniger eignen sich am besten für Haushalte mit Haustieren?“ erscheint.
Die erste Anfrage dient möglicherweise der allgemeinen Information. Die zweite steht bereits kurz vor einer Kaufentscheidung.
Ohne Unterscheidung nach Suchintention und Entscheidungsphase können 100 Markenerwähnungen weniger wert sein als 10 Empfehlungen im Zusammenhang mit Anfragen mit hoher Kaufabsicht.
Indem Google diese Daten direkt in Merchant Center einbindet, sagt das Unternehmen den Händlern im Grunde:
KI-Shopping sollte nicht allein anhand des gesamten Exposures bewertet werden. Sie müssen wissen, an welcher Stelle der Customer Journey dieses Exposure stattfindet.
Google stellt außerdem Product Terms bereit – Produktkonzepte und Formulierungen, die Verbraucher häufig beim KI-gestützten Einkauf verwenden.
Das muss sorgfältig interpretiert werden.
Google stellt keine vollständige Liste mit einzelnen Roh-Prompts bereit. Stattdessen werden aggregierte Produktbegriffe und Anfragearten angezeigt.
Diese Struktur entspricht der Natur der KI-Suche.
Bei der traditionellen Suche kann ein Keyword sehr kurz sein:
Alexa for ShoppingLaufschuheEin KI-Nutzer könnte stattdessen fragen:
Ich laufe viermal pro Woche, bin schwerer als der Durchschnitt und meine Knie fühlen sich oft unangenehm an. Gibt es Laufschuhe mit besserer Dämpfung für lange Läufe in lockerem Tempo?
Diese einzelne Frage enthält mehrere Dimensionen:
Würde man diese Anfrage mit einem traditionellen Keyword-Bericht aufschlüsseln, würden die Daten fragmentiert.
Aus Sicht der Verbraucherintention ist der Kernbedarf jedoch klar:
Gut gedämpfte Laufschuhe für lange Strecken, geeignet für schwerere Läufer mit Kniebeschwerden.
Anstatt Händlern jeden langen Prompt einzeln zur Verfügung zu stellen, aggregiert Google diese Anfragen zu überschaubareren Nachfrage-Themen, Produktbegriffen und Kaufphasen.
Branchenanalysen des Berichts kommen zu einem ähnlichen Schluss: Es stehen mehr Daten zur Verfügung, doch Händler können weiterhin nicht den vollständigen Verlauf von Roh-Anfragen über Klicks bis hin zu Conversions einsehen.
Das ist ein wichtiges Signal für die GEO-Branche.
Die wertvollste Analyseeinheit könnte künftig nicht mehr ein einzelner Prompt sein, sondern:
Ein Cluster unterschiedlich formulierter Anfragen, denen dieselbe zugrunde liegende Kundenintention zugrunde liegt.
Die vierte Kategorie umfasst die Produktattribute, die Nutzern wichtig sind, sowie die Frage, ob diese Attribute in den Produktdaten einer Marke fehlen.
Nutzer fragen möglicherweise häufig nach:
Angenommen, Verbraucher fragen wiederholt, ob ein Produkt für den Einsatz im Freien geeignet ist, aber weder der Produkt-Feed noch die strukturierten Daten oder die Produktseite beschreiben den Einsatzbereich. Dann wird es Google schwerfallen, zu bestimmen, ob das Produkt empfohlen werden sollte.
Google Merchant Center hat sich schon immer auf die von Händlern übermittelten Produktdaten gestützt, um Produkte relevanten Anfragen zuzuordnen. Google hat außerdem immer wieder betont, dass genaue und vollständige Produktinformationen direkten Einfluss darauf haben, ob Produkte korrekt angezeigt werden können.
In der Vergangenheit optimierten Händler ihre Feeds vor allem für Shopping Ads und kostenlose Produkteinträge.
Nun beginnen dieselben Felder auch die Produktentdeckung in AI Mode, AI Overviews und Gemini zu beeinflussen.
Die Rolle des Produkt-Feeds verändert sich:
Er ist nicht mehr nur eine Datenquelle für Werbung. Er wird zur grundlegenden Sprache, mit der KI ein Produkt versteht.
Der am meisten unterschätzte Teil dieses Updates ist nicht, dass Google den Share of Voice eingeführt hat. Entscheidend ist, wie Google die Daten strukturiert hat.
Google hat Händlern nicht einfach eine Liste mit KI-Keywords übergeben.
Stattdessen ist der KI-Shopping-Bericht nach folgenden Kategorien organisiert:
Warum?
Weil KI-Nutzer nicht durchgehend eine kleine, festgelegte Gruppe von Keywords verwenden.
Dasselbe Bedürfnis kann auf Dutzende verschiedene Arten ausgedrückt werden.
Ein Nutzer, der einen Luftreiniger für eine kleine Wohnung sucht, könnte beispielsweise fragen:
Auf Satzebene sehen diese Fragen völlig unterschiedlich aus.
Aus Sicht der kommerziellen Nachfrage gehören sie jedoch möglicherweise zu einigen stabilen Intent-Clustern:
Was KI-Empfehlungen tatsächlich beeinflusst, ist nicht, ob eine Marke zufällig einen ganz bestimmten Prompt abdeckt. Entscheidend ist, ob:
Die Produktinformationen und Content-Assets der Marke die wiederkehrenden Nachfragemuster umfassend abdecken, die Kunden bei ihren Entscheidungen nutzen.
Deshalb bin ich seit Langem der Ansicht, dass die Messung von GEO anhand von nur einigen Dutzend vordefinierten Prompts ein falsches Gefühl von Sicherheit vermittelt.
Ein Unternehmen kann sorgfältig 100 Fragen auswählen und berichten, dass die Markensichtbarkeit um 20 % gestiegen ist.
Doch wenn diese Fragen nicht widerspiegeln, was Kunden wirklich wichtig ist, oder wichtige Kaufszenarien auslassen, bedeutet der Anstieg um 20 % nur sehr wenig.
Auch Google bewegt sich weg von Einzelanfragen und hin zu aggregierter Nachfrage und Suchintention.
Betrachtet man die Entwicklung der Daten offizieller Plattformen, beginnt Google, drei Ebenen abzudecken.
Die erste Ebene ist Search Console, die Impressionen von Website-Inhalten in KI-Suchfunktionen ausweist.
Die zweite Ebene ist Merchant Center, das Share of Voice von Produkten, Shopping-Phasen, Produktbegriffe und Attributnachfrage in KI-Shopping-Szenarien ausweist.
Die dritte Ebene sind Google Ads und Merchant Center, die Produkt-Feeds, Werbung und Transaktionsdaten weiterhin miteinander verbinden.
Dennoch bestehen die wichtigsten Lücken weiterhin.
Händler sehen derzeit aggregierte Begriffe und Anfragearten, aber keine vollständige Aufzeichnung jedes einzelnen Prompts.
Eine Marke weiß möglicherweise, dass ein Produkt KI-Exposure erhalten hat, aber nicht, wie viele Klicks eine bestimmte Art von KI-Anfragen generiert hat.
Es gibt weiterhin keine vollständige Attribution auf Anfrageebene, die folgende Schritte miteinander verbindet:
Der Bericht kann das Ergebnis zeigen, aber möglicherweise nicht vollständig erklären, ob:
Der Bericht beantwortet hauptsächlich die Frage:
Hat die Marke innerhalb von Google AI Shopping eine bestimmte Nachfragesegment-Kategorie erreicht?
Er beantwortet noch nicht vollständig die Frage:
Warum ist die Marke erschienen oder nicht erschienen, und wie lässt sich die Wahrscheinlichkeit ihres Erscheinens systematisch verbessern?
Die Berichterstattung der Branche hat das Update treffend zusammengefasst: Googles Daten zur KI-Suche werden umfangreicher, doch bei Klicks, exakten Anfragen, Wettbewerbsgruppen und Conversion-Attribution bestehen weiterhin erhebliche Lücken.
Mehr offizielle Berichte machen Tools von Drittanbietern nicht automatisch überflüssig.
Produkte, die sich ausschließlich auf den Prozess „Prompts definieren, wiederholt abfragen, Erwähnungsrate berechnen“ stützen, werden jedoch zunehmend an ihre Grenzen stoßen.
Google kann Händlern bereits mitteilen:
Wenn ein Produkt eines Drittanbieters weiterhin nur Folgendes meldet:
Ihre Marke ist in 13 von 50 Prompts erschienen.
Dann reicht das eindeutig nicht aus.
GEO-Produkte von Drittanbietern müssen mindestens drei Dinge bieten, die offizielle Plattformdaten weiterhin nicht bereitstellen können.
Google kann nur das Google-Ökosystem abbilden.
Marken müssen ihre Performance weiterhin über ChatGPT, Perplexity, Copilot, Claude und andere KI-Einstiegspunkte hinweg verstehen.
Jede Plattform verfügt über unterschiedliche Datenquellen, Zitationsmechanismen, Produktkataloge und Empfehlungslogiken.
Offizielle Plattformen zeigen nur die Daten, die sie erfassen und aggregieren.
Marken benötigen weiterhin eine vollständige Struktur der branchenweiten Nachfrage, einschließlich:
Der tatsächliche Geschäftswert besteht nicht darin, einer Marke mitzuteilen: „Sie sind nicht erschienen.“
Er besteht darin, zu erklären:
Mit der Weiterentwicklung offizieller Daten müssen sich Tools von Drittanbietern von Monitoringsystemen zu Analyse- und Entscheidungssystemen entwickeln.
Ich empfehle nicht, auf dieses Update zu reagieren, indem man sofort einer weiteren AI-Share-of-Voice-Zahl hinterherjagt.
Praktischer ist es, zunächst vier Bereiche zu überprüfen.
Viele unabhängige E-Commerce-Marken stellen in ihren Merchant-Center-Feeds nur die grundlegendsten Informationen bereit:
Die Fragen, die Verbraucher über KI stellen, sind jedoch deutlich komplexer.
Sie fragen:
Wenn diese Informationen nur im Wissen des Kundenservice-Teams vorhanden oder über Bilder verstreut sind und weder im Feed noch in strukturierten Daten oder crawlbaren Produktseiten erscheinen, wird es KI schwerfallen, das Produkt korrekt zu verstehen.
Viele Produktseiten von Marken sehen ansprechend aus, doch ihre Inhalte bestehen hauptsächlich aus:
Diese Art von Seite funktioniert möglicherweise für jemanden, der sich bereits zum Kauf entschieden hat, eignet sich aber nur schlecht dafür, KI bei der Beantwortung komplexer Fragen zu unterstützen.
Eine Produktseite, die KI leichter verstehen und empfehlen kann, sollte klar erläutern:
Marken sind es gewohnt, Inhalte rund um Produktnamen zu erstellen:
Nutzer von KI-Shopping äußern ihre Bedürfnisse häufiger anhand von Szenarien:
Die zukünftige Content-Struktur muss sich von einem Produktkatalog hin zu einem Katalog für Kundenentscheidungen erweitern.
AI Performance Insights allein kann kein Umsatzwachstum belegen.
Sinnvoller ist es, folgende Daten zu kombinieren:
Nur so kann eine Marke beurteilen:
Die meisten frühen GEO-Produkte begannen mit Prompt-Monitoring.
Ein Kunde gab eine Reihe von Fragen ein, das Tool fragte KI-Modelle nach einem festgelegten Zeitplan ab und das System erfasste, ob die Marke erschien, an welcher Position sie rankte und welche Quellen zitiert wurden.
In der frühen Phase der Branche war das wertvoll, weil Marken zunächst wissen mussten, ob sie überhaupt in KI-generierten Antworten erschienen.
Die Einschränkungen sind jedoch immer offensichtlicher geworden:
Dageno entwickelt sich vom begrenzten Prompt-Monitoring hin zu einer umfassenden Abdeckung branchenweiter Suchintentionen.
Wir interessieren uns weniger für die Frage:
Wie oft ist die Marke in diesen 100 vordefinierten Fragen erschienen?
Uns interessiert mehr:
In welchen Szenarien stellen Nutzer branchenweit Fragen? Zu welchen Kaufphasen gehören diese Bedürfnisse? Welche Nachfrage haben Wettbewerber bereits erfasst? In welchen Intent-Clustern ist die Marke vollständig abwesend? Liegt das an Produktinformationen, der Content-Struktur, vertrauenswürdigen Quellen oder der Markenbekanntheit?
Auch Google strukturiert KI-Daten nach Kaufphasen, Produktbegriffen, Abfragetypen und Produkteigenschaften.
Das deckt sich mit unserer Einschätzung, wohin sich die Branche entwickelt:
Die grundlegende Einheit der KI-Suche wird nicht dauerhaft ein einzelner Prompt sein. Sie wird sich zunehmend zu einer gebündelten Nutzerintention und einem Entscheidungsszenario entwickeln.
Google kann Daten aus dem eigenen Ökosystem bereitstellen.
Dageno muss die plattformübergreifende Abdeckung, branchenweite Nachfrageinformationen und kausale Erklärungen ergänzen.
Ziel ist nicht, Kunden einen weiteren Screenshot zu liefern, der zeigt, dass die „KI-Sichtbarkeit um 10 % gestiegen ist“.
Ziel ist es, Marken dabei zu helfen, eine neue Landkarte der Marktnachfrage aufzubauen, die folgende Fragen beantwortet:
Die Einführung von AI Performance Insights im Google Merchant Center ist ein wichtiges Update.
Zum ersten Mal können E-Commerce-Marken in einem offiziellen Dashboard sehen, welchen Anteil an der Sichtbarkeit ihre Produkte in Google AI Shopping haben, mit welchen Kaufphasen diese Sichtbarkeit verbunden ist, welche Produktbegriffe Nutzer interessieren und wo Lücken bei den Produkteigenschaften bestehen.
Die wichtigste Bedeutung dieses Updates liegt jedoch nicht darin, dass Google eine weitere Kennzahl zur KI-Sichtbarkeit hinzugefügt hat.
Vielmehr räumt Google damit öffentlich ein:
Beim Wettbewerb in KI-Shopping geht es nicht nur darum, ob ein Produkt indexiert wurde. Entscheidend ist, ob das Produkt der tatsächlichen Nachfrage entspricht, die sich hinter der natürlichen Sprache der Nutzer verbirgt.
Bisher optimierten Händler Titel und Feeds anhand von Keywords.
Künftig müssen Marken ihr gesamtes Produktinformationssystem anhand von Zielgruppen, Szenarien, Eigenschaften, Problemen und Kaufphasen neu strukturieren.
Das bedeutet auch, dass GEO zunehmend einer etablierten Wachstumsdisziplin ähneln wird – und nicht mehr einem neuen Konzept, dessen Wert sich durch manuelles Prompting beweisen muss.
Der Datenkreislauf ist noch unvollständig.
Bei exakten Prompts, Klicks, Empfehlungslogik und der Zuordnung von Bestellungen bestehen weiterhin erhebliche Lücken.
Doch die Zahl der Dashboards wächst.
Die nächste Phase wird nicht von der ersten Marke gewonnen, die ein KI-Sichtbarkeitstool kauft. Sie wird von der Marke gewonnen, die als Erste branchenweite Nachfrage, Produktdaten, Content-Assets und offizielle Leistungskennzahlen miteinander verknüpft.
Nutzer treffen ihre Kaufentscheidungen bereits mithilfe von KI.
Worum Marken konkurrieren müssen, ist nicht einfach ein weiterer Eindruck.
Es ist das Recht, in die endgültige Antwort des Nutzers aufgenommen zu werden.
Aktualisiert von
Tim
Tim is the co-founder of Dageno and a serial AI SaaS entrepreneur, focused on data-driven growth systems. He has led multiple AI SaaS products from early concept to production, with hands-on experience across product strategy, data pipelines, and AI-powered search optimization. At Dageno, Tim works on building practical GEO and AI visibility solutions that help brands understand how generative models retrieve, rank, and cite information across modern search and discovery platforms.
Tim • Nov 03, 2026
Dageno • Oct 15, 2026
Dageno • Nov 03, 2026
Tim • Nov 03, 2026