Wie KI-Suchmaschinen wie ChatGPT und Perplexity entscheiden, welche Marken sie empfehlen

TL;DR: KI-Suchmaschinen empfehlen Marken, indem sie vier Signalebenen zusammenführen: (1) strukturierte Daten auf Ihrer eigenen Domain, (2) Autoritätssignale von Dritten aus Bewertungsplattformen, Reddit, Presse und enzyklopädischen Quellen, (3) Live-Retrieval aus ihrem Web-Index zum Zeitpunkt der Anfrage und (4) das grundlegende Trainingswissen des Modells. Eine Marke gewinnt Empfehlungen, indem sie auf allen vier Ebenen gleichzeitig stark ist, kein einzelnes Signal dominiert, aber schema und Bewertungsstimmung sind die beiden schwersten. ChatGPT stützt sich auf Trainingsdaten, Perplexity auf Live-Zitate, Google AI Overview auf seinen bestehenden Index; das Playbook für Shopify-Marken besteht darin, vollständiges schema auszuliefern, Präsenz bei Dritten aufzubauen und über alle drei hinweg zu überwachen. Naridon automatisiert die schema- und Monitoring-Ebenen für Shopify-Stores.

Wenn Sie ChatGPT schon einmal gefragt haben „welche Matratze ist die beste für Seitenschläfer", ist Ihnen etwas Beunruhigendes aufgefallen: Die KI nennt Ihnen eine bestimmte Marke. Manchmal zwei. Selten drei. Die Frage, die sich jeder Markenbetreiber als Nächstes stellt, ist immer dieselbe, wie hat sie entschieden? Und was entscheidet, ob ich diejenige bin, die sie nennt?

Dieser Beitrag liefert die mechanische Antwort. Kein Marketing-Gerede. Kein vages „hochwertiger Content gewinnt". Die tatsächliche Retrieval- und Ranking-Pipeline, mit der KI-Engines Marken auswählen, Ebene für Ebene, mit dem Shopify-spezifischen Playbook für jede Ebene.

1. Die vier Signalebenen

Jede große KI-Engine. ChatGPT, Perplexity, Google AI Overview, Claude, Gemini, Bing Copilot, erstellt eine Markenempfehlung aus vier gestapelten Signalebenen. Die Gewichtungen unterscheiden sich je nach Engine, aber die Ebenen sind universell.

1.1 Ebene 1: Ihre eigenen strukturierten Daten

Das JSON-LD-schema, semantisches HTML und die llms.txt auf Ihrer eigenen Domain. Dies ist der Ground-Truth-Datensatz darüber, wer Sie sind, was Sie verkaufen und was Sie behaupten. KI-Engines behandeln Ihr Organization-schema, Product-schema, FAQ-schema und Article-schema als kanonische Quelle für die eigenen Aussagen Ihrer Marke.

Gewichtung: mittel bis hoch. Strukturierte Daten allein bewirken nicht, dass eine KI Sie empfiehlt, aber schwache strukturierte Daten disqualifizieren Sie von den meisten Empfehlungen, weil die KI die Fakten, die sie zitieren muss, nicht zuverlässig extrahieren kann.

1.2 Ebene 2: Autorität von Dritten

Bewertungen, Pressenennungen, Reddit-Threads, Vergleichs-Blogbeiträge, Wikipedia, Crunchbase, G2, Trustpilot, Yelp, Google Business Profile und kategoriespezifische Bewertungsaggregatoren. Dies ist die Social-Proof-Ebene, der Nachweis, dass Menschen außerhalb Ihres Marketingteams Sie für glaubwürdig halten.

Gewichtung: hoch für Perplexity und Google AI Overview, mittel bis hoch für ChatGPT. Eine Marke mit starker Präsenz bei Dritten kann eine Marke mit besserem internem Content, aber dünnem externem Fußabdruck überflügeln.

1.3 Ebene 3: Live-Retrieval

Was der Crawler der KI findet, wenn er seinen Index in Echtzeit abfragt. ChatGPT nutzt sein Browsing-Tool plus OAI-SearchBot. Perplexity nutzt PerplexityBot. Google AI Overview nutzt Googles Hauptindex. Die Retrieval-Ebene ist die Art, wie KI-Engines aktuell bleiben, eine Marke, die ihre Website aktualisiert, frischen Content veröffentlicht und den Crawler-Zugang aufrechterhält, gewinnt auf dieser Ebene.

Gewichtung: hoch für Perplexity (von Natur aus retrieval-lastig), mittel für ChatGPT, sehr hoch für Google AI Overview.

1.4 Ebene 4: Trainingsdaten

Das grundlegende Wissen, das während des Trainings in das Modell selbst eingebettet wird. Marken, die im offenen Web gut vertreten waren, als das Modell trainiert wurde, starten mit einem Reputationsvorteil. Neue Marken starten auf dieser Ebene bei null bis zum nächsten Trainingszyklus.

Gewichtung: hoch für ChatGPT und Claude (sie greifen standardmäßig auf Trainingsdaten zurück, wenn das Browsing deaktiviert oder langsam ist), niedriger für Perplexity (das für fast jede Anfrage live abruft).

2. Wie jede Engine die Ebenen gewichtet

2.1 ChatGPT

ChatGPT ist der Hybrid. Es nutzt Trainingsdaten als Basisreputation und legt dann das Browsing-Tool-Retrieval für aktuelle Daten (Preise, Lagerbestand, neue Markteinführungen) darüber. Bei einer Shopping-Anfrage tut ChatGPT oft Folgendes:

1. Ruft ab, was es aus den Trainingsdaten über die Kategorie weiß (Markenreputationen, gängige Empfehlungen).
2. Setzt sein Browsing-Tool oder die Shopify-Produkt-API ein, um die aktuelle Verfügbarkeit und Preise zu überprüfen.
3. Gleicht die Bewertungsstimmung aus seinem Trainingskorpus ab.
4. Erzeugt eine Empfehlung, die historische Reputation und aktuelle Verfügbarkeit ausbalanciert.

Konsequenz für Shopify: ChatGPT belohnt Marken mit etablierter Präsenz bei Dritten. Ein brandneuer Shopify-Store mit großartigem schema, aber ohne Reddit-Threads, ohne Präsenz bei Bewertungsaggregatoren und ohne Presseberichterstattung wird sich mit ChatGPT schwertun, bis die Trainingsdaten aufholen.

2.2 Perplexity

Perplexity ist retrieval-first. Für jede Shopping-Anfrage führt Perplexity eine Live-Websuche durch, nimmt die Top-10-20-Quellen auf und synthetisiert eine zitatlastige Antwort. Markenempfehlungen ergeben sich aus den Marken, die über die abgerufenen Quellen hinweg am konsistentesten genannt werden.

Konsequenz für Shopify: Perplexity ist die Engine, bei der neue Marken am schnellsten gewinnen. Bauen Sie Präsenz bei Dritten auf (Reddit, Bewertungsaggregatoren, Vergleichsblogs) sowie vollständiges On-Site-schema, und Perplexity beginnt innerhalb von 4-6 Wochen, Sie zu empfehlen. Trainingsdaten spielen eine geringere Rolle.

2.3 Google AI Overview

Google AI Overview sitzt auf Googles Hauptsuchindex. Es nutzt dieselben Ranking-Signale wie die traditionelle Google-Suche (Domain-Autorität, Link-Graph, Content-Qualität, schema-Gültigkeit) plus eine KI-Synthese-Ebene. Marken, die organisch gut ranken, haben einen Vorsprung.

Konsequenz für Shopify: Alles, was Sie bereits für SEO tun, zählt weiterhin. Aber schema und Entitätsklarheit werden unverhandelbar, weil die KI-Synthese-Ebene Fakten extrahiert, die die Blue-Links-Ebene nie benötigt hat.

2.4 Claude

Claudes Verhalten ist näher an ChatGPT, eine Trainingsdaten-Basis mit Browsing-Ergänzung auf einigen Stufen. Claude ist zurückhaltend beim Nennen von Marken und gibt oft zunächst Orientierung auf Kategorieebene, um dann bei Nachfrage bestimmte Marken zu nennen. Das bedeutet, dass Markennennungen in Claude spät in einem Gespräch verdient werden, nicht beim ersten Prompt.

2.5 Gemini

Gemini nutzt Googles Index plus sein eigenes Training. Bei Shopping-Anfragen verhält es sich oft wie Google AI Overview, mit ähnlichen Markenempfehlungen. Geminis produktspezifische Oberflächen (innerhalb von Google Shopping) sind stärker retrieval-getrieben.

2.6 Bing Copilot

Bing Copilot nutzt Bings Index plus die Modelle von OpenAI. Es hat eine separate (und wachsende) Shopping-Ebene, die aus Bing-Merchant-Center-Feeds liest, was bedeutet, dass Shopify-Stores mit Bing-Merchant-Center-Feeds einen direkten Retrieval-Pfad haben, den die meisten Marken übersehen.

3. Was jede Ebene für eine Shopify-Marke tatsächlich enthält

3.1 Checkliste für Ebene 1 (strukturierte On-Site-Daten)

• Organization-schema mit name, url, logo, sameAs (Social-Profile, Crunchbase, Wikipedia falls zutreffend), contactPoint, foundingDate.
• Product-schema mit aggregateRating, review, brand (als Brand-Objekt), gtin13/mpn, material, color, size, offers.
• FAQ-schema auf Produkt- und Kollektionsseiten.
• BreadcrumbList-schema auf jeder tief liegenden Seite.
• Article-schema auf Blogbeiträgen mit datePublished und author.
• llms.txt und llms-full.txt, ausgeliefert im Domain-Root.
• Faktenreiche Produktbeschreibungen, die generischen Text durch Spezifikationen ersetzen.

Praktischer Weg für Shopify: Unser Leitfaden wie man schema-Markup zu Shopify hinzufügt deckt die Umsetzung ab.

3.2 Checkliste für Ebene 2 (Autorität von Dritten)

• Bewertungen auf mindestens zwei Plattformen (Judge.me oder Loox on-site, plus Trustpilot oder der dominierende Aggregator der Kategorie).
• Eine Reddit-Präsenz in relevanten Subreddits, kein Spam, sondern legitime Threads, in denen Ihre Marke diskutiert wird.
• Presseberichterstattung oder Erwähnungen in Kategorieblogs (auch kleine zählen, wenn die Quelle indexierbar ist).
• Wikipedia-Artikel (falls Sie die Relevanzkriterien erfüllen) oder Crunchbase-Profil (jeder qualifiziert sich).
• Konsistente NAP-Daten (Name, Adresse, Telefon) über Google Business Profile, Facebook, LinkedIn und Ihre Website hinweg.
• Aktive Social-Profile mit Engagement, verlinkt über sameAs im Organization-schema.

3.3 Checkliste für Ebene 3 (Live-Retrieval)

• robots.txt und Meta-Tags erlauben GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, GoogleBot, Bingbot, Applebot und CCBot. Blockieren Sie keine KI-Crawler.
• Schnelle Seitenladezeit (<2.5s LCP), damit Crawler kein Timeout haben.
• Aktualisierter Content, mindestens monatliche Blogbeiträge oder Produktinhalts-Updates.
• llms.txt-Datei im Root als maschinenlesbarer Index für KI-Crawler.
• Sitemap.xml, die Produkte, Kollektionen, Blogbeiträge und Seiten abdeckt.

3.4 Ebene 4 (Trainingsdaten). Was Sie beeinflussen können

Sie können Trainingsdaten nicht direkt verändern. Aber Sie können beeinflussen, was im nächsten Trainingszyklus landet, indem Sie Präsenz auf signalstarken, häufig gecrawlten Quellen aufbauen, die die Trainingsdaten-Pipelines aufnehmen:

• Wikipedia (falls relevant), die signalstärkste Einzelquelle für KI-Trainingskorpora
• Reddit, häufig in Trainingsdaten enthalten
• Nachrichten- und Kategoriepublikationen mit hoher Autorität
• GitHub, Stack Overflow (für technische Marken)
• Crunchbase (stark genutzt für die Extraktion von Markenentitäten)
• Podcast-Transkripte und YouTube-Transkripte (zunehmend aufgenommen)

Für den zeitlichen Verlauf, wie sich Präsenz in Trainingsdaten summiert, siehe unsere Aufschlüsselung wie ChatGPT und Perplexity Produkte empfehlen.

4. Der kumulative Effekt

Die Ebenen sind nicht additiv, sie sind multiplikativ. Eine Marke, die auf allen vier Ebenen bei 7/10 liegt, übertrifft in der Regel eine Marke, die auf einer Ebene bei 10/10 und auf den anderen bei 3/10 liegt.

Deshalb scheitern Ein-Taktik-Ansätze. Reine schema-Optimierung ohne Autorität von Dritten stagniert bei einer mittelmäßigen Zitationsrate. Massive PR ohne schema verliert Zitationen, weil KI-Engines keine strukturierten Fakten extrahieren können. Die Shopify-Marken, die in ChatGPT und Perplexity gewinnen, liefern über alle vier Ebenen parallel aus.

5. Das praktische Playbook für Shopify-Marken

5.1 Monate 1-2: Ebenen 1 und 3

Liefern Sie vollständiges schema, llms.txt und semantische Produktbeschreibungen aus. Stellen Sie sicher, dass Crawler nicht blockiert sind, Sitemaps sauber sind und die Seitengeschwindigkeit akzeptabel ist. Dies ist die Ebene mit der schnellsten Amortisation, weil sie vollständig unter Ihrer Kontrolle steht und sich innerhalb von 2-4 Wochen nach dem Crawl summiert.

5.2 Monate 2-4: Ebene 2

Bauen Sie Präsenz bei Dritten auf. Starten Sie auf Trustpilot oder der kategoriespezifischen Bewertungsplattform. Sammeln Sie 20-50 verifizierte Bewertungen. Lassen Sie sich in 3-5 Kategorieblog-Vergleichen erwähnen. Erstellen oder beanspruchen Sie Ihr Crunchbase-Profil. Beginnen Sie eine legitime Reddit-Präsenz in Kategorie-Subreddits (beantworten Sie Fragen, spammen Sie nicht).

5.3 Monate 4-6: Ebene 4

Der Einfluss auf Trainingsdaten ist am langsamsten. Streben Sie Wikipedia-Relevanz an, falls die Marke sich qualifiziert. Zielen Sie auf Podcast-Auftritte und Gastbeiträge auf Websites ab, deren Content wahrscheinlich in Trainingskorpora aufgenommen wird. Diese Ebene zahlt sich über nachfolgende Modellversionen hinweg aus (die nächste ChatGPT-Aktualisierung, die nächste Claude-Aktualisierung usw.).

5.4 Fortlaufend: Monitoring

Nichts davon funktioniert ohne eine Feedback-Schleife. Verfolgen Sie wöchentlich Zitationsrate, Position, Stimmung und Share of Voice. Nutzen Sie unseren Leitfaden KI-Zusammenfassungs-Sichtbarkeit überwachen für die Einrichtung.

6. Was die Engines nicht verwenden

Es lohnt sich, das explizit zu sagen. KI-Engines verwenden nicht:

• Direkte Bezahlung für organische Markennennungen innerhalb von KI-Zusammenfassungen (Bing hat gesponserte Ergebnisse in einer separaten Ebene; ChatGPT und Perplexity monetarisieren organische Empfehlungen derzeit nicht).
• Keyword-Dichte auf Ihren Seiten.
• Meta-Keywords-Tags.
• Die Reihenfolge, in der Sie URLs an die Google Search Console übermitteln.
• Wie viele KI-generierte Artikel Sie in Ihrem Blog haben (oft aktiv abgestraft).

Wenn ein Leitfaden Ihnen rät, eines dieser Dinge zu tun, optimiert er für das falsche Jahrzehnt.

7. Die ehrliche Zusammenfassung

KI-Engines empfehlen Marken, die überprüfbar, spezifisch und konsistent über mehrere Quellen hinweg sind. Überprüfbar bedeutet strukturierte Daten, die der Realität entsprechen. Spezifisch bedeutet faktenreicher Content, den die KI extrahieren kann. Konsistent bedeutet, dass Ihre Geschichte auf Ihrer Website, auf Reddit, auf Trustpilot, auf Crunchbase und in der Presse dieselbe ist.

Es gibt keinen geheimen Algorithmus, den man austricksen kann. Es gibt ein mehrschichtiges Reputationsmodell, das Marken belohnt, die für eine vernünftige Person, die über Quellen hinweg liest, glaubwürdig wirken, was genau das ist, was eine gut trainierte KI ist.

---

Gewinnen Sie Empfehlungen bei jeder KI-Engine

Manuell über alle vier Ebenen auszuliefern ist ein 6-Monats-Programm. Installieren Sie Naridon kostenlos aus dem Shopify App Store, um Ebene 1 (schema, llms.txt, Produktinhalte) und Ebene 3 (Crawler-Zugang, Monitoring) zu automatisieren, plus wöchentliches Sichtbarkeits-Tracking über ChatGPT, Perplexity, Google AI Overview, Claude, Gemini und Bing Copilot. Kostenlos unter 100 Produkten; kostenpflichtige Tarife beginnen bei $49/Monat.