ChatGPT wird zum Schaufenster, die meisten Marken fehlen

OpenAI hat ChatGPT von einem Ort für Fragen zu einem Ort zum Einkaufen gemacht. Über seine Kaufrecherche, den Checkout im Chat und ein Händlerprogramm auf Basis des Agentic Commerce Protocol empfiehlt ChatGPT jetzt Produkte und lässt Nutzer direkt im Gespräch kaufen. Das Problem für Marken: Wenn die Antwort eine Auswahlliste mit ein oder zwei Namen ist, stehen die meisten Unternehmen nicht darauf. Eine Analyse von fast 190.000 ChatGPT-Ergebnissen zu Restaurantanfragen ergab, dass rund 83 % der Restaurants gar nicht auftauchten, gegenüber etwa 14 % bei Google.

Was passiert ist

OpenAI hat ChatGPT im Laufe des Jahres 2026 eine Reihe von Commerce-Funktionen hinzugefügt. Die Kaufrecherche erstellt aus einer alltagssprachlichen Beschreibung dessen, was jemand sucht, einen personalisierten Kaufratgeber. Instant Checkout, der Ablauf „Buy it in ChatGPT”, lässt Nutzer einen Kauf abschließen, ohne den Chat zu verlassen. Grundlage ist das Agentic Commerce Protocol, über das Händler Produktfeeds und Aktionen direkt bereitstellen können. Zum Start deckt Instant Checkout US-amerikanische Etsy-Verkäufer ab, Shopify-Händler sollen folgen.

Die Sichtbarkeitslücke lässt sich nicht damit erklären, dass Marken offline wären. Dieselben Restaurants, die aus ChatGPT verschwinden, sind auf Google größtenteils präsent. Sie haben die klassische Arbeit für die lokale Suche geleistet und fallen dennoch heraus, sobald die Frage über ein KI-Modell statt über eine Ergebnisseite läuft.

Warum das wichtig ist

Eine Suchergebnisseite zeigt zehn Links und überlässt die Wahl dem Nutzer. Ein KI-Assistent verdichtet das zu einer Empfehlung, oft zu einem einzigen Namen, und die genannten Marken ziehen einen überproportionalen Anteil der Aufmerksamkeit auf sich. Es gibt keine zweite Seite, auf der man ranken könnte. Entweder das Modell verfügt über saubere, strukturierte, aktuelle Daten zu einem Unternehmen und seinen Produkten, oder dieses Unternehmen kommt in der Antwort nicht vor.

Das verschiebt die Aufgabe. Die Auffindbarkeit in KI-Assistenten hängt weniger von klassischen Ranking-Signalen ab und mehr von maschinenlesbarer Genauigkeit: einheitliche Standortdaten, vollständige Attribute und, für den Handel, ein strukturierter Produktfeed, dem das Modell vertrauen kann.

Was das für Einzelhandelsmarken mit mehreren Standorten bedeutet

Für eine Einzelhandelskette ist das ein Problem der Datenqualität im gesamten Standortnetz, kein Problem des Textens. Wenn Öffnungszeiten, Adressen, Kategorien und Produktverfügbarkeit zwischen der eigenen Website einer Marke, ihren lokalen Unternehmenseinträgen und ihren Feeds voneinander abweichen, hat ein KI-Modell keine verlässliche Version, die es ausspielen kann, und weicht auf die Wettbewerber aus, deren Daten in sich stimmig sind.

Die Aufgabe besteht darin, eine korrekte, strukturierte Version jedes Standorts und jedes Produkts überall dort verfügbar zu machen, wo ein Modell sie lesen könnte, und sie aktuell zu halten, wenn sich Filialen, Sortimente und Öffnungszeiten ändern. Das ist dieselbe Disziplin, die dahintersteckt, in KI-Suchergebnissen zitiert zu werden, und genau dafür ist ein System wie Places AI gebaut: um Hunderte oder Tausende von Standorten zu steuern statt einen nach dem anderen. Es baut direkt auf dem Muster aus unserem früheren Bericht auf, wonach ChatGPT-Empfehlungen echte Website-Besuche auslösen: Der Traffic ist real, aber nur für die Marken, die das Modell tatsächlich sehen kann.

In einer Analyse von fast 190.000 ChatGPT-Ergebnissen zu Restaurantanfragen tauchten rund 83 % der Restaurants überhaupt nicht auf, verglichen mit etwa 14 % bei Google.

Local Falcon, Studie zur KI-Sichtbarkeit, 2026

Fazit

ChatGPT entwickelt sich zu einem Kanal für Entdeckung und Checkout, und empfohlen werden die Marken, deren Daten es sauber lesen kann. Für Einzelhändler mit mehreren Standorten liegt die Priorität nicht darin, mehr Inhalte zu schreiben, sondern dafür zu sorgen, dass jeder Standort und jedes Produkt in korrekter, strukturierter Form vorliegt, bevor das Modell entscheidet, wen es nennt.