Der Aufstieg der künstlichen Intelligenz: Die Notwendigkeit, bezahlte und organische geografische Suchmaschinen zu verbessern

In den letzten zwei Jahren war der Ratschlag an Marken weitgehend einheitlich: Sorgen Sie dafür, dass Sie in KI erwähnt und empfohlen werden , und die gewünschten Ergebnisse werden erzielt.

Ob man es nun Suchmaschinenoptimierung (GEO) oder KI-gestützte Suchmaschinenoptimierung (AEO) nennt, das Ziel bleibt dasselbe: sicherzustellen, dass die KI Ihre Marke versteht, genaue Informationen darüber abrufen und sie empfehlen kann, wenn ein Kunde danach fragt.

Diese Situation hielt so lange an, bis Amazon im Rahmen seiner Ergebnisse für das zweite Quartal stillschweigend eine Zahl veröffentlichte, die diesen Ratschlag zunehmend infrage stellte.

Andy Jassey enthüllte, dass Käufer, die auf eine gesponserte Aufforderung in Alexa for Shopping klicken, mit über 48 % höherer Wahrscheinlichkeit einen Kauf tätigen und 21 % mehr ausgeben als Käufer, die dies nicht tun.

Obwohl diese Daten von Amazon selbst stammen und keinen unabhängigen Branchenstandard darstellen, sind sie einer der deutlichsten Hinweise darauf, dass bezahlte Platzierungen zu einem integralen Bestandteil des KI-gestützten Einkaufserlebnisses werden , anstatt nur daneben zu existieren.

Dies ist deshalb wichtig, weil sich KI-gestütztes Einkaufen in zwei sehr unterschiedliche Modelle aufzuspalten beginnt: offene Assistenzsysteme, die versuchen, die besten verfügbaren Produkte anzuzeigen, und geschlossene Ökosysteme, die das Geschäftsumfeld rund um die Empfehlungen kontrollieren.

Für Marken erzeugen diese Modelle ganz unterschiedliche Wahrnehmungen über den Wert von Sichtbarkeit.

Warum entwickeln sich KI-gestützte Shopping-Plattformen in unterschiedliche Richtungen?

Bis vor Kurzem war es sinnvoll, künstliche Intelligenz als einheitliches Phänomen zu betrachten. Marken hofften, dass das Modell sie verstehen, der Assistent sie sich merken und die Marke empfehlen würde, wenn ein Kunde eine relevante Frage stellte. Diese Annahme lässt sich jedoch schwer aufrechterhalten, wenn die Plattform, die die Empfehlung bereitstellt, auch ein Werbegeschäft betreibt, das sie monetarisieren möchte.

Amazon ist hierfür das beste Beispiel. Eine gesponserte Anzeige kann direkt im selben Gesprächsverlauf erscheinen, in dem ein Kunde seine Kaufentscheidung trifft. Google verfolgt einen ähnlichen Ansatz und integriert Werbung in zunehmend dialogorientierte Such- und Einkaufserlebnisse.

Der kommerzielle Anreiz ist offensichtlich. Wenn bezahlte Empfehlungen innerhalb einer KI-gestützten Konversation bessere Konversionsraten erzielen als traditionelle Werbung, finden Plattformen eine starke Rechtfertigung für die Integration von Plus-Anzeigen in diese Konversationen.

Offene Hilfeleistungen stehen jedoch vor einer anderen Herausforderung. Ihr Wert hängt maßgeblich von der Wahrnehmung ab, dass Empfehlungen aufgrund ihrer Relevanz und nicht aufgrund von Bezahlung ausgesprochen werden.

Dies führt zu einem deutlich schwierigeren Gleichgewicht zwischen Umsatzgenerierung und Vertrauen . Das Ergebnis ist nicht ein einziger KI-gesteuerter Einkaufskanal, sondern mehrere Ökosysteme, die sich um unterschiedliche Geschäftsanreize entwickeln.

Reichen eine verbesserte geografische Sichtbarkeit (GEO) und eine verbesserte KI-Erfahrung (AEO) noch aus?

Die grundlegenden Prinzipien der geografischen Sichtbarkeitsoptimierung (GEO) und der KI-gestützten Erlebnisoptimierung (AEO) bleiben bestehen. Genaue, spezifische und gut strukturierte Informationen geben KI-Systemen eine bessere Chance, das Produkt zu verstehen und seine Relevanz zu bestimmen.

Doch es zeichnet sich ein entscheidender Unterschied ab: GEO und AEO lösen zwar das Sichtbarkeitsproblem, aber nicht unbedingt das Geschäftsproblem.

Eine Marke kann zwar in KI-Empfehlungen eine hohe Sichtbarkeit erzielen, diese aber dennoch nicht in Umsatz umwandeln. Ebenso wenig kann bezahlte Sichtbarkeit schwache Produktinformationen dauerhaft ausgleichen. KI benötigt weiterhin verlässliche Daten darüber, was das Produkt ist, wer seine Zielgruppe ist und wie es sich im Vergleich zu Alternativen darstellt.

Für Marken stellt sich daher nicht nur die Frage, ob ihre Produkte empfohlen werden. Sie müssen verstehen, wie Empfehlungen auf den einzelnen Plattformen funktionieren, was passiert, wenn Werbung in den Entscheidungsprozess einfließt, und ob deren Sichtbarkeit letztendlich zur Kundengewinnung führt.

Wo liegt die Rolle des agentenbasierten Handelsverbesserungssystems (ACO)?

Hier kommt die Agentic Commerce Optimization (ACO) ins Spiel.

GEO und AEO zielen primär darauf ab, die Marke mithilfe künstlicher Intelligenz verständlicher, auffindbarer und sichtbarer zu machen. ACO hingegen hebt dieses Problem auf die Unternehmensebene, wo KI Kaufentscheidungen trifft oder beeinflusst.

Für intelligente Agenten ist der Produktinhalt nur ein Teil der Gleichung. Viele weitere Faktoren sind entscheidend, wie Preis, Verfügbarkeit, Spezifikationen, Varianten, Lieferung, Rückgabe und die Möglichkeit zur Transaktionsabwicklung. Daher kann ein Produkt zwar für KI optimal sein, aber dennoch eine schlechte Wahl für den Agenten darstellen, wenn die für seine Handlungen benötigten Informationen unvollständig oder inkonsistent sind.

Aus diesem Grund lässt sich ACO anhand der Prinzipien der 5Cs verstehen: Vollständigkeit, Kontext, Zitate, Korrektheit und Kundengewinnung.

Die ersten vier Prinzipien helfen dabei zu bestimmen, ob ein KI-System ein Produkt verstehen und es mit Zuversicht empfehlen kann. Das fünfte Prinzip wirft eine betriebswirtschaftliche Frage auf, die allein durch Sichtbarkeitskennzahlen nicht beantwortet werden kann: Hat diese Empfehlung zur Kundengewinnung geführt?

Daher stellt ACO die operative Antwort auf die nächste Phase des KI-gestützten Einkaufs dar: die kontinuierliche Überwachung der Darstellung von Produkten auf verschiedenen KI-Plattformen und die Korrektur der zugrunde liegenden Daten für Inhalte, Kataloge und Handel, wenn diese Systeme vom Kurs abweichen.

Dies gewinnt zunehmend an Bedeutung, da Plattformen unterschiedliche Werbe- und Empfehlungsmethoden entwickeln. Eine Marke kann nicht für eine einzige Version des KI-gestützten Shoppings optimieren, während die zugrunde liegenden Plattformen divergierende Geschäftsstrategien verfolgen.

Was sollten Marken jetzt tun?

Die Lösung liegt nicht darin, Geo-Suchmaschinenoptimierung (GEO) oder KI-gestützte Suchmaschinenoptimierung (AEO) zugunsten eines neuen Begriffs aufzugeben. Die Grundlagen bleiben dieselben: präzise Produktinformationen, eine klare Struktur, konsistente Daten und Inhalte, die die Fragen der Kunden beantworten. Der Unterschied besteht heute darin, dass Marken die Entwicklungen nach der ersten Empfehlung genau beobachten müssen.

Welche Produkte heben KI-Plattformen hervor? Welche Wettbewerber gewinnen an Boden? Wo sind Produktinformationen ungenau oder fehlen ganz? Wie unterscheiden sich die verschiedenen Unterstützungsprogramme? Welche Rolle spielt bezahlte Werbung in diesem Prozess? Und führt diese Werbung letztendlich zu einer zusätzlichen Kundengewinnung?

Amazons Konversionsrate von 48 % ist bemerkenswert, da sie darauf hindeutet, dass die Präsenz in einem KI-gestützten Dialog zum Zeitpunkt der Kaufabsicht sich wirtschaftlich deutlich von der bloßen Präsenz daneben unterscheiden kann . Sollten andere Plattformen diesem Beispiel folgen, wird die Grenze zwischen KI-Präsenz, bezahlter Werbung und Handel weiter verschwimmen.

Die Chance liegt daher nicht darin, Geo-Suchmaschinenoptimierung (GEO) oder KI-gestützte Erlebnisoptimierung (AEO) zu ersetzen, sondern darauf aufzubauen. Da KI sich von der Beantwortung von Kauffragen hin zur Beeinflussung von Kaufentscheidungen entwickelt, wird Transparenz zum Ausgangspunkt und nicht zum Endziel.

Die Marken, die von dieser aktuellen Situation profitieren werden, sind diejenigen, die die Grundlagen von GEO/AEO mit ACO kombinieren, um die fünf Elemente (5 Cs) zu verbessern und letztendlich KI nicht nur daran zu messen, wie oft sie erwähnt wird, sondern an der Höhe der zusätzlichen Einnahmen, die sie generiert.