Wer ChatGPT, Googles AI Mode und Amazons Alexa dieselbe Kauffrage stellt, steht virtuell vor drei verschiedenen Regalen, zitiert Channelx.world eine Studie der Agentur Jellyfish. Für Spielzeug bediene sich Amazon fast nur im eigenen Shop, ChatGPT bei 24 verschiedenen Händlern, Google bei 37. Bei britischen Herrenanzügen ziehe ChatGPT 30 Händler heran, Google hingegen nur vier. Preisklassen ignoriere die KI: Eine Antwort zu Herrenanzügen etwa habe Modelle von 27 bis zu 3.295 Pfund präsentiert. Marken gingen unter: In der US-Mode verteile die KI ihre Empfehlungen auf 120 Marken, die stärkste komme auf sieben Prozent.
Eine Untersuchung der Agentur Jellyfish zeigt, wie stark sich Shopping-Empfehlungen von ChatGPT, Googles AI Mode und Alexa for Shopping von Amazon unterscheiden. Wer allen Systemen dieselbe Kauffrage stellt, landet laut einem von Channelx.world zitierten Studienbefund virtuell vor drei verschiedenen Regalen. Für Marken verändert das die Grundlagen der Sichtbarkeit: Das bekannte digitale Regal eines Onlineshops wird durch ein dynamisches Auswahlfeld ersetzt, das je nach Assistent, Kategorie und Markt anders ausfällt.
Kein einheitliches KI-Regal
Jellyfish analysierte mit dem Tool Share of Model Produktempfehlungen über acht Kategorien hinweg, darunter Fashion, Sportswear, Herrenanzüge, Haushaltsgeräte und Möbel. Einbezogen wurden die USA, Großbritannien, Australien und Singapur sowie ChatGPT, Google AI Mode und Amazons Alexa for Shopping. Im Ergebnis entfielen über die betrachteten Kategorien hinweg rund 80 Prozent der KI-Produktempfehlungen auf ChatGPT, während Googles AI Mode bei etwa 20 Prozent lag. Die Spanne war erheblich: Bei Haushaltsgeräten reichte sie laut Studie bis zu 97 Prozent für ChatGPT gegenüber 3 Prozent für Google.
Die Studie beschreibt damit kein stabiles, einheitliches KI-Regal. Je nach System werden andere Händler, Marken und Produkte herangezogen. Bei Spielzeug griff Amazon fast ausschließlich auf den eigenen Shop zurück, empfahl aber Produkte von 177 Marken. ChatGPT bezog für dieselbe Anfrage 24 Händler ein, Googles AI Mode 37. Bei britischen Herrenanzügen berücksichtigte ChatGPT 30 Händler, Google hingegen nur vier. In US-Sportswear lag die Zahl der geprüften Händler bei ChatGPT bei 171, bei Google bei 126.
Preislogik und Markenführung geraten unter Druck
Auffällig ist auch, wie breit die Systeme Preis- und Produktklassen mischen. Bei einer Anfrage zu Herrenanzügen in Großbritannien lagen die empfohlenen Modelle zwischen 27 und 3.295 Pfund. Bei Gaming-Stühlen in den USA reichte die Spanne von 79 bis 3.479 Dollar. Premiumprodukte können damit unmittelbar neben sehr günstigen Alternativen erscheinen. Klassische Preispositionierung verliert in solchen Antworten an Trennschärfe, weil die Auswahl nicht entlang vertrauter Handelslogiken sortiert wird.
Auch etablierte Markenführerschaft wird relativiert. Laut Jellyfish kann eine einzelne Shopping-Frage bis zu 290 konkurrierende Marken sichtbar machen. In der US-Mode verteilten sich die Empfehlungen auf 120 Marken; die am häufigsten genannte Marke kam lediglich auf sieben Prozent Anteil. Für das Marketing entsteht dadurch eine neue Messfrage: Es reicht nicht mehr, die Platzierung auf einer Händlerseite oder die Erwähnung in einer Chatbot-Antwort zu beobachten. Relevant wird, welche konkreten SKUs ein Assistent empfiehlt, in welcher Reihenfolge sie erscheinen, welche Preise und Bewertungen genannt werden und über welchen Händler der Kauf erfolgen würde.
Produktdaten werden zur neuen Sichtbarkeitsbasis
Jellyfish positioniert Share of Model Shopping Optimisation als Antwort auf diese Lücke. Die Lösung soll Sichtbarkeit auf SKU-Ebene analysieren, Gründe für Empfehlungen oder Auslassungen sichtbar machen und die Signale identifizieren, die KI-Shopping-Systeme beeinflussen. Dazu zählen Produktattribute, Inhalte und Informationsquellen. Marken können damit vergleichen, wie sich einzelne Produkte in verschiedenen KI-Umgebungen schlagen, Optimierungsfelder priorisieren und Veränderungen der Produktsichtbarkeit über die Zeit messen.
Für Anbieter entsteht damit ein deutlich fragmentierteres Wettbewerbsumfeld. Ein gutes Ergebnis bei einem Assistenten sagt wenig über die Position bei einem anderen aus. Die nächste offene Frage ist, welche Produktdaten, Händlerquellen und Bewertungsinformationen künftig den größten Einfluss auf KI-Empfehlungen haben; bei Haushaltsgeräten lag die gemessene Verteilung bereits bei 97 zu 3 Prozent.