Blog
Community-getriebene Entdeckung erklärt
Marken werden heute durch das definiert, was Käufer einander erzählen. Erfahren Sie, wie Sie eine authentische Community aufbauen und modernes Mundpropaganda-Marketing beherrschen.
Zwei konkurrierende Marken. Gleiche Kategorie. Ähnliche Bewertungsvolumen. Ihr Wettbewerber taucht in KI-generierten Shortlists auf. Ihre Marke nicht.
Die Marken, die mit höherer Wahrscheinlichkeit in KI-Shortlists auftauchen, machen eines anders. Sie liefern strukturierte, verifizierte Produktsignale direkt im HTML ihrer Produktdetailseiten, lesbar für jeden KI-Agenten, der sie besucht. Der Unterschied zwischen Berücksichtigung und Missachtung hängt oft von der Zugänglichkeit ab, nicht von der Qualität der Bewertungen. Review-Schema-Markup für KI schließt genau diese Lücke.
Was ist Review-Schema-Markup für KI?
Review-Schema-Markup für KI sind strukturierte Daten (meist im JSON-LD-Format), die Suchmaschinen und KI-gestützten Discovery-Systemen mitteilen, wie sie Ihre Bewertungen, Ratings und Q&A-Inhalte zu interpretieren haben. Ein KI-Agent, der eine Produktempfehlung erstellt, muss Folgendes wissen:
Hat dieses Produkt im Durchschnitt 4,7 Sterne bei verifizierten Bewertungen?
Gibt es einen Q&A-Eintrag, der bestätigt, dass es mit X kompatibel ist?
Wie aktuell ist das Feedback?
Ohne strukturierte Daten bleiben diese Signale für KI-Agenten möglicherweise unsichtbar, selbst wenn sie auf der Seite vorhanden sind. Strukturierte Daten kennzeichnen jedes Element ausdrücklich: Sternebewertung, Anzahl der Bewertungen, Bewertungstext, Fragetext, Antworttext, Produkt-ID. Die KI muss also nicht raten.
Da KI-Shopping-Agenten strukturierte Signale auswerten, statt Produktseiten so zu lesen wie Menschen, bestimmt die maschinelle Lesbarkeit Ihre Sichtbarkeit. Gemeinsame Forschung von NielsenIQ und Kearney bestätigt das Ausmaß dieser Verschiebung: 74 %Wird in neuem Fenster geöffnet der Verbraucher weltweit nutzen KI inzwischen für die erste Produktrecherche, und 62 %Wird in neuem Fenster geöffnet befragen KI-Tools gezielt, um Kundenbewertungen und Rezensionen zu beurteilen.
NielsenIQWird in neuem Fenster geöffnet misst die Markenperformance in diesen KI-Interaktionen anhand von drei Kennzahlen: Gesprächsanteil (wie oft die KI Ihr Produkt bei Kategorieanfragen anzeigt), Empfehlungsanteil (wie häufig KI-Agenten Ihr Produkt dem eines Wettbewerbers vorziehen) und Vertrauensanteil (wie konsequent die KI die Inhalte Ihrer Marke als glaubwürdig behandelt). Alle drei hängen von einer Bedingung ab: Ihre Bewertungsdaten müssen maschinenlesbar sein, bevor KI-Agenten sie zu Ihren Gunsten zählen können.
Vier versteckte Lücken bei der KI-Bereitschaft der meisten Marken
Die meisten Enterprise-Marken haben mit vier strukturellen Problemen zu kämpfen, die sich allein mit Schema-Markup nicht lösen lassen. Jedes verstärkt das nächste.
→ Problem 1: Rezensionen sind vorhanden, aber die KI kann sie nicht erreichen
Die meisten E-Commerce-Plattformen laden Bewertungen über clientseitiges JavaScript, um Käufern ein dynamisches Widget zu bieten. KI-Crawler durchsuchen jedoch nur das rohe Server-HTML, in dem dieser Inhalt unsichtbar bleibt. Adobe hat sein Diagnosetool AI Content Visibility Checker vorgestellt, das die maschinelle Lesbarkeit von US-amerikanischen E-Commerce-Websites bewertet. Während Startseiten im Durchschnitt einen Wert von 75 % bei der maschinellen Lesbarkeit erreichten, schnitten Produktdetailseiten unter allen Handelsformaten am schlechtesten ab (etwa 66 %Wird in neuem Fenster geöffnet). Das beweist, dass ungefähr 34 % der Elemente auf Produktdetailseiten (insbesondere clientseitige JavaScript-Bewertungs-Widgets und dynamische Textcontainer) von den Crawlern großer Sprachmodelle übersprungen werden.
Was das bedeutet: Ein Produkt kann 800 Rezensionen in der Datenbank haben. Der Crawler sieht null. Das ist ein Zugänglichkeitsproblem, das jede Marke betrifft, die JavaScript-gerenderte Rezensions-Widgets einsetzt.
→ Problem 2: Rezensionen sind vorhanden, aber sie sind veraltet
KI-Tools gewichten Aktualität als Vertrauenssignal. Die Geschwindigkeit, mit der Rezensionen eingehen, zählt genauso viel wie ihre Menge.
Was das bedeutet: Ein Hero-SKU mit 600 im Jahr 2023 gesammelten Rezensionen signalisiert ein brachliegendes Inhaltsfundament. Selbst wenn diese Rezensionen zugänglich und strukturiert sind, sieht ein KI-Agent veraltete Stimmungen. Er legt sich entweder nicht fest oder stuft das Produkt herab.
→ Problem 3: Die Inhalte sind auf den eigenen Produktdetailseiten stark, fehlen aber beim Handel
Produktseiten sind die neue EingangstürWird in neuem Fenster geöffnet für den Verbraucher-Traffic. Durch KI-Assistenten landen viele Käufer bei ihrem ersten Besuch auf einer Händler-Website direkt auf der Produktseite statt auf der Startseite. Automatisierte Shopping-Agenten fragen diese Händlerseiten, Marktplatz-Listings und Drittquellen ab, lange bevor sie überhaupt Ihre primäre Markenwebsite erreichen.
Was das bedeutet: Eine Marke kann auf der eigenen Seite gut strukturierte Rezensionsdaten haben und auf den Händlerseiten, auf denen die meisten Kaufentscheidungen fallen, keinen einzigen zugänglichen UGC.
→ Problem 4: Die Inhaltssignale widersprechen sich über die verschiedenen Touchpoints hinweg
KI-Agenten gleichen Signale aus mehreren Quellen ab. Inkonsistenzen über Touchpoints hinweg beeinträchtigen die Genauigkeit von KI-Antworten aktiv und untergraben das Glaubwürdigkeitssignal, das KI-Systeme den Inhalten der Marke insgesamt zuweisen.
Was das bedeutet: Wenn Ihre Produktbeschreibung auf der Markenseite „bis zu 48 Stunden Halt“ lautet, auf der Händlerseite aber „langanhaltend“, legt sich die KI in ihrer Antwort entweder nicht fest oder bevorzugt die Quelle, der sie mehr vertraut.
Die fünf Grundlagen für Review-Schema-Markup für KI
#1: Schaffen Sie authentische Produktbelege, die eine Strukturierung wert sind
Schema-Markup kennzeichnet Inhalte. Es kann keine Inhalte erzeugen, die nicht existieren.
Die Lösung: Bauen Sie eine kontinuierliche Content-Engine auf, die frisches, verifiziertes Käuferfeedback erzeugt, statt nur eine einmalige Kampagne zu starten. KI-Systeme unterscheiden zwischen moderierten, authentifizierten Bewertungen und nicht verifizierten oder abgegriffenen Inhalten. Diese Unterscheidung wirkt sich direkt darauf aus, wie viel Vertrauen ein Agent Ihren Signalen schenkt. Sie benötigen:
Authentische, verifizierte Meinungen und Fotos von echten Kunden
Aktuelle Bewertungen für Launches und prioritäre SKUs durch Fürsprecher-Programme und Sampling
Echte Kundenfragen werden direkt auf der Seite angezeigt und beantwortet
Visuelle Inhalte, die Produkte im realen Einsatz zeigen
Die eigene GEO-Studie von Bazaarvoice hat ergeben, dass 78 % der Beauty- und Hautpflege-Käufer weltweit gezielt nach Bewertungen und Fotos von echten Menschen suchen, nachdem ein KI-Tool ein Produkt empfohlen hat. Die Empfehlung weckt das Interesse. Der authentische UGC bringt die Entscheidung zum Abschluss. Schema Markup macht beide Schritte möglich, aber nur, wenn überhaupt verifizierte Inhalte vorhanden sind, die sich strukturieren lassen.
Prüfen: Durchschnittliches Alter der Bewertungen über Ihre 20 wichtigsten SKUs. Bewertungsabdeckung bei Produkten, die in den letzten 12 Monaten eingeführt wurden. Q&A-Volumen und Antwortquote auf prioritären PDPs. Ob Kundenbilder auf wichtigen Produktseiten geladen werden.
#2: Schließen Sie die Content-Lücke bei Händlern durch Verbreitung im großen Maßstab
KI-Agenten stellen Produktdatensätze zusammen, indem sie Informationsfeeds von Händlern scrapenWird in neuem Fenster geöffnet. Unvollständige Daten bedeuten den automatischen Ausschluss aus den von Agenten erzeugten Empfehlungen.
Die Lösung: Syndizierung über das Bazaarvoice Network. Die Forschung von NielsenIQ definiert den Standard für KI-taugliche Produktdaten: strukturiert, angereichert, maschinenlesbar und überall konsistent. Wer verifizierte Bewertungen, Rezensionen und Q&A über das Händlernetzwerk verbreitet, erfüllt diesen Standard an jedem Touchpoint, an dem KI-Agenten Ihr Produkt abfragen. Jede Händlerseite trägt dieselben vertrauenswürdigen Signale.
Prüfen: Sind Bewertungen und Rezensionen auf den Händlerseiten für prioritäre SKUs zugänglich? Stimmen die strukturierten Bewertungsvolumen auf Markenseiten und syndizierten Handelskontaktpunkten überein?
#3: Strukturieren Sie Bewertungen und Q&A für die KI-Entdeckung
Der technische Mechanismus hinter dieser Lücke ist das in Problem 1 beschriebene JavaScript-Rendering-Problem. Bewertungen werden für menschliche Besucher dynamisch geladen, aber KI-Crawler lesen nur das serverseitige HTML, was bedeutet, dass der Datenbankinhalt genauso gut nicht existieren könnte.
Die Lösung: Die Authentic Discovery™ API von Bazaarvoice löst dieses Problem, indem sie bei verifizierten Crawler-Anfragen JSON-LD-Payloads auf der Serverebene einspeist. Das ist die direkte Umsetzung der Anforderung von NielsenIQ an strukturierte Daten: maschinenlesbarer, verifizierter UGC genau in dem Moment, in dem KI-Agenten Ihre PDPs abfragen. Sie unterstützt sowohl klassisches SEO als auch Generative Engine Optimization (GEO) in einer einzigen Implementierung. Verifizierte, moderierte Inhalte senden ein stärkeres Vertrauenssignal als unmoderierte, abgegriffene Inhalte, und KI-Systeme unterscheiden zunehmend zwischen beiden. Auch die Authentifizierungsebene ist wichtig. Verifizierte, moderierte Inhalte senden ein stärkeres Vertrauenssignal als unmoderierte, abgegriffene Inhalte, und KI-Systeme unterscheiden zunehmend zwischen beiden.
Prüfen: Lassen Sie eine prioritäre PDP in einem Roh-HTML-Viewer anzeigen. Wenn Bewertungen ohne JavaScript-Ausführung unsichtbar sind, sieht der Crawler dieselbe leere Seite.
#4: Folgen Sie dem technischen Implementierungspfad
Marketing- und Entwicklungsteams arbeiten oft mit unterschiedlichen Dokumentationen, und die häufigste Abweichung zeigt sich zwischen den Produktkatalog-IDs in Ihrer Plattform und den IDs in Bazaarvoice. Wenn die IDs nicht übereinstimmen, wird der falsche UGC zurückgegeben.
Die Lösung: Richten Sie beide Teams vom ersten Tag an auf dieselbe Umsetzungsreihenfolge aus.
Fünf Schritte in dieser Reihenfolge:
Das Entwicklungsteam generiert einen dedizierten API-Schlüssel für Server-zu-Server-Datenpfade zur Discovery.
Das Team startet bei einer Bot-Anfrage einen schnellen serverseitigen Aufruf der Bazaarvoice Authentic Discovery API.
Sie betten die strukturierte JSON-LD-Datennutzlast direkt in das ursprüngliche, serverseitig gerenderte HTML ein.
Das SEO- und Marketingteam prüft Produktions-URLs mit Live-Schema-Validierungstools, um die Verschachtelungsregeln zu verifizieren.
Das Team verfolgt die Häufigkeit, mit der Produkte in dialogbasierten Suchoberflächen aufgenommen und zitiert werden.
Prüfen: Fügen Sie die URL der Produktionsseite in den schema.org-Validator ein. Bestätigen Sie, dass die Product- und Review-Blöcke korrekt verschachtelt sind.
#5: Schützen Sie die Infrastruktur, die strukturierte Daten bereitstellt
Die Erkennung von Crawlern ist nicht so einfach wie das Auslesen eines User-Agent-Strings. User-Agent-Strings beruhen auf Selbstangaben und lassen sich leicht fälschen. Eine AnalyseWird in neuem Fenster geöffnet des Traffics von 16 bekannten KI-Crawlern durch Human Security hat gezeigt, dass 5,7 % des Traffics , der angeblich von bekannten KI-Crawlern stammte, in Wirklichkeit gefälscht war.
Sich ausschließlich auf User-Agent-Strings zu verlassen, ist also so, als würde ein Empfangsmitarbeiter Besucher allein nach dem Namensschild begrüßen, das sie selbst beschriftet haben. Da sich diese Schilder leicht anpassen lassen, übernehmen allgemeine Web-Scraper häufig Namen wie „Googlebot“. Ihre Server gewähren dann womöglich versehentlich Sonderzugriff für gewöhnlichen Traffic, der anders behandelt werden sollte.
Die Lösung: Drei getrennte Kontrollen, nicht nur eine.
Spoofing: User-Agent-Strings werden selbst angegeben. Jeder Scraper kann behaupten, Googlebot, GPTBot oder ClaudeBot zu sein. Überprüfen Sie die Identität eines Crawlers mit Forward-Confirmed Reverse DNS (FCrDNS): Lösen Sie die eingehende IP per Reverse-DNS auf, ermitteln Sie den Hostnamen, lösen Sie ihn anschließend per Forward-DNS wieder auf und bestätigen Sie, dass die IP übereinstimmt. OpenAI, Anthropic, Perplexity und Microsoft veröffentlichen alle die CIDR-Bereiche ihrer Crawler. Prüfen Sie die Quell-IP anhand dieser Bereiche, bevor Sie eine strukturierte Antwort ausliefern.
Lastschutz: Stark frequentierte PDPs erzeugen bei Aktivitäten von KI-Crawlern echte Serverlast. Setzen Sie auf Infrastrukturebene Rate Limiting, Caching und Bot-Richtlinien pro Route um. Authentic Discovery API ist ein Tool für die Auffindbarkeit, kein Bot-Management-System, es ergänzt Ihre bestehende Bot-Management-Infrastruktur.
Trennung der robots.txt: Trainings-Crawler und Such-Crawler sind unterschiedliche Bots desselben Unternehmens. GPTBot trainiert die Modelle von OpenAI; OAI-SearchBot liefert die Live-Suchergebnisse von ChatGPT. Das Blockieren des einen hat keinerlei Auswirkung auf den anderen.
Ihre robots.txt braucht drei Richtlinien:
SEO-Crawler (Googlebot, Bingbot) - ermöglichen die Suchindexierung
KI-Such-Crawler (OAI-SearchBot, Claude-SearchBot, PerplexityBot) - ermöglichen die Auffindbarkeit über KI-Oberflächen, sodass die Bewertungen und Produkt-Q&As Ihrer Marke in Echtzeit-Antworten zitiert werden können. Wenn Sie sie blockieren, erscheinen Sie in KI-generierten Ergebnissen überhaupt nicht mehr.
KI-Trainings-Crawler (GPTBot, ClaudeBot, Google-Extended) - eine eigene Entscheidung, die von Ihrer Position zur Lizenzierung von Inhalten und Ihrer IP-Strategie abhängt. Sie zuzulassen kann die langfristige Relevanz Ihrer Marke in den Modellen erhöhen; sie zu blockieren hat keine Auswirkung auf die aktuelle Sichtbarkeit in der KI-Suche.
Das Blockieren von GPTBot zum Schutz des geistigen Eigentums an Inhalten ist eine legitime Entscheidung, aber wenn diese Regel auch OAI-SearchBot erfasst, haben Sie sich gerade aus den ChatGPT-Suchergebnissen abgemeldet.
Prüfen: Stellen Sie sicher, dass Ihre robots.txt alle drei Crawler-Typen separat behandelt. Testen Sie dies, indem Sie per curl den User-Agent eines bekannten KI-Suchbots vortäuschen. Wird er blockiert, schneiden Sie genau die Discovery-Crawler ab, die Sie eigentlich einlassen wollen.
So sieht KI-Readiness im gesamten Digital Shelf aus
KI-Auffindbarkeit ist kumulativ. Schema-Markup bringt Sie ins Spiel. Das hier hält Sie dort:
Aktuelle Bewertungsabdeckung bei Prioritätsprodukten und neu eingeführten Produkten
Q&A-Inhalte, die auf echte Fragen vor dem Kauf abgestimmt sind, in der Sprache der Käufer
Authentische visuelle Inhalte von echten Kunden – der Social Proof, nach dem KI-Agenten zunehmend suchen
Einheitliche Produktbeschreibungen über eigene und Händler-Touchpoints hinweg
Verbreiteter UGC erreicht Händlerseiten, die KI-Agenten zuerst abfragen
Verifizierte, moderierte Inhalte – ein stärkeres Vertrauenssignal als nicht verifizierte oder gescrapte Bewertungen
Strukturierte Daten, validiert durch regelmäßige Prüfungen, nicht einmal eingerichtet und dann vergessen
Betrachten Sie die KI-Auffindbarkeit als fortlaufende Disziplin, nicht als Checkliste, die man einmal abhakt und dann vergisst.
Ein schnelles 10-Minuten-Audit zur KI-Auffindbarkeit:
[ ] Prüfen Sie eine prioritäre PDP in einem Roh-HTML-Viewer: Sind Bewertungen ohne JavaScript sichtbar?
[ ] Fügen Sie die Produktions-URL in den schema.org-Validator ein: Sind Product- und Review-Blöcke korrekt verschachtelt?
[ ] Prüfen Sie die robots.txt: Werden SEO-Crawler, KI-Such-Crawler und KI-Trainings-Crawler getrennt behandelt?
[ ] Prüfen Sie die Übereinstimmung der Kennungen: Gleichen Sie ab, dass die SKU/Global Trade Item Number (GTIN) im Bewertungsschema exakt mit Ihrem primären Produktschema übereinstimmt.
[ ] Testen Sie den mobilen Quell-HTML-Code: Entsprechen die strukturierten Datenpakete den Desktop-Versionen?
[ ] Prüfen Sie die Aktualität der Bewertungen: Ist das durchschnittliche Alter der Bewertungen Ihrer 20 wichtigsten SKUs aktuell?
Bereit, die Lücke zu schließen?
Ihr UGC ist Ihr glaubwürdigster Produktbeleg. Marken, die ihn strukturiert, aktuell, verbreitet und verifiziert gestalten, werden wahrscheinlich konsequent in KI-generierte Antworten aufgenommen. Die anderen werden unsichtbar, nicht weil ihre Produkte schlechter sind, sondern weil ihre Inhalte nicht lesbar sind.
Die Infrastruktur ist vorhanden. Der Prozess ist definiert. Die Frage ist, wo Sie anfangen.
Entdecken Sie, wie Bazaarvoice Marken dabei hilft, UGC für KI auffindbar zu machen.
