Kurz zusammengefasst: Medikamente sind die am schnellsten wachsende Warengruppe im deutschen Onlinehandel: plus 13,9 Prozent auf 547 Millionen Euro im zweiten Quartal 2026. Stationäre Apotheken wuchsen im selben Zeitraum nominal um 3,2 Prozent. Der Treiber ist das E-Rezept, das seit Januar 2024 Pflicht ist. Versandapotheken gewinnen mit vier Dingen, die jeder Onlineshop übernehmen kann: sichtbares Vertrauen, einfacher Checkout trotz Regulierung, automatisierte Nachkäufe und die Verbindung von online und lokal.  Wenn mich jemand fragt, welche Branche im deutschen Onlinehandel gerade am meisten richtig macht, sage ich: die Versandapotheken. Das überrascht viele, weil kaum ein Markt so streng reguliert ist. Aber genau das macht ihn so lehrreich. Wer es schafft, verschreibungspflichtige Medikamente per Smartphone zu verkaufen, hat Probleme gelöst, die Händler in anderen Branchen oft gar nicht erst angehen.  Warum wachsen Versandapotheken so stark?   Weil das E-Rezept die größte Hürde beseitigt hat, die es beim Onlinekauf von Medikamenten gab: das Papierrezept, das man per Post einschicken musste. Seit dem 1. Januar 2024 ist das E-Rezept für gesetzlich Versicherte Pflicht, am 17. Oktober 2025 wurde das milliardste eingelöst.  Der Unterschied zwischen den Kanälen ist beachtlich. Online-Apotheken setzten im zweiten Quartal 2026 mit Medikamenten 547 Millionen Euro um, 13,9 Prozent mehr als im Vorjahr, laut bevh das stärkste Wachstum seit Einführung des E-Rezepts. Stationäre Apotheken wuchsen laut Destatis im selben Zeitraum nominal um 3,2 Prozent und real um 1,6 Prozent. Online wächst also mehr als viermal so schnell.  Welche Warengruppen wachsen online am stärksten?   Warengruppe   Online-Umsatz Q2 2026   Wachstum zum Vorjahr   Medikamente  547 Mio. €  +13,9 %  Drogerie  974 Mio. €  +11,7 %  DIY und Blumen  1.176 Mio. €  +10,9 %  Tierbedarf  641 Mio. €  +9,8 %  Lebensmittel  1.155 Mio. €  +8,9 %  Möbel, Lampen und Dekoration  1.366 Mio. €  minus 2,1 %  Quelle: bevh, Q2 2026   Das Muster ist klar. Was man regelmäßig braucht, wandert ins Netz. Bei großen Anschaffungen wie Möbeln halten sich die Leute zurück. Wer Versorgungsgüter verkauft, hat also gerade Rückenwind, muss aber auch damit rechnen, dass Kunden sehr genau vergleichen.  Wie bauen Versandapotheken Vertrauen auf?   Sie machen Vertrauen überprüfbar. Medikamente gehören für Google zur sensibelsten Kategorie, den sogenannten YMYL-Themen („Your Money or Your Life“). Dort bewertet Google Inhalte besonders streng nach Erfahrung, Expertise, Autorität und Vertrauenswürdigkeit, abgekürzt E-E-A-T. Dieselben Signale nutzen KI-Systeme, wenn sie entscheiden, welche Gesundheitsquelle sie zitieren.  Versandapotheken müssen im Versandhandelsregister des BfArM eingetragen sein und auf jeder Seite, auf der sie Arzneimittel anbieten, das EU-Sicherheitslogo zeigen. Ein Klick darauf führt direkt zum Registereintrag. Dazu kommen Ratgeber, die von approbierten Apothekerinnen und Apothekern gezeichnet sind, und Hinweise auf mögliche Wechselwirkungen direkt im Bestellprozess.  Was andere Shops daraus lernen können: Zeigen Sie Prüfsiegel, Zertifikate, Herkunft und Expertennamen dort, wo die Kaufentscheidung fällt, nicht im Footer. Jede Aussage, die der Kunde selbst nachprüfen kann, senkt die Abbruchquote. Und sie erhöht die Chance, dass ChatGPT oder Google AI Mode Sie als verlässliche Quelle nennen.  Wie wird ein komplizierter Prozess einfach?   Die Apotheken haben den regulierten Ablauf in mehrere digitale Wege übersetzt. Online lässt sich ein E-Rezept über die App der gematik einlösen, über das CardLink-Verfahren in der App der Versandapotheke oder per Ausdruck mit Rezeptcode. Beim CardLink-Verfahren hält der Kunde seine Gesundheitskarte ans Smartphone, der Rest passiert im Hintergrund.  Im Lebensmittelhandel passiert gerade etwas Ähnliches beim Bezahlen. Rewe hat Bonus und Bezahlen seit Juli 2025 in einer App zusammengelegt, Edeka bietet Payback Pay, Lidl eine Bezahlfunktion in Lidl Plus. Bar bezahlt wird im LEH nur noch rund ein Drittel des Umsatzes, bei Discountern ist der Baranteil seit 2019 von 56 auf 35 Prozent gefallen.  Das Learning für jeden Shop ist simpel, wird aber erstaunlich selten umgesetzt: Jedes überflüssige Formularfeld kostet Umsatz. Wenn Apple Pay, Google Pay oder PayPal die Adresse ohnehin mitliefern, muss der Kunde sie nicht nochmal eintippen. Und wer Zahlung, Kundenkonto und Treueprogramm in einem Schritt bündelt, macht den nächsten Kauf leichter als den ersten.  Wie wird aus einem Einmalkauf ein Nachkauf?   Versandapotheken haben Routinekäufe systematisiert. Wer ein Dauermedikament braucht, bekommt rechtzeitig vor dem Aufbrauchen eine Erinnerung und bestellt mit einem Klick nach. Folgerezepte im selben Quartal gehen inzwischen ohne erneuten Praxisbesuch.  Das lässt sich auf viele Produkte übertragen. Bei Kosmetik, Tierfutter, Kaffee, Filtern oder Druckerpatronen kann man den Nachkaufzeitpunkt ziemlich genau ausrechnen: Packungsgröße geteilt durch den üblichen Verbrauch. Eine automatische Erinnerung per E-Mail oder App zum richtigen Zeitpunkt ist einer der wirksamsten Hebel für den Kundenwert, den ich kenne. Und dass Bindung sich lohnt, zeigt auch der Hello-Again-Loyalty-Report 2026: Nutzer von Treueprogrammen geben im Schnitt 30 Prozent mehr aus, 80 Prozent erwarten Vorteile, die sie sofort einlösen können.  Wie verbinden die Erfolgreichen online und lokal?   Rezept digital schicken, Medikament per Bote bekommen oder in der Apotheke um die Ecke abholen, das funktioniert, weil online und lokal sich ergänzen. Der Lebensmittelhandel geht denselben Weg. Rewe bietet Click & Collect in mehr als 2.000 Märkten an und erreicht mit Liefer- und Abholservice nach eigenen Angaben 98 Prozent der Haushalte. Seit März 2026 testet Rewe mit „Drive & Go“ die Übergabe direkt ans Auto in unter drei Minuten.  Für Händler mit Filialen heißt das: Zeigen Sie, was vor Ort verfügbar ist. Die Werkzeuge dafür sind ein gepflegtes Google-Unternehmensprofil, ein lokaler Inventarfeed im Google Merchant Center als Grundlage für Local Inventory Ads und strukturierte Daten für die Filialseiten. Wer akuten Bedarf hat, kauft beim, der sofort liefern kann.  Worauf Sie bei Gesundheitsthemen achten müssen   Ein Hinweis, der mir wichtig ist: Werbung für Arzneimittel und Gesundheitsaussagen unterliegen dem Heilmittelwerbegesetz. Was bei Kaffeebohnen ein lockerer Werbespruch ist, kann bei Nahrungsergänzungsmitteln oder Medizinprodukten eine Abmahnung auslösen. Lassen Sie solche Aussagen vor der Veröffentlichung rechtlich prüfen.  Mein Fazit   Das E-Rezept hat die Versandapotheken zur am schnellsten wachsenden Warengruppe im deutschen Onlinehandel gemacht, mit einem Wachstum, das den stationären Kanal um das Vierfache übertrifft. Der Erfolg hat wenig mit Pharma zu tun und viel mit gutem E-Commerce: Vertrauen, das man nachprüfen kann, ein Checkout ohne Hürden, Nachkäufe, die fast von allein passieren, und die Verbindung von online und lokal. Jeder Onlineshop, der diese vier Dinge ernst nimmt, verbessert Conversion, Kundenbindung und seine Sichtbarkeit in Suchmaschinen und KI-Antworten zugleich.  Häufige Fragen   Wie löse ich ein E-Rezept bei einer Online-Apotheke ein?   Über die E-Rezept-App der gematik, über CardLink in der App der Versandapotheke oder per Ausdruck mit Rezeptcode. Das Einstecken der Gesundheitskarte funktioniert nur in der Apotheke vor Ort.  Woran erkenne ich eine legale Online-Apotheke?   Am EU-Sicherheitslogo. Ein Klick darauf muss zum Eintrag der Apotheke im Versandhandelsregister des BfArM führen.  Wie schnell wachsen Online-Apotheken im Vergleich zu stationären Apotheken?   Im zweiten Quartal 2026 wuchs der Online-Umsatz mit Medikamenten um 13,9 Prozent, stationäre Apotheken legten nominal um 3,2 Prozent zu.  Was bedeutet E-E-A-T für Shops außerhalb der Gesundheitsbranche?   Auch bei Produkten mit Bezug zu Sicherheit, Gesundheit oder Finanzen bewertet Google Expertise und Vertrauenswürdigkeit. Namentlich genannte Experten, Quellenangaben und Zertifikate stärken beides.  Sie wollen die Conversion Ihres Shops steigern und Ihre Sichtbarkeit auf E-E-A-T-Niveau bringen? Wir begleiten Sie bei Conversion-Optimierung, technischem SEO und GEO. Shop-Audit anfragen   Quellen: bevh, Pressemitteilung vom 06.07.2026; KPMG Retail Sales Monitor 3/2026 (auf Basis Destatis, EHI Retail Institute, Hello-Again-Loyalty-Report 2026); gematik, Meldung vom Oktober 2025; BfArM, EU-Sicherheitslogo; it-recht-kanzlei.de   

Kurz zusammengefasst: Online-Marktplätze setzten im zweiten Quartal 2026 11,5 Milliarden Euro um, das sind 54 Prozent des deutschen E-Commerce. Herstellerversender wuchsen mit 6,3 Prozent fast genauso schnell, klassische Onlineshops nur um 3,8 Prozent. Für die meisten Marken ist die Antwort deshalb nicht „entweder oder“: Der Marktplatz gewinnt Neukunden, der eigene Shop macht sie profitabel. Die unterschätzte Konkurrenz sitzt dabei nicht nur bei Amazon und Temu, sondern im Regal des Händlers, als Handelsmarke.  Die Frage, die ich von Markenherstellern gerade am häufigsten höre, lautet: Brauchen wir unseren eigenen Shop überhaupt noch? Meine Antwort ist ja. Aber nicht mehr für dieselbe Aufgabe wie vor fünf Jahren. Damals war der eigene Shop der Wachstumsmotor. Heute ist er der Ort, an dem aus Kunden Stammkunden werden. Das Wachstum kommt woanders her.  Wie verteilt sich der deutsche Onlinehandel?   Die Zahlen des bevh für das zweite Quartal 2026 sind ziemlich eindeutig:  Versendertyp   Umsatz Q2 2026   Wachstum zum Vorjahr   Online-Marktplätze  11,52 Mrd. €  +6,4 %  Herstellerversender (D2C)  742 Mio. €  +6,3 %  Klassische Onlineshops  6,06 Mrd. €  +3,8 %  Multichannel-Händler mit stationärem Ursprung  2,74 Mrd. €  +2,5 %  E-Commerce gesamt  21,19 Mrd. €  +5,1 %  Quelle: bevh, Q2 2026   Die interessanteste Zeile ist für mich nicht die erste, sondern die dritte. Marktplätze wachsen, das wissen alle. Aber Hersteller, die direkt verkaufen, wachsen fast genauso schnell. Wer unter Druck gerät, sind die klassischen Onlineshops ohne eigene Marke und ohne Plattformgröße. Die sitzen genau zwischen den Stühlen.  Dazu kommen die asiatischen Plattformen. Temu, Shein und AliExpress wachsen um mehr als 20 Prozent und machen inzwischen 5,3 Prozent des gesamten Onlineumsatzes aus, ein Jahr vorher waren es 4,9 Prozent. Im Online-Modehandel entfallen schon mehr als 16 Prozent aller Bestellungen auf sie. Vom neuen 3-Euro-Pauschalzoll auf Kleinsendungen seit 1. Juli 2026 erwartet der bevh wenig, weil die Anbieter längst eigene Lager in Europa aufbauen.  Im Modehandel sieht man die Verschiebung besonders deutlich. Die stationären Modehändler im TW-Testclub verloren im ersten Halbjahr 2026 4,0 Prozent Umsatz, die Online-Modeausgaben stiegen im selben Zeitraum um 4,0 Prozent. KPMG ordnet das nicht als reinen Kanalwechsel ein, sondern als Marktanteilsgewinn der Marktplätze.  Warum gewinnen die Marktplätze?   Aus drei Gründen, die ein einzelner Shop kaum ausgleichen kann. Der erste ist Bequemlichkeit: Die Zahlungsdaten sind hinterlegt, die Rückgabe läuft nach einem bekannten Muster, und bei schwacher Konsumstimmung registriert sich niemand gern in einem neuen Shop. Der zweite ist Technik: Große Plattformen investieren Milliarden in Empfehlungen und Preissteuerung. Der dritte ist Logistik: Lieferung am nächsten Tag setzt einen Standard, der im Eigenversand teuer wird.  Warum wachsen D2C-Marken trotzdem?   Weil eine starke Marke einen Grund liefert, direkt beim Hersteller zu kaufen. Das kann ein exklusives Produkt sein, eine Personalisierung, ein Abo oder einfach das Gefühl, beim Original zu kaufen. Wer diesen Grund hat, wächst auch gegen Amazon. Wer ihn nicht hat, verliert.  Warum ist die Handelsmarke die unterschätzte Konkurrenz?   Das ist für mich der Punkt, der in fast jeder D2C-Diskussion fehlt. Handelsmarken sind längst keine Billigalternative mehr. Ihr Umsatzanteil im Lebensmittelhandel stieg laut YouGov von 40 Prozent im Jahr 2021 auf 46 Prozent im Jahr 2025, das vierte Jahr in Folge. Premium-Handelsmarken wuchsen im selben Zeitraum von 4 auf 6 Prozent Marktanteil. Bei verpackten Bioprodukten liegt der Eigenmarkenanteil schon bei 67 Prozent.  Noch wichtiger ist die Wahrnehmung. Beim Vertrauen (71 Prozent), bei der Produktqualität (67 Prozent) und bei der Sortimentsbreite (66 Prozent) bewerten Verbraucher Handels- und Herstellermarken laut Ipsos und Lebensmittel Zeitung inzwischen gleichwertig. Stephan Fetsch von KPMG spricht von einer „Emanzipation der Handelsmarken als Marken sui generis“.  Für D2C-Marken heißt das: Ihr Wettbewerber ist nicht nur der Billiganbieter aus Fernost, sondern auch der Händler, der Ihre Kategorie kennt, Ihre Abverkaufsdaten sieht und schneller auf Trends reagiert als Sie. Qualität allein reicht als Argument nicht mehr. Sie brauchen etwas, das die Handelsmarke nicht kopieren kann, also Community, Herkunft, echte Innovation oder eine direkte Beziehung zum Kunden.  Wie teilen sich Marktplatz und eigener Shop die Arbeit?     Marktplatz   Eigener Shop   Aufgabe  Neukunden, Reichweite  Marge, Bindung, Markenerlebnis  Sortiment  Bestseller, Einstiegsprodukte  Exklusives, Bundles, Großpackungen  Daten  wenig Kundendaten  volle eigene Kundendaten  Werbung  Sponsored Products, Sponsored Brands  E-Mail, CRM, Community  Erlösmodell  Einzelkauf  Abo, Nachkauf, Treueprogramm  Welcher Kanal hat bei Ihnen Vorrang?   Das hängt am Sortiment. Wenn Ihre Produkte austauschbar und stark preisgetrieben sind, gehört der Schwerpunkt auf den Marktplatz, der eigene Shop ist dann vor allem Schaufenster. Wenn Ihre Produkte regelmäßig nachgekauft werden, lohnt sich der eigene Shop mit Abo besonders, online wachsen Drogerie mit 11,7 Prozent und Tierbedarf mit 9,8 Prozent. Wenn Ihre Produkte erklärungsbedürftig oder personalisierbar sind, verkauft der eigene Shop besser. Und wenn Sie in der Mode gegen asiatische Plattformen antreten, gewinnen Sie nicht über den Preis, sondern über Qualität, Nachhaltigkeit oder Service.  Wie rechne ich aus, welcher Kanal sich lohnt?   Mit dem Deckungsbeitrag pro Bestellung nach allen Kosten des Kanals. Also Nettoumsatz minus Wareneinsatz, Marktplatzgebühren, Werbung, Fulfillment und Retouren. Klingt banal, aber ich sehe erstaunlich oft Unternehmen, die den Marktplatz nur nach Umsatz bewerten und sich wundern, warum am Ende nichts übrig bleibt.  Für die Werbung auf Marktplätzen schaue ich auf den TACoS, also die Werbekosten im Verhältnis zum gesamten Umsatz inklusive der organischen Verkäufe. Der zeigt, ob Werbung auch den organischen Umsatz anschiebt. Im eigenen Shop gehört der Kundenwert über die ganze Lebensdauer dazu. Ein Abo-Kunde, der zwölfmal nachkauft, rechtfertigt ganz andere Akquisekosten als ein Einmalkäufer.  Was müssen Marken auf Marktplätzen besser machen?   Die Sichtbarkeit auf Amazon und Co. folgt eigenen Regeln, und die werden immer semantischer. Titel und Bulletpoints sollten Kaufkriterien und Nutzungssituationen beantworten, statt Keywords aneinanderzureihen. Die Attribute müssen vollständig gepflegt sein, weil Such- und KI-Assistenten danach filtern. A+-Content und Brand Store bauen die Marke auf. Und die Produktdaten sollten überall identisch sein, im Shop, auf dem Marktplatz und im Google Merchant Center.  Wie wird der eigene Shop zum Bindungskanal?   Der eigene Shop braucht einen Grund, den es auf keinem Marktplatz gibt. Exklusive Produkte, Personalisierung, ein Abo mit Preisvorteil oder ein Treueprogramm. Dass sich das rechnet, zeigen die Zahlen aus dem Lebensmittelhandel: Nutzer von Treueprogrammen geben dort im Schnitt 30 Prozent mehr aus. Ich würde Budget aus teurer Neukundenwerbung bewusst in E-Mail-Automatisierung, Nachkauf-Erinnerungen und Kundenbindung umschichten. Jeder Kunde, der vom Marktplatz in den eigenen Shop wechselt, verbessert Ihre Marge dauerhaft.  Mein Fazit   Marktplätze machen mehr als die Hälfte des deutschen Onlinehandels aus, und der HDE erwartet für 2026 ein weiteres Wachstum des Onlinehandels um 4,3 Prozent auf 96,3 Milliarden Euro. Auf Marktplätze zu verzichten, heißt für die meisten Marken, auf den größten Teil des Marktes zu verzichten. Gleichzeitig zeigen die Herstellerversender mit 6,3 Prozent Wachstum, dass starke Marken auch direkt verkaufen. Die profitabelste Strategie ist die Arbeitsteilung: Der Marktplatz gewinnt Kunden, der eigene Shop behält sie. Und wer das Wachstum der Handelsmarken ignoriert, wird sich in zwei Jahren wundern, wo die Regalplätze geblieben sind.  Häufige Fragen   Lohnt sich ein eigener Onlineshop 2026 noch?   Ja, wenn die Marke stark genug ist und das Sortiment Nachkäufe oder Personalisierung erlaubt. Klassische Onlineshops ohne eigene Marke wuchsen im zweiten Quartal 2026 nur um 3,8 Prozent.  Warum wächst der Onlinehandel je nach Quelle um 5,1 oder 6,4 Prozent?   Weil die Quellen unterschiedlich messen. Destatis erfasst die Umsätze der Unternehmen im Versand- und Onlinehandel und kommt für Q2 2026 auf plus 6,4 Prozent nominal und plus 5,4 Prozent real. Der bevh befragt 40.000 Verbraucher zu ihren Ausgaben und kommt auf plus 5,1 Prozent. Beide zeigen dasselbe: online wächst, stationär verliert real.  Wie stark sind Temu, Shein und AliExpress in Deutschland?   Laut bevh erzielen asiatische Plattformen 5,3 Prozent des deutschen Onlineumsatzes und mehr als 16 Prozent der Bestellungen im Online-Modehandel.  Was ist ein guter TACoS?   Das hängt von Marge und Kategorie ab. Wichtiger als der absolute Wert ist der Trend: Sinkt der TACoS bei steigendem Umsatz, schiebt Ihre Werbung das organische Wachstum an.  Sie wollen Marktplatz und eigenen Shop so aufstellen, dass beide Geld verdienen? Wir verbinden Marktplatz-Optimierung und Advertising mit Performance- und Retention-Strategie. Strategiegespräch vereinbaren   Quellen: bevh, Pressemitteilung vom 06.07.2026; KPMG Retail Sales Monitor 3/2026 (auf Basis Destatis, bevh, YouGov, Ipsos/Lebensmittel Zeitung Handelsmonitor 2026, TW-Testclub, Hello-Again-Loyalty-Report 2026, HDE) 

Kurz zusammengefasst: In-Store Retail Media verbindet Werbung im Markt mit echten Kassendaten aus Loyalty-Apps. Die Infrastruktur steht: Jede zehnte Kasse im Lebensmittelhandel ist eine Self-Checkout-Kasse, 91 Prozent der LEH-Händler nutzen elektronische Regaletiketten zumindest in Teilen. Seit 2025 ist der Loyalty-Markt neu verteilt, Edeka ist bei Payback, Rewe setzt auf die eigene App. Für Marken wird der Supermarkt damit messbar, aber nur, wer auf echte Mehrverkäufe schaut statt auf schöne ROAS-Zahlen, investiert sein Budget richtig.  Wenn ich mit Markenherstellern über Retail Media spreche, geht es fast immer um Amazon. Der Supermarkt um die Ecke taucht in diesen Gesprächen kaum auf, da gibt es Handzettel, Zweitplatzierung und Jahresgespräche. Ich halte das für einen Fehler. Die Zahlen aus dem aktuellen KPMG Retail Sales Monitor zeigen ziemlich deutlich, dass sich im Lebensmittelhandel gerade ein eigener Werbemarkt aufbaut.  Was ist In-Store Retail Media?   In-Store Retail Media ist Werbung, die ein Händler auf seinen eigenen Flächen im Markt verkauft und mit seinen Kundendaten aussteuert. Das sind Screens im Markt, Displays an der SB-Kasse, digitale Regaletiketten und vor allem personalisierte Coupons in der Händler-App.  Der Unterschied zur klassischen POS-Werbung liegt in der Messbarkeit. Bei einem Deckenhänger wusste niemand, ob er etwas verkauft hat. Wenn der Kunde dagegen an der Kasse seine App scannt, lässt sich die Werbung mit dem tatsächlichen Kauf verbinden. Damit funktioniert der Supermarkt plötzlich ähnlich wie ein Onlineshop.  Warum investieren die Händler jetzt so stark?   Weil das Kerngeschäft unter Druck steht und Werbeerlöse deutlich höhere Margen haben als Joghurt. Der stationäre Einzelhandel wuchs im zweiten Quartal 2026 nominal um 0,3 Prozent und verlor real 1,1 Prozent. In der HDE-Umfrage meldeten 69 Prozent der Handelsunternehmen rückläufige Gewinne im ersten Halbjahr.  Gleichzeitig wird um den Platz auf dem Smartphone der Kunden gekämpft, und das sieht man an den Werbebudgets. Rewe war 2025 mit knapp 620 Millionen Euro Bruttowerbeinvestitionen der größte werbungtreibende Händler Deutschlands, ein Plus von 21,2 Prozent. Dahinter folgen Lidl mit 527 Millionen und Kaufland mit 400,2 Millionen Euro. Allein im Januar 2025, zum Start von Rewe Bonus, stiegen die Rewe-Ausgaben um 114,2 Prozent. Wer so viel Geld in Kundenbindung steckt, will es über kurz oder lang über Werbung von Herstellern zurückholen.  Wie weit ist die Technik im Markt?   Weiter, als viele denken. Die Zahlen dazu:  Touchpoint   Verbreitung   SB-Kassen im LEH  rund 25.000, jede zehnte Kasse im LEH (10,2 %)  SB-Kassen im gesamten Einzelhandel  38.650, jede 18. Kasse  Wachstum SB-Kassen im LEH  von 9.600 (2023) auf 25.000 (2025)  Elektronische Regaletiketten im LEH  91 % der befragten Händler (57 % in allen Filialen, 24 % in ausgewählten, 10 % im Pilot)  Quellen: EHI Retail Institute, Stand August 2025; EHI Technologie-Trends 2025   Bei den digitalen Regaletiketten muss man allerdings ehrlich sein. Sie werden oft als das große neue Werbemedium verkauft. Tatsächlich zeigen sie laut KPMG noch überwiegend einfach den Preis an, Zusatzfunktionen werden kaum genutzt. Wohin es gehen kann, sieht man bei Co-op in Großbritannien: Kunden halten ihr Smartphone ans Etikett und landen direkt in der App mit dem Mitgliedspreis. Rewe nutzt die LEDs der Etiketten bisher vor allem, damit Mitarbeitende beim Kommissionieren von Abholbestellungen schneller die richtigen Artikel finden. Als buchbares Werbeformat ist das Regaletikett also noch Zukunftsmusik. Die messbaren Hebel liegen heute bei App-Coupons und Kampagnen mit Händlerdaten.  Wer hat die Kundendaten im Supermarkt?   Seit Anfang 2025 gibt es zwei Lager. Edeka und Netto sind zu Payback gewechselt, Rewe und Penny haben Payback verlassen und bauen eigene Programme auf. Laut einer Befragung von Workinghead und YouGov erreicht Payback eine Teilnahmequote von 67 Prozent, die Rewe App kommt auf 32 Prozent bei 52 Prozent Bekanntheit.  Ganz reibungslos läuft das bei keinem. Bei Edeka ging ein Jahr nach dem Start etwa 38 Prozent des Umsatzes über die Payback-Karte, in der Region Nord weniger als 30 Prozent. Rewe verbindet seit Juli 2025 Bonus und Bezahlen in einer App (Rewe Pay), Edeka bietet Payback Pay, Lidl hat eine Bezahlfunktion in Lidl Plus.  Und dann gibt es Aldi. Aldi Nord und Aldi Süd verzichten als einzige der großen Händler bewusst auf ein Bonusprogramm und haben das im Juli 2026 zur offiziellen Markenbotschaft gemacht. Sie warnen vor einer „Zweikassengesellschaft“, in der zahlt, wer keine App hat, mehr für dasselbe Produkt. Ich finde das als Positionierung ziemlich klug. Für Marken heißt es aber ganz nüchtern: Rund 35 Milliarden Euro LEH-Umsatz bei Aldi sind über Loyalty-Daten nicht erreichbar.  Warum sind Loyalty-Kunden für Marken so interessant?   Weil sie mehr ausgeben. Laut Hello-Again-Loyalty-Report 2026 geben Nutzer von Treueprogrammen im Schnitt 30 Prozent mehr aus als Kunden ohne Programm. 80 Prozent der Deutschen nutzen Bonus-Apps zumindest gelegentlich, 55 Prozent würden für ein Geschäft mit Programm sogar einen Umweg fahren. Wer diese Kunden gezielt ansprechen kann, erreicht die wertvollsten Käufer im Markt.  Was bringt Closed-Loop-Attribution wirklich?   Closed-Loop-Attribution verbindet einen Werbekontakt über dieselbe Kunden-ID mit einem späteren Kauf. Jemand sieht eine Anzeige in der App oder auf einer Nachrichtenseite, kauft zwei Tage später im Markt, scannt seine App, und in einem Data Clean Room werden beide Ereignisse pseudonymisiert zusammengeführt. Heraus kommt ein In-Store-ROAS.  Hier werde ich immer skeptisch. Ein hoher ROAS beweist nicht, dass die Werbung den Kauf ausgelöst hat. Wer ohnehin jede Woche Ihren Joghurt kauft, taucht natürlich auch im Bericht auf. Verlangen Sie deshalb von jedem Netzwerk einen Test mit Kontrollgruppe, die die Werbung nicht sieht. Erst der Vergleich zeigt, wie viel Sie wirklich zusätzlich verkauft haben. Wenn ein Netzwerk das nicht anbieten will, wäre ich vorsichtig.  Wie sollten Marken einsteigen?   Ich würde mit drei Dingen anfangen. Erstens Trade-Marketing und Performance-Marketing an einen Tisch holen, mit einem gemeinsamen Budget und gemeinsamen Zielen. Retail Media gehört in keine der beiden Schubladen allein. Zweitens mit einem Netzwerk und Produkten starten, die oft nachgekauft werden, dort sieht man Effekte am schnellsten. Drittens den Inkrementalitätstest schon vor Kampagnenstart vertraglich festhalten, inklusive Zugang zu den Daten.  Und beim Creative bitte nicht die TV-Idee verkleinern. Am Regal oder an der SB-Kasse haben Sie zwei Sekunden. Da braucht es ein Signal: Preisvorteil, Neuheit oder ein klarer Grund, warum gerade dieses Produkt.  Mein Fazit   Der Lebensmittelhandel hat in den letzten zwei Jahren die Infrastruktur für messbare POS-Werbung gebaut: 25.000 SB-Kassen, breit ausgerollte digitale Etiketten und Loyalty-Programme mit Millionen Nutzern. Die Händler haben 2025 so viel in Werbung investiert wie nie. Für Marken ist das die Chance, den Supermarkt endlich wie einen Performance-Kanal zu steuern. Die Voraussetzung ist, dass sie nach echten Mehrverkäufen fragen und sich nicht mit hübschen Dashboards zufriedengeben.  Häufige Fragen   Was kostet In-Store Retail Media?   Das hängt stark von Netzwerk, Format und Zielgruppe ab. Abgerechnet wird meist nach Reichweite, bei Coupons auch nach Einlösung.  Welche Marken profitieren am meisten?   FMCG-Marken mit hoher Wiederkaufrate und neue Produkte, bei denen es auf Probierkäufe ankommt.  Ist Closed-Loop-Attribution datenschutzkonform?   Seriöse Netzwerke arbeiten mit pseudonymisierten Daten in Data Clean Rooms auf Basis der Einwilligungen aus dem Loyalty-Programm. Lassen Sie sich das Verfahren vor dem Start dokumentieren.  Kann man bei Aldi Retail Media buchen?   Nicht auf Basis von Loyalty-Daten, weil Aldi bewusst kein Bonusprogramm betreibt.  Sie wollen Retail Media sauber in Ihren Media-Mix bringen? Wir helfen bei der Auswahl der Netzwerke, beim Setup und bei der Messung echter Mehrverkäufe. Beratungsgespräch vereinbaren   Quellen: KPMG Retail Sales Monitor 3/2026 (auf Basis EHI Retail Institute, Nielsen Media, Workinghead/YouGov, Hello-Again-Loyalty-Report 2026, HDE, Destatis); EHI Self-Checkout-Markterhebung 2025; EHI Technologie-Trends im Handel 2025       

Kurz zusammengefasst: KI-Einkaufsagenten stellen in Deutschland heute Warenkörbe zusammen, den Kauf bestätigt fast immer noch der Mensch. Knuspr ist seit Juli 2026 mit einer eigenen App in ChatGPT vertreten, 31,2 Prozent der Onlinekunden haben laut bevh schon Chatbots nach Produkten gefragt. Der Wettbewerb findet deshalb nicht im Checkout statt, sondern bei der Frage, welches Produkt der Agent überhaupt vorschlägt. Und das entscheidet sich an Ihren Produktdaten.  Ich habe mir in den letzten Wochen genauer angeschaut, wie Knuspr seinen Online-Supermarkt in ChatGPT gebracht hat. Für mich ist das der spannendste Schritt im deutschen E-Commerce in diesem Jahr. Nicht, weil dort schon alle einkaufen, das tun sie nicht. Sondern weil man zum ersten Mal live sieht, wo die Kaufentscheidung künftig fällt: in einem Gespräch, lange bevor jemand eine Produktseite öffnet.  Was ist ein KI-Einkaufsagent?   Ein KI-Einkaufsagent ist eine Software auf Basis eines Sprachmodells, die eine Kaufabsicht in normaler Sprache entgegennimmt und daraus einen Warenkorb macht. Der Kunde sucht nicht mehr nach „Bio-Vollmilch laktosefrei 1 Liter“. Er sagt: „Ich brauche Essen für drei Tage, vier Personen, proteinreich, maximal 90 Euro.“ Den Rest erledigt der Agent. Er sucht, vergleicht, wählt aus.  Für Hersteller und Händler hat das eine unbequeme Konsequenz. Eine zweite Ergebnisseite gibt es nicht. Wer in den Daten des Agenten nicht auftaucht, kommt in dieser Kaufentscheidung schlicht nicht vor.  Was kann Knuspr heute schon?   Knuspr zeigt zwei Stufen, und der Unterschied ist wichtig. Im eigenen Shop kann die KI-Agentin Maia den kompletten Einkauf abwickeln, von der Produktauswahl bis zur Zahlung. In der ChatGPT-App, die über einen eigenen MCP-Server angebunden ist, stellt der Assistent Rezepte, Wochenpläne und Warenkörbe zusammen, sogar aus dem Foto eines handgeschriebenen Einkaufszettels. Bestellung und Zahlung laufen dort aber weiterhin über den Knuspr-Shop.  Das ist kein Zufall. Der voll agentische Kauf funktioniert bisher nur dort, wo Händler und Agent dieselbe Firma sind. Sobald ein fremdes System dazwischen sitzt, holt sich der Händler den Checkout zurück, und damit die Kundenbeziehung.  Kaufen KI-Agenten in Deutschland schon selbst ein?   Nein, jedenfalls nicht in der Breite. OpenAI hat den Kauf direkt in ChatGPT, Instant Checkout, im März 2026 wieder eingestellt. Googles Universal Commerce Protocol bietet einen Checkout in AI Mode und Gemini bisher nur Händlern in den USA an.  Die Verbraucher sind auch noch nicht so weit. In einer Sonderbefragung des bevh unter 2.500 Onlinekunden haben 31,2 Prozent schon mal Chatbots nach Produktempfehlungen gefragt. Aber nur 12,7 Prozent würden einer Empfehlung direkt folgen, ohne selbst nochmal zu suchen. Für 68,6 Prozent ist es völlig undenkbar, einem KI-Agenten ihre Zahlungsdaten zu geben.  Ich lese daraus Folgendes: Der Agent macht die Shortlist, der Mensch klickt auf „Kaufen“. Wer nicht auf dieser Shortlist steht, hat verloren, bevor der Kunde überhaupt in einen Shop schaut. Die Frage, ob KI selbst bezahlen darf, ist für Ihren Umsatz deshalb erstmal zweitrangig.  Warum trifft es Routinekäufe zuerst?   Weil KI-Assistenten genau die Entscheidungen übernehmen, auf die niemand Lust hat. Das Waschmittel, das Katzenfutter, der Wocheneinkauf. Genau diese Warengruppen wachsen online derzeit am stärksten:  Warengruppe   Online-Umsatz Q2 2026   Wachstum zum Vorjahr   Medikamente  547 Mio. €  +13,9 %  Drogerie  974 Mio. €  +11,7 %  Tierbedarf  641 Mio. €  +9,8 %  Lebensmittel  1.155 Mio. €  +8,9 %  E-Commerce gesamt  21,2 Mrd. €  +5,1 %  Quelle: bevh, Q2 2026   Dazu kommt der Preisdruck. Die Inflation lag im Juli 2026 bei 2,8 Prozent, Kraftstoffe waren im August 27,7 Prozent teurer als ein Jahr zuvor. Wer sparen muss, vergleicht mehr, und ein Assistent, der in Sekunden das günstigste passende Produkt findet, kommt da gerade recht.  Man sollte die Größenordnung trotzdem ehrlich einordnen. Der Online-Lebensmittelhandel kam 2025 auf 4,12 Milliarden Euro, das sind weniger als 2 Prozent des gesamten LEH-Umsatzes. Laut KPMG Consumer Snapshot nutzen 21 Prozent der Befragten Online-Lieferdienste, als wichtigste Gründe nennen sie Zeitersparnis und Bequemlichkeit. Das ist klein, aber es sind genau die Motive, die ein KI-Agent bedient. Deshalb schaue ich auf die Richtung, nicht auf das heutige Volumen.  Wie entscheidet ein KI-Agent, welches Produkt er vorschlägt?   Vereinfacht läuft es in fünf Schritten. Der Agent zerlegt zuerst die Anfrage in Bedingungen, also Budget, Personenzahl, Allergene, Ernährungsweise, Lieferzeit. Dann holt er sich über Feeds und Schnittstellen Preise und Verfügbarkeiten. Im dritten Schritt prüft er, ob die Produkteigenschaften zu den Bedingungen passen. Danach bildet er ein Ranking, und am Ende legt er einen Vorschlag in den Warenkorb.  Der kritische Moment ist Schritt drei. Wenn bei Ihrem Produkt das Attribut „laktosefrei“ nicht sauber hinterlegt ist, fliegt es raus, auch wenn es perfekt passen würde. Der Agent rät nicht, er filtert. Wer nicht maschinenlesbar ist, ist für ihn unsichtbar.  Welche Produktdaten braucht Ihr Sortiment?   Strukturierte Daten, die wirklich stimmen   Basis ist sauberes Product- und Offer-Markup nach Schema.org. Über die Pflichtfelder hinaus sind für Agenten vor allem Lieferzeit und Versandkosten (shippingDetails), Rückgabebedingungen (hasMerchantReturnPolicy), eindeutige Kennungen wie gtin und brand sowie Zertifikate über hasCertification wichtig. Alternativen und Zubehör lassen sich mit isSimilarTo und isAccessoryOrSparePartFor verknüpfen.  Ein Detail, das in vielen Anleitungen falsch steht: Die Schema.org-Properties nutrition und suitableForDiet gibt es nur für Rezepte und Menüeinträge, nicht für Produkte. Eigenschaften wie „vegan“, „glutenfrei“ oder Nährwerte gehören bei Produkten in additionalProperty und zusätzlich in den Produktfeed.  Die Attribute, nach denen Kunden heute fragen   Schauen Sie sich an, wo der Lebensmittelmarkt wächst, dann wissen Sie, welche Attribute zählen. Der Bio-Markt erreichte 2025 einen Rekord von 18,2 Milliarden Euro, bei einzelnen Online-Lieferdiensten liegt der Bio-Anteil bei bis zu 28 Prozent. Sportler- und Fitnessnahrung legte laut NielsenIQ um 44,7 Prozent zu, Proteinpulver sogar um 63 Prozent. Und wer vegan oder vegetarisch lebt, kauft fast doppelt so oft Lebensmittel online wie andere (25 zu 14 Prozent).  Das heißt ganz praktisch: Bio-Zertifikat, Proteingehalt pro Portion und „vegan“ müssen als strukturierte Daten vorliegen, nicht nur als Satz irgendwo in der Produktbeschreibung. Sonst fallen Sie genau bei den Kunden durch, die am häufigsten digital einkaufen.  Gleiche Daten auf allen Kanälen   Wenn im eigenen Shop 500 ml steht, auf Amazon 0,5 l mit anderer Zutatenliste und bei Open Food Facts noch die alte Rezeptur, dann weiß das Modell nicht mehr, wem es glauben soll. Es wird vorsichtig und empfiehlt im Zweifel ein anderes Produkt. Die Grundlage ist ein bereinigtes PIM-System, aus dem alle Kanäle gespeist werden. Das klingt nach Hausaufgabe, ist aber in unseren Projekten fast immer der größte Hebel.  Texte, die eine Situation beantworten   LLMs suchen nach Aussagen, die zu einer konkreten Frage passen. „Günstige vegane Hafermilch kaufen, bester Haferdrink online“ hilft dabei gar nicht. „Bio-Haferdrink aus deutschem Anbau, schäumt stabil bei 65 °C und flockt auch in säurehaltigem Espresso nicht aus“ dagegen schon. Der zweite Satz beantwortet die Frage eines Barista-Fans, der erste beantwortet gar nichts.  Was unterscheidet GEO von klassischem SEO?   Generative Engine Optimization, kurz GEO, sorgt dafür, dass KI-Systeme wie ChatGPT, Gemini, Perplexity oder Google AI Mode Ihre Inhalte als Quelle nutzen und Ihre Produkte empfehlen. GEO ersetzt SEO nicht. Viele KI-Systeme greifen für aktuelle Informationen auf Suchindizes zurück, technisches SEO bleibt also das Fundament.    Klassisches SEO   GEO   Ziel  Ranking in den Suchergebnissen  Nennung in KI-Antworten  Messgröße  Rankings, Klicks  Erwähnungen, Zitierungen, Anteil in Prompts  Logik  Keywords  Absichten und Folgefragen  Wichtigste Daten  Seiteninhalte, Meta-Tags, Links  Strukturierte Daten, Feeds, konsistente Fakten  Was ich Shopbetreibern jetzt rate   Erstens: Messen Sie, wo Sie stehen. Nehmen Sie 30 bis 50 typische Kundenfragen und prüfen Sie, ob ChatGPT, Gemini, Perplexity und Google AI Mode Ihre Produkte nennen, und wen sie stattdessen nennen. Zweitens: Gehen Sie Ihre Top-Produkte durch und schauen Sie, welche kaufentscheidenden Attribute im Feed fehlen. Drittens: Bringen Sie Shop, Marktplätze und Datenbanken auf einen Stand. Viertens: Schreiben Sie die Texte Ihrer wichtigsten Produkte so um, dass sie konkrete Situationen beantworten. Und fünftens: Wiederholen Sie die Messung monatlich. KI-Antworten ändern sich schneller als Google-Rankings.  Einen eigenen MCP-Server wie Knuspr brauchen die meisten nicht. Ein vollständiger, täglich aktualisierter Produktfeed ist für 90 Prozent der Shops der richtige Anfang.  Was sagt unsere GEO-Studie dazu?   Für unsere GEO-Studie 2026 haben wir 240 Prompts aus zwölf Branchen in Google AI Mode und ChatGPT ausgewertet und 5.317 zitierte URLs analysiert. Das Ergebnis ist für Shopbetreiber eindeutig: Reine Produktdetailseiten reichen nicht aus. Sie machten im Google AI Mode lediglich 3,5 Prozent und bei ChatGPT 4,7 Prozent der zitierten Quellen aus. Am häufigsten griffen beide Systeme auf FAQ-, Hilfe- und How-to-Seiten zurück, gefolgt von Blogartikeln und Vergleichstabellen. Bei konkret kaufbezogenen Prompts steigt der Anteil der Produktdetailseiten zwar auf 5,3 Prozent im Google AI Mode und 7,8 Prozent bei ChatGPT. Trotzdem bevorzugen die Systeme auch hier Inhalte, die erklären, vergleichen und konkrete Entscheidungssituationen beantworten.   Für Shopbetreiber bedeutet das: Der Produktfeed liefert der KI die Fakten. Die Inhalte rund um das Produkt liefern ihr die Argumente für eine Empfehlung.  Mein Fazit   KI-Einkaufsagenten verändern den E-Commerce früher im Kaufprozess, als die meisten denken. Nicht beim Bezahlen, sondern bei der Auswahl. In Deutschland stellen Agenten heute Warenkörbe zusammen, der Kunde bestätigt im Shop. Welche Marke dabei vorgeschlagen wird, hängt an vollständigen, konsistenten und maschinenlesbaren Produktdaten. Wer ein Routinesortiment verkauft, sollte das nicht als Zukunftsthema behandeln, sondern als Aufgabe für dieses Quartal.  Häufige Fragen   Kaufen KI-Agenten in Deutschland schon selbstständig ein?   Nur innerhalb eigener Händler-Apps wie bei Knuspr Maia. Über ChatGPT schlagen Agenten Warenkörbe vor, den Kauf schließt der Kunde im Shop ab. Laut bevh würden nur 9 Prozent der Onlinekunden einem Agenten den autonomen Einkauf erlauben.  Brauche ich für GEO einen eigenen MCP-Server?   Für die meisten Shops nicht. Wichtiger sind vollständige Produktfeeds, korrektes Schema.org-Markup und einheitliche Daten auf allen Kanälen.  Wie messe ich meine Sichtbarkeit in KI-Antworten?   Mit einem festen Set typischer Kundenfragen, das Sie regelmäßig in mehreren KI-Systemen abfragen. Entscheidend sind Nennungen, Position und die zitierten Quellen im Vergleich zum Wettbewerb.  Ersetzt GEO die klassische Suchmaschinenoptimierung?   Nein. Viele KI-Systeme nutzen Suchindizes als Quelle. Technisches SEO bleibt die Grundlage, GEO baut darauf auf.  Sie wollen wissen, ob ChatGPT und Google AI Mode Ihre Produkte empfehlen? Wir messen Ihre KI-Sichtbarkeit und zeigen Ihnen, welche Daten fehlen. Potenzialanalyse anfragen   Weiterlesen: Agentic Commerce  https://internetwarriors.de/blog/bedeutung-agentic-commerce  , Retail Media am POS, Marktplatz oder eigener Shop?  Quellen: bevh, Pressemitteilung vom 06.07.2026; KPMG Retail Sales Monitor 3/2026 (auf Basis bevh, EHI, NielsenIQ, Arbeitskreis Biomarkt); KPMG Consumer Snapshot 03/2025; Destatis, Verbraucherpreise Juli und August 2026; neuhandeln.de vom 08.07.2026; shoptechblog.com vom 25.03.2026     

Das Wichtigste in Kürze   Zwei Pflichten, zwei Adressaten: Die vieldiskutierte maschinenlesbare Markierungspflicht trifft primär die Anbieter von KI-Systemen (Art. 50 Abs. 2 KI-VO). Für Marketingabteilungen und Agenturen gilt als Betreiber die sichtbare Offenlegungspflicht nach Art. 50 Abs. 4.  Geltung ohne Übergangsfrist: Die Transparenzpflichten nach Artikel 50 gelten seit dem 2. August 2026. Eine Übergangsregelung bis zum 2. Dezember 2026 betrifft lediglich Altsysteme der Anbieter hinsichtlich der maschinenlesbaren Markierung – nicht deine Pflicht als Anwender.  Kontext entscheidet bei Bildern: Bild-, Video- und Audioinhalte müssen offengelegt werden, wenn sie bestehende Personen, Objekte, Orte oder Ereignisse darstellen bzw. ihnen ähneln und fälschlicherweise als authentisch wirken können. Bei rein fiktiven oder stilisierten Grafiken greift die Pflicht in der Regel nicht.  Redaktionsausnahme bei Texten: Typische Werbetexte, Produktbeschreibungen und Social-Media-Posts unterliegen nicht der Text-Offenlegungspflicht. Bei Texten zu Angelegenheiten von öffentlichem Interesse entfällt die Pflicht, sobald eine qualifizierte menschliche Prüfung und inhaltliche Verantwortungsübernahme stattgefunden hat.  Reales Risiko: Teure EU-Bußgelder von bis zu 15 Millionen Euro sind für Marketingverstöße unwahrscheinlich. Wesentlich akuter sind wettbewerbsrechtliche Abmahnungen nach dem UWG sowie Ablehnungen und Kontensperren im Google Merchant Center oder bei Google Ads.  Seit dem 2. August 2026 sind die Transparenzvorgaben aus Artikel 50 der europäischen KI-Verordnung (Verordnung EU 2024/1689) verbindlich anwendbar. Im Marketingalltag prallen seither zwei extreme Haltungen aufeinander: Die einen verfallen in Aktionismus und wollen jeden KI-unterstützten Satz mit Warnhinweisen versehen; die anderen wiegen sich in Scheinsicherheit, weil sie die Pflichten fälschlicherweise allein bei Anbietern wie Google, OpenAI oder Anthropic verorten.  Beide Positionen gehen an der operativen Praxis vorbei. Als Agentur für datengetriebenes Online-Marketing begleiten wir tagtäglich Freigabeprozesse, Performance-Kampagnen und E-Commerce-Feeds. Aus dieser operativen Perspektive übersetzen wir Artikel 50 in klare, rechtssicher handhabbare Leitplanken für Marketer, E-Commerce-Verantwortliche und Content-Teams.  Hinweis zur Einordnung: Dieser Beitrag stellt eine strategische und fachliche Orientierung dar und ersetzt keine Rechtsberatung. Für komplexe Kampagnenszenarien oder unklare Bildrechte empfiehlt sich die Abstimmung mit einer spezialisierten Kanzlei.  Die Systematik von Artikel 50: Anbieter vs. Betreiber   Das grundlegende Missverständnis rührt daher, dass Artikel 50 der KI-Verordnung zwei vollkommen unterschiedliche Pflichten an zwei unterschiedliche Rollen adressiert. Wer die Begriffe „Anbieter“ (Provider) und „Betreiber“ (Deployer) verwechselt, zieht zwangsläufig falsche Schlüsse für das eigene Risikomanagement.  Kriterium   Artikel 50 Absatz 2 (Anbieter)   Artikel 50 Absatz 4 (Betreiber)      Wer ist betroffen?   Entwickler und Bereitsteller von KI-Systemen (z. B. Google, OpenAI, Anthropic, Midjourney).  Anwenderunternehmen, Marken, E-Commerce-Händler und Agenturen, die KI-Systeme einsetzen.  Was wird verlangt?   Maschinenlesbare Markierung der Ausgaben (z. B. SynthID, C2PA-Metadaten, statistische Text-Wasserzeichen).  Wahrnehmbare Offenlegung gegenüber den Personen, die mit dem Inhalt in Berührung kommen.  Geltungsbeginn & Fristen   Gilt seit 2. August 2026. Für Altsysteme (vor dem 2. August 2026 im Markt) gilt eine Übergangsfrist bis zum 2. Dezember 2026.  Gilt unmittelbar seit dem 2. August 2026 – vollständig ohne Schon- oder Übergangsfrist.  Einfluss im Marketing   Passiert serverseitig beim Modellanbieter. Kann vom Anwender weder manuell gesetzt noch entfernt werden.  Erfordert operative Kennzeichnungsprozesse bei relevanten Bild-, Audio-, Video- und Fachtext-Inhalten.  Wichtig für Marketingleiter: Die häufig zitierte Übergangsfrist bis zum 2. Dezember 2026 schützt dein Unternehmen nicht vor Offenlegungspflichten. Sie räumt den Softwareherstellern lediglich Zeit ein, ihre technischen Markierungsverfahren bei bereits veröffentlichten Modellen nachzurüsten. Die Pflicht für Betreiber, täuschende Medien offenzulegen, läuft längst.  Rollenverteilung: Wer haftet bei Agenturarbeit?   In der Praxis entstehen Werbemittel selten isoliert in einer Abteilung. Häufig konzipiert eine externe Kreativ- oder Performance-Agentur die Kampagne, während der Kunde das Budget freigibt und die Kampagnen über eigene oder Agentur-Accounts schaltet. Wer gilt hier als Betreiber?  Nach den Leitlinien der Europäischen Kommission kommt es maßgeblich darauf an, wer das KI-System unter eigener Verantwortung einsetzt und wer über den Einsatz der Technologie sowie die Verwendung der Ergebnisse maßgeblich entscheidet. Die reine Schaltung einer Anzeige oder der Rechnungsempfang sind nicht allein ausschlaggebend: Eigenständiger Agentureinsatz: Erhält die Agentur ein offenes Kreativbriefing und entscheidet intern eigenständig über den Einsatz generativer Bild-Tools, trägt sie als Betreiberin primär die operative Prüf- und Kennzeichnungspflicht für die erstellten Assets.  Vorgabe durch den Auftraggeber: Gibt der Kunde den Einsatz konkreter generativer Tools verbindlich vor oder liefert eigene KI-Assets an, liegt die Betreiberverantwortung primär auf Kundenseite.  Kollaborativer Workflow: Entwickeln beide Parteien die Kampagne partnerschaftlich, können beide Rollen Pflichten nach sich ziehen. Gesetzliche Betreiberrollen lassen sich durch Verträge zwar nicht einseitig gegenüber Behörden abbedingen, Verträge können aber Zuständigkeiten, Freigabeprozesse und Haftungsfreistellungen im Innenverhältnis verbindlich regeln.  Praxis-Musterklausel für Angebote und Verträge:   „Soweit im Rahmen der Leistungserbringung generative KI-Systeme zur Erstellung von Bild-, Video-, Audio- oder Textinhalten eingesetzt werden, stellt [Auftragnehmer/Auftraggeber] sicher, dass sämtliche gesetzlichen Kennzeichnungs- und Prüfpflichten gemäß Art. 50 KI-VO erfüllt werden. Freigaben kennzeichnungspflichtiger Werbemittel bedürfen vor Veröffentlichung der schriftlichen Bestätigung durch [Auftraggeber].“   Die materiellen Pflichten nach Absatz 4: Bilder vs. Texte   Artikel 50 Absatz 4 spaltet sich in zwei grundverschiedene Tatbestände auf. Während bei audiovisuellen Medien strenge Vorgaben gelten, enthält die Textregelung eine weitreichende Erleichterung für professionelle Redaktionen.  A. Bild-, Audio- und Videoinhalte: Die Authentizitätsfalle   Nach Art. 50 Abs. 4 Satz 1 müssen Betreiber offenlegen, wenn Bild-, Ton- oder Videoinhalte durch KI erzeugt oder manipuliert wurden und eine „bemerkenswerte Ähnlichkeit mit bestehenden Personen, Gegenständen, Orten, Einrichtungen oder Ereignissen aufweisen und einer Person fälschlicherweise als authentisch oder wahrhaftig erscheinen würden“ (sogenannte Deepfakes).  Der Gesetzgeber meint damit weit mehr als manipulierte Politikervideos. Für das Marketing ergeben sich daraus drei Prüfkriterien:  Keine Redaktionsausnahme: Bei realistisch anmutenden Bildern entfällt die Kennzeichnungspflicht nicht dadurch, dass ein Art Director oder Marketingleiter das Bild geprüft und freigegeben hat. Das Bild bleibt bei Täuschungsgefahr offenlegungspflichtig.  Synthetische Werbegesichter: Wer vollsynthetische Models via Midjourney oder Flux generiert, die täuschend echt wie echte Kunden in einer Alltagsszene wirken, erzeugt beim Durchschnittsbetrachter den Eindruck einer realen Fotografie. Solche Motive sollten im Zweifel offengelegt werden, um UWG-Vorwürfen wegen Irreführung vorzubeugen.  Kunst- und Satire-Ausnahme läuft im Marketing leer: Art. 50 Abs. 4 Satz 2 sieht zwar eine abgemilderte Kennzeichnung für künstlerische, satirische oder fiktionale Werke vor. Die EU-Kommission und Aufsichtsbehörden stellen jedoch klar, dass reine kommerzielle Werbekampagnen diese Ausnahme in der Praxis kaum beanspruchen können.  B. Textinhalte: Öffentliches Interesse und Redaktionsprivileg   Für geschriebene Texte ist die Hürde für eine gesetzliche Pflicht ungleich höher. Die Offenlegungspflicht greift überhaupt nur dann, wenn ein Text veröffentlicht wird, um die Öffentlichkeit über eine Angelegenheit von öffentlichem Interesse zu informieren (z. B. Gesundheit, Politik, Recht, gesellschaftliche Debatten).  Typische Marketingtexte – von Produktbeschreibungen über Leistungsseiten bis hin zu Social-Media-Captions – verfolgen einen primär kommerziellen Werbezweck. Sie erfüllen das Tatbestandsmerkmal der Information über Angelegenheiten von öffentlichem Interesse in der Regel nicht. Selbst wenn ein Unternehmen zu einem gesellschaftlich relevanten Thema publiziert (z. B. Nachhaltigkeitsberichte oder Fachbeiträge), greift die entscheidende Rückausnahme: Wurde der Text einem Prozess der menschlichen Überprüfung oder redaktionellen Kontrolle unterzogen und trägt eine natürliche oder juristische Person die redaktionelle Verantwortung, entfällt die Kennzeichnungspflicht vollständig.   Praxismatrix: 9 typische Fälle im Marketingalltag   Wie ordnen sich konkrete Marketing-Maßnahmen in dieses Gefüge ein? Die folgende Matrix gibt eine belastbare Orientierung für das Tagesgeschäft:  Marketing-Szenario   Pflicht?   Fachliche Begründung & Einordnung      Fotorealistisches KI-Bild in Social- oder Display-Ad   Ja   Wirkt auf den Betrachter wie eine reale Fotografie. Keine Redaktionsausnahme bei authentisch anmutenden Medien.  Synthetisches Bild eines real existierenden Produkts   Ja   Täuschungsgefahr über die reale Beschaffenheit; zusätzlich hohes Risiko von UWG-Abmahnungen bei abweichenden Merkmalen.  Erkennbar stilisierte Illustration / 3D-Icon / Cartoon   Nein   Keine Authentizitätstäuschung. Kein vernünftiger Betrachter hält eine Comic-Grafik für ein authentisches Dokumentarbild.  KI-generierte Produkttexte, Google Ads Copy, Captions   Nein   Reine kommerzielle Kommunikation, keine Information der Öffentlichkeit über Angelegenheiten von öffentlichem Interesse.  Fachlicher Blogbeitrag (redaktionell geprüft)   Nein   Selbst bei gesellschaftlicher Relevanz greift die Redaktionsausnahme, sofern ein Mensch Fakten geprüft und freigegeben hat.  Ungeprüfter KI-Text zu Gesundheit oder Regulierung   Ja   Thema von öffentlichem Interesse ohne menschliche Kontrollinstanz; fällt direkt unter die Kennzeichnungspflicht nach Abs. 4.  Interne Kundenpräsentation, Angebot, Pitch-Deck   Nein   Keine öffentliche Zugänglichmachung. Absatz 4 setzt eine Verbreitung gegenüber der Öffentlichkeit voraus.  Keynote / Öffentlicher Vortrag mit KI-Bildern   Differenziert   Folie/Vortrag an sich frei; fotorealistische Medien auf den Slides müssen jedoch als synthetisch gekennzeichnet werden.  Kundenservice-Chatbot auf der Website   Ja   Greift über Art. 50 Abs. 1: Nutzer müssen bei der ersten Interaktion wissen, dass sie mit einem KI-System interagieren.  Wie und wo kennzeichnen? Best Practice für Ads und Web   Der AI Act verlangt eine „klare und unterscheidbare“ Offenlegung spätestens im Moment des ersten Kontakts. Das Gesetz schreibt jedoch keine starre Formulierung und kein festes Grafiksymbol vor. Ein häufiger Irrtum besteht in der Annahme, man müsse zwingend einen auffälligen Schriftzug direkt in jedes Werbebild hineinrendern.  In der Praxis hängt die Lösung vom Ausspielungskanal ab:  Plattform-Labels in Google Ads & Social Ads nutzen: Google stellt in Google Ads, Display & Video 360 und im Campaign Manager Kennzeichnungsoptionen bereit. Wer diese Häkchen setzt, erfüllt die Informationspflicht, ohne gegen Googles eigene Richtlinien bezüglich störender Text-Overlays auf Werbebildern zu verstoßen. Auch Meta bietet entsprechende Dropdowns im Ad Manager.  Eingebettetes Label im Creative: Wird ein Bild außerhalb geschlossener Werbenetzwerke genutzt (z. B. direkt auf Landingpages, in herunterladbaren Whitepapern oder Pressegrafiken), empfiehlt sich ein diskretes, aber lesbares Label in der Bildecke (z. B. „KI-generiert“ oder „Synthetische Darstellung“). Das verhindert, dass der Hinweis bei Weiterverbreitung oder Screenshots verloren geht.  Formulierungen: Bewährt haben sich kurze, unmissverständliche Begriffe wie „KI-generiert“ bei vollsynthetischen Medien oder „Mit generativer KI bearbeitet“ bei partiellen Modifikationen.  E-Commerce & Google Merchant Center: Eigene Spielregeln   Online-Händler müssen sorgfältig zwischen den gesetzlichen Pflichten des AI Acts und den separaten Richtlinien von Plattformbetreibern unterscheiden. Google hat seine Produktdatenanforderungen unabhängig von der EU-Verordnung strukturiert und verlangt bei KI-Inhalten höchste Datenpräzision.  IPTC-Metadaten sind längst Standard: Google verlangt bereits seit Februar 2024, dass synthetische oder veränderte Produktbilder die IPTC-Eigenschaft DigitalSourceType (z. B. trainedAlgorithmicMedia) in den Dateimetadaten transportieren. Wer KI-Bilder ohne Metadaten oder gar mit herausgefilterten EXIF-Daten einspeist, riskiert Ablehnungen.  Strukturierte Feed-Attribute für Text: Für KI-generierte Titel und Produktbeschreibungen hält Google im Merchant Center gesonderte Attribute bereit. Händler sollten diese Auszeichnungen nutzen, um algorithmische Prüfungen reibungslos zu durchlaufen.  Kein Generalverbot, aber harte Konsistenzprüfung: Vollsynthetische Produktbilder führen nicht automatisch zur Kontosperre. Allerdings führen erhebliche Abweichungen zwischen dem Feed-Hauptbild und der tatsächlichen Landingpage, irreführende Produkteigenschaften oder unzulässige Werbetext-Overlays auf dem Bild zur sofortigen Ablehnung im Feed. Das geschäftliche Risiko sitzt im E-Commerce im Merchant Center – ein abgelehnter Feed stoppt Umsätze binnen Stunden.  Redaktionsprozesse pragmatisch dokumentieren   Die Redaktionsausnahme für Texte ist für Content-Marketing-Teams das wirksamste Instrument zur Vermeidung von Kennzeichnungsbannern. Sie funktioniert im Ernstfall jedoch nur, wenn die menschliche Prüfung im Zweifel plausibel nachgewiesen werden kann. Eine bloße Behauptung reicht bei behördlichen Nachfragen nicht aus.  Dafür bedarf es keiner bürokratischen Prüfinstanz. Es genügt ein schlanker, dokumentierter Audit-Trail im Redaktionssystem (z. B. in WordPress, HubSpot oder Jira):  Prüfende Person: Name oder Kürzel der verantwortlichen Fachredakteurin bzw. des Redakteurs.  Datum & Version: Zeitpunkt der finalen redaktionellen Freigabe.  Prüfschwerpunkte: Kurze Bestätigung, dass Fakten, Zahlen, rechtliche Verweise und Zitate unabhängig überprüft wurden.  Freigabestatus: Explizite Übernahme der inhaltlichen Verantwortung vor Veröffentlichung.  Ein einfaches Pflichtfeld im CMS („Redaktionell geprüft und freigegeben durch: [Name, Datum]“) schützt Redaktionsteams nachhaltig und dokumentiert die Einhaltung der gesetzlichen Kriterien.  Reale Risiken: UWG und Kontensperren schlagen EU-Bußgelder   Die im AI Act genannten Bußgelder von bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes erzeugen Schlagzeilen, sind aber für kleinere Kennzeichnungsverstöße im Marketingalltag ein theoretisches Schreckgespenst. Aufsichtsbehörden richten ihren Fokus zunächst auf Hochrisiko-KI und systemische Risiken großer Tech-Plattformen.  Die echten operativen Gefahren für Marketingleiter liegen woanders:  Wettbewerbsrechtliche Abmahnungen (§ 5 UWG): Verfälscht ein KI-generiertes Bild die Eigenschaften eines beworbenen Produkts oder täuscht über reale Kundenbewertungen und Anwendungsfälle hinweg, können Mitbewerber oder Abmahnverbände wegen Irreführung durch Unterlassen abmahnen. Abmahnungen sind schnell zugestellt, kostenintensiv und erzwingen strafbewehrte Unterlassungserklärungen.  Automatisierte Ablehnungen in Werbekonten: Plattformen wie Google oder Meta reagieren auf Richtlinienverstöße algorithmisch. Werden Feed-Bilder oder Anzeigen wegen unzulässiger Overlays oder fehlerhafter Metadaten gesperrt, steht die Performance-Maschine still.  Checkliste für Marketing- und Kampagnenleiter   Aktiven Medienbestand scannen: Laufende Display-, Social- und Website-Kampagnen auf fotorealistische KI-Bilder prüfen. Wo reale Personen, Produkte oder Szenen suggeriert werden, Kennzeichnungen nachrüsten.  Plattform-Features aktivieren: In Google Ads, Merchant Center und Social-Plattformen die vorgesehenen KI-Häkchen und Attribute aktivieren, statt Textmanuell in Grafiken zu stempeln.  Feed-Metadaten prüfen: Sicherstellen, dass das DAM- oder PIM-System IPTC-Metadaten (DigitalSourceType) bei synthetischen Produktbildern korrekt exportiert und nicht beim Web-Upload abstreift.  Redaktions-Workflow absichern: Ein kurzes Freigabefeld für Fachtexte im Redaktions-Tool einrichten, um den menschlichen Prüfprozess lückenlos belegen zu können.  Vertragsverhältnisse ordnen: Mit Agenturen und externen Dienstleistern schriftlich klären, wer für Kennzeichnungen und Metadaten-Compliance haftet und Freigaben dokumentiert.  Häufige Fragen (FAQ)   Muss jeder mit KI unterstützte Blogartikel gekennzeichnet werden?   Nein. Die Pflicht greift nur bei Texten, die über Angelegenheiten von öffentlichem Interesse informieren. Zudem entfällt sie vollständig, wenn ein Mensch den Beitrag redaktionell geprüft und die inhaltliche Verantwortung übernommen hat.  Reicht es, ein Label in die Bildunterschrift zu setzen?   Im redaktionellen Web-Kontext kann eine klare, unmittelbar zugeordnete Bildunterschrift gültig sein. Für geteilte Social-Media-Grafiken oder Anzeigen ist sie ungeeignet, da Unterschriften beim Teilen oder Einbinden verloren gehen. Hier sind Plattform-Labels oder dezente Hinweise auf der Grafik vorzuziehen.  Gilt die Übergangsfrist bis Dezember 2026 für unsere Werbekampagnen?   Nein. Der Aufschub bis zum 2. Dezember 2026 gilt ausschließlich für Altsysteme der Modellanbieter hinsichtlich der maschinenlesbaren Kennzeichnung. Die Offenlegungspflicht für Betreiber gilt seit dem 2. August 2026 ohne Übergangsfrist.  Fazit & nächste Schritte   Der AI Act ist für Marketingabteilungen kein Innovationskiller, verlangt aber ein Ende des unbedarften Umgangs mit synthetischen Assets. Bei Texten können Content-Teams durch saubere menschliche Qualitätssicherung völlig entspannt agieren. Bei fotorealistischen Bildern und Videos hingegen müssen Kennzeichnungsprozesse und Metadaten-Workflows jetzt sauber im Kampagnenmanagement verankert sein.  Möchtest du prüfen, ob deine Kampagnen, Produktdatenfeeds und Redaktionsprozesse rechtssicher und plattformkonform aufgestellt sind? Das Team von internetwarriors unterstützt dich bei der praktischen Auditierung und Optimierung deiner Content- und Werbestrategie.     

Das Wichtigste in Kürze   Seit dem 24. August 2026 werden ChatGPT Ads in Deutschland ausgespielt, im Rahmen einer Ausweitung auf 31 europäische Märkte.  Seit Ende August 2026 ist der Self-Service-Zugang im Ads Manager auch für europäische Werbetreibende offen.   Anzeigen sehen nur Nutzer*innen der Free- und Go-Tarife. Plus, Pro, Business, Enterprise und Edu bleiben werbefrei, Konten von unter 18-Jährigen erhalten keine Anzeigen.  Statt Keywords hinterlegen Werbetreibende Kontexthinweise. Ausgeliefert wird nach Kontext und Absicht des laufenden Gesprächs.  Werbung in einem Chatfenster war lange ein Gedankenexperiment. Seit Ende August 2026 ist sie in Deutschland Realität: OpenAI spielt Anzeigen in ChatGPT aus, und Unternehmen können Kampagnen selbst im Ads Manager anlegen. Für Performance-Teams ist das der erste wirklich neue Werbekanal seit Jahren. Die Frage ist deshalb weniger, ob man ihn testet, sondern wie man ihn testet, ohne Budget in einem noch unfertigen System zu verbrennen.  Was ChatGPT Ads sind und wo sie erscheinen  ChatGPT Ads sind bezahlte Platzierungen innerhalb von ChatGPT. Sie erscheinen unterhalb einer Antwort, sind als Anzeige gekennzeichnet und optisch von der Antwort getrennt. Nach Angaben von OpenAI beeinflusst Werbung nicht, welche Antwort ChatGPT gibt. Eine Anzeige besteht aus Unternehmensname, Logo beziehungsweise Favicon, Titel, Anzeigentext, Bild und Landingpage. Empfohlen sind 16 bis 24 Zeichen für den Titel und 32 bis 48 Zeichen für den Text, Titel und Text sollten unterschiedliche Nutzenargumente liefern.  Der entscheidende Unterschied zu Google Ads liegt nicht im Format, sondern in der Situation. In der klassischen Suche tippen Menschen zwei bis vier Wörter. In ChatGPT beschreiben sie ihre Ausgangslage, ihre Anforderungen und ihre Bedenken. Die Anzeige landet damit mitten in einem laufenden Entscheidungsprozess.  Wen Sie damit erreichen, und wen nicht  Die Reichweitenzahlen zu ChatGPT sind beeindruckend, aber sie sind nicht die werblich erreichbare Zielgruppe. Anzeigen werden ausschließlich Nutzer*innen der kostenlosen Version und des Go-Tarifs ausgespielt. Wer Plus, Pro, Business, Enterprise oder Edu nutzt, sieht keine Werbung.  Das ist vor allem für B2B relevant: Wer ChatGPT über einen Firmenaccount nutzt, fällt aus der Zielgruppe heraus. Der Kanal ist im B2B damit eher ein zusätzlicher Touchpoint für Entscheider*innen, die privat oder mit einem kostenlosen Konto recherchieren, und kein Kanal, mit dem sich eine Zielgruppe vollständig abdecken lässt. Für B2C-Angebote ist die erreichbare Basis zum Start deutlich breiter.  Kontexthinweise statt Keywords  Exact-Match-Keywords gibt es bei ChatGPT Ads nicht. Auf Anzeigengruppenebene hinterlegen Werbetreibende sogenannte Kontexthinweise, die beschreiben, was ein Angebot leistet, wem es hilft und in welcher Situation es nützlich ist. OpenAI stellt ausdrücklich klar, dass diese Hinweise keine starren Targeting-Regeln sind. Ausgeliefert wird nach Gesprächskontext und Absicht, Anzeigeninhalt und Landingpage.  Praktisch heißt das: Ein Begriff wie Laufschuhe trägt wenig, ein Hinweis, der Bedarf und Nutzungssituation verbindet, trägt viel. Anzeigengruppen werden deshalb nach Bedürfnissen, Themen oder Produktkategorien geschnitten, nicht nach Keyword-Listen. Angebote mit unterschiedlichen Botschaften oder Landingpages gehören getrennt. Zusätzlich lassen sich Kampagnen auf die iOS-App, die Android-App oder die Webversion ausrichten, und es gibt geografisches Targeting, dessen Granularität je Markt variiert. Für lokale Kampagnen lohnt vor dem Start deshalb ein Blick in die Standortauswahl.  1. Übersicht Kampagnenmanager  Budget, Gebote und Abrechnung  OpenAI unterstützt drei Abrechnungslogiken: CPM für Reichweite, CPC für Traffic und oCPC, bei dem pro Klick abgerechnet, die Auslieferung aber auf ein Conversion-Ereignis optimiert wird. Für CPC-Kampagnen nennt OpenAI derzeit 3 bis 5 US-Dollar als empfohlenes Start-Maximalgebot, bei Euro-Konten liegt das Mindesttagesbudget bei 15 EUR pro Kampagne. Neben manuellen Höchstgeboten gibt es die automatische Strategie Maximize Results, die allerdings keine festen Effizienzziele wie Ziel-CPA oder Ziel-ROAS garantiert.  Für die Budgetplanung sind zwei Punkte wichtig. Erstens wird das Tagesbudget als Durchschnitt über sieben Tage behandelt: An einzelnen Tagen kann bis zum Doppelten ausgegeben werden, über den Sieben-Tage-Zeitraum maximal das Siebenfache. Zweitens ist das technische Mindestbudget kein sinnvolles Testbudget. Für eine belastbare Bewertung braucht es genug Impressionen, Klicks und möglichst Conversions.  Tracking und Datenschutz  Für die Messung stehen der OpenAI Pixel und eine Conversions API bereit, beide lassen sich kombinieren. Werden identische Conversions über beide Wege gesendet, sollte dieselbe Event-ID zur Deduplizierung genutzt werden. OpenAI hängt an Anzeigenklicks eine Click Reference namens oppref an die Landingpage-URL, die der Pixel in einem First-Party-Cookie speichern kann. Zusätzlich lassen sich UTM-Parameter setzen, damit der Traffic in der eigenen Webanalyse sichtbar wird. Das Reporting im Ads Manager zeigt unter anderem Impressionen, Klicks, Kosten, CTR, durchschnittlichen CPC und CPM sowie Conversions.  Werbetreibende erhalten keinen Zugriff auf Chats, Chatverläufe, Erinnerungen oder personenbezogene Daten, OpenAI stellt nur aggregierte Leistungsdaten bereit. Wer allerdings Pixel, Conversions API oder Advanced Matching einsetzt und dabei First-Party-Daten überträgt, muss die datenschutzrechtlichen Voraussetzungen und die erforderlichen Einwilligungen selbst prüfen. Das gehört ins Setup und nicht auf die Liste der Dinge, die man später klärt.  Für welche Branchen der Kanal jetzt passt  OpenAI konzentriert sich in der Startphase auf Konsumgüter und Lifestyle, Haushaltswaren, lokale Dienstleistungen, Reisen und Erlebnisse sowie digitale Produkte und Bildungsangebote. Für E-Commerce ist der Kanal besonders interessant, weil produktfeedbasierte Kampagnen bereits unterstützt werden, inklusive Multi-Product Carousel und Reporting auf Ebene einzelner Produktkarten.  Ausgeschlossen ist dagegen mehr, als viele erwarten: Finanz- und Gesundheitsdienstleistungen sind außerhalb der USA derzeit nicht zulässig, ebenso Rechtsberatung. Einzelne Stellenangebote und einzelne Immobilienangebote dürfen nicht beworben werden, allgemeine Plattformen dagegen schon. Politische Werbung, Glücksspiel, Alkohol und Tabak sind ebenfalls ausgeschlossen. Ein Blick in die Werberichtlinien gehört deshalb an den Anfang der Planung.  So starten Sie einen kontrollierten Test  1. Ads-Manager-Konto anlegen und Unternehmensdaten, Abrechnung, Zahlungsmethode und Teamzugriffe einrichten.  2. Landingpages prüfen. OAI-AdsBot und OAI-SearchBot dürfen nicht blockiert sein, und die Seite sollte direkt zum Angebot führen, nicht auf die Startseite.  3. Kampagnen nach Bedürfnissen und Anwendungsfällen strukturieren und Kontexthinweise in natürlicher Sprache formulieren.  4. Mehrere klar unterscheidbare Creative-Varianten je Angebot vorbereiten.  5. Tracking vor dem Media-Start aufsetzen: Pixel oder Conversions API, UTM-Parameter und Consent-Prüfung.  6. Mit einem bewussten Lernbudget starten und nach Leads, Registrierungen oder Käufen bewerten, nicht nach Klicks.  Fazit: eigener Kanal mit eigener Logik  ChatGPT Ads sind kein Google Search im Chatfenster und kein Ersatz für bestehende Search-, Social- oder Shopping-Kampagnen. Sie sind ein eigener Kanal, in dem Situation und Bedarf die Planungsgröße sind. Gleichzeitig ist das System jung: Personalisierung fehlt im Europäischen Wirtschaftsraum, Deutschland-Benchmarks ebenfalls, und Funktionen kommen fast im Wochenrhythmus dazu. Genau darin liegt der Vorteil für früh Testende. Wer jetzt mit klaren Use Cases, sauberen Landingpages und belastbarem Tracking startet, baut Lernkurve auf, bevor der Wettbewerb den Kanal entdeckt. Sie möchten wissen, ob ChatGPT Ads zu Ihrem Geschäftsmodell passen? Wir bei internetwarriors begleiten den Kanal von der Strategie bis zum Conversion-Tracking. Sprechen Sie uns gerne an.  FAQ zu ChatGPT Ads in Deutschland  Seit wann gibt es ChatGPT Ads in Deutschland?  Seit dem 24. August 2026 werden Anzeigen in Deutschland ausgespielt. Den europäischen Rollout hatte OpenAI am 18. August angekündigt, der Self-Service-Zugang folgte Ende August.  Kann ich ChatGPT Ads selbst buchen?  Ja. Der Ads Manager steht europäischen Werbetreibenden im Self-Service zur Verfügung. Kampagnen lassen sich dort erstellen, verwalten und auswerten, inzwischen auch per natürlicher Sprache über ein Ads-Manager-Plugin in ChatGPT.  Was kosten ChatGPT Ads?  Abgerechnet wird per CPM, CPC oder oCPC. Für CPC empfiehlt OpenAI aktuell ein Start-Maximalgebot von 3 bis 5 US-Dollar, das Mindesttagesbudget liegt bei Euro-Konten bei 15 EUR pro Kampagne. Deutschland-spezifische Durchschnittswerte für CPC, CPM oder Conversion-Kosten liegen noch nicht vor.  Gibt es Keywords bei ChatGPT Ads?  Nicht im klassischen Sinn. Werbetreibende hinterlegen Kontexthinweise zu Themen, Bedürfnissen und Nutzungssituationen. Sie helfen beim Matching, garantieren aber keine Auslieferung bei bestimmten Wörtern.  Bekommen Werbetreibende Zugriff auf die Chats?  Nein. Chats, Chatverläufe, Erinnerungen und personenbezogene Details bleiben unzugänglich. OpenAI stellt ausschließlich aggregierte Leistungsdaten wie Impressionen und Klicks bereit. 

Google verwandelt die Suche zunehmend von einer Ergebnisliste in eine KI-gestützte Entscheidungsumgebung. Dadurch wachsen SEO, Generative Engine Optimization (GEO), Google Ads und Datenqualität zu einem gemeinsamen Search-Growth-System zusammen.  Was jetzt wichtig wird: Die Fakten auf einen Blick   Keine automatische KI-Sichtbarkeit durch SEO: Die Überschneidung zwischen klassischen SEO-Rankings und KI-zitierten Quellen fiel innerhalb von zwölf Monaten von 52 % auf unter 20 % ( internetwarriors GEO-Studie, Mai 2026 ) Gute Rankings sind kein Freifahrschein mehr.  Sichtbarkeit außerhalb der Top 50: 70–80 % der von KI-Systemen zitierten URLs stammen nicht aus den Google Top 50. Wer nur auf klassische Positionen schielt, bleibt in KI-Antworten oft unsichtbar.  Der Wandel zur Entscheidungsumgebung: 93 % der Sitzungen im Google AI Mode enden ohne Klick auf eine Website. Die KI-Antwort selbst wird zum Ort der Kaufentscheidung.  Google Ads wird KI-nativ: Seit Mai 2026 testet Google vier Gemini-basierte Anzeigenformate, die strukturierte Website- und Produktdaten voraussetzen. GEO-Readiness wird damit zur Performance-Voraussetzung für Paid Media.  Wer heute nach einem Produkt, einem Dienstleister oder einer Lösung sucht, bekommt immer seltener nur zehn blaue Links. Nutzer stellen komplexere Fragen, vergleichen Optionen direkt in der Suche und erwarten eine konkrete, verständliche Empfehlung. Mit AI Overviews, AI Mode und neuen Gemini-basierten Anzeigenformaten entwickelt Google Search sich stärker in Richtung Recherche-, Beratungs- und Kaufumgebung. Google selbst gibt an, dass 75 % der Nutzer mit dem AI Mode schneller und sicherer zu einer Entscheidung kommen (Quelle: Google Marketing Live, Mai 2026).  Für Unternehmen verändert das die Anforderung an digitale Sichtbarkeit grundlegend: Es reicht längst nicht mehr aus, ausschließlich für einzelne Keywords zu ranken oder Anzeigen stur auf eine Landingpage zu leiten. Marken müssen für Suchmaschinen, generative KI-Systeme und KI-gestützte Werbeformate gleichermaßen verständlich, vertrauenswürdig und anschlussfähig sein. Dabei ersetzt GEO das klassische SEO nicht. GEO erweitert SEO um eine entscheidende Dimension: die Sichtbarkeit in KI-generierten Antworten, Quellenlisten, Empfehlungen und dialogischen Suchprozessen.  Was bedeutet GEO eigentlich konkret?   GEO steht für Generative Engine Optimization . Gemeint ist die gezielte Optimierung von Inhalten, Marken- und Produktinformationen für generative Such- und Antwortsysteme – etwa Google AI Mode, Google AI Overviews, ChatGPT, Claude, Perplexity, Gemini oder Microsoft Copilot.  Während klassische Suchmaschinenoptimierung vor allem darauf abzielt, Seiten für relevante Suchanfragen auffindbar zu machen und gute Rankings zu erzielen, stellt GEO eine Reihe neuer Kernfragen:  Wird eine Marke in einer KI-Antwort aktiv erwähnt?  Wird die eigene Website als Quelle verlinkt oder zitiert?  Versteht das System im Detail, welches Angebot ein Unternehmen hat?  Kann die KI klar erklären, für wen ein Produkt oder Service genau geeignet ist?  Werden Leistungen, Vorteile, Einschränkungen, Preise und Anwendungsfälle korrekt dargestellt?  Wird eine Marke bei Vergleichen, Empfehlungen und konkreten Kaufentscheidungen einbezogen?  GEO ist daher keineswegs einfach „SEO mit KI“. Es ist die Optimierung für eine neue Suchwelt, in der Systeme Informationen aus unterschiedlichsten Quellen autonom zusammenführen und daraus eine maßgeschneiderte Antwort, eine Auswahl oder eine Empfehlung erzeugen.  Warum GEO und SEO zwangsläufig zusammenrücken   Wichtig zu verstehen: Google trennt die generative Suche keineswegs vollständig von der bisherigen Infrastruktur. Nach Googles offiziellen Leitlinien basieren AI Overviews und AI Mode weiterhin auf den bewährten Suchsystemen, Qualitätsmechanismen und dem gewohnten Index von Google Search. Für komplexe Fragen nutzt Google unter anderem das sogenannte Query Fan-out : Das System erstellt parallel mehrere verwandte Suchanfragen, um verschiedene Aspekte eines Themas tiefgehend zu recherchieren und anschließend zu einer schlüssigen Antwort zusammenzuführen.  Google stellt zudem klar: Es braucht weder spezielle KI-Dateien noch neues Markup, um in diesen Funktionen zu erscheinen – entscheidend bleiben die etablierten SEO-Best-Practices (Quelle: Google Search Central, „AI Features and Your Website“, Stand Juli 2026).  Hierbei muss man berücksichtigen, dass generative Systeme auf zwei Ebenen arbeiten: der Live-Suche im Web (Retrieval-Augmented Generation / RAG) und dem antrainierten Modell-Wissen. Während saubere SEO-Strukturen primär den RAG-Prozess in Echtzeit füttern, prägt eine nachhaltige, vertrauenswürdige digitale Präsenz das dauerhafte Modell-Wissen der KI. Die Konsequenz ist eindeutig: Ohne solide SEO-Grundlage gibt es auch keine belastbare GEO-Grundlage.  Eine Website muss technisch zugänglich und fehlerfrei indexierbar sein. Inhalte müssen klar strukturiert, hilfreich, aktuell und eigenständig sein. Google empfiehlt ausdrücklich, bestehende SEO-Best-Practices kontinuierlich anzuwenden, statt auf isolierte „GEO-Hacks“ zu setzen.  SEO bleibt damit das Fundament für: Crawlability und fehlerfreie Indexierbarkeit  Technische Qualität und gute Page Experience  Eine klare Seiten- und Informationsarchitektur  Relevante Inhalte entlang der realen Suchintention  Interne Verlinkung und den Aufbau von Themenautorität  Strukturierte Produkt-, Organisations- und lokale Informationen  Vertrauenswürdigkeit, belegte Expertise und Aktualität  GEO baut auf diesem Fundament auf. Es ergänzt die Optimierung um die Frage, ob Inhalte so präzise, belastbar und differenziert formuliert sind, dass ein generatives System sie fehlerfrei als passende Informationsquelle, als Beleg oder als direkte Empfehlung einsetzen kann.  SEO und GEO: Gleiche Basis, anderes Ergebnis   Auch wenn SEO und GEO eng miteinander verbunden sind, führen sie keineswegs zu denselben Ergebnissen. Eine Spitzenposition in den organischen SERPs ist keine Garantie dafür, dass eine Seite auch in AI Overviews, im AI Mode oder in externen KI-Suchen zitiert wird. Generative Systeme setzen Antworten nicht aus einem einzelnen Ranking zusammen: Sie analysieren Teilfragen, werten unterschiedliche Quellen aus, berücksichtigen Entitäten, bewerten die Aktualität und liefern eine Antwort mit möglichst hoher Informationsdichte.  Wie weit die Ergebnisse inzwischen auseinanderlaufen, zeigt die dritte Ausgabe unserer internetwarriors GEO-Studie (Mai 2026; 240 Prompts in 12 Branchen, 5.317 ausgewertete URLs in Google AI Mode und ChatGPT): Die Überschneidung zwischen klassischen SEO-Rankings und KI-zitierten Quellen fiel innerhalb von zwölf Monaten von 52 % auf unter 20 %. Zugleich stammen 70–80 % der von KI-Systemen zitierten URLs nicht aus den Google Top 50. SEO- und GEO-Sichtbarkeit sind damit messbar zwei verschiedene Spielfelder – auf derselben technischen Basis.  Merkmal   SEO   GEO   Fokus   Optimiert für feste Rankings und kontinuierlichen organischen Traffic  Optimiert für Nennungen, Quellen, Empfehlungen und KI-Sichtbarkeit  Grundlage   Ausrichtung auf klassische Suchanfragen und Suchintentionen  Ausrichtung auf Prompts, Entscheidungsfragen und Gesprächskontexte  Primäres Ziel   Der Klick des Nutzers auf die eigene Website  Relevanz innerhalb der KI-Antwort und hochqualifizierte Weiterführung  KPIs / Messung   Rankings, Impressionen, Click-Through-Rate (CTR) und Sessions  Mentions, Citations, AI Visibility, Quellenanteil und AI-Referrals  Umgebung   Klassische SERPs (Suchergebnisseiten) als zentrale Umgebung  AI Overviews, AI Mode, Chatbots und agentische Suchprozesse  Die richtige Schlussfolgerung lautet hier keineswegs: „SEO funktioniert nicht mehr.“ Sie lautet vielmehr: SEO allein bildet nicht mehr die gesamte Suchsichtbarkeit ab.  Google Search wird zur Entscheidungsumgebung   Diese Veränderung wird besonders deutlich, wenn Nutzer keine kurzen Keywords mehr eingeben, sondern ihre komplexe Ausgangslage schildern. Statt nach „CRM Agentur Berlin“ zu suchen, lautet die Frage künftig eher:  „Welche CRM-Lösung eignet sich für eine wachsende B2B-Agentur in Deutschland, die Projektmanagement, Vertrieb, DSGVO und Microsoft Teams verbinden möchte?“   Eine klassische Suchmaschine liefert dazu eine Liste aus Links, Anzeigen und Vergleichsportalen. Eine generative Suche versucht dagegen, die Anforderungen im Kern zu verstehen, Teilaspekte zu recherchieren, Optionen einzuordnen und eine verständliche Vorauswahl zu liefern. Die Konsequenz ist messbar: Laut unserer GEO-Studie (Mai 2026) enden 93 % der Sitzungen im Google AI Mode ohne Klick auf eine Website . Die Antwort selbst wird zum Ort der Entscheidung – und die Frage lautet nicht mehr nur, ob eine Marke gefunden wird, sondern ob sie in dieser Antwort überhaupt vorkommt.  Für Unternehmen wird dadurch entscheidend, ob die eigene Website präzise Antworten auf tiefergehende Fragen bietet:  Für welche exakte Zielgruppe ist unser Angebot geeignet?  Welches konkrete Problem lösen wir nachhaltig?  Welche technischen oder organisatorischen Voraussetzungen gelten?  Welche Integrationen, Funktionen oder Leistungsgrenzen gibt es?  Wie genau unterscheiden wir uns von marktrelevanten Alternativen?  Welche echten Beispiele, Kundenfälle, Reviews oder fachlichen Belege gibt es?  Was kostet das Angebot transparent und wie funktioniert die Einführung?  Je präziser, belastbarer und konsistenter diese Informationen im Web verteilt sind, desto besser kann ein KI-System die Marke verstehen und in den passenden Kontext setzen.  Von Keywords zu Prompts und Intents   Keywords bleiben für SEO und Google Ads selbstverständlich relevant. Sie bilden weiterhin einen Teil der Nachfrage ab und helfen dabei, Themen, Suchvolumen und kommerzielle Intentionen zu analysieren. Aber die Customer Journey wird breiter. Die KI-Suche macht aus einer kurzen Anfrage häufig eine logische Kette von Recherche-, Vergleichs- und Entscheidungsfragen. Unternehmen sollten deshalb nicht nur Keyword-Cluster entwickeln, sondern auch Prompt- und Intent-Cluster aufbauen.  Klassische Keywords   Generative Fragen und Prompts   SEO Agentur Berlin  Welche SEO-Agentur passt zu einem B2B-Unternehmen mit komplexen Produkten?  Google Ads Agentur  Wie kann ich Google Ads effizient skalieren, wenn mein Tracking unvollständig ist?  GEO Agentur  Wie wird eine Marke in Google AI Mode und ChatGPT sichtbarer?  SEO Audit  Welche technischen und inhaltlichen Probleme verhindern KI-Sichtbarkeit?  Performance Marketing Beratung  Wie verbinde ich Paid Media, SEO und CRM-Daten für bessere Lead-Qualität?  Der Unterschied ist strategisch wichtig: Keywords beschreiben meist nur ein grobes Thema. Generative Fragen enthalten dagegen die konkrete Situation, individuelle Einschränkungen, Zielgruppen, Probleme, Auswahlkriterien und das gewünschte Ergebnis. Content, der nur ein Keyword stur wiederholt, reicht dafür schlicht nicht mehr aus. Gefragt sind Inhalte, die fundierte Entscheidungen unterstützen.  Was GEO-optimierte Inhalte wirklich auszeichnet   GEO-Optimierung bedeutet keineswegs, KI-Texte für KI-Systeme zu schreiben. Es bedeutet auch nicht, künstliche Absätze zu bauen, jedes Detail krampfhaft in FAQ-Form zu pressen oder eine Datei wie llms.txt als vermeintlichen Wundertrick misszuverstehen. Als technisches Mapping für KI-Crawler ist eine solche Datei im Markdown-Format durchaus sinnvoll – sie ersetzt jedoch keine inhaltliche Substanz. Google rät ausdrücklich davon ab, auf kurzfristige Tricks für generative Funktionen zu setzen. Im Vordergrund stehen einzigartige, nützliche Inhalte, die echten Menschen helfen. GEO-optimierte Inhalte zeichnen sich durch fünf prägende Eigenschaften aus:  1. Klare Antworten auf konkrete Fragen   Statt allgemein über ein Thema zu schwadronieren, beantworten gute Inhalte klar definierte Fragen. Eine B2B-Seite sollte beispielsweise nicht nur erklären, dass sie „ganzheitliches Online Marketing“ anbietet. Sie sollte transparent aufschlüsseln:  Welche exakten Leistungen umfasst die Zusammenarbeit?  Für welche Phasen und Unternehmensgrößen ist das Angebot geeignet?  Wie sehen die typischen Meilensteine und Projektphasen aus?  Welche Daten und Ressourcen werden kundenseitig benötigt?  2. Nachvollziehbare Fakten und Belege   Generative Systeme brauchen Informationen, die sie eindeutig einordnen und validieren können. Dazu gehören belastbare Produktdaten, konkrete Leistungsbeschreibungen, transparente Prozesse, Fachwissen, Studien, Cases und Kundenstimmen. Der Effekt ist quantifizierbar: Eine Untersuchung von Princeton University und IIT Delhi zeigt, dass Statistiken die Sichtbarkeit in generativen Antworten um rund 17 % erhöhen, Zitate und saubere Quellenangaben um bis zu 33 % (Aggarwal et al., „GEO: Generative Engine Optimization“, 2024). Je weniger eine Website mit austauschbaren Marketingfloskeln arbeitet, desto besser. Aussagen wie „führend“ oder „maßgeschneidert“ helfen nur dann, wenn sie durch Fakten untermauert werden.  3. Eindeutige Entitäten und Validierung   Eine KI muss fehlerfrei erkennen können, wer ein Unternehmen ist, was es anbietet und wie Leistungen, Personen und Themen zusammenhängen. Die Implementierung von strukturierten Daten (Schema.org) mit präzisen sameAs-Verknüpfungen (z. B. zu offiziellen Handelsregistern, Wikidata oder etablierten Branchenprofilen) bildet hierbei das Herzstück. Sie ermöglicht es dem Google Knowledge Graph und generativen Modellen, die Entität der eigenen Marke zweifelsfrei zu validieren. Angaben zu Unternehmensname, Portfolio, Branchenfokus und Expertenprofilen sollten zudem über das Google Business Profile, Medienbeiträge und Partnerseiten hinweg konsistent gepflegt werden.  4. Struktur, die Menschen und Systeme verstehen   Klare Überschriften, logische Abschnitte, Tabellen, Vergleiche und präzise Zusammenfassungen helfen Nutzern ebenso wie Suchsystemen. LLMs zerlegen Seiten in einzelne Abschnitte (Chunks) und zitieren bevorzugt Passagen, die ohne Kontext verständlich sind. Eine Leistungsseite sollte daher nicht nur aus einem emotionalen Intro und einem Kontaktformular bestehen, sondern das Angebot greifbar und in eigenständig lesbaren Abschnitten erklären.  5. Kontinuierliche Aktualität und Pflege   Gerade bei Preisen, Produktfunktionen, gesetzlichen Vorgaben oder technischen Integrationen beschädigen veraltete Angaben die digitale Glaubwürdigkeit. Aktualität zahlt direkt auf die Zitierwahrscheinlichkeit ein: Inhalte, die jünger als drei Monate sind oder kürzlich aktualisiert wurden, werden von KI-Systemen deutlich häufiger zitiert. GEO ist deshalb kein einmaliges Content-Projekt, sondern ein laufender Prozess aus Monitoring, Optimierung und Qualitätskontrolle – inklusive sichtbarer Aktualisierungsdaten und datierter Aussagen bei zeitsensitiven Themen.  Warum Google Ads KI-nativer werden muss   Google entwickelt nicht nur die organische Suche weiter, auch die Werbeformate verändern sich grundlegend. Auf der Google Marketing Live am 20. Mai 2026 hat Google vier neue, Gemini-basierte Anzeigenformate für die Suche vorgestellt: Conversational Discovery Ads , Highlighted Answers , AI-powered Shopping Ads und den Business Agent for Leads . Diese Formate sind darauf ausgelegt, Nutzer direkt in einer KI-gestützten Recherche- oder Entscheidungssituation abzuholen (Quelle: Google, „A new generation of ads for the AI era of Search“, 20. Mai 2026).  Bei Conversational Discovery Ads erstellt Gemini die Anzeigen-Kreation dynamisch passend zur konkreten, komplexen Frage eines Nutzers – statt ein statisches Asset auszuliefern. Highlighted Answers ermöglichen es, dass hochwertige Anzeigen direkt in einer durch den AI Mode erzeugten Empfehlungsliste erscheinen; beide Formate tragen ein „Sponsored“-Label und werden von einem unabhängig durch Gemini erstellten Erklärtext begleitet. Bei AI-powered Shopping Ads wählt Gemini passende Produkte aus den Inventardaten aus und erklärt, warum ein Produkt für die jeweilige Situation geeignet ist. Beim Business Agent for Leads interagieren Nutzer direkt mit einem Marken-Agenten, der Fragen auf Basis der hinterlegten Unternehmenswebsite beantwortet – anstelle eines statischen Lead-Formulars.  Stand Juli 2026 werden Conversational Discovery Ads und Highlighted Answers in den USA auf Mobile und Desktop getestet. AI-powered Shopping Ads sollen im Laufe des Jahres folgen, der Business Agent for Leads befindet sich in den USA in der Open Beta. Ein europäischer Rollout ist absehbar – und Unternehmen, deren Daten- und Content-Basis dann steht, verschaffen sich einen klaren Vorsprung.  Von der Landingpage zur Wissensbasis   In der klassischen Paid-Search-Logik ist die Website vor allem das Ziel nach dem Klick. In einer KI-nativen Suchumgebung wird die Website zu weit mehr: Sie wird zur zentralen Wissensbasis, Datenquelle und zum entscheidenden Vertrauensbeleg vor dem finalen Conversion-Ziel.  Wenn ein KI-System eine Anzeige inhaltlich einordnet, Produktvorteile erklärt oder eine Nutzerfrage in einem Brand-Dialog beantwortet, braucht es belastbare Informationen. Diese Daten stammen je nach Werbeformat aus unterschiedlichen Quellen:  Website-Inhalten und strukturierten Leistungsseiten  Detaillierten Produkt- und Serviceinformationen  Vollständigen Merchant-Center-Feeds (Preise, Verfügbarkeit, Varianten)  Häufigen Fragen (FAQ) und validen Support-Inhalten  Google Business Profile und externen Rezensionen  First-Party-Conversion-Signalen und CRM-Daten  Eine schwache oder widersprüchliche Website verhindert nicht die rein technische Schaltung von Google Ads. Sie führt jedoch dazu, dass Anzeigen in KI-basierten Formaten weniger gut erklärbar, weniger relevant und letztlich weniger konversionsstark ausgespielt werden.  Wird GEO zur Voraussetzung für Google Ads?   Die kurze Antwort lautet: Nicht als technische Pflicht, aber als zunehmend kritische Performance-Voraussetzung. Google wird Unternehmen nicht von der Anzeigenauktion ausschließen, nur weil deren Website nicht nach einem GEO-Framework optimiert ist. Werbekonten, Kampagnen und Gebote bleiben eigenständige Faktoren. Aber je stärker Werbung in KI-generierte Antworten und Gesprächsverläufe integriert wird, desto wichtiger werden die qualitativen Signale, die durch strategisches GEO geschaffen werden.  Theoretische Aussage   Realistische Einordnung   „Ohne GEO kann künftig niemand mehr Google Ads schalten.“  Zu weitgehend und technisch schlicht falsch.  „Eine Website muss in ChatGPT oder AI Mode zitiert werden, damit Google Ads funktioniert.“  Nicht belegt. Paid-Systeme laufen über eigene Auktionen.  „GEO-Readiness verbessert die Ausgangslage für KI-native Paid-Formate.“  Plausibel und strategisch hochrelevant – die neuen Formate arbeiten mit Website- und Produktdaten.  „Gute Daten, strukturierte Inhalte und valide Markeninformationen erhöhen die Anschlussfähigkeit von Ads.“  Direkt aus Googles neuen, agentischen Ad-Formaten ableitbar.  Der entscheidende Unterschied lautet deshalb: GEO ist kein technisches Zugangsticket zur klassischen Google-Ads-Auktion. GEO-Readiness wird jedoch zum Qualitätsfundament für Paid Media in KI-geführten Entscheidungsprozessen – denn Gemini kann nur erklären und empfehlen, was in strukturierten Daten und Inhalten eindeutig beschrieben ist.  Was GEO-Readiness für Paid Media bedeutet   Für Paid-Teams reicht es künftig nicht mehr aus, ausschließlich Kampagnenstrukturen, Keywords, Gebote und reine Anzeigentexte zu optimieren. Diese Punkte bleiben relevant, werden aber um Daten- und Wissensqualität auf der Zielseite ergänzt:  Vollständige Angebots- und Produktdaten: Google kann KI-gestützt nur ausspielen, was im Feed oder auf der Seite eindeutig beschrieben ist. Saubere Produktfeeds, strukturierte Preise, Verfügbarkeiten und präzise dokumentierte Leistungspakete sind Pflicht.  Landingpages mit echter Entscheidungshilfe: Eine KI-gestützte Anzeige weckt das initiale Interesse. Die Landingpage muss dieses Interesse inhaltlich weiterführen und Fragen nach Relevanz, Problemlösungskompetenz und Abgrenzung zu Alternativen direkt beantworten.  First-Party-Daten und Conversion-Qualität: KI-basierte Kampagnen brauchen belastbare Signale. Entscheidend sind nicht mehr nur Klicks, sondern die tatsächliche Qualität der Leads. Hierzu zählen consent-konformes Tracking, Enhanced Conversions, saubere CRM-Integrationen und der regelmäßige Offline-Conversion-Import. Je besser diese Datenbasis ist, desto präziser optimiert das automatisierte Bidding auf wertvolle Geschäftsresultate statt auf oberflächliche Interaktionen.  Klare Marken- und Vertrauenssignale: Wenn Nutzer KI-Systeme nach Empfehlungen fragen, gewinnen Marken, die nachweisbar vertrauenswürdig sind. Fachliche Expertise, verifizierte Autorenprofile, Case Studies, Kundenbewertungen und Digital-PR-Erwähnungen auf Autoritätsseiten stärken die Markenwahrnehmung und erhöhen die Wahrscheinlichkeit einer KI-Empfehlung messbar.  Ein Praxisbeispiel: KI-Suche und B2B-Lead-Generierung   Ein Unternehmen sucht über den Google AI Mode nach einer Lösung: „Welche Agentur kann uns helfen, SEO, Google Ads und Conversion-Tracking für ein erklärungsbedürftiges B2B-Produkt zusammenzuführen?“   In einer klassischen Suchumgebung würde Google dazu Standard-Anzeigen und organische Treffer ausspielen. Die Entscheidung fiele überwiegend nach dem ersten Klick auf die Websites. In einer KI-geführten Umgebung prüft die Suchmaschine im Hintergrund zusätzlich: Welche Agenturen bieten diese Kombination nachweislich an? Gibt es strukturierte Fachinhalte, die diese Zusammenhänge valide erklären? Werden Zielgruppen und Projektmodelle exakt beschrieben? Gibt es verifizierbare Cases?  Eine Anzeige kann die initiale Sichtbarkeit einkaufen. Wenn die Website aber nur generische Floskeln enthält, fehlt der KI die Datengrundlage für eine überzeugende Einordnung und Empfehlung im Chatverlauf. Das Ergebnis: Paid läuft technisch zwar durch, aber die Marke verliert in der entscheidenden Recherchephase der KI-Suche an Boden. In einer Umgebung, in der 93 % der Sitzungen ohne Klick enden, wird genau diese Phase zum Nadelöhr.  Die neue Einheit: Search Growth   Für vorausschauende Unternehmen ist es erforderlich, SEO, GEO, Paid Media und Analytics nicht mehr als getrennte Silos zu betrachten. Stattdessen entsteht ein integriertes Gesamtsystem: das Search-Growth-System .  Disziplin   Spezifische Funktion in der KI-Suche   SEO   Sorgt für technische Zugänglichkeit, saubere Indexierung, fundamentale Relevanz und organische Auffindbarkeit.  GEO   Maximiert die Wahrscheinlichkeit von Nennungen, korrekten Zitationen und direkten Empfehlungen in generativen Antworten.  Content   Liefert konkrete, tiefgehende und belegbare Antworten auf komplexe menschliche Entscheidungsfragen.  Paid Media   Aktiviert, testet und skaliert die Nachfrage gezielt in den kommerziell relevanten Momenten.  Digital PR & Brand   Stärken die digitale Reputation, die personelle Expertise und externe, vom Modell antrainierte Vertrauenssignale.  Data & Measurement   Macht die tatsächliche Wirkung, Datenqualität und die wirtschaftliche Performance messbar.  CRO   Übersetzt generierte Sichtbarkeit und initiales Interesse nahtlos in qualifizierte Leads, Abschlüsse oder Anfragen.  Diese ganzheitliche Denkweise ist besonders für das B2B-Umfeld mit seinen langen, beratungsintensiven Kaufentscheidungen und komplexen Anforderungsprofilen ein entscheidender Wettbewerbsvorteil.  Wie Unternehmen GEO messbar machen   GEO darf nicht aus punktuellen Screenshots oder vereinzelten Prompt-Tests bestehen. Generative Antworten variieren je nach Zeitpunkt, Standort, Sprachmodell und Nutzerkontext. Eine belastbare Erfolgsmessung erfordert eine kontinuierliche, datenbasierte Analyse. Ein professionelles Monitoring-Framework – wie es unserer GEO-Studie (240 Prompts, 12 Branchen, drei Erhebungswellen) zugrunde liegt – kombiniert folgende Ebenen:  Anteil der relevanten Fokus-Prompts, bei denen die eigene Marke valide erwähnt wird  Anteil der Prompts, bei denen die Marke aktiv empfohlen wird  Anteil der KI-Antworten mit direkt verlinkter oder zitierter Unternehmensquelle  Analyse genannter Wettbewerber und der inhaltlichen Tonalität der Marken-Einordnung  Entwicklung des AI-Referral-Traffics und dessen spezifischer Conversion-Qualität  Die Entwicklung von gezielten Brand Searches  Organische Sichtbarkeit und AI-Feature-Impressionen in der Google Search Console  Auf der Google-Seite wird die Messbarkeit konkret: Seit dem 3. Juni 2026 stellt Google dedizierte Search Generative AI Performance Reports in der Search Console bereit. Sie weisen erstmals separat aus, wie oft URLs in AI Overviews, AI Mode und den generativen Funktionen von Discover erschienen sind – mit Daten ab dem 18. Mai 2026, aufgeschlüsselt nach Seiten, Ländern und Geräten. Klick-, CTR- und Query-Daten fehlen in der ersten Version noch; der Rollout startet phasenweise, beginnend in Großbritannien (Quelle: Google Search Central Blog, 3. Juni 2026). Damit wird GEO Schritt für Schritt in den Standard-Tools messbar.  Die GEO-Checkliste für die Praxis   Wer seine digitale Präsenz für die KI-Suche und künftige Werbeformate zukunftssicher aufstellen möchte, sollte diese vier Kernbereiche systematisch optimieren:  1. Technische Grundlage   Können alle strategisch wichtigen Seiten uneingeschränkt gecrawlt und indexiert werden?  Ist die interne Verlinkung logisch, konsistent und thematisch nachvollziehbar?  Sind strukturierte Daten (Schema.org) flächendeckend, fehlerfrei und semantisch korrekt implementiert?  2. Content und Angebot   Existieren dedizierte, tiefgehende Seiten für Leistungen, Produkte, Zielgruppen und spezifische Use Cases?  Werden komplexe Fragen entlang der gesamten Customer Journey präzise beantwortet?  Sind alle Inhalte konkret, originell, frei von leeren Marketingfloskeln und fachlich belegt?  Enthalten zentrale Seiten Zahlen, Studien oder Belege, die eine KI zitieren kann?  3. Entitäten und Vertrauen   Sind Markenname, Produkte, Key-Personen und Standorte im Netz konsistent bezeichnet?  Werden externe Bewertungen, Zertifizierungen, Fachpublikationen und relevante Medien-Erwähnungen aktiv gepflegt?  Sind sameAs-Verknüpfungen im Quelltext hinterlegt, um der KI die Entitäten-Validierung zu erleichtern?  4. Paid und Datenqualität Sind Datenfeeds (z. B. Merchant Center) oder Service-Strukturdaten vollständig und aktuell?  Fließen hochqualifizierte CRM- oder Offline-Daten stabil in die Kampagnensteuerung zurück?  Sind Landingpages auf die Beantwortung von komplexen Nutzerfragen und realen Beratungssituationen vorbereitet?  Fazit und Ausblick: GEO ersetzt SEO nicht – es macht Suchsichtbarkeit vollständig   Die Zukunft der digitalen Reichweite lautet nicht „SEO oder GEO“. Sie lautet auch nicht „organisch oder Paid“. Die entscheidende Frage ist, ob eine Marke in einer KI-geführten Customer Journey im Kern verstanden, als glaubwürdig eingeordnet und zum passenden Zeitpunkt sichtbar wird – in einer Suche, in der sich nur noch unter 20 % der KI-zitierten Quellen mit den klassischen Rankings überschneiden und 93 % der AI-Mode-Sitzungen ohne Klick enden.  SEO bleibt dafür unverzichtbar: Es schafft die technische und qualitative Basis für jede Form der digitalen Auffindbarkeit. GEO erweitert diese Basis um die gezielte Sichtbarkeit in generativen Antworten, strukturierten Quellenlisten und personalisierten Empfehlungen. Paid Media sorgt dafür, dass Unternehmen die Nachfrage in den entscheidenden Momenten skaliert aktivieren können. Tracking und First-Party-Daten machen messbar, welche Hebel den geschäftlichen Erfolg tatsächlich treiben.  Wer SEO, GEO und Google Ads im Unternehmen weiterhin strikt getrennt plant, verschenkt massiv Potenzial. Wer sie als verzahntes Search-Growth-System versteht und steuert, schafft das Fundament für nachhaltige Sichtbarkeit, Vertrauen und messbare Performance in der Ära der KI-Suche. 

Das Wichtigste in Kürze: Google Cloud meldet in der Studie "From token-maxxing to ROI" (2026), dass 84 % der Unternehmen steigende finanzielle Erträge aus KI sehen. Unabhängige Analysen widersprechen: Laut McKinsey erreichen nur 6 % der Unternehmen einen EBIT-Beitrag von mehr als 5 % durch KI, laut MIT liefern 95 % der KI-Piloten keinen messbaren Gewinneffekt.  Ich habe die neue Google-Cloud-Studie am Wochenende komplett gelesen, alle Seiten, inklusive Fußnoten. Und ich sage es direkt: Die Zahlen sind beeindruckend, die Fallbeispiele sind stark, und trotzdem hatte ich beim Lesen dieses Gefühl, das ich aus 25 Jahren Agenturgeschäft kenne. Wenn eine Studie zu glatt aussieht, lohnt sich der Blick auf den Absender.  Der Absender ist hier Google Cloud, also einer der größten Verkäufer von genau der Infrastruktur, deren Erfolg die Studie belegt. Das macht die Studie nicht wertlos, im Gegenteil, sie ist eine der besten Quellen für die Denkweise von Entscheidern weltweit. Aber sie erzählt nur die halbe Geschichte. Die andere Hälfte steht bei McKinsey, Gartner, IBM und BCG, und die klingt deutlich nüchterner. Beides zusammen ergibt erst das Bild, das Sie für Ihre Budgetentscheidung brauchen.  Was verspricht die Google-Cloud-Studie 2026?   Die Studie "From token-maxxing to ROI: A reality check for enterprise AI" basiert auf einer Befragung von 2.403 Führungskräften weltweit, durchgeführt mit der National Research Group, ausgewertet wurden 297.782 Datenpunkte. Die Kernbotschaft: Die Experimentierphase ist vorbei, KI liefert messbaren Return on Investment.   Die zentralen Zahlen aus dem Report:  86 % der befragten Führungskräfte stimmen zu, dass KI kosteneffizientes Wachstum ermöglicht, also Umsatz oder Output steigert, ohne dass die Betriebskosten proportional mitwachsen.  84 % berichten von stetig steigenden oder sich beschleunigenden finanziellen Erträgen aus ihren KI-Initiativen. Die obersten 26 % mit beschleunigten Erträgen nennt Google "AI ROI Leaders".  94 % geben an, dass KI-Agenten sowohl zu Kosteneinsparungen als auch zu Umsatzwachstum beitragen.  97 % planen, ihr KI-Budget im kommenden Jahr weiter zu erhöhen.  55 % nennen schnellere strategische Entscheidungen als messbaren Effekt, damit löst dieser Wert die reine Produktivität als wichtigste Erfolgsgröße ab.  Fallbeispiele von Best Buy, PayPal, Tata Steel und Coca-Cola untermauern das Narrativ, alle umgesetzt auf Google-Plattformen wie Gemini Enterprise. Und wer bis zur letzten Seite liest, findet dort den entscheidenden Hinweis auf die Motivation des Verfassers. Der Report endet mit einem Button: "Contact Sales".  Warum rechnet Google anders als McKinsey, Gartner und IBM?   Die Diskrepanz zwischen der Google-Studie und unabhängigen Analysen hat drei Ursachen, und keine davon ist ein Skandal. Man muss sie nur kennen, um die Zahlen richtig einzuordnen.  1. Kommerzielle Interessen des Absenders   Google Cloud ist kein Forschungsinstitut, sondern verkauft Rechenleistung, Datenplattformen und KI-Modelle. Jeder KI-Agent, jede Abfrage und jeder verarbeitete Token erzeugt laufende Umsätze. Eine Studie, die Investitionsdruck bei Vorständen aufbaut und Budgetbedenken abräumt, ist in diesem Kontext ein Vertriebsinstrument. Der abschließende "Contact Sales"-Button macht daraus auch kein Geheimnis.  2. Wahrnehmung statt Bilanz   Google fragt nach Zustimmung zu Aussagen, also nach der subjektiven Einschätzung von Managern. Wenn 86 % zustimmen, dass KI kosteneffizientes Wachstum ermöglicht, misst das Erwartung und Überzeugung, nicht den auditierten EBIT-Beitrag. McKinsey, Gartner und IBM arbeiten näher an der Bilanz: Sie erheben Implementierungsquoten, Projektabbrüche und den tatsächlichen Ergebnisbeitrag in der Gewinn- und Verlustrechnung. Beide Messungen sind legitim, aber sie beantworten unterschiedliche Fragen.  3. Der Scheinwerfer auf den Vorreitern   Google stellt die obersten 26 % der Befragten ins Zentrum der Argumentation, die "AI ROI Leaders" mit klaren Entscheidungsstrukturen, verpflichtenden Schulungsprogrammen und tief integrierten Systemen. Das ist analytisch sauber gemacht, verschiebt aber die Wahrnehmung. Was als Marktrealität gelesen wird, ist das Best-Case-Szenario einer hochentwickelten Minderheit.  Was sagen die unabhängigen Zahlen zum KI-ROI 2026?   Stellt man die Google-Aussagen den Ergebnissen unabhängiger Analysten gegenüber, wird die Lücke zwischen Marketing-Narrativ und Unternehmensrealität deutlich sichtbar:  Kriterium   Google Cloud Studie 2026   Unabhängige Analysen 2025/2026   Kernthese  KI ist in Produktion angekommen, 86 % der Führungskräfte sehen kosteneffizientes Wachstum  Große Lücke zwischen Nutzung und Ertrag, rund zwei Drittel kommen über die Pilotphase nicht hinaus (McKinsey)  ROI-Quote  84 % melden stetig steigende oder sich beschleunigende Erträge  Nur 6 % erreichen einen EBIT-Beitrag von über 5 % (McKinsey), nur 25 % der Initiativen liefern den erwarteten ROI (IBM)  KI-Agenten  94 % schreiben Agenten Kosteneinsparungen und Umsatzbeiträge zu  Nur 16 % haben KI unternehmensweit skaliert (IBM), über 40 % der Agentic-Projekte werden bis Ende 2027 abgebrochen (Gartner-Prognose)  Projektstatus  Vom Piloten in den Regelbetrieb, Fokus auf Entscheidungstempo  95 % der Piloten ohne messbaren Gewinneffekt (MIT), 42 % der Unternehmen brachen 2025 den Großteil ihrer KI-Projekte ab (S&P Global)  Messbarkeit  Subjektive Einschätzung der Befragten genügt als Beleg  Nur 29 % können ihren KI-ROI verlässlich beziffern (IBM), nur 28 % der Use Cases in IT-Betrieb erfüllen die ROI-Erwartung voll (Gartner)  Kosten  "Token-Effizienz" als gelöstes Thema  Agenten brauchen 5 bis 30 Mal mehr Tokens pro Aufgabe, mindestens 50 % der GenAI-Projekte überziehen bis 2028 ihr Budget (Gartner)  Die Piloten-Falle ist real   Während Google den flächendeckenden Produktivbetrieb reklamiert, zeigt McKinseys State of AI Survey vom November 2025 ein anderes Bild: 88 % der Unternehmen nutzen KI in mindestens einer Funktion, aber rund zwei Drittel haben die Skalierung über Pilot- und Experimentierphasen hinaus nicht geschafft. Das MIT kam 2025 zu dem viel zitierten Befund, dass 95 % der GenAI-Piloten keinen messbaren Effekt auf die Gewinn- und Verlustrechnung liefern. Und S&P Global stellte fest, dass 42 % der Unternehmen 2025 den Großteil ihrer KI-Projekte abgebrochen haben, mehr als doppelt so viele wie im Jahr davor.  Das Märchen vom breiten EBIT-Beitrag Google meldet, dass 84 % der Unternehmen steigende Erträge sehen. McKinsey misst dagegen: Nur 39 % der Unternehmen können überhaupt einen EBIT-Effekt auf Unternehmensebene ihrer KI zuordnen, und bei den meisten davon liegt er unter 5 %. Gerade einmal 6 % qualifizieren sich als High Performer mit einem EBIT-Beitrag von mehr als 5 %. Die IBM CEO Study unter 2.000 CEOs bestätigt das Muster von der anderen Seite: Nur 25 % der KI-Initiativen haben den erwarteten ROI geliefert, nur 16 % sind unternehmensweit skaliert.  KI-Agenten: hohe Erwartung, frühe Lernkurve   94 % der Google-Befragten schreiben Agenten finanzielle Beiträge zu. Gartner prognostizierte dagegen schon im Juni 2025, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, wegen eskalierender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrollen. Viele als Agenten vermarktete Produkte sind laut Gartner zudem kaum mehr als klassische Bots, das Phänomen hat sogar einen Namen bekommen: Agent Washing. Die Technologie ist prominent, aber die breite Masse steht am Anfang der Lernkurve, nicht am Ende.  Die Token-Kostenfalle   Google titelt "From token-maxxing to ROI" und erklärt Token-Effizienz zur gelösten Plattformfrage. Die Gartner-Daten zeigen das Gegenteil: Agentische Modelle benötigen 5 bis 30 Mal mehr Tokens pro Aufgabe als ein klassischer GenAI-Chatbot, und bis 2028 werden mindestens 50 % der GenAI-Projekte ihre budgetierten Kosten überschreiten, vor allem wegen schlechter Architekturentscheidungen und fehlender Betriebserfahrung. Gartner empfiehlt Entscheidern inzwischen, den ROI beim Vierfachen der heutigen Kosten zu modellieren. Der laute Ruf nach ROI ist in vielen Unternehmen deshalb kein Erfolgszeichen, sondern ein Hilferuf der CFOs nach Kostenkontrolle.  Worauf sollten Entscheider bei KI-Studien achten?   Absender prüfen. Wer profitiert vom Ergebnis? Eine Anbieterstudie misst Vertrauen und Erwartung, eine unabhängige Analyse misst Bilanzen. Googles 86 % und McKinseys 6 % widersprechen sich nicht, sie messen schlicht Unterschiedliches.  Weiche Ersatz-KPIs hinterfragen. Schnellere Entscheidungen, höhere Nutzungsraten, gefühlte Produktivität: All das sind Indikatoren, aber keine Deckungsbeiträge. Wenn der wichtigste Erfolgsnachweis einer KI-Initiative ein weicher KPI ist, ist die Ertragslage meist ungeklärt.  Die Erwartungslücke ernst nehmen. Laut BCG AI Radar 2026 erwarten rund 90 % der CEOs, dass KI-Agenten noch 2026 messbaren ROI liefern, und die Hälfte der CEOs glaubt, dass ihre Jobstabilität davon abhängt, KI richtig hinzubekommen. Gleichzeitig liefern laut IBM nur 25 % der Initiativen den erwarteten Return. Diese Lücke erzeugt Druck, und Druck erzeugt schlechte Projektentscheidungen.  Betriebskosten von Anfang an modellieren. KI verursacht bei jeder Nutzung Kosten, anders als klassische Software. Wer Agenten plant, sollte den Token-Verbrauch pro Geschäftsergebnis kalkulieren, nicht pro Abfrage, und Kostenlimits vor dem Go-live definieren.  Wie realisieren Unternehmen den echten KI-ROI?   Heißt das alles, dass KI-Investitionen sinnlos sind? Keineswegs. In einem Punkt trifft die Google-Studie die Realität exakt: Die Kluft zwischen Unternehmen, die KI strategisch verankern, und jenen, die an der Oberfläche kratzen, wächst schnell. McKinseys High Performer sind selten, aber sie existieren, und ihre Muster sind gut dokumentiert. Vier Punkte entscheiden aus unserer Erfahrung darüber, auf welcher Seite der Kluft ein Unternehmen landet:  Harte Anwendungsfälle statt pauschalem Rollout. Nicht "KI für alle", sondern konkrete Flaschenhälse in Marketing, Vertrieb oder Service identifizieren und dort einen einzigen Use Case messbar produktiv machen, bevor skaliert wird.  Datenbasis vor KI-Ambition. Kein Agent liefert verlässliche Ergebnisse auf einem unvollständigen CRM oder ERP. Data Governance kommt vor KI-Governance, das ist unbequem, aber nicht verhandelbar.  ROI-Metriken vor dem Start festlegen. Bearbeitungszeit pro Lead, eingesparte Dienstleisterkosten, Conversion-Effekte: Wer erst nach dem Rollout misst, kann Erfolg nicht mehr von Zufall unterscheiden. Genau daran scheitert laut IBM die Mehrheit, nur 29 % können ihren KI-ROI heute verlässlich beziffern.  Schulung fest in Rollen verankern. Hier hat Google recht: Die ROI Leaders unterscheiden sich messbar dadurch, dass kontinuierliche KI-Weiterbildung verpflichtender Teil der Rollenprofile ist, 38 % gegenüber 18 % im restlichen Feld.  Fazit   Die Google-Cloud-Studie 2026 zeigt präzise, wie die weltweite Management-Elite über KI denkt und wohin die Erwartungen laufen. Sie beschreibt Potenzial und Wunscheffekt. Die Bilanzrealität sieht 2026 anders aus: 6 % echte High Performer bei McKinsey, 25 % erfüllte ROI-Erwartungen bei IBM, 95 % wirkungslose Piloten laut MIT.  Wer beide Perspektiven kennt, trifft die besseren Entscheidungen. Erfolgreiche KI-Integration braucht keinen Aktionismus, sondern harte Anwendungsfälle, saubere Daten, vorab definierte ROI-Metriken und Kostenkontrolle vom ersten Tag an.  Häufige Fragen zum KI-ROI 2026   Wie viele Unternehmen erzielen 2026 tatsächlich messbaren ROI mit KI?   Je nach Messmethode zwischen 6 % und 28 %. McKinsey zählt 6 % High Performer mit einem EBIT-Beitrag über 5 %, IBM berichtet, dass 25 % der KI-Initiativen den erwarteten ROI geliefert haben, und Gartner ermittelte im IT-Betrieb 28 % Use Cases, die ihre ROI-Erwartung voll erfüllen. Anbieterstudien wie die von Google Cloud kommen auf deutlich höhere Werte, weil sie subjektive Einschätzungen statt Bilanzeffekte messen.  Warum scheitern so viele KI-Projekte an der Skalierung?   Die häufigsten Ursachen sind mangelnde Datenqualität, fehlende Integration in bestehende Systeme, unklare Zuständigkeiten und unterschätzte Betriebskosten. Gartner prognostiziert, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, und dass mindestens 50 % der GenAI-Projekte bis 2028 ihr Budget überziehen. Das Problem liegt selten am Modell, fast immer an Daten, Prozessen und Governance.  Sind Anbieterstudien wie die von Google Cloud wertlos?   Nein. Sie sind hervorragende Quellen für Stimmung, Prioritäten und Best Practices der Vorreiter, und die Handlungsempfehlungen der Google-Studie zu Entscheidungsstrukturen und Schulung sind fundiert. Wertlos werden sie erst, wenn man ihre Zustimmungswerte unkritisch als Marktrealität liest. Die Faustregel: Anbieterstudien zeigen, was möglich ist, unabhängige Analysen zeigen, was üblich ist. 

Das Wichtigste in Kürze : LLMs wie ChatGPT, Perplexity und der Google AI Mode werden zum ersten Kontaktpunkt mit einer Marke, noch vor dem klassischen Klick.  Klassische Attribution-Modelle sehen diesen Touchpoint nicht: Kein Klick, keine Session, kein Eintrag in Google Analytics.  KI-Antworten beeinflussen bereits 35 bis 40 % der B2B-Kaufentscheidungen, bleiben aber im Tracking der meisten Unternehmen komplett unsichtbar.  Die Kehrseite der Medaille: AI-Referral-Traffic konvertiert um bis zu 31 % besser als klassischer organischer Traffic.  Ein*e potenzielle*r Kund*in sucht nach einer neuen HR-Software. Nicht über Google, sondern direkt bei ChatGPT. Die Antwort kommt in Sekunden: drei Anbieter*innen, kurz verglichen, mit Empfehlung. Deine Marke taucht auf, oder eben nicht. Und was danach passiert, ist für dein Marketing-Team unsichtbar.  Genau diese Situation spielt sich täglich millionenfach ab. LLMs übernehmen die ersten Sekunden der Customer Journey. Und die meisten Unternehmen wissen nicht einmal, dass es passiert.  Dieser Artikel erklärt, warum klassische Attribution-Modelle an dieser Stelle brechen, warum das für die Conversion-Qualität aber auch eine Chance bedeutet und wie Unternehmen mit GEO sowohl Sichtbarkeit als auch Messbarkeit in KI-Systemen aufbauen können. Denn diese drei Dimensionen zusammenzudenken ist das, was im Markt bisher fehlt.  Der Touchpoint, den niemand trackt   Die klassische Customer Journey folgte einer messbaren Logik: Suchanfrage, Klick, Website-Besuch, Tracking. Attribution-Modelle bauten auf dieser Kette auf, First Click, Last Click, datengetrieben. Jeder Schritt hinterließ eine Spur. Diese Logik hat einen blinden Fleck bekommen. Laut aktuellen Analysen enden rund 60 % aller Google-Suchen ohne Klick - eine Zero-Click Customer Journey, die längst nicht mehr die Ausnahme ist. AI Overviews erscheinen bei fast 30 % aller Suchanfragen und sind damit ein fester Bestandteil der Customer Journey, noch bevor jemand eine Website besucht. ChatGPT verzeichnete im August 2025 bereits 800 Millionen wöchentlich aktive Nutzer*innen, Perplexity bearbeitete im Mai 2025 mehr Suchanfragen als im gesamten Jahr 2024 zusammen.  Was das konkret bedeutet: Kund*innen sammeln Informationen, bilden sich Meinungen und stellen erste Shortlists zusammen, komplett außerhalb eurer Messpunkte. Wenn jemand dann doch auf eine Website klickt, ist die Entscheidung oft schon halbfertig. Der erste Kontakt mit der Marke liegt dann schon Minuten oder Stunden zurück, in einer KI-Antwort, die kein Analytics-Tool je erfasst hat.  Klassischer Touchpoint vs. LLM-Touchpoint: Der direkte Vergleich   Die folgende Übersicht zeigt, warum LLM-Touchpoints in klassischen Tracking-Setups strukturell unsichtbar bleiben:  Merkmal   Klassischer Touchpoint (Klick)   LLM-Touchpoint (KI-Antwort)   Auslöser   Suchanfrage bei Google, Klick auf Suchergebnis oder Anzeige  Prompt an ChatGPT, Perplexity oder Google AI Mode  Datenspur   Session, Referrer, UTM-Parameter  Keine – die Empfehlung findet außerhalb der Website statt  Sichtbarkeit in Google Analytics   Vollständig erfasst (Quelle, Medium, Kampagne)  Nicht erfasst; Folgebesuche erscheinen als Direct-Traffic  Attribution   First Click, Last Click, datengetrieben – alle Modelle greifen  Kein Modell greift, der Auslöser bleibt unsichtbar  Einfluss auf die Shortlist   Nach dem Klick, auf der Website  Vor dem ersten trackbaren Kontakt, direkt in der KI-Antwort  Optimierungshebel   SEO: Rankings, Snippets, CTR  GEO: Zitierfähigkeit, Markenautorität, strukturierte Inhalte  Messbarkeit   Standard-Web-Analytics (GA4, Matomo)  Spezialisierte Tools wie Peec AI (Erwähnungen, Sentiment, Wettbewerbsvergleich)  Das Kernproblem, kurz gefasst:   Was nicht geklickt wird, erscheint nicht in Google Analytics. Was in einer KI-Antwort empfohlen wird, hinterlässt in klassischen Attribution-Modellen keine Spur. Das ist kein kleines Datenloch. Das ist der Anfang der Journey.  Warum das Tracking-Modell genau hier bricht   Aktuelle Studien zeigen, dass KI-Suchergebnisse, Chatbot-Gespräche und Sprachassistenten-Empfehlungen bereits 35 bis 40 % der B2B-Kaufentscheidungen beeinflussen. Dennoch erfassen die meisten Unternehmen diesen Kanal nicht, weil er strukturell keine Referral-Session erzeugt.  Das GEO-Messproblem ist dabei grundlegender als es zunächst scheint. Es gibt drei konkrete Bruchstellen im klassischen Attribution-Setup:  Zero-Click-Antworten erzeugen keine Referral-Session. Ein*e Kund*in, die ChatGPT fragt und dann direkt die Website aufruft, erscheint im Tracking als Direct-Traffic, nicht als AI-Referral.  Der Shortlist-Einfluss findet vor dem ersten trackbaren Touchpoint statt. Ob eine Marke überhaupt in die engere Wahl kommt, entscheidet sich in der KI-Antwort, Minuten bevor jemand googelt oder die URL direkt eingibt.  Laut der unserer GEO-Studie ranken nur 9,2 % der von ChatGPT zitierten Quellen in den Top 10 der Google-Suchergebnisse. SEO-Ranking und LLM-Sichtbarkeit sind also weitgehend entkoppelt. Das bedeutet: Wer ausschließlich SEO-KPIs misst, sieht nicht, wo die Journey wirklich beginnt. Und wer nicht sieht, wo die Journey beginnt, kann dort nicht optimieren.  Die Kehrseite: Warum AI-Traffic besser konvertiert   Bis hierher klingt die Entwicklung nach einem reinen Kontrollverlust. Aber die Datenlage zeigt etwas Interessantes: Der Traffic, der aus KI-Antworten kommt, ist qualitativ hochwertiger als klassischer organischer Traffic.  Laut Adobe Digital Insights konvertiert AI-Referral-Traffic um bis zu 31 % besser als klassischer SEO-Traffic. Das liegt an einem einfachen Mechanismus: KI-Antworten leisten eine Vorqualifizierung, die kein Suchergebnis bieten kann. Wer über eine Empfehlung in ChatGPT oder Perplexity auf eine Website kommt, hat bereits gezielt gefragt, eine strukturierte Antwort erhalten, Anbieter*innen verglichen und eine erste Entscheidung getroffen.  Kurz gesagt: Weniger Traffic, aber deutlich qualifizierterer Traffic. Weniger Besucher*innen, die sich zufällig verirren, mehr Besucher*innen mit konkreter Kaufabsicht.  B2B und B2C: Wo die Verschiebung besonders spürbar ist   B2B: Die stille Shortlist   Im B2B-Kontext ist die Veränderung besonders weitreichend. Entscheider*innen und Buying Committees recherchieren zunehmend anonym und KI-gestützt, bevor sie Kontakt aufnehmen. Fragen wie 'Welche ATS-Software eignet sich für mittelständische Unternehmen?' oder 'Welche SEO-Agentur hat Erfahrung im B2B-Bereich?' landen heute direkt bei ChatGPT. Die KI-Antwort entscheidet, wer auf die Longlist kommt, und wer nicht.  Das Verkaufszyklen-Problem: Wer in dieser Phase nicht präsent ist, kommt möglicherweise nie in die Evaluation. Nicht weil das Produkt schlechter ist, sondern weil die Marke in den Informationsstrukturen, auf die LLMs zugreifen, nicht ausreichend verankert ist.  B2C: Produktvergleich direkt in der KI   Im B2C-Bereich verlagert sich der klassische Vergleichsprozess. Fragen wie 'Welche TV-Wandhalterung ist für große Bildschirme geeignet?' oder 'Welche Krankenversicherung lohnt sich für Selbstständige?' werden zunehmend von LLMs beantwortet, mit konkreten Empfehlungen, ohne Umweg über Preisvergleichsseiten. Wer als Marke in diesen Antworten erscheint, gewinnt Relevanz genau im Entscheidungsmoment.  GEO: Sichtbarkeit und Messbarkeit zusammendenken   Hier liegt die entscheidende Lücke im Markt: Die meisten Artikel zu GEO erklären entweder das Problem (LLMs verändern die Journey) oder die Lösung technisch (so strukturierst du Content für LLMs). Was fehlt, ist die Verbindung zwischen Sichtbarkeit, Conversion-Qualität und konkreter Messbarkeit.  GEO (Generative Engine Optimization) ist die Praxis, Inhalte, Markenautorität und Reputationssignale so zu optimieren, dass sie in KI-generierten Antworten erscheinen. GEO-Touchpoints sind dabei keine bloße Ergänzung zur klassischen Journey, sondern deren neuer Anfang. Aber GEO ohne Messung ist wie SEO ohne Rankings. Man weiß nicht, ob es funktioniert.  Ein vollständiger GEO-Ansatz kombiniert deshalb drei Ebenen:  Sichtbarkeit aufbauen: Inhalte strukturieren, die LLMs leicht verarbeiten und zitieren können. Faktisch, klar, ohne Marketingfloskeln. Autorität über externe Quellen, Erwähnungen, strukturierte Daten und konsistente Markenbotschaften verankern. Conversion-Qualität verstehen: AI-Referral-Traffic separat auswerten. Welche Prompts führen zu welchem Traffic? Wie verhält sich dieser Traffic im Vergleich zu klassischem organischem Traffic? LLM-Sichtbarkeit messen: Mit Tools wie Peec AI lässt sich LLM-Sichtbarkeit messen: wie und wie häufig eine Marke in Antworten von ChatGPT, Perplexity und dem Google AI Mode erscheint, mit welchem Sentiment und im Vergleich zu Wettbewerber*innen. Das ist der Anfang eines Attribution-Modells, das auch den ersten Touchpoint abbildet.  Das Entscheidende: GEO-ROI ist strukturell schwerer zu messen als SEO, weil Zero-Click-Antworten keine Referral-Sessions erzeugen. Wer heute anfängt, Tracking-Frameworks aufzubauen, die auch KI-Touchpoints erfassen, sichert sich einen Datenvorteil, den Wettbewerber*innen mit großem Zeitvorsprung kaum noch aufholen können.  Fazit: Drei Fragen, die sich jedes Marketing-Team jetzt stellen sollte   Die Customer Journey beginnt neu. Nicht auf einer Suchergebnisseite, sondern in einem Gespräch mit einer KI. Für Marketing-Teams bedeutet das einen grundlegenden Perspektivwechsel: Wo beginnt unsere Journey wirklich? Nicht: Welcher Kanal bringt den ersten Klick? Sondern: In welcher KI-Antwort erscheint unsere Marke, bevor jemand sucht?  Was messen wir nicht? Welcher Teil unserer Entscheidungspipeline ist aktuell unsichtbar, weil er vor dem ersten trackbaren Touchpoint stattfindet?  Wie qualifiziert sind unsere Besucher*innen, wenn sie ankommen? Wenn AI-Referral-Traffic besser konvertiert, lohnt es sich, genau diese Gruppe zu identifizieren und gezielt anzusprechen.  Unternehmen, die jetzt in GEO und in die dazugehörige Messbarkeit investieren, bauen eine Grundlage auf, die mit jedem Monat wertvoller wird. Wer wartet, optimiert weiterhin für eine Journey, die ihre erste Station längst woanders hat.  Du möchtest wissen, wie sichtbar deine Marke heute in ChatGPT, Perplexity und dem Google AI Mode ist? Sprich uns an.  FAQ: Häufige Fragen zu LLMs, Touchpoints und GEO Was ist der Unterschied zwischen einem klassischen Touchpoint und einem LLM-Touchpoint?   Ein klassischer Touchpoint, etwa ein Klick auf ein Suchergebnis oder eine Anzeige, ist für Analytics-Tools sichtbar und hinterlässt eine nachvollziehbare Datenspur. Ein LLM-Touchpoint entsteht, wenn Nutzer*innen eine KI wie ChatGPT oder Perplexity befragen und dort eine Empfehlung erhalten, ohne danach auf eine Website zu klicken. Dieser Kontakt mit der Marke findet statt, ist aber in keinem klassischen Attribution-Modell erfasst.  Warum wird Attribution durch LLMs schwieriger?   Weil Zero-Click-KI-Antworten keine Referral-Session erzeugen. Wer über eine KI-Empfehlung direkt auf eine Website tippt, erscheint im Tracking als Direct-Traffic. Der eigentliche Auslöser, die KI-Antwort, bleibt unsichtbar. Das macht es strukturell schwieriger, dem richtigen Kanal den Anteil an einer Kaufentscheidung zuzuordnen.  Konvertiert AI-Referral-Traffic wirklich besser?   Ja, laut aktuellen Analysen (Adobe Digital Insights, Seer Interactive 2025) konvertiert Traffic aus KI-Empfehlungen um bis zu 31 % besser als klassischer organischer SEO-Traffic. Der Grund: KI-Antworten qualifizieren Nutzer*innen bereits vor dem ersten Klick. Wer über eine KI-Empfehlung kommt, hat eine konkrete Frage gestellt, eine strukturierte Antwort erhalten und eine erste Entscheidung getroffen.  Was ist GEO und warum reicht SEO allein nicht mehr aus?   GEO steht für Generative Engine Optimization und beschreibt alle Massnahmen, mit denen Unternehmen sicherstellen, dass ihre Inhalte und ihre Marke in KI-generierten Antworten sichtbar werden. Während SEO auf Rankings und Klicks optimiert, geht es bei GEO darum, als zitierfähige Quelle in Systemen wie ChatGPT, Perplexity oder dem Google AI Mode wahrgenommen zu werden. Da laut der internetwarriors GEO-Studie 2026 nur 9,2 % der von ChatGPT zitierten Quellen in den Google Top 10 ranken, sind SEO-Ranking und LLM-Sichtbarkeit weitgehend entkoppelt.  Wie kann ich LLM-Sichtbarkeit messen?   Mit spezialisierten Tools wie Peec AI lässt sich systematisch erfassen, ob und wie häufig eine Marke in Antworten von ChatGPT, Perplexity, dem Google AI Mode und anderen LLMs erscheint, mit welchem Sentiment und im Vergleich zu Wettbewerber*innen. Klassische Web-Analytics-Tools bilden diesen Kanal nicht ab. Wer heute mit dem Aufbau eines GEO-Tracking-Frameworks beginnt, gewinnt eine Datenbasis, die mit der Zeit immer wertvoller wird. 

Das Wichtigste in Kürze: Erweiterte Steuerung 2026: Performance Max ist dank kampagnenweiten Ausschlüssen, detaillierten Berichten zur Kanalleistung und granularen Asset-Metriken transparenter geworden, bleibt jedoch ein System, das enge Leitplanken benötigt.  Wirtschaftlichkeit vor Algorithmus: Budgets und Kampagnen-Splits sollten nicht nach rein optischen Kategorien, sondern nach harten betriebswirtschaftlichen Kennzahlen wie Margen, Produktlebenszyklen (Evergreen vs. Longtail) oder Kundenwert erfolgen.  Wegweiser statt Targetings: Audience Signals, Suchthemen und Customer Match dienen der Google AI als Richtungsweiser und dürfen nicht als starres, exaktes Targeting missverstanden werden. Der Fokus muss auf hochwertigen First-Party-Daten liegen.  Vom ROAS zum POAS: Ein hoher ROAS kaschiert oft unprofitable Umsatzsegmente. Werbetreibende sollten über den Warenkorb-Datenimport den Profit on Ad Spend (POAS) als primäre Steuerungskennzahl etablieren.  Hybride Kontostrukturen: Standard Search (für exakten Brand-Schutz und präzisen Intent) sowie Standard Shopping (für granulare Produktsteuerung) behalten neben PMax ihre strategische Berechtigung.  Performance Max Kampagnen sind im Jahr 2026 längst nicht mehr die intransparente Blackbox, über die SEA-Manager*innen in den Anfangstagen geflucht haben. Google hat technologisch massiv nachgelegt und Werbetreibenden Werkzeuge an die Hand gegeben, die eine feingranulare Justierung ermöglichen. Dazu gehören kampagnenweite auszuschließende Keywords, optimierte Suchbegriffsberichte, transparente Berichte zur Kanalleistung, tiefe Asset-Metriken, segmentierbare Reports für Asset-Gruppen sowie erweiterte demografische Ausschlüsse und Gerätesteuerungen. Google-interne Daten belegen, dass mittlerweile über eine Million Werbetreibende PMax-Strukturen nutzen. Trotz dieser technologischen Reife bleibt ein grundlegendes Prinzip bestehen: Eine Performance Max Kampagne optimiert sich niemals von selbst im Sinne Ihres tatsächlichen Geschäftsmodells. Das System agiert rein opportunistisch auf Basis der Daten, die ihm zur Verfügung gestellt werden. Wenn ein unqualifiziertes, fehlerhaftes Kontaktformular als erfolgreiche Conversion gewertet wird, skaliert die künstliche Intelligenz exakt diese minderwertigen Lead-Quellen. Wenn teurer Brand-Traffic den Return on Ad Spend (ROAS) künstlich aufbläht, greift der Algorithmus diesen dankend ab, ohne echten inkrementellen Umsatz zu generieren. Für anspruchsvolle SEA-Manager*innen und Marketing-Entscheider*innen bedeutet das: Die Optimierung findet heute nicht mehr primär über manuelle Gebote statt, sondern über das strategische Datenmanagement, das präzise Setzen von Leitplanken und eine ehrliche Erfolgsmessung.  Budgetverteilung und Kanalleistung tiefgehend analysieren   Sobald eine Performance Max Kampagne Leistungseinbrüche zeigt, neigen viele Marktteilnehmer*innen dazu, sofort Modifikationen am Ziel-ROAS (tROAS) oder den Ziel-Kosten-pro-Conversion (tCPA) vorzunehmen. Dieser Hebel greift in der Praxis meist zu früh und bekämpft lediglich Symptome statt Ursachen. Der erste Analyseschritt muss zwingend der Budgetverteilung über die verschiedenen Netzwerke gelten.  Der dezidierte Bericht zur Kanalleistung legt offen, welche Budgetanteile in die Kanäle Search, Shopping, YouTube, Display, Discover, Gmail, Maps oder zu den Suchnetzwerk-Partnern fließen. Obwohl dieser Bericht keine direkte, manuelle Budgetumschichtung erlaubt, macht er gefährliche Verschiebungen transparent. Wenn beispielsweise die Ausgaben im Display- oder YouTube-Netzwerk sprunghaft ansteigen und simultan die finale Lead-Qualität im Customer-Relationship-Management-System (CRM) einbricht, liegt die Ursache nicht in einer falschen Gebotshöhe. Vielmehr zieht die Kampagne minderwertige Klicks über visuelle Platzierungen an, weil das hinterlegte Conversion-Signal zu schwach oder zu leicht manipulierbar ist.  Im Rahmen einer tieferen Performance Max Optimierung müssen die Suchbegriffe konsequent analysiert und nach Gesamtkosten priorisiert werden. Häufig sind teure Suchanfragen ohne jegliche Conversion-Aktion deutlich aufschlussreicher als die historischen Gewinner. SEA-Manager*innen sollten systematisch unpassende Suchbegriffe identifizieren und ausschließen. Typische Negatives, die in fast jedem professionellen B2B- oder E-Commerce-Konto hinterlegt werden sollten, umfassen Begriffe wie: „Jobs“, „Karriere“, „Gehalt“, „Support“, „Login“, „kostenlos“, „Anleitung“, „PDF“, studentische Recherchen, irrelevante Mitbewerbernamen oder rein informative Suchphrasen ohne kommerzielle Absicht.  Strategische Kampagnenstruktur nach Wirtschaftlichkeit   Die Strukturierung von Performance Max Kampagnen folgt in vielen Konten rein optischen oder katalogbasierten Kriterien. Das ist ineffizient. Eine Aufteilung in separate Kampagnen ist ausschließlich dann gerechtfertigt, wenn dieser Split eine gezielte operative Steuerung ermöglicht – sei es durch differenzierte Budgets, spezifische Ziel-Gebote, voneinander abweichende Conversion-Ziele, Margenstrukturen, regionale Schwerpunktsetzungen oder strikte Brand-Regelwerke.  Segmentierungskriterium  Ansatz im E-Commerce  Ansatz in der Lead-Generierung     Wirtschaftlichkeit & Marge   Splits nach High-Margin (z. B. Eigenmarken) vs. Low-Margin (Handelsware). Fokus des Budgets auf Produkte mit echtem Ertrag.  Unterscheidung nach Customer Lifetime Value (CLV) oder Auftragsvolumen (z. B. Enterprise-Deals vs. KMU-Selbstbedienung).  Produkt- & Service-Dynamik   Trennung von Bestsellern (High-Performer), Saisonware, Neuheiten und sogenannten Zombie-SKUs (Produkte ohne Klicks).  Differenzierung zwischen margenstarken Kernleistungen und rein informativen Einstiegsangeboten (z. B. Whitepaper-Downloads).  Datenbasis (Custom Labels / CRM)   Steuerung über den Google Merchant Center Feed mittels definierter Custom Labels für Bestände und Margenklassen.  Steuerung über verifizierte Offline-Conversion-Daten (MQL, SQL) statt reiner Online-Formular-Absendungen.  Für die Lead-Generierung gilt exakt dasselbe ökonomische Prinzip. Die Segmentierung muss sich zwingend an der vertrieblichen Realität orientieren. Strukturieren Sie Ihre Asset-Gruppen oder Kampagnen niemals primär auf Basis von Zielgruppensignalen. Da diese Signale von Google lediglich als unverbindliche Empfehlung interpretiert werden, führt eine rein zielgruppenbasierte Kampagnentrennung fast immer zu internen Datenüberschneidungen und ineffizienter Budgetallokation.  Suchthemen, Audience Signals und Customer Match präzise ausrichten  Die Einführung von Suchthemen bietet eine hervorragende Option, der Google AI kontextuelles Wissen zu vermitteln. Dennoch dürfen Suchthemen keinesfalls mit klassischen Keyword-Match-Types verwechselt oder als vollständiger Ersatz für strukturierte Suchkampagnen betrachtet werden. Ihr strategischer Einsatzbereich liegt primär dort, wo das System auf zu geringe historische Daten zurückgreifen kann: bei der Markteinführung komplett neuer Produktlinien, bei hochkomplexen B2B-Nischenanwendungen, bei der gezielten Bewerbung von Wettbewerbsalternativen oder wenn die Landingpage aufgrund eines minimalistischen Designs zu wenig semantischen Textinhalt bietet.  Obwohl Google die Hinterlegung von bis zu 50 Suchthemen pro Asset-Gruppe erlaubt, sollte dieses Limit im Sinne einer präzisen Performance Max Optimierung niemals wahllos ausgereizt werden. Die Best Practice erfordert wenige, prägnante Themen, die strikt nach der Suchabsicht (Nutzer-Intent) gebündelt sind. Im Nachgang müssen die generierten Suchbegriffsberichte engmaschig kontrolliert werden, um Fehlleitungen des Algorithmus sofort zu unterbinden.  Analog dazu verhält es sich mit den Audience Signals. Sie stellen kein hartes, exklusives Targeting dar, sondern fungieren als initialer Katalysator für die Machine-Learning-Prozesse. Werbetreibende sollten hierbei konsequent auf First-Party-Daten (First-Party-Data) setzen. Die höchste Signalqualität erzielen Sie durch:  Aktuelle Customer-Match-Listen aus Ihrem CRM (Käufer*innen mit hohem Kundenwert).  Granulare Website-Besucher*innen (Warenkorbabbrecher*innen, wiederkehrende Nutzer*innen).  Spezifische App-Nutzerdaten oder qualifizierte Newsletter-Abonnent*innen.  Brand-Traffic isolieren und inkrementelles Wachstum sichern   Es ist eines der häufigsten Phänomene in der SEA-Praxis: Eine Performance Max Kampagne liefert auf dem Papier herausragende ROAS-Kennzahlen, doch das reale Unternehmenswachstum stagniert. Der Grund liegt in der unkontrollierten Abschöpfung bestehender Nachfrage. Das System neigt dazu, gezielt Marken-Suchanfragen (Brand-Traffic), bestehende Remarketing-Zielgruppen und ohnehin konvertierende Stammkund*innen zu bedienen, um die vorgegebenen Effizienzziele mühelos zu erreichen.  Zwar priorisiert Google identische Exact-Match-Keywords in regulären Suchkampagnen gegenüber einer parallelen PMax-Kampagne. Sobald die Suchkampagne jedoch in ein Budgetlimit läuft oder durch zu recht restriktive Einstellungen eingeschränkt wird, übernimmt PMax die Markenauktion. SEA-Manager*innen müssen daher in regelmäßigen Intervallen prüfen, welche Suchbegriffe innerhalb von PMax aktiv bedient werden und ob unerwünschte Kannibalisierungseffekte mit bestehenden Brand-, generischen oder Mitbewerber-Kampagnen auftreten.  Um echten, inkrementellen Umsatz zu forcieren, sollten Markenausschlüsse direkt in den Kampagneneinstellungen verankert werden. Für den E-Commerce stehen zudem spezialisierte Search-only-Markenausschlüsse zur Verfügung. Diese Funktion unterdrückt reine Textanzeigen für Markenbegriffe innerhalb von PMax, gestattet dem Algorithmus jedoch weiterhin die Ausspielung von visuellem Brand-Shopping, was in den meisten Fällen hochgradig profitabel ist.  Datenqualität im Feed und finale URLs optimieren   Speziell im Einzelhandel (Retail) ist Performance Max strukturell oft wesentlich näher an einer klassischen Shopping-Kampagne als an einer allumfassenden Multikanal-Kampagne. Bevor weitreichende Gebotsanpassungen vorgenommen werden, muss die absolute Datenqualität im Google Merchant Center sichergestellt sein. Die Optimierung von Produkttiteln, Produkttypen, GTINs, hochauflösendem Bildmaterial, korrekten Sale-Preisen, dem präzisen Lagerstatus und Custom Labels bildet das fundamentale Fundament.  Produkttitel dürfen nicht einfach aus den internen ERP-Systemen übernommen werden. Sie müssen zwingend jene Attribute abbilden, nach welchen Kund*innen aktiv suchen. Die optimale Strukturierung folgt meist dieser Logik: Marke + Produktart + Modellnummer + Material + Spezifikation (z. B. Größe, Farbe, Kompatibilität).  Ein oft übersehener Fallstrick liegt in der unkontrollierten Aktivierung der finalen URL-Erweiterung. Diese Funktion erlaubt es Google, die hinterlegte Zielseite durch eine vermeintlich relevantere URL Ihrer Website zu ersetzen und passende Text-Assets automatisch zu generieren. Bei einer hervorragend strukturierten, rein vertriebsorientierten Website-Architektur liefert dies exzellente Ergebnisse. Das Setup wird jedoch hochgradig ineffizient, wenn informative Blogartikel, Support-Dokumentationen, Karriere-Seiten oder allgemeine Ratgebertexte ungewollt in den Anzeigen-Pool rutschen. Solche URLs müssen konsequent über explizite Ausschlussregeln blockiert werden.  Bidding-Strategien an qualitative Conversion-Signale koppeln   Die Wahl der richtigen Gebotsstrategie bestimmt maßgeblich den Erfolg einer Kampagne. Im E-Commerce gilt die Strategie „Conversion-Wert maximieren“ in Kombination mit einem definierten Ziel-ROAS als der absolute Goldstandard – vorausgesetzt, die Umsatzwerte werden absolut fehlerfrei und ohne zeitliche Verzögerung an das Google-Ads-Konto übermittelt. Ein zu aggressiv gewählter Ziel-ROAS entzieht dem Algorithmus die notwendige Liquidität und würgt das Kampagnenvolumen ab. Ein zu niedrig angesetzter Zielwert generiert zwar massiven Umsatz, der jedoch unter Berücksichtigung aller Kosten auf Margenebene nicht mehr wirtschaftlich ist. Im B2B-Segment und bei der Lead-Generierung ist die exakte Definition der Conversion-Aktion sogar um ein Vielfaches wichtiger als die eigentliche Gebotsstrategie. Wer das bloße Absenden eines einfachen Kontaktformulars als primäre Conversion definiert, zwingt PMax dazu, exakt diese quantitativen Abschlüsse zu maximieren. Das Resultat sind häufig massenhafte Spam-Leads oder Kontakte ohne echtes Kaufinteresse. Die Lösung liegt in der Umstellung der Optimierung auf qualifizierte, tiefer im Funnel liegende Offline-Conversions via CRM-Import. Optimieren Sie auf:  Marketing Qualified Leads (MQL) nach erfolgreicher Erstprüfung.  Sales Qualified Leads (SQL) nach direktem Vertriebskontakt.  Generierte Pipeline-Opportunities oder finale „Closed-Won“-Vertragsabschlüsse.  Ein vermeintlich günstiger Cost-per-Lead (CPL), der im Vertrieb zu keinen messbaren Abschlüssen führt, stellt keinen Marketingerfolg dar, sondern füttert das Machine Learning mit unbrauchbarem Trainingsmaterial.  Inkrementalität mittels PMax-Experimenten validieren   Da Performance Max herausragend darin ist, bestehende Nachfragekanäle zu kanalisieren, darf die Bewertung niemals isoliert im Silo des Kampagnen-Dashboards erfolgen. SEA-Manager*innen müssen zwingend den realen Mehrwert (Inkrementalität) isolieren. Hierfür bieten sich die integrierten Performance-Max-Experimente an. Google stellt diese als wissenschaftliche A/B-Tests bereit, mit denen sich strategische Einstellungen, kreative Ausrichtungen oder komplett neue Kampagnen-Setups statistisch sauber miteinander vergleichen lassen. Spezifische Uplift-Tests messen zudem präzise den realen Zusatznutzen von PMax im direkten Vergleich zu bereits aktiven Search-, Video- und Display-Kampagnen. Für eine valide Umsetzung in der Marketingpraxis müssen folgende Grundregeln beachtet werden:  Keine Tests in Peak-Phasen: Führen Sie Experimente niemals während extremer saisonaler Schwankungen (z. B. Black Friday oder Weihnachtsgeschäft) durch.  Ein-Variablen-Prinzip: Verändern Sie niemals simultan den Feed, das Budget und die Gebotsstrategie innerhalb eines Testlaufes.  Ausreichend Laufzeit gewähren: Brechen Sie Experimente nicht nach wenigen Tagen ab; der Algorithmus benötigt eine adäquate Lern- und Konsolidierungsphase.  Das entscheidende Erfolgskriterium ist niemals der isolierte ROAS einer einzelnen Kampagne, sondern die Frage, ob der Gesamtumsatz, der Netto-Profit und die qualifizierte Sales-Pipeline des gesamten Unternehmens signifikant steigen.  Die Berechtigung von Standard Search und Standard Shopping   Trotz der Omnipräsenz von PMax im Jahr 2026 wäre es ein fataler strategischer Fehler, das gesamte Werbekonto auf diesen Kampagnentyp umzustellen. Traditionelle Kampagnenformate behalten ihre fundamentale Daseinsberechtigung in einer ausbalancierten Gesamtstrategie.  Klassische Standard-Suchkampagnen (Standard Search) sind nach wie vor unverzichtbar für eine lückenlose Brand Defense, die gezielte und aggressive Bewerbung von Mitbewerber-Keywords, rechtlich hochgradig regulierte Werbeaussagen sowie für spezifische B2B-Suchanfragen mit hoher Exaktheit. Über Exact-Match-Keywords stellen Sie sicher, dass die geschriebene Textanzeige perfekt mit der Suchabsicht des Nutzers korreliert – eine Präzision, die PMax systembedingt nicht garantieren kann.  Ebenso bleibt Standard Shopping ein extrem mächtiges Werkzeug für die taktische Produktsteuerung. Wenn es darum geht, gezielte Abverkäufe von Restposten zu realisieren, sogenannte Ladenhüter (Zombie-SKUs) mit gezieltem Budget anzuschieben, Lagerbestände zügig abzubauen oder zeitlich stark begrenzte Promotion-Aktionen für exklusive Artikelnummern durchzuführen, bietet Standard Shopping die erforderliche granulare Kontrolle auf Produktebene. In den erfolgreichsten Werbekonten des Jahres 2026 etabliert sich daher ein hybrides Kontomodell: PMax fungiert als skalierungsstarke Basis für die breite Marktabdeckung, während Search den hochqualitativen Intent sichert und Standard Shopping für die chirurgisch präzise Feed-Steuerung eingesetzt wird.  Der Paradigmenwechsel: Vom ROAS zum POAS (Profit on Ad Spend)   Der klassische Return on Ad Spend stößt im modernen E-Commerce zunehmend an seine Grenzen. Er ist eine reine Umsatzmetrik. Der ROAS suggeriert Erfolg, wo unter Umständen finanzielle Verluste entstehen, da er den realen Bruttogewinn vollständig ausblendet. Ein Produkt, das 200 € Umsatz bei einer Marge von 20 % generiert, ist betriebswirtschaftlich völlig anders zu bewerten als ein Produkt, das 200 € Umsatz bei einer Marge von 60 % erzielt. Ein rein umsatzbasiertes Bidding behandelt beide Szenarien vollkommen identisch.  An dieser Stelle setzt das concept des Profit on Ad Spend (POAS) an. Diese Kennzahl setzt den tatsächlichen erzielten Gewinn in Relation zu den investierten Werbeausgaben:  POAS = Bruttogewinn aus Werbeinvestition / Werbekosten   Um ein solches profitbasiertes Bidding in Performance Max zu implementieren, müssen detaillierte Warenkorbdaten sowie die exakten Herstellungskosten (COGS – Cost of Goods Sold) über das Google Merchant Center an Google Ads übermittelt werden. Da PMax naturgemäß darauf ausgerichtet ist, den maximalen Conversion-Wert innerhalb des Budgets zu realisieren, läuft das System ohne diesen Profit-Kontext Gefahr, margenschwache Bestseller massiv zu skalieren, während hochprofitable Produkte mangels anfänglichem Suchvolumen vernachlässigt werden. Ein hoher ROAS schützt somit nicht vor einer schwindenden Gesamtrentabilität.  Fazit: Leitplanken setzen und die AI kontrollieren   Performance Max präsentiert sich im Jahr 2026 als ein hochentwickeltes, exzellent steuerbares Marketing-Werkzeug. Die zentrale Aufgabe von SEA-Manager*innen und Marketing-Verantwortlichen besteht nicht mehr darin, jede einzelne Anzeigenauktion mühsam manuell nachzubauen. Ihre primäre Verantwortung liegt in der Definition glasklarer Leitplanken. Sie müssen definieren, in welchen Bereichen der Algorithmus lernen darf – und wo er rigoros blockiert wird. Wer Datenqualität, technologische Kontrollen und betriebswirtschaftliche Logiken wie den POAS intelligent miteinander verknüpft, transformiert Performance Max von einer unberechenbaren Blackbox in einen hochgradig profitablen Wachstumsmotor.  FAQ zu Performance Max Kampagnen 2026   Sollte PMax 2026 Standard Search vollständig ersetzen?   Nein. Performance Max ist hervorragend geeignet, um zusätzliche Reichweiten und inkrementelle Platzierungen zu erschließen. Es ersetzt jedoch keinesfalls dedizierte Suchkampagnen, bei denen Sie die absolute Kontrolle über Keywords, exakte Anzeigentexte und den Schutz Ihrer eigenen Marke benötigen.  Sind Audience Signals in PMax mit einem harten Targeting gleichzusetzen?   Nein. Audience Signals sind reine Orientierungshilfen für die Google AI, um die Lernphase zu beschleunigen. Sie schränken die Ausspielung nicht exklusiv ein. Um die Signalqualität zu maximieren, sollten Sie konsequent First-Party-Daten wie Customer-Match-Listen, CRM-Segmente und tiefe Webseiten-Interaktionen einspeisen.  Wann ist der Einsatz von PMax-Experimenten ratsam?   Der Einsatz ist immer dann dringend ratsam, wenn Sie die Inkrementalität Ihrer Kampagnen prüfen wollen. Experimente zeigen Ihnen schwarz auf weiß, ob PMax echten neuen Umsatz generiert oder lediglich Conversions verbucht, die ohnehin über Ihre organische Suche oder bestehende Search-Kampagnen eingelaufen wären.  Warum verliert der ROAS als primäre Kennzahl bei PMax an Bedeutung?   Weil der ROAS ausschließlich das Verhältnis von Umsatz zu Kosten misst. Da PMax autonom agiert, optimiert sie auf Umsatzvolumen. Wenn Ihr Sortiment unterschiedliche Margenstrukturen aufweist, führt dies oft dazu, dass unprofitable Produkte forciert werden. Der POAS (Profit on Ad Spend) ist hierbei die deutlich ehrlichere betriebswirtschaftliche Kennzahl.  In welchen Zyklen sollte eine Performance Max Optimierung stattfinden? Ein wöchentlicher Rhythmus empfiehlt sich für das Controlling des Kanal-Mixes, die Auswertung von Suchbegriffen, das Hinzufügen von Ausschlüssen sowie die Überprüfung der Zielseiten. Monatlich sollten umfassende Audits der Markenausschlüsse, Analysen der SKU-Konzentration, die Aktualisierung der Assets und der Abgleich mit den CRM-Daten erfolgen.