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.     

The most important things in a nutshell   Since August 24, 2026, ChatGPT Ads have been served in Germany, as part of an expansion into 31 European markets.  Since the end of August 2026, self-service access in the Ads Manager has also been open to European advertisers.   Ads are only seen by users of the Free and Go plans. Plus, Pro, Business, Enterprise, and Edu remain ad-free, and accounts belonging to users under 18 do not receive ads.  Instead of keywords, advertisers provide context clues. Delivery is based on the context and intent of the ongoing conversation.  Advertising in a chat window was a thought experiment for a long time. Since the end of August 2026, it has become a reality in Germany: OpenAI is serving ads in ChatGPT, and companies can set up campaigns themselves in the Ads Manager. For performance teams, this is the first genuinely new advertising channel in years. The question is therefore less about whether to test it, and more about how to test it without burning budget in a still-developing system.  What ChatGPT Ads are and where they appear  ChatGPT Ads are paid placements within ChatGPT. They appear below a response, are marked as an ad, and are visually separated from the answer. According to OpenAI, advertising does not influence the response ChatGPT provides. An ad consists of a company name, logo or favicon, headline, ad copy, image, and landing page. We recommend 16 to 24 characters for the headline and 32 to 48 characters for the text; the headline and text should offer different benefit arguments.  The decisive difference from Google Ads is not the format, but the situation. In classic search, people type two to four words. In ChatGPT, they describe their starting point, their requirements, and their concerns. The ad therefore lands right in the middle of an ongoing decision-making process.  Who you reach with it—and who you don't  The reach figures for ChatGPT are impressive, but they do not represent the advertising-reachable target audience. Ads are exclusively served to users of the free version and the Go plan. Anyone using Plus, Pro, Business, Enterprise, or Edu will not see any ads.  This is particularly relevant for B2B: anyone using ChatGPT via a company account is excluded from the target group. In B2B, the channel is therefore more of an additional touchpoint for decision-makers doing research privately or with a free account, rather than a channel to fully cover a target audience. For B2C offers, the reachable base is significantly broader at launch.  Context clues instead of keywords  Exact-match keywords do not exist in ChatGPT Ads. At the ad group level, advertisers define so-called context clues, which describe what an offer does, who it helps, and in which situation it is useful. OpenAI explicitly clarifies that these clues are not rigid targeting rules. Delivery is based on conversation context and intent, ad content, and landing page.  In practice, this means: a term like "running shoes" does little, while a clue that connects need and usage situation does a lot. Ad groups are therefore structured around needs, themes, or product categories, not keyword lists. Offers with different messages or landing pages should be kept separate. Additionally, campaigns can be targeted to the iOS app, the Android app, or the web version, and there is geographic targeting with granularity that varies by market. For local campaigns, it's worth checking the location options before launching.  1. Campaign Manager Overview  Budget, bidding, and billing  OpenAI supports three billing models: CPM for reach, CPC for traffic, and oCPC, where billing is per click but delivery is optimized for a conversion event. For CPC campaigns, OpenAI currently recommends a starting maximum bid of $3 to $5, while the minimum daily budget for Euro accounts is €15 per campaign. In addition to manual maximum bids, there is the automatic strategy "Maximize Results", which, however, does not guarantee fixed efficiency targets such as target CPA or target ROAS.  Two points are important for budget planning. First, the daily budget is treated as an average over seven days: on individual days, up to twice the amount can be spent, up to a maximum of seven times the daily budget over the seven-day period. Second, the technical minimum budget is not a practical test budget. A reliable evaluation requires enough impressions, clicks, and ideally conversions.  Tracking and data privacy  For measurement, the OpenAI Pixel and a Conversions API are available, and both can be combined. If identical conversions are sent via both pathways, the same Event ID should be used for deduplication. OpenAI appends a click reference called "oppref" to the landing page URL on ad clicks, which the Pixel can store in a first-party cookie. Additionally, UTM parameters can be set to make the traffic visible in your web analytics tool. Reporting in the Ads Manager shows impressions, clicks, cost, CTR, average CPC and CPM, as well as conversions.  Advertisers do not get access to chats, chat histories, memories, or personal data; OpenAI only provides aggregated performance data. However, anyone using Pixel, Conversions API, or Advanced Matching and transferring first-party data in the process must verify the privacy compliance and the required consent themselves. This belongs in the setup and not on the list of things to figure out later.  Which industries are currently a good fit for this channel  In the launch phase, OpenAI is focusing on consumer goods and lifestyle, homeware, local services, travel and experiences, as well as digital products and educational offerings. The channel is particularly interesting for e-commerce, as product feed-based campaigns are already supported, including Multi-Product Carousel and reporting at the level of individual product cards.  In contrast, more is excluded than many might expect: financial and health services are currently not permitted outside the US, nor is legal advice. Individual job postings and individual real estate listings may not be advertised, though general platforms can be. Political advertising, gambling, alcohol, and tobacco are also excluded. Checking the advertising guidelines should therefore be the very first step in planning.  How to start a controlled test  1. Create an Ads Manager account and set up company details, billing, payment method, and team access.  2. Check landing pages. OAI-AdsBot and OAI-SearchBot must not be blocked, and the page should lead directly to the offer, not to the homepage.  3. Structure campaigns by needs and use cases, and write context clues in natural language.  4. Prepare several clearly distinguishable creative variations per offer.  5. Set up tracking before launching media: Pixel or Conversions API, UTM parameters, and consent check.  6. Start with a dedicated learning budget and evaluate based on leads, registrations, or purchases, not clicks.  Conclusion: its own channel with its own logic  ChatGPT Ads are not Google Search in a chat window, nor are they a replacement for existing search, social, or shopping campaigns. They are a channel of their own, where situation and need are the planning metrics. At the same time, the system is young: personalization is missing in the European Economic Area, Germany benchmarks are also lacking, and features are added almost weekly. This is exactly where the advantage lies for early testers. Those who start now with clear use cases, clean landing pages, and robust tracking will build a learning curve before the competition discovers the channel. Want to find out if ChatGPT Ads fit your business model? We at internetwarriors support the channel from strategy to conversion tracking. Feel free to contact us.  FAQ on ChatGPT Ads in Germany  Since when have ChatGPT Ads been available in Germany?  Ads have been served in Germany since August 24, 2026. OpenAI announced the European rollout on August 18, and self-service access followed at the end of August.  Can I book ChatGPT Ads myself?  Yes. The Ads Manager is available to European advertisers as a self-service tool. Campaigns can be created, managed, and analyzed there, and now even using natural language via an Ads Manager plugin in ChatGPT.  How much do ChatGPT Ads cost?  Billing is based on CPM, CPC, or oCPC. For CPC, OpenAI currently recommends a starting maximum bid of $3 to $5, while the minimum daily budget for Euro accounts is €15 per campaign. Germany-specific average values for CPC, CPM, or conversion costs are not yet available.    Are there keywords in ChatGPT Ads?  Not in the traditional sense. Advertisers provide context clues regarding topics, needs, and usage situations. These help with matching but do not guarantee delivery for specific words.  Do advertisers get access to the chats?  No. Chats, chat histories, memories, and personal details remain inaccessible. OpenAI only provides aggregated performance data, such as impressions and clicks. 

Google is increasingly transforming search from a list of results into an AI-powered decision environment. As a result, SEO, Generative Engine Optimization (GEO), Google Ads, and data quality are merging into a unified Search Growth System.  What matters now: The facts at a glance   No automatic AI visibility through SEO: Within twelve months, the overlap between traditional SEO rankings and AI-cited sources dropped from 52% to under 20% ( internetwarriors GEO Study, May 2026 ). Good rankings are no longer a free pass.  Visibility outside the top 50: 70–80% of the URLs cited by AI systems do not come from Google's top 50. If you only look at classic ranking positions, you'll often remain invisible in AI answers.  The shift to a decision environment: 93% of sessions in Google AI Mode end without a click on a website. The AI answer itself is becoming the place where buying decisions are made.  Google Ads goes AI-native: Since May 2026, Google has been testing four Gemini-based ad formats that require structured website and product data. GEO readiness is therefore becoming a performance prerequisite for paid media.  Anyone looking for a product, a service provider, or a solution today is less and less likely to get just ten blue links. Users ask more complex questions, compare options directly in search, and expect a specific, understandable recommendation. With AI Overviews, AI Mode, and new Gemini-based ad formats, Google Search is moving closer to a research, consultation, and buying environment. Google itself states that 75% of users reach a decision faster and with more confidence using AI Mode (Source: Google Marketing Live, May 2026).  For businesses, this fundamentally changes the requirements for digital visibility: It is no longer enough to rank solely for individual keywords or to blindly direct ads to a landing page. Brands must be equally understandable, trustworthy, and compatible for search engines, generative AI systems, and AI-powered ad formats. In this context, GEO does not replace classic SEO. GEO extends SEO by adding a crucial dimension: visibility in AI-generated answers, source lists, recommendations, and conversational search processes.  What does GEO actually mean in practice?   GEO stands for Generative Engine Optimization . It refers to the targeted optimization of content, brand, and product information for generative search and response systems – such as Google AI Mode, Google AI Overviews, ChatGPT, Claude, Perplexity, Gemini, or Microsoft Copilot.  While traditional search engine optimization mainly aims to make pages discoverable for relevant search queries and achieve good rankings, GEO raises a new set of core questions:  Is a brand actively mentioned in an AI response?  Is your own website linked or cited as a source?  Does the system understand in detail what product or service a company offers?  Can the AI clearly explain exactly who a product or service is suitable for?  Are features, benefits, limitations, prices, and use cases represented correctly?  Is a brand included in comparisons, recommendations, and specific purchasing decisions?  Therefore, GEO is by no means simply "SEO with AI." It is optimization for a new search world where systems autonomously pull information from various sources to generate a tailored answer, a selection, or a recommendation.  Why GEO and SEO are inevitably moving closer together   It's important to understand that Google does not separate generative search entirely from its existing infrastructure. According to Google's official guidelines, AI Overviews and AI Mode are still built on the proven search systems, quality mechanisms, and the familiar index of Google Search. For complex questions, Google uses a process called Query Fan-out : The system generates multiple related search queries in parallel to research different aspects of a topic in depth, and then combines them into a coherent answer.  Google also makes it clear: You don't need special AI files or new markup to appear in these features – established SEO best practices remain the key factor (Source: Google Search Central, "AI Features and Your Website", as of July 2026).  We also have to consider that generative systems work on two levels: live search on the web (Retrieval-Augmented Generation / RAG) and trained model knowledge. While clean SEO structures primarily feed the RAG process in real-time, a sustainable, trustworthy digital presence shapes the AI's long-term model knowledge. The conclusion is clear: Without a solid SEO foundation, there is no reliable GEO foundation.  A website must be technically accessible and indexable without errors. Content must be clearly structured, helpful, up-to-date, and original. Google explicitly recommends continuously applying existing SEO best practices rather than relying on isolated "GEO hacks."  SEO remains the foundation for: Crawlability and error-free indexability  Technical quality and a great Page Experience  A clear page and information architecture  Relevant content aligned with real search intent  Internal linking and building topical authority  Structured product, organizational, and local information  Trustworthiness, proven expertise, and freshness  GEO builds on this foundation. It expands optimization by asking whether content is written with enough precision, reliability, and nuance that a generative system can seamlessly use it as a suitable information source, a reference, or a direct recommendation.  SEO and GEO: Same basis, different results   Even though SEO and GEO are closely linked, they don't necessarily lead to the same results. A top position in the organic SERPs is no guarantee that a page will also be cited in AI Overviews, in AI Mode, or in external AI searches. Generative systems don't construct answers from a single ranking: They analyze sub-questions, evaluate different sources, consider entities, assess freshness, and deliver an answer with the highest possible information density.  The third edition of our internetwarriors GEO Study (May 2026; 240 prompts across 12 industries, 5,317 evaluated URLs in Google AI Mode and ChatGPT) shows how much the results are now diverging: The overlap between classic SEO rankings and AI-cited sources fell from 52% to under 20% within twelve months. At the same time, 70–80% of URLs cited by AI systems do not come from Google's top 50. This means SEO and GEO visibility are measurably two different playing fields – on the same technical foundation.  Feature   SEO   GEO   Focus   Optimized for stable rankings and continuous organic traffic  Optimized for mentions, sources, recommendations, and AI visibility  Foundation   Aligned with traditional search queries and search intents  Aligned with prompts, decision-oriented questions, and conversational contexts  Primary Goal   Getting the user to click through to your own website  Relevance within the AI response and highly qualified follow-up actions  KPIs / Measurement   Rankings, impressions, click-through rate (CTR), and sessions  Mentions, citations, AI visibility, source share, and AI referrals  Environment   Traditional SERPs (Search Engine Result Pages) as the central hub  AI Overviews, AI Mode, chatbots, and agentic search processes  The correct takeaway here is definitely not: "SEO doesn't work anymore." Instead, it is: SEO alone no longer covers the entire search visibility landscape.  Google Search is becoming a decision environment   This shift becomes especially clear when users stop entering short keywords and instead describe their complex scenarios. Instead of searching for "CRM agency Berlin," the question in the future is more likely to be:  "Which CRM solution is suitable for a growing B2B agency in Germany that wants to combine project management, sales, GDPR, and Microsoft Teams?"   A traditional search engine delivers a list of links, ads, and comparison portals. A generative search, on the other hand, tries to truly understand the requirements, research individual aspects, categorize options, and provide a clear, pre-selected shortlist. The impact is measurable: According to our GEO study (May 2026), 93% of sessions in Google AI Mode end without a click to a website . The response itself becomes the place where the decision is made – and the question is no longer just whether a brand can be found, but whether it is featured in that response at all.  For businesses, this makes it critical to provide precise answers to deeper questions on their own website:  Who is our exact target audience for this offering?  What specific problem do we solve in the long term?  What technical or organizational prerequisites apply?  What integrations, features, or performance limits exist?  How exactly do we differ from other market alternatives?  What real examples, customer cases, reviews, or professional evidence can we show?  What is the transparent cost of the offer, and how does onboarding work?  The more precise, reliable, and consistent this information is across the web, the better an AI system can understand your brand and put it into the right context.  From keywords to prompts and intents   Keywords obviously remain highly relevant for SEO and Google Ads. They continue to represent demand and help analyze topics, search volume, and commercial intent. But the customer journey is expanding. AI search often turns a short query into a logical chain of research, comparison, and decision questions. Businesses should therefore not only build keyword clusters but also prompt and intent clusters.  Traditional Keywords   Generative Questions and Prompts   SEO Agency Berlin  Which SEO agency is right for a B2B company with complex products?  Google Ads Agency  How can I efficiently scale Google Ads if my tracking is incomplete?  GEO Agency  How does a brand become more visible in Google AI Mode and ChatGPT?  SEO Audit  What technical and content issues are preventing AI visibility?  Performance Marketing Consulting  How do I connect paid media, SEO, and CRM data for better lead quality?  The difference is strategically important: Keywords usually describe only a broad topic. Generative questions, however, contain the specific situation, individual constraints, target groups, challenges, selection criteria, and the desired outcome. Content that just mindlessly repeats a keyword is simply no longer enough. What's needed is content that supports informed decisions.  What truly makes content GEO-optimized   GEO optimization is not about writing AI texts for AI systems. Nor does it mean creating artificial paragraphs, forcing every detail into an FAQ format, or misinterpreting a file like llms.txt as a magic trick. As a technical mapping for AI crawlers, such a file in markdown format is definitely useful – but it cannot replace substance in your content. Google explicitly advises against relying on short-term tricks for generative features. The focus should solely be on unique, valuable content that helps real people. GEO-optimized content stands out through five core qualities:  1. Clear answers to specific questions   Instead of rambling broadly about a topic, great content answers clearly defined questions. For example, a B2B page shouldn't just state that it offers "holistic online marketing." It should transparently break down:  What exact services does the collaboration include?  For which phases and company sizes is this offer suitable?  What do the typical milestones and project phases look like?  What data and resources are required from the client side?  2. Verifiable facts and evidence   Generative systems need information they can clearly categorize and validate. This includes reliable product data, specific service descriptions, transparent processes, expertise, studies, cases, and customer testimonials. The effect is quantifiable: A study by Princeton University and IIT Delhi shows that statistics increase visibility in generative responses by about 17%, while citations and proper sources boost it by up to 33% (Aggarwal et al., "GEO: Generative Engine Optimization", 2024). The less a website relies on generic marketing buzzwords, the better. Claims like "leading" or "customized" are only helpful if backed up by facts.  3. Clear entities and validation   An AI needs to be able to identify exactly who a company is, what it offers, and how services, people, and topics are connected. Implementing structured data (Schema.org) with precise sameAs links (e.g., to official commercial registers, Wikidata, or established industry profiles) is key here. It allows the Google Knowledge Graph and generative models to validate your brand's entity beyond doubt. Details about company name, portfolio, industry focus, and expert profiles should also be kept consistent across Google Business Profile, media coverage, and partner sites.  4. Structure that people and systems understand   Clear headings, logical sections, tables, comparisons, and concise summaries help users just as much as search systems. LLMs break pages down into individual segments (chunks) and prefer to cite passages that make sense even without full context. A service page shouldn't just consist of an emotional intro and a contact form; it needs to explain the offer in clear, self-contained sections.  5. Continuous freshness and maintenance   Outdated information on pricing, product features, legal requirements, or technical integrations hurts your digital credibility. Freshness directly impacts citation likelihood: Content that is less than three months old or has been recently updated is cited significantly more often by AI systems. GEO is therefore not a one-off content project, but an ongoing process of monitoring, optimization, and quality control – including visible update dates and dated statements for time-sensitive topics.  Why Google Ads must become more AI-native   Google is not only developing organic search; ad formats are also changing fundamentally. At Google Marketing Live on May 20, 2026, Google introduced four new Gemini-based ad formats for search: Conversational Discovery Ads , Highlighted Answers , AI-powered Shopping Ads , and the Business Agent for Leads . These formats are designed to connect with users right when they are in an AI-assisted research or decision-making mindset (Source: Google, "A new generation of ads for the AI era of Search", May 20, 2026).  With Conversational Discovery Ads , Gemini dynamically designs the ad creative to match a user's specific, complex question – rather than serving a static asset. Highlighted Answers allow high-quality ads to appear directly in a recommendation list generated by AI Mode; both formats carry a "Sponsored" label and are accompanied by an explanatory text independently written by Gemini. For AI-powered Shopping Ads , Gemini selects suitable products from inventory data and explains why a product fits the respective situation. With the Business Agent for Leads , users interact directly with a brand agent that answers questions based on the provided company website – instead of filling out a static lead form.  As of July 2026, Conversational Discovery Ads and Highlighted Answers are being tested in the US on mobile and desktop. AI-powered Shopping Ads are expected to follow later this year, and the Business Agent for Leads is in open beta in the US. A European rollout is on the horizon – and businesses that have their data and content ready now will gain a clear head start.  From landing page to knowledge base   In traditional paid search logic, the website is primarily the destination after the click. In an AI-native search environment, the website becomes much more: it turns into the central knowledge base, data source, and the crucial proof of trust before the final conversion.  When an AI system categorizes an ad, explains product benefits, or answers a user query in a brand dialog, it needs reliable information. Depending on the ad format, this data comes from various sources:  Website content and structured service pages  Detailed product and service information  Complete Merchant Center feeds (pricing, availability, variations)  Frequently Asked Questions (FAQ) and valid support content  Google Business Profile and external reviews  First-party conversion signals and CRM data  A weak or inconsistent website won't technically stop your Google Ads from running. However, it will mean your ads in AI-based formats are less explainable, less relevant, and ultimately less conversion-strong.  Is GEO becoming a requirement for Google Ads?   The short answer is: Not as a technical requirement, but as an increasingly critical performance driver. Google won't exclude businesses from the ad auction just because their website isn't optimized for GEO. Ad accounts, campaigns, and bids remain independent factors. But the more advertising gets integrated into AI-generated answers and conversations, the more important the quality signals created by strategic GEO become.  Theoretical Claim   Realistic Take   "Without GEO, nobody will be able to run Google Ads in the future."  Overstated and technically incorrect.  "A website must be cited in ChatGPT or AI Mode for Google Ads to work."  Not proven. Paid systems run on their own auctions.  "GEO readiness improves the foundation for AI-native paid formats."  Plausible and highly strategic – the new formats run on website and product data.  "Good data, structured content, and valid brand info make ads highly compatible."  Directly aligned with Google's new agentic ad formats.  The key difference is: GEO is not a technical ticket to enter the traditional Google Ads auction. However, GEO readiness is becoming the quality foundation for paid media in AI-guided decision processes – because Gemini can only explain and recommend what is clearly described in structured data and content.  What GEO readiness means for paid media   For paid teams, it will no longer be enough to only optimize campaign structures, keywords, bids, and ad copy. While those factors remain important, they are now joined by data and knowledge quality on the target page:  Complete offer and product data: Google can only serve AI-powered results if they are clearly described in your feed or page. Clean product feeds, structured prices, availability, and precisely documented service packages are a must.  Landing pages with real decision support: An AI-assisted ad sparks the initial interest. The landing page must take that interest further and directly answer questions about relevance, problem-solving capabilities, and how you stand out from alternatives.  First-party data and conversion quality: AI-based campaigns need reliable signals. It's no longer just about clicks, but about the actual quality of the leads. This includes consent-compliant tracking, Enhanced Conversions, clean CRM integrations, and regular offline conversion imports. The better this data foundation, the more accurately automated bidding can optimize for valuable business results rather than surface-level interactions.  Clear brand and trust signals: When users ask AI systems for recommendations, brands that are demonstrably trustworthy win. Technical expertise, verified author profiles, case studies, customer reviews, and digital PR mentions on high-authority sites strengthen brand perception and measurably increase the chances of an AI recommendation.  A practical example: AI search and B2B lead generation   A company uses Google AI Mode to find a solution: "Which agency can help us combine SEO, Google Ads, and conversion tracking for a complex B2B product?"   In a traditional search environment, Google would display standard ads and organic results. The decision would mostly be made after the first click on the websites. In an AI-guided environment, the search engine also checks in the background: Which agencies demonstrably offer this combination? Is there structured expert content that validates these connections? Are target groups and project models precisely described? Are there verifiable case studies?  An ad can buy initial visibility. But if the website only contains generic phrases, the AI lacks the data foundation to categorize and recommend the brand convincingly in the chat. The result: paid ads run technically, but the brand loses ground in the crucial research phase of AI search. In an environment where 93% of sessions end without a click, this phase becomes the ultimate bottleneck.  The new unit: Search Growth   For forward-thinking companies, it is vital to stop treating SEO, GEO, paid media, and analytics as separate silos. Instead, they are merging into an integrated overall system: the Search Growth System .  Discipline   Specific Function in AI Search   SEO   Ensures technical accessibility, clean indexing, fundamental relevance, and organic discoverability.  GEO   Maximizes the likelihood of mentions, accurate citations, and direct recommendations in generative answers.  Content   Provides concrete, deep, and verifiable answers to complex human decision-making questions.  Paid Media   Activates, tests, and scales demand in commercially relevant moments.  Digital PR & Brand   Strengthens digital reputation, personal expertise, and external trust signals trained into the model.  Data & Measurement   Makes actual impact, data quality, and commercial performance measurable.  CRO   Seamlessly translates generated visibility and initial interest into qualified leads, sales, or inquiries.  This holistic approach is a major competitive advantage, especially in B2B environments with long, consultative buying cycles and complex requirements.  How businesses make GEO measurable   GEO shouldn't rely on random screenshots or isolated prompt tests. Generative answers vary depending on timing, location, language model, and user context. Reliable measurement requires continuous, data-driven analysis. A professional monitoring framework – like the one used in our GEO study (240 prompts, 12 industries, three waves of data collection) – combines the following levels:  Share of relevant focus prompts where your own brand is mentioned  Share of prompts where the brand is actively recommended  Share of AI answers with a directly linked or cited company source  Analysis of mentioned competitors and the tone of the brand categorization  Development of AI referral traffic and its specific conversion quality  Growth of targeted brand searches  Organic visibility and AI feature impressions in Google Search Console  On Google's side, measurability is getting concrete: Since June 3, 2026, Google has been providing dedicated Search Generative AI Performance Reports in Search Console. For the first time, they show separately how often URLs appeared in AI Overviews, AI Mode, and generative Discover features – with data starting from May 18, 2026, broken down by pages, countries, and devices. Click, CTR, and query data are still missing in the initial version; the rollout is starting in phases, beginning in the UK (Source: Google Search Central Blog, June 3, 2026). This makes GEO measurable step-by-step in standard tools.  The practical GEO checklist   If you want to future-proof your digital presence for AI search and upcoming ad formats, you should systematically optimize these four core areas:  1. Technical foundation   Can all strategically important pages be crawled and indexed without issues?  Is internal linking logical, consistent, and easy to follow topically?  Is structured data (Schema.org) implemented broadly, error-free, and semantically correct?  2. Content and offering   Do dedicated, deep-dive pages exist for services, products, target groups, and specific use cases?  Are complex questions answered precisely throughout the entire customer journey?  Is all content concrete, original, free of empty marketing buzzwords, and backed by expertise?  Do central pages contain numbers, studies, or facts that an AI can cite?  3. Entities and trust   Are company name, products, key people, and locations named consistently across the web?  Are external reviews, certifications, professional publications, and relevant media mentions actively maintained?  Are sameAs links included in the source code to help AI validate entities?  4. Paid and data quality Are data feeds (e.g., Merchant Center) or service structured data complete and up to date?  Is high-quality CRM or offline data feeding reliably back into campaign management?  Are landing pages ready to answer complex user questions and handle real consulting scenarios?  Summary and outlook: GEO doesn't replace SEO – it completes search visibility   The future of digital reach is not "SEO or GEO." Nor is it "organic or paid." The crucial question is whether a brand is deeply understood, classified as credible, and made visible at the right time in an AI-guided customer journey – in a search landscape where less than 20% of AI-cited sources overlap with classic rankings, and 93% of AI Mode sessions end without a single click.  SEO remains indispensable: It builds the technical and qualitative foundation for any form of digital discoverability. GEO expands this foundation to target visibility in generative answers, structured source lists, and personalized recommendations. Paid media ensures that companies can actively scale demand in critical moments. Tracking and first-party data make it measurable which levers actually drive business success.  If you're still planning SEO, GEO, and Google Ads in strict isolation, you're missing out on a massive opportunity. Those who understand and manage them as an interconnected Search Growth System build the ultimate foundation for sustainable visibility, trust, and measurable performance in the era of AI search. 

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. 

Quick Summary : LLMs like ChatGPT, Perplexity, and Google AI Mode are becoming the first touchpoint with a brand, even before the traditional click.  Traditional attribution models don't capture this touchpoint: no click, no session, no entry in Google Analytics.  AI answers already influence 35% to 40% of B2B buying decisions, yet they remain completely invisible in most companies' tracking.  The flip side of the coin: AI referral traffic converts up to 31% better than traditional organic traffic.  A potential customer is looking for new HR software. Not via Google, but directly on ChatGPT. The answer comes in seconds: three providers, briefly compared, with a recommendation. Your brand shows up—or it doesn't. And what happens next is invisible to your marketing team.  This exact scenario happens millions of times every day. LLMs are taking over the first seconds of the customer journey, and most companies don't even know it's happening.  This article explains why traditional attribution models break down here, why this actually offers a great opportunity for conversion quality, and how companies can build both visibility and measurability in AI systems using GEO. Because bringing these three dimensions together is exactly what has been missing in the market so far.  The touchpoint nobody tracks   The traditional customer journey followed a measurable logic: search query, click, website visit, tracking. Attribution models were built on this chain—first click, last click, data-driven. Every step left a footprint. This logic has developed a blind spot. According to recent analyses, around 60% of all Google searches end without a click—a zero-click customer journey that is no longer the exception. AI Overviews appear in nearly 30% of all search queries, making them an established part of the customer journey before anyone even visits a website. By August 2025, ChatGPT already recorded 800 million weekly active users, and Perplexity processed more search queries in May 2025 than in the entire year of 2024 combined.  What this actually means: customers are gathering information, forming opinions, and putting together initial shortlists completely outside of your measurement points. By the time someone does click through to a website, the decision is often already half-made. The first contact with the brand happened minutes or hours ago, in an AI response that no analytics tool ever captured.  Traditional Touchpoint vs. LLM Touchpoint: A Direct Comparison   The following overview shows why LLM touchpoints remain structurally invisible in traditional tracking setups:  Feature   Traditional Touchpoint (Click)   LLM Touchpoint (AI Answer)   Trigger   Search query on Google, click on search result or ad  Prompt to ChatGPT, Perplexity, or Google AI Mode  Data Footprint   Session, referrer, UTM parameters  None – the recommendation happens off-website  Visibility in Google Analytics   Fully captured (source, medium, campaign)  Not captured; follow-up visits show up as direct traffic  Attribution   First click, last click, data-driven – all models work  No model works, the trigger remains invisible  Shortlist Influence   After the click, on the website  Before the first trackable contact, directly in the AI answer  Optimization Lever   SEO: rankings, snippets, CTR  GEO: citability, brand authority, structured content  Measurability   Standard web analytics (GA4, Matomo)  Specialized tools like Peec AI (mentions, sentiment, competitor analysis)  The core issue in short:   If it doesn't get clicked, it doesn't show up in Google Analytics. If it's recommended in an AI answer, it leaves no trace in classic attribution models. This isn't just a small data gap. This is the very beginning of the customer journey.  Why the tracking model breaks down right here   Recent studies show that AI search results, chatbot conversations, and voice assistant recommendations already influence 35% to 40% of B2B purchase decisions. Yet, most companies fail to track this channel because it structurally doesn't generate a referral session.  The GEO measurement problem goes deeper than it seems at first glance. There are three specific friction points in traditional attribution setups:  Zero-click responses don't create a referral session. A customer who asks ChatGPT and then directly visits your website appears in tracking as direct traffic, not as an AI referral.  Shortlist influence happens before the first trackable touchpoint. Whether a brand even makes the shortlist is decided in the AI response, minutes before someone searches on Google or enters the URL directly.  According to our GEO study , only 9.2% of sources cited by ChatGPT rank in Google's top 10 search results. This means SEO rankings and LLM visibility are largely disconnected. This means: if you only measure SEO KPIs, you miss where the journey actually begins. And if you don't see where the journey begins, you can't optimize it.  The bright side: Why AI traffic converts better   So far, this shift might feel like a pure loss of control. But the data shows something interesting: traffic coming from AI responses is of much higher quality than traditional organic traffic.  According to Adobe Digital Insights, AI referral traffic converts up to 31% better than traditional SEO traffic. This is due to a simple mechanism: AI responses pre-qualify users in a way no search result can. Anyone arriving on a website via a recommendation on ChatGPT or Perplexity has already asked a specific question, received a structured answer, compared options, and made an initial decision.  In short: less overall traffic, but highly qualified traffic. Fewer visitors who just stumbled onto your site, and more visitors with high purchase intent.  B2B and B2C: Where the shift is felt most   B2B: The silent shortlist   In a B2B context, this shift is especially profound. Decision-makers and buying committees increasingly research anonymously and with AI support before making contact. Questions like "Which ATS software is best for mid-sized companies?" or "Which SEO agency has B2B experience?" are taken straight to ChatGPT. The AI's answer decides who makes the longlist—and who is left out.  The sales cycle challenge: if you aren't present during this phase, you might never even make the evaluation. Not because your product is inferior, but because your brand isn't sufficiently anchored in the information systems that LLMs pull from.  B2C: Product comparisons directly in AI   In B2C, the traditional comparison process is shifting. Questions like "Which TV wall mount is best for large screens?" or "Which health insurance is best for freelancers?" are increasingly answered by LLMs with concrete recommendations, skipping price comparison sites entirely. Appearing as a brand in these responses builds relevance right at the moment of decision-making.  GEO: Combining visibility and measurability   This is where the major gap in the market lies: most articles about GEO either explain the problem (LLMs are changing the journey) or offer a technical solution (how to structure your content for LLMs). What is missing is the link between visibility, conversion quality, and concrete measurability.  GEO (Generative Engine Optimization) is the practice of optimizing content, brand authority, and reputation signals so that they appear in AI-generated answers. GEO touchpoints are not just a nice add-on to the traditional journey; they are its new beginning. But GEO without measurement is like SEO without rankings. You just don't know if it's working.  That's why a complete GEO approach combines three levels:  Building Visibility: Structuring content so LLMs can easily process and cite it. Keep it factual and clear, without marketing fluff. Anchor authority through external sources, mentions, structured data, and consistent brand messaging. Understanding Conversion Quality: Analyzing AI referral traffic separately. Which prompts lead to what traffic? How does this traffic perform compared to traditional organic traffic? Measuring LLM Visibility: With tools like Peec AI, you can measure LLM visibility—how often and in what way your brand appears in answers from ChatGPT, Perplexity, and Google AI Mode, including sentiment analysis and competitor comparisons. This is the starting point for an attribution model that actually captures the very first touchpoint.  The key takeaway: GEO ROI is structurally harder to measure than SEO because zero-click answers don't generate referral sessions. However, building tracking frameworks today that capture AI touchpoints gives you a data advantage that competitors will struggle to catch up with later.  Conclusion: Three questions every marketing team should ask right now   The customer journey is starting fresh—not on a search results page, but in a conversation with an AI. For marketing teams, this means a fundamental shift in perspective: Where does our journey actually begin? Not: "Which channel brings the first click?" but rather: "In which AI response does our brand show up before anyone even searches?"  What are we missing? What part of our decision pipeline is currently invisible because it happens before the first trackable touchpoint?  How qualified are our visitors when they arrive? If AI referral traffic converts better, it is highly worth identifying and specifically targeting this group.  Companies investing in GEO and its measurability today are building a foundation that gets more valuable every month. Those who wait will keep optimizing for a journey that started somewhere else a long time ago.  Want to know how visible your brand is today in ChatGPT, Perplexity, and Google AI Mode? Let's chat.  FAQ: Common questions about LLMs, touchpoints, and GEO What is the difference between a traditional touchpoint and an LLM touchpoint?   A traditional touchpoint, like a click on a search result or an ad, is visible to analytics tools and leaves a trackable data trail. An LLM touchpoint occurs when a user asks an AI like ChatGPT or Perplexity and gets a recommendation without necessarily clicking through to a website. This brand contact happens, but it is completely missed by traditional attribution models.  Why does attribution get harder with LLMs?   Because zero-click AI answers don't generate referral sessions. If someone visits a website directly after an AI recommendation, they show up in tracking as direct traffic. The actual trigger—the AI response—remains invisible. This makes it structurally harder to assign credit for a purchase decision to the right channel.  Does AI referral traffic really convert better?   Yes, according to recent analyses (Adobe Digital Insights, Seer Interactive 2025), traffic from AI recommendations converts up to 31% better than traditional organic SEO traffic. The reason: AI responses qualify users before that first click even happens. Someone coming via an AI recommendation has already asked a specific question, read a structured answer, and made an initial choice.  What is GEO and why is SEO alone no longer enough?   GEO stands for Generative Engine Optimization. It covers all measures companies take to ensure their content and brand show up in AI-generated responses. While SEO optimizes for rankings and clicks, GEO is about being a citable source in systems like ChatGPT, Perplexity, or Google AI Mode. Since our internetwarriors GEO Study 2026 shows that only 9.2% of sources cited by ChatGPT rank in Google's top 10, SEO rankings and LLM visibility are largely independent of each other.  How can I measure LLM visibility?   With specialized tools like Peec AI, you can systematically track whether and how often your brand appears in responses from ChatGPT, Perplexity, Google AI Mode, and other LLMs, alongside sentiment analysis and competitor insights. Traditional web analytics tools simply don't capture this channel. Setting up a GEO tracking framework today gives you a valuable data foundation for the future. 

The most important details at a glance: Advanced Control 2026: Performance Max has become more transparent thanks to campaign-wide exclusions, detailed channel performance reports, and granular asset metrics, but it remains a system that needs tight guardrails.  Profitability Before Algorithm: Budgets and campaign splits should not be based on purely visual categories, but on hard business metrics such as margins, product lifecycles (evergreen vs. longtail), or customer value.  Signposts Instead of Targeting: Audience signals, search themes, and customer match serve as signposts for Google AI and must not be misunderstood as rigid, exact targeting. The focus must be on high-quality first-party data.  From ROAS to POAS: A high ROAS often covers up unprofitable sales segments. Advertisers should establish Profit on Ad Spend (POAS) as the primary steering metric via cart data import.  Hybrid Account Structures: Standard Search (for exact brand protection and precise intent) and Standard Shopping (for granular product control) retain their strategic justification alongside PMax.  By 2026, Performance Max campaigns are no longer the non-transparent black box that SEA managers complained about in the early days. Google has made massive technological upgrades and given advertisers tools that allow for fine-grained adjustments. These include campaign-wide negative keywords, optimized search term reports, transparent channel performance reports, deep asset metrics, segmentable reports for asset groups, as well as advanced demographic exclusions and device controls. Google's internal data shows that over one million advertisers now use PMax structures. Despite this technological maturity, a fundamental principle remains: a Performance Max campaign never optimizes itself in terms of your actual business model. The system operates purely opportunistically based on the data provided to it. If an unqualified, faulty contact form is counted as a successful conversion, the artificial intelligence scales exactly those low-quality lead sources. If expensive brand traffic artificially inflates the Return on Ad Spend (ROAS), the algorithm gratefully grabs it without generating real incremental revenue. For demanding SEA managers and marketing decision-makers, this means that optimization today no longer takes place primarily via manual bids, but through strategic data management, placing precise guardrails, and honest performance measurement.  Deeply Analyze Budget Distribution and Channel Performance   As soon as a Performance Max campaign shows a drop in performance, many market participants tend to immediately modify the target ROAS (tROAS) or target cost-per-conversion (tCPA). In practice, this lever is usually pulled too early and only treats symptoms instead of causes. The first analysis step must absolutely be looking at the budget distribution across the various networks.  The dedicated channel performance report reveals which budget shares are flowing into the Search, Shopping, YouTube, Display, Discover, Gmail, Maps channels or to search network partners. Although this report does not allow for direct, manual budget reallocation, it makes dangerous shifts transparent. If, for example, spending in the Display or YouTube network suddenly spikes and at the same time the final lead quality in the customer relationship management (CRM) system drops, the cause is not an incorrect bid level. Rather, the campaign is attracting low-quality clicks through visual placements because the underlying conversion signal is too weak or too easily manipulated.  As part of a deeper Performance Max optimization, search terms must be consistently analyzed and prioritized by total cost. Frequently, expensive search queries without any conversion action are much more revealing than historical winners. SEA managers should systematically identify and exclude unsuitable search terms. Typical negatives that should be placed in almost every professional B2B or e-commerce account include terms like: "jobs," "career," "salary," "support," "login," "free," "guide," "PDF," student research, irrelevant competitor names, or purely informational search phrases with no commercial intent.  Strategic Campaign Structure by Profitability   In many accounts, the structuring of Performance Max campaigns follows purely visual or catalog-based criteria. This is inefficient. A split into separate campaigns is only justified if this split enables targeted operational control – be it through differentiated budgets, specific target bids, differing conversion goals, margin structures, regional focus areas, or strict brand rule sets.  Segmentation Criterion  E-Commerce Approach  Lead Generation Approach     Profitability & Margin   Splits by high-margin (e.g., private labels) vs. low-margin (retail goods). Focus the budget on products with real return.  Differentiation by Customer Lifetime Value (CLV) or order volume (e.g., enterprise deals vs. SMB self-service).  Product & Service Dynamics   Separation of bestsellers (high-performers), seasonal goods, new arrivals, and so-called zombie SKUs (products without clicks).  Differentiation between high-margin core services and purely informational introductory offers (e.g., whitepaper downloads).  Database (Custom Labels / CRM)   Steering via the Google Merchant Center feed using defined custom labels for inventory and margin classes.  Steering via verified offline conversion data (MQL, SQL) instead of pure online form submissions.  The exact same economic principle applies to lead generation. Segmentation must be based on sales reality. Never structure your asset groups or campaigns primarily on audience signals. Since Google only interprets these signals as a non-binding recommendation, a purely audience-based campaign separation almost always leads to internal data overlap and inefficient budget allocation.  Align Search Themes, Audience Signals, and Customer Match Precisely  The introduction of search themes offers an excellent option for sharing contextual knowledge with Google AI. However, search themes should never be confused with classic keyword match types or seen as a complete replacement for structured search campaigns. Their strategic area of application is primarily where the system has too little historical data: during the market launch of completely new product lines, for highly complex B2B niche applications, for targeted promotion of competitor alternatives, or when the landing page offers too little semantic text content due to a minimalist design.  Even though Google allows up to 50 search themes per asset group, this limit should never be maxed out randomly if you want precise Performance Max optimization. Best practices suggest using a few, concise themes bundled strictly by search intent. Afterwards, the generated search term reports must be closely monitored to immediately prevent any misdirection of the algorithm.  The same applies to audience signals. They do not represent a hard, exclusive target, but rather act as an initial catalyst for machine learning processes. Advertisers should consistently rely on first-party data here. You will achieve the highest signal quality through:  Up-to-date customer match lists from your CRM (high-value buyers).  Granular website visitors (cart abandoners, returning users).  Specific app user data or qualified newsletter subscribers.  Isolate Brand Traffic and Secure Incremental Growth   It is one of the most common phenomena in SEA practice: a Performance Max campaign delivers outstanding ROAS metrics on paper, but real company growth stagnates. The reason lies in the uncontrolled skimming of existing demand. The system tends to target brand search queries (brand traffic), existing remarketing audiences, and loyal customers who would convert anyway in order to easily meet predefined efficiency targets.  Although Google prioritizes identical exact match keywords in regular search campaigns over a parallel PMax campaign, as soon as the search campaign hits a budget limit or is restricted by settings that are too tight, PMax takes over the brand auction. SEA managers must therefore check at regular intervals which search terms are being actively triggered within PMax and whether unwanted cannibalization effects are occurring with existing brand, generic, or competitor campaigns.  To drive genuine, incremental revenue, brand exclusions should be implemented directly in the campaign settings. For e-commerce, specialized search-only brand exclusions are also available. This feature suppresses pure text ads for brand terms within PMax, but still allows the algorithm to display visual brand shopping, which is highly profitable in most cases.  Optimize Data Quality in the Feed and Final URLs   Particularly in retail, Performance Max is often structurally much closer to a classic shopping campaign than an all-encompassing multi-channel campaign. Before making far-reaching bid adjustments, absolute data quality must be ensured in the Google Merchant Center. Optimizing product titles, product types, GTINs, high-resolution imagery, correct sale prices, precise stock status, and custom labels forms the bedrock.  Product titles should not simply be copied from internal ERP systems. They must include the attributes that customers are actively searching for. The optimal layout usually follows this logic: Brand + Product Type + Model Number + Material + Specification (e.g., size, color, compatibility).  An often overlooked pitfall lies in the uncontrolled activation of final URL expansion. This feature allows Google to replace the destination page with a supposedly more relevant URL on your website and automatically generate matching text assets. With a brilliantly structured, purely sales-oriented website architecture, this delivers excellent results. However, the setup becomes highly inefficient if informative blog posts, support documentation, career pages, or general advice articles unintentionally slip into the ad pool. Such URLs must be consistently blocked using explicit exclusion rules.  Link Bidding Strategies to Qualitative Conversion Signals   Choosing the right bidding strategy largely determines the success of a campaign. In e-commerce, the "maximize conversion value" strategy combined with a defined target ROAS is the gold standard – assuming revenue values are transmitted to the Google Ads account perfectly and without delay. A target ROAS that is selected too aggressively starves the algorithm of necessary liquidity and chokes campaign volume. A target value that is set too low generates massive revenue but is no longer economically viable at the margin level once all costs are considered. In the B2B segment and for lead generation, the exact definition of the conversion action is even more important than the bidding strategy itself. If you define the simple submission of a contact form as your primary conversion, you force PMax to maximize exactly these quantitative completions. The result is often a flood of spam leads or contacts with no real interest in buying. The solution lies in shifting optimization to qualified, deeper-funnel offline conversions via CRM import. Optimize for:  Marketing Qualified Leads (MQL) after successful initial vetting.  Sales Qualified Leads (SQL) after direct sales contact.  Generated pipeline opportunities or final "closed-won" deals.  A seemingly cheap Cost-per-Lead (CPL) that does not lead to measurable sales is not a marketing success; it feeds machine learning with useless training material.  Validate Incrementality Using PMax Experiments   Because Performance Max is excellent at funneling existing demand channels, evaluation must never occur in the silo of the campaign dashboard. SEA managers must isolate the real added value (incrementality). The integrated Performance Max experiments are ideal for this. Google provides these as scientific A/B tests with which strategic settings, creative directions, or completely new campaign setups can be compared in a statistically clean manner. Specific uplift tests also precisely measure the real additional benefit of PMax in direct comparison to already active search, video, and display campaigns. For a valid implementation in marketing practice, the following basic rules must be observed:  No testing during peak seasons: Never run experiments during extreme seasonal fluctuations (e.g., Black Friday or the holiday shopping season).  Single-variable principle: Never change the feed, budget, and bidding strategy simultaneously within a test run.  Allow sufficient runtime: Do not cancel experiments after just a few days; the algorithm needs an adequate learning and consolidation phase.  The ultimate success criterion is never the isolated ROAS of a single campaign, but whether the overall revenue, net profit, and qualified sales pipeline of the entire company increase significantly.  The Continued Relevance of Standard Search and Standard Shopping   Despite the omnipresence of PMax in 2026, switching your entire advertising account to this campaign type would be a fatal strategic error. Traditional campaign formats retain their fundamental place in a balanced overall strategy.  Classic standard search campaigns (Standard Search) are still indispensable for seamless brand defense, targeted and aggressive bidding on competitor keywords, highly regulated advertising claims, and specific B2B search queries with high exactness. Using exact match keywords ensures that the text ad written correlates perfectly with the user's search intent – a level of precision that PMax inherently cannot guarantee.  Similarly, Standard Shopping remains an incredibly powerful tool for tactical product control. When it comes to realizing targeted clearance sales, boosting so-called shelf warmers (zombie SKUs) with a specific budget, quickly reducing inventory, or running highly time-limited promotions for exclusive SKUs, Standard Shopping offers the required granular control at the product level. In the most successful ad accounts of 2026, a hybrid account model has been established: PMax serves as a scale-strong foundation for broad market coverage, Search secures high-quality intent, and Standard Shopping is used for surgically precise feed control.  The Paradigm Shift: From ROAS to POAS (Profit on Ad Spend)   The classic Return on Ad Spend is increasingly reaching its limits in modern e-commerce. It is a pure revenue metric. ROAS suggests success where financial losses may actually be occurring, as it completely ignores real gross profit. A product that generates $200 in revenue at a 20% margin must be evaluated completely differently from a business perspective than a product that generates $200 in revenue at a 60% margin. Purely revenue-based bidding treats both scenarios identically.  This is where the concept of Profit on Ad Spend (POAS) comes in. This metric relates the actual profit achieved to the advertising spend invested:  POAS = Gross Profit from Ad Investment / Ad Cost   To implement profit-based bidding in Performance Max, detailed shopping cart data and exact cost of goods sold (COGS) must be transmitted to Google Ads via the Google Merchant Center. Since PMax is naturally designed to realize the maximum conversion value within budget, the system runs the risk of heavily scaling low-margin bestsellers without this profit context, while neglecting highly profitable products due to a lack of initial search volume. A high ROAS does not protect against declining overall profitability.  Conclusion: Set Guardrails and Keep the AI Under Control   In 2026, Performance Max stands out as a highly sophisticated, excellently controllable marketing tool. The main task of SEA managers and marketing executives is no longer manually rebuilding every single ad auction. Your primary responsibility lies in defining crystal-clear guardrails. You must define where the algorithm is allowed to learn – and where it is rigorously blocked. Those who intelligently combine data quality, technological controls, and business logic like POAS will transform Performance Max from an unpredictable black box into a highly profitable growth engine.  FAQ on Performance Max Campaigns 2026   Should PMax completely replace Standard Search in 2026?   No. Performance Max is excellent for unlocking additional reach and incremental placements. However, it by no means replaces dedicated search campaigns where you need absolute control over keywords, exact ad copy, and the protection of your own brand.  Are audience signals in PMax equivalent to hard targeting?   No. Audience signals are purely guiding aids for Google AI to speed up the learning phase. They do not restrict ad delivery exclusively. To maximize signal quality, you should consistently feed in first-party data such as customer match lists, CRM segments, and deep website interactions.  When is it advisable to use PMax experiments?   Using them is highly recommended whenever you want to test the incrementality of your campaigns. Experiments show you in black and white whether PMax is generating genuine new revenue or merely claiming conversions that would have come in anyway through organic search or existing search campaigns.  Why is ROAS losing importance as a primary metric for PMax?   Because ROAS only measures the ratio of revenue to cost. Since PMax operates autonomously, it optimizes for revenue volume. If your product range has varying margin structures, this often leads to unprofitable products being pushed. POAS (Profit on Ad Spend) is the much more honest business metric here.  How often should Performance Max optimization take place? A weekly rhythm is recommended for controlling the channel mix, evaluating search terms, adding exclusions, and reviewing landing pages. Comprehensive audits of brand exclusions, analysis of SKU concentration, updating assets, and reconciling with CRM data should be carried out monthly.