Dein nächster Kunde könnte eine KI sein: Was das für SEO bedeutet

Was passiert, wenn der nächste Kunde kein Mensch ist?

KI-Agenten recherchieren, vergleichen Preise und kaufen eigenständig ein. Was nach Zukunftsvision klingt, ist bereits Realität: McKinsey schätzt das Volumen von Agentic Commerce bis 2030 auf 5 Billionen US-Dollar weltweit. Adobe verzeichnete bis Mitte 2025 einen Anstieg des KI-Traffics auf Händler-Websites um 4.700 Prozent. Das verändert SEO grundlegend. Denn wenn Maschinen die Kaufentscheidung treffen, zählen weder ansprechende Produktbilder noch emotionale Werbetexte. Was zählt: strukturierte, maschinenlesbare Daten in Echtzeit.

Agentic Commerce: KI-Agenten als autonome Einkäufer

Agentic Commerce beschreibt einen Paradigmenwechsel im digitalen Handel. KI-Agenten handeln nicht mehr nur als Assistenten, sondern als autonome Akteure. Sie recherchieren Produkte, vergleichen Angebote, verhandeln Konditionen und schließen Käufe ab. Damit das funktioniert, entsteht gerade eine neue Infrastruktur: • Agentic Commerce Protocol (ACP): Entwickelt von Stripe und OpenAI, ermöglicht nahtlose Checkouts direkt in Plattformen wie ChatGPT. • Universal Commerce Protocol (UCP): Googles Pendant für den offenen Handel zwischen KI-Agenten und Online-Shops. • Agent Cards von Ramp: Virtuelle Kreditkarten mit programmierbaren Budgets, speziell für KI-Agenten. • Shared Payment Tokens (SPTs): Stripe-Technologie, die sichere Zahlungen ermöglicht, ohne dass Agenten rohe Kreditkartendaten sehen. Visa und Mastercard arbeiten parallel an netzwerkweiten Standards zur Authentifizierung und Betrugsprävention von Bot-Transaktionen. Mit dem Machine Payments Protocol (MPP) können KIs sogar Mikrotransaktionen über Stablecoins abwickeln: etwa um API-Aufrufe direkt zu bezahlen.

Zero-Click-Suchen: Das Ende des Klicks als Währung

Parallel zum Agentic Commerce verändert sich das Suchverhalten fundamental. Nutzer googeln nicht mehr nach Stichworten und klicken sich durch zehn blaue Links. Stattdessen stellen sie komplexe Fragen an ChatGPT, Perplexity oder Google AI Overviews und erwarten direkte Antworten. Die Konsequenz: Ein Großteil der Suchanfragen endet heute ohne einen einzigen Klick auf eine Website. Laut Bain verlassen sich bereits 80 Prozent der Konsumenten bei mindestens 40 Prozent ihrer Suchen auf Zero-Click-Ergebnisse. Gartner prognostiziert, dass bis 2026 ein Viertel des organischen Such-Traffics an KI-Chatbots verloren geht. Gleichzeitig zeigen die Daten ein paradoxes Bild: Weniger Traffic bedeutet nicht automatisch weniger Umsatz. Laut Semrush konvertieren Besucher aus der KI-Suche mit einer 4,4-fach höheren Rate als traditioneller organischer Traffic. NerdWallet steigerte seinen Umsatz 2024 um 35 Prozent, obwohl der Website-Traffic um 20 Prozent sank.

Answer Engine Optimization: SEO für KI-Suchmaschinen

Wenn KI-Systeme die Antworten liefern, müssen Inhalte so aufbereitet sein, dass Maschinen sie finden, verstehen und korrekt zitieren können. Dieser Ansatz heißt Answer Engine Optimization (AEO). Inhalte für die Extraktion strukturieren KIs scannen Texte anders als Menschen. Die wichtigsten Regeln: • Die direkte Antwort auf eine Frage gehört in die ersten 30 bis 60 Wörter eines Abschnitts. • Überschriften sollten als konkrete Fragen formuliert sein: "Was kostet Buchhaltungssoftware?" statt nur "Preise". • Aufzählungen, nummerierte Listen und Tabellen sind das bevorzugte Format. • Absätze sollten maximal zwei bis drei Sätze umfassen. Technische Zugänglichkeit sicherstellen KI-Crawler lesen reines HTML. Inhalte, die hinter JavaScript, Tabs, Akkordeons oder Paywalls versteckt sind, werden schlicht ignoriert. Ebenso wichtig: In der robots.txt dürfen KI-Crawler wie OAI-SearchBot, PerplexityBot oder Google-Extended nicht blockiert werden. Ein aufkommender Standard ist die llms.txt-Datei: eine Markdown-Datei im Stammverzeichnis der Website, die KI-Systemen hilft, die Seitenstruktur zu verstehen und relevante Inhalte gezielt zu finden. Das Konzept funktioniert ähnlich wie eine Sitemap, nur eben für Large Language Models. Schema-Markup als Übersetzer für Maschinen Strukturierte Daten im JSON-LD-Format helfen KIs, Inhalte technisch zu interpretieren. Die wichtigsten Schema-Typen für AEO: • FAQPage-Schema: Das nützlichste Format, da es direkt auf Frage-Antwort-Paare abzielt. • HowTo-Schema: Für Schritt-für-Schritt-Anleitungen. • Product-Schema: Fehlt es, muss die KI Produktdaten raten. Das geht selten zugunsten der Marke aus. • Speakable-Schema: Markiert Textabschnitte, die sich für die Sprachausgabe durch Alexa oder Siri eignen. Konsens im Netz aufbauen KI-Modelle suchen nach einem Konsens, bevor sie eine Marke empfehlen. Die eigene Website reicht dafür nicht aus. KIs ziehen regelmäßig nutzergenerierte Inhalte auf Reddit, YouTube, LinkedIn, G2 und Branchenforen als unabhängige Vertrauenssignale heran. Der Schlüssel liegt in authentischer Präsenz auf genau den Plattformen, die KIs bereits als Quellen nutzen. Reines Marketing-Spamming wird erkannt und ignoriert. Was funktioniert: echte Diskussionsbeiträge, fundierte Antworten, verifizierbare Fallstudien. Mehr dazu im Beitrag zu Mentions vs. Citations.

Neue KPIs: Was Traffic als Kennzahl ablöst

Wenn Zero-Click zur Norm wird, verlieren klassische Metriken wie Klickraten, Impressionen und sitzungsbasierte Attribution ihre Aussagekraft. Neue Kennzahlen rücken an ihre Stelle: • Share of Model: Wie häufig wird eine Marke in KI-generierten Antworten im Vergleich zur Konkurrenz erwähnt? • AI Citations: Wie oft wird eine Website als Quelle in KI-Antworten verlinkt? • Brand Mention Accuracy: Beschreibt die KI das Produkt korrekt? Ist das Sentiment positiv? • Conversion Rate von KI-Traffic: Zwar weniger Besucher, aber deutlich qualifiziertere. • Self-Reported Attribution: Ein offenes Textfeld im Demo-Formular mit der Frage "Wie haben Sie von uns erfahren?" erfasst, was kein Tracking-Tool messen kann. Das NerdWallet-Beispiel illustriert den Wandel perfekt: 20 Prozent weniger Traffic, 35 Prozent mehr Umsatz. Die Meinungsbildung findet in der KI statt, nicht mehr auf der Website.

B2B: Wenn KI-Agenten die Shortlist erstellen

Im B2B-Bereich ist der Wandel besonders tiefgreifend. Laut Forrester nutzen bereits 94 Prozent der B2B-Käufer KI in ihrem Kaufprozess. Die Konsequenzen: Anonyme Vorauswahl: B2B-Käufer erstellen Long- und Shortlists mit Hilfe von KIs, bevor sie jemals ein Formular ausfüllen oder mit dem Vertrieb sprechen. Wer in den KI-Antworten nicht auftaucht, wird nicht in Betracht gezogen. Agent-to-Agent-Verhandlungen: Gartner erwartet, dass KI-Agenten in den nächsten Jahren die Mehrheit der Routine-B2B-Transaktionen abwickeln. Beschaffungs-Agenten auf Käuferseite verhandeln direkt mit Verkaufs-Agenten auf Anbieterseite. Bis zu 20 Prozent der B2B-Verkäufer werden in KI-geführte Preisverhandlungen einsteigen müssen. "Contact Sales" wird abgestraft: KI-Agenten füllen keine Formulare aus und warten nicht auf Rückrufe. Sind Preise und Produktinformationen hinter "Demo anfragen"-Buttons versteckt, streicht der Agent den Anbieter von der Liste. Was B2B-Unternehmen jetzt tun müssen: • Preise transparent machen: Dedizierte Landingpages für jedes Preis-Tier mit strukturierten, maschinenlesbaren Daten. GitLab macht es vor: LLM-lesbare Tabellen mit detaillierten Produktspezifikationen für jedes Paket. • Echtzeit-Dateninfrastruktur aufbauen: Produktdaten, Verfügbarkeiten, Preise und Lieferzeiten müssen in Echtzeit und strukturiert über Schema-Markup bereitstehen. • Kunden als Fürsprecher aktivieren: Echte Erfolgsgeschichten und Bewertungen auf G2, Reddit und LinkedIn sind die Währung, die KI-Modelle als glaubwürdig einstufen.

Die Vercel-Studie: Warum passiver Kontext aktives Suchen schlägt

Ein aufschlussreiches Experiment von Vercel zeigt, wie KI-Agenten mit Wissen umgehen. Das Unternehmen testete verschiedene Methoden, um Coding-Agenten frameworkspezifisches Wissen beizubringen. Das überraschende Ergebnis: Eine statische AGENTS.md-Datei (ein komprimierter Index der Dokumentation) führte zu einer Erfolgsquote von 100 Prozent. Komplexere Methoden, bei denen der Agent selbst entscheidet, ob er ein Tool aufruft, erreichten maximal 79 Prozent. Der Grund: Die KIs nutzten das aktive Suchtool oft gar nicht erst. Die Lektion für SEO ist klar: Informationen müssen passiv verfügbar sein, nicht erst auf Anfrage. Wer seine Daten proaktiv und strukturiert bereitstellt, gewinnt gegenüber Anbietern, die darauf warten, dass die KI nach ihnen sucht.

Fazit: SEO wird zur Maschine-zu-Maschine-Kommunikation

Die Frage ist nicht mehr, ob der nächste Kunde eine KI sein könnte. Die Frage ist, ob die eigene digitale Infrastruktur darauf vorbereitet ist. Der Wandel lässt sich in drei Punkten zusammenfassen: • Sichtbarkeit vor Traffic: Nicht der Klick zählt, sondern die Erwähnung in KI-Antworten. Share of Model ersetzt Share of Voice. • Strukturierte Daten vor schönem Design: KI-Agenten bewerten keine Layouts. Sie bewerten Datenqualität, Aktualität und maschinenlesbare Formate. • Konsens vor Eigenwerbung: KIs vertrauen dem, was mehrere unabhängige Quellen bestätigen. Authentische Präsenz auf Drittplattformen ist wichtiger als die perfekte Produktseite. Die gute Nachricht: Die meisten dieser Maßnahmen sind kein Neuland. Strukturierte Daten, Schema-Markup, E-E-A-T und hochwertige Inhalte waren schon immer gutes SEO. Der Unterschied: Jetzt sind sie nicht mehr optional.