Warum AI-Readiness für Shopping-Kampagnen 2026 entscheidend wird
Google verändert die Suche spürbar: AI-Overviews und der AI-Mode verschieben Shopping-Suchen von klassischen Keywords hin zu dialogischen, mehrstufigen Kaufentscheidungen. Für Händler bedeutet das aber nicht, dass sie einen neuen „AI-Mode-Kampagnentyp“ buchen können. Genau das Gegenteil ist der Fall: AI-Readiness entsteht durch saubere Produktdaten, belastbares Tracking, sinnvolle Kampagnenstruktur, konsistente Landingpages und verwertbare Assets.
Dieser Beitrag zeigt, was es praktisch bedeutet, Shopping-Kampagnen AI-ready zu machen: welche Grundlagen wirklich zählen, welche Begriffe eher Buzzword sind und was sich gegenüber früher tatsächlich verändert hat.
Die wichtigsten Erkenntnisse für Händler
Die Entwicklung zeigt klar: AI verändert Shopping-Suchen nicht durch einzelne neue Tricks, sondern durch ein Zusammenspiel aus sauberer technischer Basis, aktuellen Produktdaten, intelligenter Kampagnenstruktur und einer profitabilitätsorientierten Steuerung.
- Shopping wird beratender: Google beschreibt AI-Mode als Suche, die Anfragen per Query-Fan-Out in Unterthemen aufteilt. Gerade Shopping-Suchen werden dadurch weniger produktnah und stärker problemlösungsorientiert. (Quelle: blog.google)
- Es gibt keine AI-SEO-Magie: Für AI-Overviews und AI-Mode gelten laut Google dieselben technischen Grundlagen wie für klassische Search-Sichtbarkeit. Eine Seite muss indexiert und snippet-fähig sein; spezielles AI-Markup oder eigene AI-Dateien sind nicht erforderlich. (Quelle: Google for Developers)
- Der Feed wird zur semantischen Produktdatenbasis: AI-Shopping basiert stark auf Googles Shopping-Graph mit mehr als 50 Milliarden Produktlistings und stündlich mehr als 2 Milliarden aktualisierten Listings. Preis, Verfügbarkeit, Varianten, Bilder, Reviews und Produktdetails müssen deshalb aktuell und konsistent sein. (Quelle: blog.google)
- PMax bleibt wichtig, aber nicht ausreichend: Performance-Max liefert Reichweite über Google-Inventare hinweg. Strategie entsteht aber erst durch Struktur, Custom-Labels, Brand-Exclusions, negative Keywords, Search-Term-Auswertung und Channel-Performance-Analyse.
- Profitabilität ist kein Google-Schalter: Begriffe wie „Profit-Bidding“ oder „Margin-Bidding“ sind keine nativen Google-Funktionen. Profit-Steuerung entsteht über Conversion-Werte, Value-Rules, Customer-Lifecycle-Ziele, Conversion-Adjustments und saubere Margendaten.
Wir zeigen Dir praxisnah, wie Feed, Datenqualität und Kampagnenstruktur Dein Shopping-Setup für AI Mode stärken.
Inklusive AI-Ready-Checkliste: mit konkreten Prüfpunkten, Prioritäten und nächsten Schritten.
Ramón Rupp
Supervising Paid Media Manager & AI Adoption Strategist
Was Google AI Mode im Shopping-Kontext verändert
Früher war Shopping in Google oft klar strukturiert: Nutzer suchten nach einem Produkt, Google zeigte Shopping-Ergebnisse, Händler optimierten Feed, Gebot und Kampagne.
AI-Mode verändert diese Logik. Nutzer fragen nicht mehr nur „Nike Laufschuh Herren Größe 44“, sondern eher:
„Welcher Laufschuh eignet sich für schwere Läufer, die zweimal pro Woche auf Asphalt laufen und Knieprobleme vermeiden wollen?“
Diese Anfrage enthält mehrere Absichten gleichzeitig:
Einsatzbereich
Zielgruppe
Frequenz
Untergrund
Gesundheitliches Risiko
Produktempfehlung
Die fünf Schichten von AI-Readiness
AI-Readiness entsteht nicht durch ein einzelnes Feature, sondern durch mehrere Schichten, die zusammenspielen. Je sauberer diese Schichten sind, desto besser kann Google Produkte, Nutzerintentionen und wirtschaftliche Ziele zusammenbringen.
1. Feed-Hygiene
Der Merchant-Center-Feed ist nicht mehr nur Inventar für Shopping-Anzeigen. Er wird zur semantischen Antwortbasis für komplexere Produktempfehlungen. Der Shopping-Graph ist das Rückgrat vieler AI-Shopping-Antworten, und der Match hängt davon ab, ob der Feed relevante Constraints überhaupt liefert.
Eine Kundin fragt im AI-Mode zum Beispiel:
„Ich suche ein luftiges Kleid für eine Sommerhochzeit im Garten, knielang, nicht durchsichtig, mit Ärmeln, unter 150 Euro und in Salbeigrün oder Blau.“
Google kann diese Anfrage in mehrere Sub-Intents zerlegen:
Anlass
Sommerhochzeit
Einsatzkontext
Garten, warmes Wetter, festlich, aber nicht overdressed
Schnitt
knielang, mit Ärmeln
Material und Tragegefühl
luftig, blickdicht, geeignet für längeres Tragen
Budget
unter 150 Euro
Farbe und Varianten
Salbeigrün oder Blau
Verfügbarkeit
passende Größe, lieferbar, realistische Versandzeit
Ob ein Produkt in diese Antwort passt, hängt nicht nur am Titel „Kleid Damen“. Entscheidend ist, ob Feed und Produktseite Attribute wie Material, Transparenz, Schnitt, Farbe, Anlass, Größe, Preis, Verfügbarkeit und Bildkontext konsistent liefern.
Das ist an sich nicht neu. Google hat immer schon gepredigt: „Vollständiger Feed ist die Basis.“ Im AI-Mode-Kontext wird diese Regel jedoch härter. Produkttitel müssen nicht nur Klicks generieren, sondern als Antwortbasis taugen. Beschreibungen müssen Use-Cases, Materialeigenschaften, Kompatibilitäten und Einschränkungen enthalten – nicht für SEO-Hacks, sondern weil AI-Systeme diese Daten brauchen, um präzise zu antworten.
Besonders wichtig werden:
- Produkttitel: präzise, unterscheidbare Attribute nach vorne
- Beschreibungen: Use-Cases, Material, Kompatibilität, Eigenschaften und Einschränkungen statt generischer Texte
- Variantenlogik: konsistente item_group_id, Größen, Farben und Materialien
- Produktdetails: strukturierte Merkmale statt nur Fließtext
- Product-Highlights: kurze, scanbare Vorteile
- Bilder: Hauptbild plus Perspektiven, Anwendungsszenen und Lifestyle-Kontext
Zusätzlich zeichnet sich ab, dass Google das Merchant-Center um neue Attribute für AI-gestützte Shopping-Erlebnisse erweitert. Diese Felder sollen Produkte nicht nur beschreiben, sondern stärker in Kaufkontexte einordnen: Welche Fragen beantworten sie, für welche Use-Cases passen sie, welches Zubehör ist kompatibel, welche Alternativen gibt es und ob ein Produkt für agentische Checkout-Szenarien geeignet ist.
Dazu zählen unter anderem:
- product_faq: produktspezifische Fragen und Antworten direkt im Feed
- product_use_cases: konkrete Einsatzszenarien, für die ein Produkt besonders geeignet ist
- compatible_accessories: Zubehörprodukte, die mit dem Hauptprodukt kompatibel sind
- product_substitutes: Alternativen, falls ein Produkt nicht verfügbar ist
- native_commerce: Information, ob ein Produkt für Agentic-Checkout geeignet ist
- checkout_eligibility: Information, ob ein Produkt ohne aktiv anwesenden Menschen gekauft werden kann
Der alte Satz „Feed-Optimierung ist wichtig“ stimmt also weiterhin. Neu ist, dass der Feed stärker semantisch verstanden werden muss: Nicht nur „Was ist das Produkt?“, sondern:
„Für welche Kaufentscheidung ist es die beste Antwort?“
Query Fan-Out: Mehr Sub-Intents, weniger direkte Klicks
Google-AI-Mode nutzt "Query Fan-Out" – eine Anfrage wird in mehrere Subqueries aufgelöst. Das vergrößert die Anzahl matchbarer Intents pro Suche, verdrängt aber auch klassische Klicks. Branchendaten deuten auf CTR-Rückgänge von 34 bis 58 Prozent in betroffenen Queries hin. (Quelle: ahrefs)
Das bedeutet: Deine Sichtbarkeit kann steigen, aber Deine Klicks fallen. Warum? Weil AI Overviews die Antwort direkt geben, ohne dass Nutzer:innen auf Deine Seite klicken müssen. Das ist für Nutzer:innen besser. Für Dich als Händler:in ist es eine Verschiebung der Conversion-Mechanik.
2. Tracking und Datenqualität
Smart-Bidding braucht bessere Werte. Wenn Klicks weniger eindeutig werden, wird Conversion-Qualität wichtiger. Die zentrale Frage lautet nicht mehr nur: „Wie viel Traffic bekomme ich?“, sondern:
„Welche Klicks bringen mir profitablen Umsatz?“
AI-gestützte Kampagnen sind nur so gut wie die Signale, die sie erhalten. Wer Conversion-Werte nur als Umsatz übergibt, optimiert im Zweifel auf Umsatz, nicht auf Gewinn. Wer Retouren nicht zurückspielt, lässt Google auf verzerrten Daten lernen. Wer Neukunden und Bestandskunden nicht unterscheidet, kann Customer-Lifecycle-Ziele nicht sauber nutzen.
Pflicht sind deshalb:
Belastbares Conversion-Tracking
Consent-Mode-v2
Enhanced-Conversions
Plausible Conversion-Werte
Retouren- und Storno-Logik, zum Beispiel über Conversion-Adjustments
Customer-Match- und Neukunden-Signale, sofern sauber erhoben
Für viele Händler liegt der größte AI-Readiness-Hebel neben dem Feed vor allem in der Wertlogik: Welche Conversion ist wirklich profitabel?
3. Kampagnenstruktur
Performance-Max ist in vielen Konten das zentrale Shopping-Vehikel. Wer in AI-Mode, AI-Overviews, YouTube, Display und Search gleichzeitig spielen will, braucht PMax. Das macht PMax aber nicht automatisch zu einer Strategie.
Ein schwaches Setup sieht oft so aus:
Eine große PMax-Kampagne
Eine Asset-Group
Alle Produkte in einem Topf
Keine Margenlogik
Keine Brand-Exclusions
Keine Search-Term-Auswertung
Keine klare Trennung zwischen Wachstum, Bestand, Sale und Profit
Das ist bequem, aber gefährlich. PMax optimiert auf die Signale, die es bekommt. Wenn diese Signale unsauber sind, skaliert PMax die Unschärfe.
| Strukturachse | Beispiel |
|---|---|
| Marge | High-Margin, Low-Margin, Verlustbringer |
| Sortiment | Bestseller, Long-Tail, Saisonware, Abverkauf |
| Ziel | Neukunden, Retention, Reaktivierung |
| Intent | generische Nachfrage, Brand-Nähe, Kategorieinteresse |
| Verfügbarkeit | hoher Bestand, knapper Bestand, Outlet |
Custom-Labels sind dafür der zentrale Hebel. Google erlaubt bis zu fünf benutzerdefinierte Labels pro Produkt, die in Shopping- und Performance-Max-Kampagnen zur Strukturierung, Auswertung und Gebotssteuerung genutzt werden können. (Quelle: Google Hilfe)
Zusätzlich sollten Händler die neueren Transparenz- und Kontrollmöglichkeiten nutzen: Channel-Performance-Report, Search-Term-Reports, Brand-Controls und negative Keywords. Google hat für Performance-Max unter anderem Channel-Performance-Reporting und zusätzliche Kontrollmöglichkeiten ausgebaut. (Quelle: Google Hilfe)
Wichtig für die eigene Marke: Brand-Exclusions sind in PMax der sauberere Hebel, wenn der eigene Brand-Traffic separat gesteuert werden soll. Für Retailer mit Produktfeed ist die Nuance entscheidend: Brand-Suchanfragen können für Search-Textanzeigen ausgeschlossen werden, während Shopping-Anzeigen für Brand-Traffic weiterhin zugelassen bleiben. Das gibt Brand-Kontrolle und spart Budget.
4. Landingpages und strukturierte Daten
AI-Readiness endet nicht im Merchant-Center. Google gleicht Produktdaten, Landingpage-Inhalte und strukturierte Daten ab. Wenn Preis, Verfügbarkeit, Variante oder Versandinformationen zwischen Feed und Website widersprüchlich sind, entsteht kein AI-Vorteil, sondern ein Qualitätsproblem.
Für Produktseiten bedeutet das:
Product-Schema mit Offer-Daten
Varianten sauber auszeichnen
Preis und Verfügbarkeit konsistent halten
Versand, Retouren und Trust-Signale sichtbar machen
Wichtige Inhalte als Text bereitstellen, nicht nur als Bild
Core-Web-Vitals und Mobile-UX ernst nehmen
Google sagt klar: Für AI-Features braucht es keine neuen AI-Dateien oder spezielles Schema.org-Markup. Bestehende SEO-Grundlagen bleiben entscheidend, darunter crawlbare Seiten, gute interne Verlinkung, hilfreicher Content, passende strukturierte Daten und aktuelle Merchant-Center-Informationen. (Quelle: Google for Developers)
Damit ist auch die Grenze von „LLMO“ und „GEO“ klarer: Vieles, was als neue AI-Optimierung verkauft wird, ist im Kern sauberes SEO, gute Produktinformation und digitale PR. Neue Begriffe ändern nicht die Grundlagen.
5. Assets und Creative-Reife
AI Mode ist stärker visuell, dialogisch und kontextabhängig. Produktdaten allein reichen deshalb nicht. Google braucht passende Assets, um Produkte in verschiedenen Formaten, Kontexten und Funnel-Phasen ausspielen zu können.
Dazu gehören:
Hochwertige Produktbilder
Zusätzliche Detailbilder
Lifestyle-Bilder
Videos in mehreren Formaten
Klare Headlines und Descriptions
Konsistente USPs über Feed, Website und Ads hinweg
Seit Ende April 2026 ist außerdem AI-Max-for-Shopping relevant. Google beschreibt AI-Max-for-Shopping als Erweiterung für bestehende Shopping-Kampagnen, die den Merchant-Center-Feed nutzt, um Produktkontext wie Material, Haltbarkeit oder Passform für conversational Queries besser zu verstehen. Zu den genannten Funktionen gehören Text-Customization, Final-URL-Expansion und automatische Format-Auswahl zwischen Text- und Shopping-Anzeigen. Performance-Max bleibt laut Google weiterhin der zentrale Ansatz für Cross-Channel-Performance. (Quelle: blog.google)
Wichtig: Das macht AI-Max-for-Shopping nicht zu einem „AI-Mode-Kampagnentyp“. Es ist ein weiterer AI-Layer auf bestehenden Shopping-Kampagnen. Die Grundlage bleibt der Feed.
Unser strategischer Ansatz für Performance-Shopping
Aus diesen fünf Schichten ergibt sich eine klare Strategie: AI-Mode-Readiness ist ein Reifegrad-Audit, kein Kampagnen-Setup. Bei der MAI Group arbeiten wir dafür mit drei Reifestufen.
Sauberes Tracking mit Enhanced-Conversions und Consent-Mode-v2, vollständiger Feed mit GTIN, Brand, Varianten und Apparel-Attributen, Schema.org auf Produktseiten sowie Standard-Shopping oder PMax mit klarer Struktur. Das ist die Hausaufgabe. Wer das nicht hat, optimiert blind.
Customer-Lifecycle-Goals mit Retention-Fokus, Conversion-Value-Rules für Audience-/Geo-/Device-Multiplikatoren, Custom-Labels für Margen und Saison, strukturierte Produktdetails im Feed, regelmäßige Creative-Iteration, Channel-Performance-Report und ergänzende Skripte für Spend-Analyse.
Profit-basierte Conversion-Values, POAS-Pipeline, BigQuery-Dashboard mit Ads, GA4 und Merchant-Center, Conversion-Adjustments für Retouren, sauber abgebildete Margendaten und gezielte Tests neuer Google-Funktionen oder Beta-Programme, sofern sie zum Account passen.
Unsere Arbeit beginnt deshalb immer mit einem Audit: Wo steht Dein Account wirklich? Nicht: „Haben wir PMax?“, sondern: „Ist dein Conversion-Tracking valide? Sind Deine Margen korrekt abgebildet? Ist Dein Feed vollständig?“ Erst dann sprechen wir über AI-Optimierungen.
PMax-Shopping: fünf Schritte zur Umsetzung
Wer AI-Readiness operativ angehen will, sollte nicht mit dem neuesten Feature starten, sondern mit einer sauberen Reihenfolge. Diese fünf Schritte bringen Struktur in die Umsetzung.
Enhanced-Conversions aktivieren, Consent-Mode-v2 sauber implementieren, Customer-Type-Parameter im Tag setzen und genügend Conversion-Volumen für value-based Bidding sicherstellen. Ohne belastbare Daten optimiert Smart-Bidding in die falsche Richtung.
GTIN, Brand und MPN prüfen, google_product_category spezifisch setzen, item_group_id für Varianten sauber pflegen, Apparel-Attribute wie color, size, material und gender vollständig liefern, Bilder mindestens 800 x 800 Pixel bereitstellen sowie Title und Description nach Spezifikation prüfen. Wenn mehr als 10 Prozent Fehler im Feed liegen, kommt Feed-Bereinigung vor allem anderen.
Bestellwert minus COGS, Versand und Gebühren ergibt den besseren Steuerungswert als reiner Umsatz. Das kann im Tag, serverseitig oder über nachgelagerte Conversion-Adjustments abgebildet werden. Entscheidend ist: Smart-Bidding muss wissen, was wirtschaftlich wertvoll ist.
Die Grundentscheidung lautet: PMax mit Asset-Groups nach Intent und Brand-Exclusions, Standard-Shopping für High-Margin- oder Räumungslogiken – oder ein Hybrid aus beiden. Ein-Asset-Group-Kampagnen ohne Sortiment- und Margenlogik sollten die Ausnahme sein, nicht der Standard.
Channel-Performance-Report regelmäßig sichten, Search-Term-Auswertung nutzen, Spend-Verteilung optional über Skripte prüfen und Disapprovals sowie Item-Issues im Merchant-Center kontrollieren. Wichtig ist auch die Erwartungshaltung: Es gibt kein segmentiertes Reporting nur für AI-Surfaces. Das ist eine Google-Limitierung, keine Lücke im Setup.
So werden Shopping-Kampagnen fit für den AI-Mode
AI-Mode-Readiness ist weniger spektakulär als viele Buzzwords suggerieren – aber operativ anspruchsvoller. Es gibt keinen magischen Schalter, keine AI-SEO-Hacks und keinen speziellen Kampagnentyp, der das Thema allein löst.
Es geht nicht darum, einen neuen Kanal einzuschalten. Es geht darum, Googles AI-Systemen bessere Inputs zu liefern: vollständige Produktdaten, echte Conversion-Werte, klare Sortimentslogik, konsistente Landingpages und hochwertige Assets.
Optimierung der Voraussetzungen ist möglich. Kontrolle der Ausspielung ist begrenzt.
Wer diese Trennung versteht, wird AI-Mode nicht als Hype behandeln, sondern als Qualitätsprüfung für das eigene Shopping-Setup. Händler, die Feed, Tracking, PMax-Struktur, Standard-Shopping-Kontrolle und Profitlogik sauber aufstellen, sind deutlich näher an AI-Readiness als Unternehmen, die nur das nächste Google-Feature aktivieren.
