Beispiel · Case Study
Northstars Stärke war Beratung, eingeschlossen in Chat-Logs und PDFs. KI-Suche konnte sie nicht zitieren. Wir überführten die Kauflogik in strukturierte Kriterien und Kompatibilitätsdaten, die Agenten zitieren können.
Northstar ist ein Spezialhändler für Skitour, Klettern und Trail — Mitarbeiter mit im Schnitt acht Jahren in den Sportarten, die sie verkaufen. Online lebte diese Expertise in Chat-Logs und ein paar Kaufberatungen.
Anfang 2026 zitierten ChatGPT Shopping und Perplexity Northstar fast nie, selbst bei Anfragen, für die der Shop perfekt aufgestellt war. Wettbewerber mit dünnerem Sortiment, aber saubereren Daten holten die Empfehlungen.
Wir testeten 84 echte Anfragen gegen ChatGPT Shopping, Perplexity und Claude. Drei Brüche deckten 78% der Misses ab:
Mitarbeiter empfahlen in neunzig Sekunden, aber die Kriterien, die sie nutzten, standen nirgends, wo ein Agent sie lesen konnte.
Welche Bindung zu welcher Ski-Geometrie passte, steckte in Anhängen, nicht in strukturierten Daten. Agenten riskierten die Empfehlung nicht.
'Saisonal' und 'in Produktion' sagten einem Agenten nicht, ob er warten oder eine Alternative vorschlagen soll — also schlug er die Alternative vor.
"KI-Suche zitiert uns jetzt da, wo früher Wettbewerber standen. Die Empfehlungslogik wurde Teil des Produkts."
Vier Workstreams über 8 Wochen. Die Beratung in Daten überführen — ohne zu verflachen, was sie gut machte.
Wir überführten die wiederkehrenden Beratungsmuster aus Chat und Verkauf in explizite Wenn-Dann-Kriterien — Fahrergewicht, Erfahrung, Einsatz → empfohlenes Setup — sichtbar als 'Passt für' und 'Eher nicht, wenn' auf der Produktseite.
Methode
Muster-Extraktion aus 600 Support-Logs in versionierte Entscheidungsregeln.
Kompatibilität wanderte vom PDF in strukturierte Daten: diese Bindung passt zu diesen Ski-Geometrien, diese Sohle zu diesen Steigeisen. Agenten konnten die Empfehlung endlich ohne Disclaimer geben.
Methode
Schema.org-Relationen über die volumenstarken Paare, validiert mit einem headless Agenten-Crawl.
{ "@context": "https://schema.org", "@type": "Product", "name": "Backcountry-Tourenbindung", // die Entscheidungskriterien, explizit gemacht "audience": { "@type": "PeopleAudience", "audienceType": "Skitour, 0-5 Tage Erfahrung" }, "isAccessoryOrSparePartFor": [ { "@type": "Product", "name": "88mm Tourenski" }, { "@type": "Product", "name": "94mm Tourenski" } ]}Wir ersetzten 'saisonal' durch Wiederverfügbarkeits-Daten, mit denen ein Agent rechnen kann: warten oder die lagernde Alternative empfehlen. So oder so kann er handeln.
Methode
Bestandsstatus in klaren Stufen mit expliziten Daten, alle 4 Stunden aus dem Warenwirtschaftssystem über Make.com synchronisiert.
Für die wichtigsten Empfehlungsfragen bauten wir Vergleichsflächen mit explizit gemachten Kriterien und Kompromissen — genau das, was KI-Suche zitieren kann.
Methode
Vergleichsseiten als strukturierte ItemList mit Recommended-For-Eigenschaften, plus wöchentlicher Coverage-Check.
Drei Kennzahlen — und die wichtigste lässt sich aufschlüsseln.
+74% beantwortbare Produktfragen
Die 74% setzten sich aus vier Hebeln zusammen, die wir einzeln gemessen haben:
Das Asset, das blieb, sind die Kriterien. Die Kauflogik ist jetzt explizit und strukturiert, also funktioniert sie für KI-Suche, für den Vergleich auf der Seite und für die nächste Einstellung — statt mit der Person zu gehen, die sie kannte. Ein wöchentlicher Coverage-Test hält neue Produkte davon ab, sie zu senken.
Beispiel · Case Study
Beispiel · Case Study
Das Gleiche für deinen Shop?
Meinen Shop prüfen