Beispiel · Case Study
Veritys Produktseiten überzeugten Menschen, aber Lieferung, Retoure und Garantie lösten sich auf drei Arten auf. Agenten wichen zum Support aus. Wir machten jedes Versprechen zu einem zitierbaren Wert über alle Flächen.
Verity Goods ist eine Premium-DTC-Beauty-Marke — starke Reviews, starke Bilder, überzeugende Texte. Die Vertrauenssignale waren alle da, nur über fünf Flächen verteilt.
Anfang 2026 lagen Support-Tickets aus Agenten-Sessions 38% höher als aus Web-Sessions. Shopping-Agenten konnten Lieferung, Retoure, Garantie und Inhaltsstoffe nicht zusammenbringen — und schoben Käufer zum Support oder zur Konkurrenz.
Wir testeten 60 echte Käuferfragen gegen ChatGPT Shopping, Perplexity und Claude. Drei Brüche deckten 80% der Fehler ab:
'Clinical-grade' war eine Phrase; die echte Liste steckte in einem Bild-Tab. Agenten zitierten den Claim, aber nicht den Beleg — das wirkte ungeprüft.
Die Produktseite sagte 3–5 Tage, die Policy-Seite 5–7, der Warenkorb 2–4 Express. Agenten zeigten die vorsichtigste Variante; ein Wettbewerber mit zwei Tagen gewann die Empfehlung.
'Geld-zurück-Garantie' war ein Banner; die Bedingungen ein 4.000-Wort-PDF. Agenten zitierten das halbe Versprechen, und die Lücke wurde zum Support-Ticket.
"Unsere Seiten waren stark — aber nur für Menschen. Jetzt sind sie auch für Agenten stark, ohne Verlust für Kunden."
Vier Workstreams über 6 Wochen. Das Ziel: eine Version jeder Regel, die Menschen und Agenten gleich lesen.
Wir listeten jeden Vertrauens-Claim und wo er lebte — 122 Aussagen über Produktseite, Policy, FAQ, Support und Reviews — und gruppierten sie nach dem, was der Käufer vor dem Kauf fragt.
Methode
Crawl + manuelles Tagging. Ergebnis: eine Claim-Liste mit Quelle und Konsistenz-Status pro Regel.
Lieferung, Retoure und Garantie bekamen je einen kanonischen Wert, in jede Fläche eingespielt und als strukturierte Policy bereitgestellt, die ein Agent direkt liest statt aus Fließtext zu raten.
Methode
Eine Quelle pro Regel, gerendert in Produktseite, Warenkorb, Policy und FAQ, plus JSON-LD. Ein CI-Drift-Check blockt jede Fläche, die abweicht.
{ "@context": "https://schema.org", "@type": "Product", "name": "Daily Repair Serum", "offers": { "@type": "Offer", "priceCurrency": "EUR", // ein kanonischer Lieferwert, überall eingespielt "shippingDetails": { "@type": "OfferShippingDetails", "deliveryTime": { "@type": "ShippingDeliveryTime", "transitTime": { "@type": "QuantitativeValue", "minValue": 2, "maxValue": 4, "unitCode": "DAY" } } }, "hasMerchantReturnPolicy": { "@type": "MerchantReturnPolicy", "merchantReturnDays": 30 } }}Die Bedingung reist jetzt mit der Überschrift. Wo ein 30-Tage-Fenster galt, sieht der Agent '30 Tage' neben 'Geld zurück' — nicht drei Klicks entfernt im PDF.
Methode
Strukturierte Garantie- und Retouren-Felder statt Fließtext. Die Bedingung ist Daten, also lässt sie sich nicht vom Claim trennen.
Ein wöchentlicher Check stellt den Shopping-Agenten die echten Käuferfragen und hält fest, was sie über die Marke sagen — und wo ein Wettbewerber antwortet und Verity nicht.
Methode
Answer-Coverage-Check gegen ChatGPT und Perplexity, mit Drill-down auf die konkreten Claims, die scheitern.
Drei Kennzahlen — und die wichtigste lässt sich aufschlüsseln.
−42% Policy-Eskalationen
Die 42% setzten sich aus vier Hebeln zusammen, die wir einzeln gemessen haben:
Der Gewinn war keine umgeschriebene Policy-Seite. Es ist, dass eine Regel überall einen Wert hat — so launcht das nächste Produkt konsistent, und ein CI-Drift-Check plus ein wöchentlicher Coverage-Test halten es so, ohne dass jemand eine Checkliste pflegt.
Beispiel · Case Study
Beispiel · Case Study
Das Gleiche für deinen Shop?
Meinen Shop prüfen