AEO vs. SEO vs. Agentic UX: Welche davon braucht dein Shop wirklich?

Methodik: woher wir das wissen

Jede Zahl in diesem Artikel stammt aus zwei Messläufen, die wir selbst durchgeführt und unter agenticux.de/report veröffentlicht haben. Autor der Studie und dieses Artikels: Stephan Lucka, Gründer von agenticUX.

Was wir gemessen haben. Ein Mess-Agent rief die Seiten jedes Shops so ab, wie es ein KI-Agent tun würde: das ausgelieferte HTML holen, ohne den vollen Browser-Stack auszuführen, und auf fünf maschinenlesbare Signale prüfen: Product-Schema im ausgelieferten HTML, eine erreichbare oder deklarierte Sitemap, ein Preissignal, das ohne JavaScript-Ausführung lesbar ist, ein eindeutiges Add-to-Cart-Signal im ausgelieferten HTML und eine freiwillige llms.txt-Datei.

Die zwei Messläufe.

• Juni 2026, branchenübergreifend: 89 deutsche Online-Shops aus mehreren Branchen. 68 waren für den Agenten erreichbar, 21 blockierten ihn komplett (23,6%).
• Juli 2026, Fashion: 100 mittelgroße deutsche Fashion-Shops. 90 erreichbar, 10 blockiert.

Beide Kohorten wurden am 7. Juli 2026 verifiziert. Die Juni-Kohorte wurde an diesem Datum erneut gemessen, deshalb tragen die Juni-Zahlen ein Juli-Verifizierungsdatum.

Zwei Ehrlichkeitsregeln bestimmen die Zahlen. Erstens werden blockierte Shops separat ausgewiesen, nie in die Fehlerzahlen einzelner Signale eingerechnet. Zweitens wurde nicht-verifizierbar nie als fehlend gezählt. Im Juni-Lauf lieferten 22 erreichbare Shops Produktdaten nur über JavaScript aus, sodass die Schema-Prüfung kein sauberes Ja oder Nein zurückgeben konnte. Diese 22 werden in einer separaten unklar-Kategorie ausgewiesen, und nur bei 5 Shops war bestätigt, dass sie überhaupt kein Product-Schema haben. Wenn du "60% lieferten Product-Schema" liest, dann sind das 41 bestätigte Positivfälle von 68 erreichbaren Shops, wobei die unklaren Fälle den Prozentsatz mindern, aber nie als Fehlschläge gewertet werden.

Was diese Methode nicht sehen kann. Sie misst die maschinenlesbare Oberfläche. Sie misst nicht Conversion, Markenstärke oder ob ein KI-System einen Shop tatsächlich empfiehlt. Sie sagt dir, ob ein Agent mit deinem Shop arbeiten könnte. Ob ein KI-System dich wählt, liegt außerhalb des Umfangs der Methode.

Die drei Schichten, präzise definiert

In Anbieter-Pitches werden die Begriffe synonym benutzt. Das sollten sie nicht sein.

SEO (Search Engine Optimization) beantwortet eine Frage: Können Crawler und Suchsysteme deine Seiten finden, abrufen und indexieren? Seine Rohstoffe sind Crawl-Zugang, Sitemaps, interne Verlinkung, Seitengeschwindigkeit und Inhalte, die zur Suchintention passen. Der Fehlermodus auf dieser Schicht ist gröber, als die meisten Shops annehmen. In unserem Juni-Lauf 2026 blockierten 21 von 89 Shops (23,6%) den Mess-Agenten komplett, meist über eine Bot-Management-Regel am CDN, und lieferten einen 403 oder eine Challenge-Seite statt HTML. So sieht ein gutes Ergebnis hier aus: eine Produkt-URL, die einem deklarierten Crawler-User-Agent HTTP 200 mit vollständigem HTML zurückgibt, plus eine erreichbare sitemap.xml (53 von 68 erreichbaren Juni-Shops hatten eine, 78%). SEO ist zwei Jahrzehnte alt, aber seine Rolle hat sich mit der KI-Suche verändert: Es ist nicht mehr die Ziellinie. Es ist die Eintrittskarte.

AEO (Answer Engine Optimization) beantwortet eine andere Frage: Wenn ein KI-System eine Antwort erstellt, kann es dich als Quelle zitieren? KI-Antworten listen keine zehn blauen Ergebnisse auf. Sie synthetisieren eine Antwort und zitieren die Quellen, die diese Antwort belegbar gemacht haben. Die Lücke zwischen Ranking und Zitierung ist in unseren Daten sichtbar: Im Juni-Lauf lieferten 22 von 68 erreichbaren Shops Produktdaten nur über JavaScript aus, das unser Mess-Agent, wie viele KI-Fetcher, nicht ausführt. Diese Shops werden in einem menschlichen Browser einwandfrei gerendert und können in der klassischen Suche ranken, doch ein Fetcher, der ihr ausgeliefertes HTML liest, findet keine Produktfakten zum Übernehmen. Sie existieren für Google und sind Geister für Antwortsysteme. So sieht ein gutes Ergebnis hier aus: eine kurze direkte Antwort über der langen Erklärung, Aussagen, die mit Belegen verknüpft sind, konsistente Entitätsnamen und Product-Schema im ausgelieferten HTML, das zum sichtbaren Inhalt passt. 41 von 68 erreichbaren Juni-Shops lieferten dieses Schema (60%); die Notizen pro Signal findest du unter agenticux.de/report.

Agentic UX beantwortet die schwerste Frage: Kann ein KI-Agent, der für einen Käufer handelt, tatsächlich mit deinem Shop arbeiten? Das zerfällt in vier Fähigkeiten: Der Agent muss deine Seiten lesen können (Produkte, Preise, Verfügbarkeit aus dem ausgelieferten HTML parsen), dem vertrauen können, was er liest (durch Belege gestützte Aussagen, Richtlinien ohne Widersprüche), dein Angebot mit Alternativen vergleichen können (strukturierte Fakten, die ein Agent nebeneinanderstellen kann) und die Aufgabe abschließen können (Checkout-Regeln, Versandbedingungen und Rückgabefristen, die eindeutig sind, bevor der Agent sich festlegen muss). Der charakteristische Fehler ist ein Widerspruch, den kein Ranking-Tool meldet: Das FAQ sagt 30 Tage Rückgabe, der Checkout sagt 14 Tage für reduzierte Artikel, und nichts kennzeichnet den Artikel als reduziert. Ein Mensch zuckt mit den Schultern und kauft trotzdem. Ein Agent, der nicht raten darf, wählt den Shop nebenan. Unser ausgearbeitetes Beispiel verity-goods geht genau dieses Muster durch. So sieht ein gutes Ergebnis hier aus: eine kanonische Aussage pro Richtlinien-Regel, vorhanden im ausgelieferten HTML, identisch auf Produktseite, FAQ und Checkout.

Direkter Vergleich

Warum die Reihenfolge feststeht

Der teuerste Fehler, den wir sehen, ist, diese als Menü zu behandeln. Sie sind eine Abhängigkeitskette, und Ausfälle kaskadieren nach unten durch alles, was darüber liegt.

Ein blockierter Crawler legt alle drei Schichten lahm. Im Juni-Lauf lieferten 21 von 89 Shops (23,6%) dem Mess-Agenten nichts Brauchbares zurück. Für diese Shops ist jeder Euro, der in Content, Schema und Richtlinien-Klarheit fließt, unsichtbar. Es gibt keine Teilpunkte: Ein Agent, der eine Bot-Wall oder eine leere Hülle erhält, kann dich nicht ranken, kann dich nicht zitieren, kann nicht bei dir kaufen. Deshalb ist Zugang die Schicht Null. Der Juli-Fashion-Lauf zeigte denselben Fehler in geringerer Rate: 10 von 100 Shops blockiert. Besser, aber immer noch jeder zehnte Shop, der Geld fürs Marketing ausgibt, während die Eingangstür für KI-Agenten, die für Käufer handeln, verschlossen bleibt.

Fehlende strukturierte Produktdaten legen AEO und Agentic UX lahm, lassen aber SEO intakt. Ein Shop kann mit menschenlesbaren Seiten bei Google ranken und trotzdem nicht zitierbar sein. Im Juni-Lauf lieferten nur 41 von 68 erreichbaren Shops (60%) bestätigtes Product-Schema in ihrem HTML. Weitere 22 lieferten Produktdaten nur über JavaScript aus, unsichtbar für jeden Fetcher, der es nicht ausführt, unseren eingeschlossen. Diese Shops existieren in der klassischen Suche und fehlen in KI-Antworten. Der Juli-Fashion-Lauf war mit 78% bestätigtem Schema gesünder, was dir zeigt, dass Fashion, eine Kategorie mit intensivem feedgetriebenem Wettbewerb, bereits im Stack nach oben gedrängt wurde.

Widersprüchliche Richtlinien legen nur die agentische Schicht lahm, und genau dort ist das Geld. Ein Shop kann gefunden, zitiert, sogar empfohlen werden und den Verkauf trotzdem im letzten Schritt verlieren, weil der Agent eine Regel nicht auflösen kann, wie der oben beschriebene Rückgabe-Widerspruch. Dieser Fehlermodus ist in jedem SEO-Tool, das du besitzt, unsichtbar, und er sitzt direkt auf der Transaktion.

Die praktische Konsequenz: in der Reihenfolge der Abhängigkeiten beheben. Zuerst Zugang, zweitens strukturierte Daten, drittens Klarheit bei Richtlinien und Abschluss. Schicht drei zu optimieren, während Schicht Null kaputt ist, heißt einen Raum zu dekorieren, den niemand betreten kann.

Wie du heute testest, wo du scheiterst

Du brauchst unser Audit nicht, um deinen ersten Fehler zu finden. Drei Tests, jeder unter fünfzehn Minuten.

Test 1: Ruf deine Produktseite als KI-Crawler ab und zähle die strukturierten Daten.

```

curl -A "GPTBot" https://yourshop.de/your-best-selling-product | grep -c "ld+json"

```

So sieht ein Bestehen aus: eine HTTP-200-Antwort mit mindestens einem ld+json-Block, der ein Product- oder ProductGroup-Objekt enthält, mit ausgefülltem Preis und ausgefüllter Verfügbarkeit. Ein minimaler bestehender Block sieht so aus:

```json

{

"@context": "https://schema.org",

"@type": "Product",

"name": "Merino T-Shirt Classic",

"offers": { "@type": "Offer", "price": "79.00", "priceCurrency": "EUR", "availability": "https://schema.org/InStock" }

}

```

So sieht ein Scheitern aus: ein 403, eine CAPTCHA-Seite, eine HTML-Hülle mit null ld+json-Blöcken oder Schema-Blöcke, die zwar existieren, aber ein Article-Objekt und kein Product enthalten. In unserem Juni-Lauf hätte dieser eine Test bei etwas mehr als der Hälfte der 89 Shops ein Problem markiert: 48 insgesamt, bestehend aus 21 blockierten plus 27 ohne bestätigtes Product-Schema, davon 22 der 27 unklar, weil die Produktdaten nur in JavaScript vorlagen.

Test 2: Stell einem Antwortsystem eine Käuferfrage aus deiner Kategorie.

Öffne ChatGPT oder Perplexity und stell die Frage, die dein bester Kunde stellen würde, zum Beispiel "bestes nachhaltiges Merino-T-Shirt unter 80 Euro, Versand nach Deutschland, einfache Rückgabe". Wiederhole mit drei Formulierungen. Bestehensregel: Du wirst in mindestens zwei der drei Formulierungen zitiert, und jeder dir zugeschriebene Fakt (Preis, Material, Rückgabebedingungen) ist korrekt. So sieht ein Scheitern aus: eine Zitierung von dreien (Rauschen), Wettbewerber werden genannt, während du fehlst, oder, am schlimmsten, du wirst mit falschen Fakten genannt, was bedeutet, dass das System Fragmente gefunden und den Rest geraten hat. Ein falscher Fakt in irgendeiner Formulierung ist ein Fehlschlag, selbst wenn du zitiert wirst.

Test 3: Beantworte deine eigene Rückgabefrist-Frage nur mit dem ausgelieferten HTML.

Sieh dir den Quelltext deiner Produktseite und deiner Rückgabeseite an (Quelltext anzeigen, denn der Quelltext ist das, was ein nicht ausführender Fetcher sieht, während die gerenderte Seite das ist, was ein Mensch sieht). Versuche zu beantworten: Was ist die Rückgabefrist für genau dieses Produkt, und gibt es Ausnahmen? So sieht ein Bestehen aus: eine eindeutige Antwort, vorhanden im ausgelieferten HTML, konsistent über Produktseite, FAQ und Checkout. So sieht ein Scheitern aus: Die Antwort existiert nur in einem PDF, nur nachdem JavaScript gerendert hat, oder an zwei Stellen mit zwei verschiedenen Zahlen. Unser ausgearbeitetes Beispiel verity-goods geht dieses Fehlermuster durch: Richtlinien-Widersprüche, die ein Mensch toleriert und ein Agent nicht.

Was die zwei Messläufe über den Stand des Marktes sagen

Die Lücke zwischen dem branchenübergreifenden Juni-Lauf und dem Juli-Fashion-Lauf ist selbst ein Befund.

Zuerst der Zugang, gezählt gegen alle getesteten Shops, weil blockierte Shops separat ausgewiesen werden: im Juni blockierten 21 von 89 Shops den Agenten (23,6%); im Juli 10 von 100.

Unter den Shops, die erreichbar waren:

Zwei Lesarten. Erstens ist der Preis praktisch überall gelöst (96% und 97%), weil der Preis seit einem Jahrzehnt feed-kritisch ist. Der Markt behebt, was die Plattformen ihn zu beheben zwingen. Zweitens zeigt llms.txt die größte Lücke zwischen den Kohorten: 34% branchenübergreifend im Juni, 61% in der Juli-Fashion-Kohorte. Das sind unterschiedliche Kohorten, also beschreibt die Lücke Kategorien, und der wahrscheinliche Treiber ist Fashions längere Geschichte unter feedbasiertem Wettbewerb, nicht ein Anstieg der Adoption über die Zeit. Da llms.txt freiwillig ist und einen Nachmittag kostet, ist es derzeit der günstigste sichtbare Differenzierer in den langsameren Kategorien. Es signalisiert einen Shop, der überhaupt begonnen hat, an maschinelle Leser zu denken.

Unsere drei ausgearbeiteten Beispiele zeigen, wie die Fehlerklassen in der Praxis aussehen: cartpilot für Lücken bei Produktbelegen, verity-goods für Richtlinien-Widersprüche und northstar für Expertenwissen, das in PDFs eingesperrt ist. Das sind illustrative Szenarien mit einem "Beispiel, Case Study"-Label; es werden keine Kundenergebnisse behauptet.

Entscheidungsrahmen: wo du zuerst investierst

Beginne mit dem Zugang (SEO-Schicht), wenn Test 1 eine Blockade, ein CAPTCHA oder einen Fehler zurückgibt. Nichts anderes, was du tust, ist sichtbar, bis das behoben ist. Das war die Situation für etwa jeden vierten Shop in unserer Juni-Kohorte.

Beginne mit AEO, wenn du erreichbar bist und in der klassischen Suche rankst, aber Test 2 zeigt, dass Wettbewerber in KI-Antworten zitiert werden, während du fehlst, und Test 1 null oder dünnes ld+json zeigt. Dein Problem ist die Zitierbarkeit: Fakten existieren, sind aber zu unstrukturiert, zu unbelegt oder zu inkonsistent, um übernommen zu werden.

Beginne mit Agentic UX, wenn du Test 1 und 2 bestehst, aber Test 3 nicht bestehst: Du wirst gefunden und zitiert, doch ein Agent konnte deine Rückgabefrist, deine Bundle-Regeln oder deine Versandbedingungen nicht allein aus dem ausgelieferten HTML auflösen. Du verlierst im letzten Schritt, dem teuersten Ort, um zu verlieren.

Vermeide den Kauf eines eigenständigen "KI-Sichtbarkeits"-Tools, bevor du die drei Tests durchgeführt hast. Ein Tool, das deine KI-Zitierungen meldet, ist nutzlos, wenn der zugrunde liegende Fehler ein blockierter Crawler oder eine widersprüchliche Richtlinie ist, und beides kannst du kostenlos selbst diagnostizieren.

Vermeide es, llms.txt als die Lösung zu behandeln. Es ist ein Höflichkeitssignal, kein Ersatz für ausgelieferte Produktdaten. 34% der erreichbaren Shops im Juni hatten eine; das allein hat niemandem etwas empfohlen.

FAQ

Ist AEO nur SEO mit neuem Namen?

Nein. SEO optimiert für das Ranking in einer Ergebnisliste; AEO optimiert dafür, in einer synthetisierten Antwort zitiert zu werden. Die Überschneidung ist real (beide brauchen Crawl-Zugang und saubere Struktur), aber das Erfolgskriterium unterscheidet sich. Eine Seite rankt, weil sie zur Intention passt. Eine Seite wird zitiert, weil ihre Fakten verifizierbar, konsistent formuliert und mit Belegen verknüpft sind. Viele Seiten schaffen das Erste und scheitern am Zweiten.

Ersetzt Agentic UX SEO?

Nein, es hängt davon ab. Ein Agent, der deine Seiten nicht abrufen kann, kann sie nicht lesen, ihnen nicht vertrauen, sie nicht vergleichen und die Aufgabe nicht abschließen. In unserer Messung im Juni 2026 blockierten 21 von 89 Shops den Mess-Agenten, was jede nachgelagerte Investition unsichtbar machte. Agentic UX ist die oberste Schicht eines Stacks, dessen unterste Schicht immer noch der klassische Crawl-Zugang ist.

Wir ranken gut bei Google. Sind wir damit abgedeckt?

Nicht unbedingt. Ein Ranking beweist Auffindbarkeit, mehr nicht. Im Juni-Lauf lieferten 96% der erreichbaren Shops einen lesbaren Preis, aber nur 60% lieferten bestätigtes Product-Schema, und 22 Shops lieferten Produktdaten nur über JavaScript aus, das nicht ausführende Fetcher nie sehen. Die Fehlerklasse der Richtlinien-Widersprüche, die unser ausgearbeitetes Beispiel verity-goods illustriert, ist für jedes Ranking-Tool unsichtbar. Führe die drei Selbsttests oben durch; zusammen dauern sie unter einer Stunde.

Was ist llms.txt und brauchen wir eine?

llms.txt ist eine freiwillige Konvention: eine Klartext-Datei, die KI-Systemen sagt, wo deine wichtigsten Inhalte liegen, als Ergänzung zu Sitemap und Schema. In unseren Messungen hatten 34% der erreichbaren branchenübergreifenden Shops (Juni) und 61% der erreichbaren Fashion-Shops (Juli) eine. Das sind unterschiedliche Kohorten, also spiegelt die Lücke die Reife der Kategorie wider, und es lässt sich kein Wachstumstrend daraus ablesen. Es kostet einen Nachmittag und lohnt sich, als Ergänzung zu Crawl-Zugang und ausgelieferten Produktdaten.

Woran erkenne ich, ob KI-Crawler auf meinem Shop blockiert sind?

Ruf deine Produktseite mit einem KI-Crawler-User-Agent ab, zum Beispiel curl -A "GPTBot" https://yourshop.de/product-url, und prüfe die Antwort. Ein HTTP 200 mit echtem HTML besteht. Ein 403, eine CAPTCHA-Challenge oder eine leere Hülle scheitert. Prüfe auch deine robots.txt und die Bot-Management-Einstellungen deines CDN; viele Shops blockieren Agenten über eine Firewall-Regel, an deren Einrichtung sich niemand erinnert.

Warum schneiden Fashion-Shops besser ab als der branchenübergreifende Durchschnitt?

Die Juli-2026-Fashion-Kohorte schlug die branchenübergreifende Juni-Kohorte bei jedem Signal: 78% vs. 60% Product-Schema, 92% vs. 78% Sitemap, 61% vs. 34% llms.txt. Der wahrscheinliche Treiber ist, dass Fashion länger als die meisten Kategorien unter feedbasiertem Wettbewerb (Preisvergleich, Shopping-Feeds) gelebt hat, sodass seine maschinenlesbare Infrastruktur früher gereift ist. Es zeigt, dass die Lücke mit vorhandenen Tools schließbar ist.

Kann eine einzige Maßnahme alle drei Schichten auf einmal verbessern?

Ja: vollständiges Product-Schema in deinem HTML auszuliefern. Es stärkt klassische Suchergebnisse, gibt Antwortsystemen übernehmbare Fakten zum Zitieren und gibt Agenten die strukturierten Preis-, Verfügbarkeits- und Identitätsdaten, die sie zum Vergleichen und Handeln brauchen. Es ist die Änderung mit dem größten Hebel für Shops, die erreichbar, aber oberhalb der Zugangsschicht schwach sind: 27 von 68 erreichbaren Shops in unserem Juni-Lauf fehlte bestätigtes Product-Schema (40%), 22 davon, weil die Produktdaten nur in JavaScript vorlagen.

Wie oft sollten wir erneut testen?

Nach jedem Release, das Produktseiten, Richtlinien oder deine CDN-Konfiguration berührt, und mindestens vierteljährlich. Agent-Readiness verschlechtert sich still: eine neue Bot-Management-Regel, ein Theme-Update, das Produktdaten in JavaScript verschiebt, oder eine Richtlinien-Änderung, die dem Checkout-Text widerspricht, kann jeweils eine Schicht brechen, ohne sichtbare Veränderung für menschliche Besucher. Die drei Selbsttests in diesem Artikel sind wiederholbar und kostenlos.

---

Messungen: agenticUX-Branchenreports, Juni 2026 (89 branchenübergreifende deutsche Shops) und Juli 2026 (100 mittelgroße deutsche Fashion-Shops), beide verifiziert am 7. Juli 2026. Vollständige Methodik und Notizen pro Signal unter [agenticux.de/report](https://agenticux.de/report). Nicht-verifizierbar wurde nie als fehlend gezählt; blockierte Shops werden separat ausgewiesen.