Research & Trends

Zwei von 100 Antworten, die ein Produkt nennen, führen auf die Seite des genannten Produkts. Referral-Berichte übersehen die meisten Besuche nach einer Antwort

Eine Panelstudie von Scrunch AI zeigt: 89 % der Besuche nach einer Antwort, die einen Shop empfiehlt, tragen kein Zeichen des Assistenten-Links, Referral-Berichte übersehen also die meisten davon. Bei Shoppern, die eine Woche lang nicht im Shop waren, steigen die Besuche beim genannten Produkt um etwa zwei pro 100 Antworten auf ein bestimmtes Produkt. Das Papier nennt keine Händler, hält die Panelgröße zurück und sieht keine Verkäufe.

A shop's analytics screen tags an arriving shopper 'Search' while a faded chat bubble behind the shopper names a pair of trainers, and a nautilus counts two ticked boxes on a card of a hundred.

Neritus Vale

Wenn ein KI-Assistent ein Produkt nennt, schauen es sich manche Shopper tatsächlich an, und die meisten ihrer Besuche folgen auf eine Websuche. Das ist der Befund eines Papers von Michael Iannelli und Alan Ai von Scrunch AI, das die Assistenten-Gespräche eines Panels mit dem Surfverhalten derselben Personen verknüpft. Es erklärt, warum der Referral-Bericht eines Shops so viele dieser Besuche übersieht. Zugleich beziffert es den Effekt auf etwa zwei zusätzliche Besuche pro 100 Antworten, und es sieht nie einen Verkauf.

Der stärkste Beleg des Papers ist ein Tausch. Man nehme Shopper, die eine Woche lang nicht in einem Shop waren und dann eine Antwort erhielten, die dort ein bestimmtes Produkt nennt. An Tagen, an denen sie in diesem Shop eine Produktseite öffneten, zeigte 44 % ein Produkt aus ihrer eigenen Antwort, gegenüber 1,5 % bei der zugeordneten Antwort eines Fremden. Die Übereinstimmung folgt der Antwort, nicht den Bestsellern des Shops.

Dieser Anteil bezieht sich nur auf das, was das Paper „die engere Menge der Tage mit einem Produktseitenbesuch im Shop” nennt. Für dieselben Shopper steigen die Besuche beim genannten Produkt innerhalb eines Tages auf 2,07 pro 100 Antworten, nach fast null in den Wochen davor. Die Autoren haben diese Gruppe gewählt, nachdem sie erste Ergebnisse gesehen hatten. Ihr Anstieg bei den Shopbesuchen, 5,1 Punkte, fällt kleiner aus als die 10,5 Punkte über alle Antworten, die den Shop nennen.

Das Argument gegen Referral-Berichte stützt sich auf den Weg zum Shop. Nach der Zählung des Papers tragen 89 % der Besuche nach einer Antwort, die einen Shop empfiehlt, kein Zeichen des Assistenten-Links; der Shop verbucht sie als gewöhnlichen Such- oder Direktverkehr. Einer Websuche gehen 54 % aller Besuche nach einer solchen Antwort voraus, derselbe Anteil wie bei den üblichen Besuchen der Shopper. Bei länger inaktiven Shoppern schneidet der Link besser ab: Er trägt 42,5 % ihrer zusätzlichen Besuche nach Antworten auf ein bestimmtes Produkt, gegenüber 16,8 % bei kürzlichen Besuchern.

Referral-Daten ließen Assistenten bislang randständig wirken. Tarek Müller von About You sagte Zalandos Partnern, Chatbots schickten Online-Modeshops weniger als 0,5 % des Traffics, wie WWD berichtete und wir festhielten. Referral-Berichte, schreiben die Autoren des Scrunch-Papers, „sehen den Assistenten am besten, wenn er jemanden zurückbringt, und am schlechtesten bei kürzlichen Besuchern”. Über alle Besuche nach einer empfehlenden Antwort schätzen sie, dass eine reine Link-Auswertung „etwa jeden fünften der zusätzlichen Besuche” erfasst.

Die Suche ist zudem der Ort, an dem ein genannter Shop den Shopper verlieren kann. Iannelli und Ai vergleichen die Suche nach dem Produktnamen mit einer Adresszeile, doch eine Ergebnisseite bietet viele Ziele. Nach unserer Rechnung aus den Zahlen des Papers folgen auf 9,3 % der Antworten solche Suchen, gegenüber 2,07 % für Besuche auf der Seite des genannten Produkts: mehr als viermal so viele. Das Paper sagt nicht, ob beide Raten dieselbe Basis haben, und auch nicht, wo der Rest dieser Suchen endete. Gilt das Muster auch für einen breit geführten Sneaker, wird die Ergebnisseite zum Wettbewerb.

Scrunch verkauft Werkzeuge, die auf den blinden Fleck zielen, den seine Forscher beschreiben. Das Unternehmen, im Juni von Sitecore übernommen, erfasst, wie Marken in KI-Antworten auftauchen. Sein Shopping-Produkt verspricht zu zeigen, „welche Händler die KI Käufern zuführt”, unter der Überschrift „Know who gets the sale”. Die im Paper vorgeschlagene Kennzahl, Product Follow-through, braucht „den Antworttext und die späteren Seitenaufrufe derselben Person”.

„Wir sehen Besuche, keine Käufe”, schreiben die Scrunch-Forscher im Paper.

Auch die Basis lässt sich von außen nicht prüfen. Das Paper hält Panelgröße, Nutzerzahlen je Analyse und Zellgrößen als „geschäftlich sensibel” zurück und nennt seine zwanzig Händler nicht. Sein durchgerechnetes Beispiel, eine Laufuhr, ist zur Veranschaulichung erfunden, und einen Anhang gibt es nicht. Ob einer der Händler Kleidung verkauft, sagt das Paper nicht.

Frühere Studien der Autoren zeigen, wer im Panel sitzt. Ihr Juni-Paper nennt Scrunchs Pipeline eine „Messschicht”, die „seit Anfang 2026 bei Scrunch AI im Produktivbetrieb läuft”. Eine Überarbeitung ihres Juli-Papers beschreibt das Panel als „KI-affin” und ergänzt, die Assistentennutzung in nativen Mobile-Apps werde „nicht beobachtet”. Scrunchs Blog nennt es „KI-affiner und datenschutztoleranter als der durchschnittliche Käufer”; 2,07 pro 100 ist also keine Rate für den Durchschnittskunden. Ob das November-Paper auf dasselbe Panel zurückgreift, sagt es nicht.

Ihr Ergebnis für Sportbekleidung aus diesem Panel fällt gemischt aus. Die Juni-Studie “From Prompt to Purchase”, am 9. August bei einem KDD-Workshop vorgestellt, wiederholte ihre Markenanalyse für Sportbekleidungsmarken. Suchen nach den Marken stiegen um 2,54 Punkte und Besuche auf den eigenen Seiten der Marken um 1,67 Punkte (Intervall von −0,1 bis 3,3), während Besuche auf ihren Seiten bei Händlern sich binnen einer Woche um 0,06 Punkte bewegten. „Bei Bekleidung ist das Downstream schwach”, schrieben die Autoren, merken aber an, dass Händler-URLs oft keine Markenbezeichnung enthalten, was Handelsbesuche schwer zählbar macht. Scrunchs Blogbeitrag schrieb, „der Effekt reproduziert sich, die Ziele unterscheiden sich allerdings”, und nannte Ziele für Beauty und Elektronik, aber nicht für Bekleidung.

Was zählt, entscheidet ein ungenanntes Sprachmodell. Es ordnet jede Antwort ein: nennt ein bestimmtes Produkt im Shop, schlägt den Shop vor oder erwähnt ihn nur. Produkttreffer beurteilt es allein anhand von Seitentiteln und Webadressen. Ein blinder menschlicher Prüfer bestätigte 93 % von 90 Produkttreffern nach einer Antwort und 54 % von 39 in der Vergleichsphase. Bei den Antworttyp-Labels stimmte der Prüfer in 75 % von 102 Antworten zu und stufte 29 % der Empfehlungen des Modells zu bloßen Erwähnungen herab. Hat der Prüfer recht, sagen die Autoren, werden die Effekte der Empfehlungen unterschätzt.

Follow-through wird als Kennzahl je Assistent angepriesen, das Paper weist sie aber nur für ChatGPT und Gemini aus. Sie steigt nach ChatGPT-Antworten um 2,2 Punkte, nach Gemini-Antworten um 1,0. In der Juni-Studie wurde ein größerer Vorsprung von ChatGPT als “überwiegend kompositionell, ein Unterschied darin, wer welchen Assistenten nutzt” eingestuft. Ohne Vergleich innerhalb derselben Nutzer könnte Follow-through Zielgruppen ebenso sehr einordnen wie Assistenten.

Vom Design her lässt sich der Effekt kaum abtun. Vertauschte Antworten, eine Replikation, deren Analyseplan vor dem Abruf jeglicher Daten festgeschrieben wurde, und Vergleiche mit gleich geschäftigen Momenten deuten alle in dieselbe Richtung. Laufen Antworten, die einen Shop nennen, in die Millionen und kaufen diese Besucher wie andere Ankömmlinge auf Produktseiten, lohnt es sich, die Untererfassung zu beheben.

Dieses Argument braucht Zahlen, die das Paper nicht liefert: wie viele Antworten einen Shop nennen und wie viele Besuche in einer Bestellung enden. Die Referral-Studie von Kaiser und Schulze, die die Frankfurt School als Beleg für „die begrenzte Rolle von ChatGPT beim Online-Shopping” darstellte, verfolgte die Besuche immerhin bis zur Kasse. Sie zählt nur Referral-Sitzungen, ihre Daten enden im Juli 2025, und Besuche über Referral-Links konvertieren schlechter als jeder etablierte Kanal außer Paid Social. Ohne beide Zahlen ist zwei Besuche pro 100 Antworten eine Rate ohne Basis.

Ein Händler kann mit dem eigenen Rat des Papers beginnen: Assistenten-Referrals „neben den Produktseiten-Zugriffen aus Suche und Direktverkehr” ausweisen und Suchanfragen mit Produktnamen in den Search-Console-Daten verfolgen. Käufe zu verfolgen, so das Paper, „erfordert Bestelldaten der genannten Shops”. Wer diesen Schritt überspringt, zahlt für Sichtbarkeit in Antworten, deren Umsatz niemand gezählt hat.