Wenn du unser Audit Tool nutzt, erhältst du einen Score über 12 Kategorien. Aber Zahlen allein helfen nicht weiter, wenn du nicht verstehst, was dahinter steckt. Dieser Artikel ist dein Begleitguide: Für jede der 12 Kategorien erfährst du, was genau geprüft wird, warum es für KI-Systeme wichtig ist und welche konkreten Maßnahmen du ergreifen kannst.

Die 12 Kategorien decken zusammen das gesamte Spektrum ab, das ein Online-Shop braucht, um von Large Language Models wie ChatGPT, Claude, Perplexity oder Google Gemini korrekt verstanden, verarbeitet und zitiert zu werden. Keine einzelne Kategorie reicht allein aus — aber jede Verbesserung zählt.

Was bedeutet LLM-Readiness?

LLM-Readiness beschreibt die Fähigkeit eines Online-Shops, von Large Language Models korrekt erfasst, verarbeitet und in deren Antworten als vertrauenswürdige Quelle zitiert zu werden. Es geht dabei nicht um klassische SEO-Rankings oder Google-Positionen, sondern um eine grundlegendere Frage: Kann eine KI deine Daten überhaupt lesen und verstehen?

LLMs wie GPT-4, Gemini oder Claude verarbeiten Webseiten anders als traditionelle Suchmaschinen. Sie suchen nicht nach Keywords — sie extrahieren Bedeutung, Fakten und Zusammenhänge. Ein Shop, dessen Produktdaten in sauberem JSON-LD strukturiert sind, dessen Texte faktenbasiert formuliert und dessen Bilder beschreibend benannt sind, wird von diesen Systemen bevorzugt herangezogen.

Wer sich tiefer mit dem übergeordneten Konzept der KI-Optimierung beschäftigen möchte, findet in unserem Artikel Was ist GEO? — Generative Engine Optimization erklärt den vollständigen Rahmen. Die 12 Kategorien unseres Audit Tools sind im Grunde die praktische Umsetzung dieser GEO-Prinzipien.

Kurz zusammengefasst

LLM-Readiness ist kein Marketing-Buzzword, sondern eine messbare Eigenschaft deines Shops. Sie bestimmt, ob KI-Systeme deine Produkte empfehlen können — oder ob du für eine wachsende Zielgruppe unsichtbar bleibst. Unser Audit Tool macht diese Eigenschaft in 12 Kategorien quantifizierbar.

Die 12 Kategorien im Detail

Jede der folgenden Kategorien wird von unserem Audit Tool automatisch geprüft. Gemeinsam bilden sie ein vollständiges Bild davon, wie gut dein Shop für die KI-Ära aufgestellt ist.

1

Semantic-Ready Struktur

Was wird geprüft: Die Klarheit und Sichtbarkeit deiner HTML-Attribute für LLMs. Konkret analysiert das Tool, ob deine Seiten semantische HTML5-Tags wie <article>, <nav>, <main> und <section> verwenden, ob eine saubere Heading-Hierarchie von h1 bis h6 existiert und ob ARIA-Labels für wichtige Bereiche gesetzt sind.

Warum das für KI wichtig ist: LLMs und ihre Crawler brauchen semantisches HTML, um die Struktur einer Seite zu verstehen. Ein Shop, dessen gesamtes Layout aus verschachtelten <div>-Containern besteht — eine sogenannte „Div-Suppe“ — ist für Maschinen extrem schwer zu parsen. Die KI kann nicht erkennen, wo die Navigation aufhört und der Produktinhalt beginnt. Semantisches HTML gibt jedem Inhaltselement eine klare Rolle und Bedeutung, die eine KI direkt verarbeiten kann.

Dieser Punkt ist besonders relevant für Shops, die mit visuellen Page Buildern arbeiten: Viele generieren unter der Haube komplexe Div-Strukturen ohne semantische Auszeichnung. Ein schneller Blick in den Quellcode verrät, ob das bei deinem Shop der Fall ist.

Tipps:
  • Verwende semantische HTML5-Tags: <main> für den Hauptinhalt, <article> für Produktseiten, <nav> für die Navigation
  • Stelle eine logische Heading-Hierarchie sicher — jede Seite hat genau ein <h1>, darunter folgen <h2> bis <h4> in sinnvoller Reihenfolge
  • Setze ARIA-Labels für Bereiche, die nicht bereits durch HTML-Semantik eindeutig sind (z.B. aria-label="Produktfilter")
2

Strukturierte Daten (JSON-LD)

Was wird geprüft: Die Implementierung von Schema.org-Markup im JSON-LD-Format — insbesondere für Produkte, Angebote, Bewertungen, FAQs und Organisationsdaten. Das Tool prüft, ob die Schemas vorhanden, vollständig und syntaktisch korrekt sind.

Warum das für KI wichtig ist: JSON-LD ist der direkteste Kommunikationskanal zwischen deinem Shop und KI-Systemen. Während ein LLM aus Fließtext mühsam Fakten extrahieren muss, liefert JSON-LD strukturierte Datenfelder: Was kostet das Produkt? Ist es verfügbar? Wie wird es bewertet? Welche Marke steckt dahinter? Ohne JSON-LD muss die KI raten — und das tut sie ungern. Shops mit sauberen strukturierten Daten werden messbar häufiger zitiert.

Dieses Thema ist so zentral, dass wir ihm einen eigenen Artikel gewidmet haben: JSON-LD für E-Commerce: Das Minimum, das dein Shop braucht zeigt dir die sieben wichtigsten Schema-Typen mit Codebeispielen für Shopify, WooCommerce und Magento.

Tipps:
  • Implementiere mindestens Product, Offer und AggregateRating Schema auf jeder Produktseite
  • Ergänze BreadcrumbList, Organization und FAQPage Schema — das sind die Quick Wins mit dem größten Hebel
  • Validiere regelmäßig mit dem Google Rich Results Test — besonders nach Theme- oder Plugin-Updates
3

API / Retrieval Layer

Was wird geprüft: Ob dein Shop offene APIs oder maschinenlesbare Endpunkte bereitstellt, über die KI-Agenten direkt auf Produktdaten zugreifen können. Das umfasst REST-APIs, GraphQL-Endpunkte, strukturierte Produktfeeds, llms.txt, .well-known/ai-plugin.json und eine vollständige sitemap.xml.

Warum das für KI wichtig ist: Die nächste Stufe der KI-Interaktion sind Shopping-Agenten — autonome KI-Systeme, die im Auftrag von Nutzern Produkte suchen, vergleichen und kaufen. Diese Agenten arbeiten nicht über Webseiten-Rendering, sondern über APIs. Ein Shop ohne API-Zugang wird von diesen Agenten schlicht übergangen. ChatGPT Plugins, Perplexity Shopping und Google Shopping Graph nutzen bereits heute strukturierte Schnittstellen, um Produktdaten abzufragen.

Selbst wenn du aktuell keine vollständige API bereitstellen kannst, ist eine saubere sitemap.xml mit allen Produktseiten der absolute Mindeststandard. Sie ermöglicht es KI-Crawlern, deine Produktlandschaft systematisch zu erfassen.

Tipps:
  • Stelle mindestens eine vollständige sitemap.xml mit allen Produktseiten bereit — das ist der erste Schritt
  • Prüfe, ob dein Shopsystem bereits eine REST-API bietet (Shopify, WooCommerce und Magento haben alle native APIs)
  • Erstelle eine llms.txt im Root-Verzeichnis, die KI-Systemen eine strukturierte Übersicht deines Shops gibt
4

Faktenbasierte Texte

Was wird geprüft: Das Verhältnis von Marketing-Sprache zu sachlichen Produktinformationen in deinen Texten. Das Tool analysiert, ob deine Produktbeschreibungen konkrete Spezifikationen, Maße, Materialien und technische Daten enthalten — oder ob sie vor allem aus werblichen Formulierungen bestehen.

Warum das für KI wichtig ist: LLMs filtern Marketing-Floskeln aktiv heraus und suchen gezielt nach überprüfbaren Fakten. Ein Satz wie „Unser absolut bestes Produkt ever!“ ist für eine KI wertlos — er enthält keine verwertbare Information. Dagegen ist „500ml, Bio-zertifiziert, pH-neutral, hergestellt in Deutschland“ pures Gold: Jede dieser Angaben ist ein konkreter Datenpunkt, den ein LLM in eine Empfehlung einbauen kann.

Das heißt nicht, dass du keine emotionale Sprache mehr verwenden darfst. Aber trenne Marketing und Fakten klar voneinander. Ein kurzer, inspirierender Teaser oben — und dann eine saubere, strukturierte Auflistung aller Spezifikationen. So bedienst du Mensch und Maschine gleichermaßen.

Tipps:
  • Liste Spezifikationen klar und einheitlich auf: Gewicht, Abmessungen, Material, Herkunft, Zertifizierungen
  • Trenne Marketing-Text und technische Daten visuell und strukturell — idealerweise in eigenen Sektionen oder Tabs
  • Verwende konkrete Zahlen und Einheiten statt relativer Aussagen („2.4 kg“ statt „ultraleicht“)
5

Datenkonsistenz

Was wird geprüft: Die Übereinstimmung von Produktinformationen über verschiedene Stellen hinweg: Titel, Beschreibung, Spezifikationen, JSON-LD-Daten und Kategorie-Zuordnung. Das Tool erkennt Widersprüche und Inkonsistenzen in Maßeinheiten, Produktnamen und Attributen.

Warum das für KI wichtig ist: Wenn der Produkttitel „500ml“ sagt, die Beschreibung „450ml“ nennt und in den Spezifikationen „0,5L“ steht — dann wird ein LLM unsicher. Widersprüchliche Daten senken das Vertrauen in deine Quelle. Die KI kann nicht entscheiden, welcher Wert stimmt, und zitiert deinen Shop im Zweifelsfall gar nicht. Konsistenz ist ein starkes Vertrauenssignal: Wenn alle Datenpunkte übereinstimmen, erhöht das die Wahrscheinlichkeit einer Zitierung erheblich.

Inkonsistenzen entstehen oft schleichend: Titel werden im CMS geändert, ohne die Beschreibung anzupassen. JSON-LD wird manuell gepflegt, während das Warenwirtschaftssystem andere Werte liefert. Regelmäßige Datenaudits sind der einzige zuverlässige Schutz.

Tipps:
  • Verwende einheitliche Maßeinheiten über den gesamten Shop hinweg (entscheide dich z.B. für „ml“ oder „L“ — nicht beides)
  • Stelle sicher, dass Produktnamen in Titel, URL, Breadcrumb und JSON-LD identisch sind
  • Führe quartalweise einen Datenaudit durch — prüfe stichprobenartig 20 Produktseiten auf Widersprüche
6

Multimodale Bilder

Was wird geprüft: Ob deine Produktbilder beschreibende Dateinamen und aussagekräftige Alt-Texte haben. Das Tool analysiert, ob Bildnamen maschinenlesbare Informationen enthalten und ob Alt-Texte den Bildinhalt konkret beschreiben.

Warum das für KI wichtig ist: Multimodale LLMs wie GPT-4V und Gemini können Bilder visuell analysieren. Aber selbst diese fortschrittlichen Modelle profitieren enorm von textuellem Kontext. Ein Bild namens IMG_4532.jpg ohne Alt-Text ist für die KI ein schwarzes Loch — sie sieht vielleicht ein Produkt, kann es aber nicht zuordnen. Dagegen liefert bio-espresso-crema-250g-verpackung.jpg mit dem Alt-Text „Bio Espresso Crema 250g Packung, ganze Bohnen, dunkel geröstet“ einen vollständigen Kontext, den das LLM direkt in eine Empfehlung einbauen kann.

Dieser Punkt wird häufig unterschätzt, ist aber einer der einfachsten Quick Wins. Die Umbenennung von Bilddateien und das Ergänzen von Alt-Texten erfordert keine technischen Änderungen am Shop — nur Sorgfalt.

Tipps:
  • Benenne Bilder beschreibend: bio-espresso-crema-250g-verpackung.jpg statt IMG_4532.jpg
  • Schreibe Alt-Texte mit Produktname, Variante und relevanter Eigenschaft (z.B. „Leder-Sneaker Oslo in Schwarz, Größe 42, Seitenansicht“)
  • Nutze für neue Produkte eine Namenskonvention: [marke]-[produkt]-[variante]-[ansicht].jpg
7

Ontologie vs. Baumstruktur

Was wird geprüft: Die Logik und Hierarchie deiner Kategorisierung. Das Tool analysiert, ob deine Kategorie-Struktur eine nachvollziehbare Taxonomie bildet — mit klaren Über- und Unterkategorien, konsistenter Tiefe und logischen Zuordnungen.

Warum das für KI wichtig ist: Eine logische Kategoriestruktur hilft LLMs, Produkte korrekt einzuordnen. Wenn ein Nutzer nach „nachhaltigen Espresso-Bohnen“ fragt, muss die KI verstehen, dass diese in der Hierarchie Kaffee → Espresso → Bio-Bohnen verortet sind. Flache Strukturen, bei denen hunderte Produkte ohne Unterkategorien auf einer Ebene liegen, oder willkürliche Zuordnungen (Espresso unter „Geschenkideen“) verwirren Maschinen genauso wie Menschen.

Die Kategoriestruktur ist auch die Basis für das BreadcrumbList-Schema, das KI-Systemen die Navigationstiefe einer Seite signalisiert. Ein gut strukturierter Breadcrumb wie „Startseite → Kaffee → Espresso → Bio Espresso Crema“ ist für eine KI sofort verständlich.

Tipps:
  • Halte die Kategorie-Tiefe bei maximal 3 Ebenen — tiefer verwirrt Maschinen und Nutzer gleichermaßen
  • Stelle klare Parent-Child-Beziehungen sicher und vermeide Produkte in mehreren nicht-verwandten Kategorien
  • Implementiere BreadcrumbList Schema auf allen Seiten, das die tatsächliche Kategorie-Hierarchie abbildet
8

Strukturierte Rezensionen

Was wird geprüft: Das Vorhandensein und die Strukturierung von Kundenbewertungen. Das Tool analysiert, ob Reviews vorhanden sind, ob sie als Review-Schema ausgezeichnet sind und ob sie strukturierte Informationen wie Sterne-Rating, Datum und Autorenname enthalten.

Warum das für KI wichtig ist: Bewertungen sind einer der stärksten Vertrauensfaktoren — nicht nur für menschliche Käufer, sondern auch für KI-Systeme. Wenn ein LLM zwischen zwei ähnlichen Produkten entscheiden muss, zieht es Bewertungsdaten heran: Wie viele Reviews gibt es? Wie hoch ist die Durchschnittsbewertung? Gibt es verifizierte Käufe? Produkte mit sauber strukturierten Bewertungsdaten haben einen klaren Vorteil bei KI-Empfehlungen.

Entscheidend ist, dass die Bewertungen nicht nur visuell sichtbar sind (als Sterne-Grafik), sondern auch im HTML und JSON-LD maschinenlesbar vorliegen. Ein Sterne-Widget, das per JavaScript gerendert wird, ist für Crawler unsichtbar.

Tipps:
  • Implementiere AggregateRating und Review Schema auf jeder Produktseite mit Bewertungen
  • Strukturiere einzelne Reviews mit Autor, Datum, Sterne-Rating und Rezensionstext
  • Markiere verifizierte Käufe als solche — das erhöht die Gewichtung durch KI-Systeme
9

Monitoring

Was wird geprüft: Die grundsätzliche Sichtbarkeit des Lagerstatus und die Bestandsführung deines Shops. Das Tool analysiert, ob überhaupt ein Verfügbarkeitsstatus auf den Produktseiten angezeigt und in den strukturierten Daten hinterlegt wird.

Warum das für KI wichtig ist: Nichts ist frustrierender als eine KI-Empfehlung für ein Produkt, das seit Wochen ausverkauft ist. Wenn ein LLM einen Shop empfiehlt und der Nutzer dort auf „Nicht lieferbar“ stößt, verliert sowohl der Shop als auch die KI-Plattform an Glaubwürdigkeit. Deshalb prüfen KI-Systeme, ob Shops ihren Lagerbestand überhaupt kommunizieren. Ein Shop ohne sichtbaren Availability-Status ist für eine KI ein Risiko — und wird seltener empfohlen.

Diese Kategorie bildet die Grundlage für Kategorie 11 (Echtzeit-Verfügbarkeit). Hier geht es zunächst um die Frage: Gibt es überhaupt einen Lagerstatus — und ist er für Maschinen lesbar?

Tipps:
  • Halte den availability-Status in deinem JSON-LD Schema immer aktuell — InStock, OutOfStock oder PreOrder
  • Zeige den Lagerstatus auch visuell auf der Produktseite an — Crawler lesen sowohl HTML als auch JSON-LD
  • Setze ausverkaufte Produkte nicht einfach auf „unsichtbar“ — markiere sie stattdessen korrekt als OutOfStock
10

Trust & Policy Layer

Was wird geprüft: Die Auffindbarkeit und Vollständigkeit deiner rechtlichen Informationen: AGB, Impressum, Widerrufsbelehrung, Datenschutzerklärung und Versandbedingungen. Das Tool prüft, ob diese Seiten vorhanden, verlinkt und maschinenlesbar sind.

Warum das für KI wichtig ist: KI-Systeme bewerten die Vertrauenswürdigkeit eines Shops aktiv. Ein vollständiges Impressum, transparente Rückgabebedingungen und eine erreichbare Datenschutzerklärung sind starke Trust Signals. Fehlen diese Informationen oder sind sie schwer auffindbar, ist das für eine KI ein Red Flag. Das LLM wird einen Shop mit fragwürdiger Transparenz nicht empfehlen — zu hoch ist das Risiko, den eigenen Nutzer an einen unseriösen Anbieter zu verweisen.

Das gilt übrigens nicht nur für den deutschsprachigen Raum. Auch internationale KI-Systeme erkennen, ob ein Shop grundlegende rechtliche Transparenz bietet. Für EU-Shops sind Impressum und Widerruf ohnehin gesetzlich vorgeschrieben — aber die maschinenlesbare Aufbereitung ist der entscheidende Zusatzschritt.

Tipps:
  • Verlinke alle Policies (AGB, Impressum, Widerruf, Datenschutz) gut sichtbar im Footer jeder Seite
  • Implementiere Organization Schema mit vollständigen Kontaktdaten, Firmenadresse und Geschäftsführung
  • Stelle sicher, dass dein SSL-Zertifikat gültig ist — ein abgelaufenes Zertifikat ist ein sofortiges Vertrauens-K.O.
11

Echtzeit-Verfügbarkeit

Was wird geprüft: Ob dein Lagerstatus in Echtzeit aktualisiert wird oder ob statische, möglicherweise veraltete Daten ausgeliefert werden. Das Tool erkennt den Unterschied zwischen dynamisch aus dem Warenwirtschaftssystem gespeisten Daten und fest eincodierten Status-Werten.

Warum das für KI wichtig ist: Der Unterschied zu Kategorie 9 (Monitoring) ist die Aktualität. Während Kategorie 9 prüft, ob überhaupt ein Lagerstatus existiert, geht es hier um die Frage: Stimmt dieser Status in Echtzeit? KI-Shopping-Agenten, die in Zukunft autonom für Nutzer einkaufen, brauchen verlässliche, aktuelle Verfügbarkeitsdaten. Ein Agent, der ein Produkt als „auf Lager“ meldet, das seit drei Tagen ausverkauft ist, wird deinen Shop beim nächsten Mal meiden.

Echtzeit-Verfügbarkeit ist aktuell noch eine fortgeschrittene Anforderung. Aber die Entwicklung geht klar in diese Richtung: ChatGPT und Perplexity bauen ihre Shopping-Funktionen aktiv aus. Shops, die heute in Echtzeit-Daten investieren, sichern sich einen strategischen Vorsprung.

Tipps:
  • Verbinde deinen Lagerstatus direkt mit dem Warenwirtschaftssystem — keine manuell gepflegten Verfügbarkeiten
  • Vermeide gecachte Lagerbestands-Seiten: Der Availability-Wert im JSON-LD muss den tatsächlichen Status widerspiegeln
  • Prüfe, ob dein Shopsystem Webhook-Integrationen für Bestandsänderungen unterstützt — das ist die technische Basis für Echtzeit-Updates
12

Brand Voice

Was wird geprüft: Die Klarheit und Konsistenz deiner Markenidentität für KI-Extraktion. Das Tool analysiert, ob dein Shop eine eindeutige, maschinenlesbare Markenbotschaft transportiert — über Markennamen, Value Proposition, Tonality und Organization Schema.

Warum das für KI wichtig ist: LLMs bauen sich ein internes Modell jeder Marke auf, das sie kennen. Wenn ein Nutzer fragt „Welcher Shop steht für nachhaltige Mode in Deutschland?“, muss die KI eine klare Zuordnung treffen können. Das funktioniert nur, wenn deine Markenbotschaft konsistent, eindeutig und maschinenlesbar ist. Ist dein Markenname auf der Website, in Social Media und im JSON-LD unterschiedlich geschrieben? Wechselt die Value Proposition von Seite zu Seite? Dann wird die KI dich nicht als klare Marke erkennen — und dich weder empfehlen noch korrekt beschreiben.

Brand Voice ist die am stärksten strategische Kategorie. Sie lässt sich nicht mit einem einzelnen Code-Snippet lösen, sondern erfordert eine konsistente Markenführung über alle Touchpoints hinweg.

Tipps:
  • Verwende deinen Markennamen überall identisch — Website, Social Media, JSON-LD, Produktfeeds
  • Formuliere eine klare Value Proposition und platziere sie sichtbar auf jeder Seite (nicht nur auf der Startseite)
  • Implementiere ein vollständiges Organization Schema mit Logo, Beschreibung, Gründungsjahr und Social-Media-Profilen

Wie du den Score verbesserst — Priorisierung

Du musst nicht alle 12 Kategorien gleichzeitig auf 100 Prozent bringen. Priorisiere nach Aufwand und Wirkung. Die folgende Einteilung hilft dir, schnell sichtbare Ergebnisse zu erzielen und gleichzeitig strategisch an den größeren Themen zu arbeiten.

Quick Wins — sofort umsetzbar (1–3 Tage)
  • Strukturierte Daten (JSON-LD): Product, Offer und AggregateRating Schema implementieren — per Plugin oder manuell
  • Multimodale Bilder: Alt-Texte ergänzen und Bilddateien beschreibend umbenennen
  • Semantic-Ready Struktur: Heading-Hierarchie prüfen, semantische HTML5-Tags in Templates einbauen
  • Trust & Policy Layer: Footer-Links zu allen Policies prüfen, Organization Schema auf Startseite ergänzen
Mittelfristig — 1 bis 4 Wochen
  • Faktenbasierte Texte: Produktbeschreibungen systematisch überarbeiten — Spezifikationen ergänzen, Marketing-Floskeln reduzieren
  • Datenkonsistenz: Datenaudit durchführen, einheitliche Maßeinheiten und Namenskonventionen festlegen
  • Strukturierte Rezensionen: Review Schema implementieren, Bewertungssystem mit strukturierter Datenausgabe einrichten
  • Ontologie vs. Baumstruktur: Kategorie-Hierarchie überprüfen und bereinigen, BreadcrumbList Schema ausrollen
  • Monitoring: Availability-Status in JSON-LD für alle Produkte sicherstellen
Strategisch — 1 bis 3 Monate
  • API / Retrieval Layer: REST-API oder Produktfeeds aufsetzen, llms.txt erstellen
  • Echtzeit-Verfügbarkeit: Lagerstatus an Warenwirtschaftssystem anbinden, Webhook-Integration einrichten
  • Brand Voice: Markenidentität konsolidieren, konsistente Botschaft über alle Kanäle sicherstellen

Fazit

LLM-Readiness ist kein einzelner Schalter, den du umlegst — und auch kein Projekt, das irgendwann „fertig“ ist. Es ist eine ganzheitliche Optimierung deines Shops für eine neue Art der Informationsverarbeitung. Die 12 Kategorien bilden zusammen das Fundament dafür, dass dein Shop in der KI-Ära sichtbar bleibt.

Die gute Nachricht: Du musst nicht alles auf einmal machen. Jede einzelne Verbesserung — sei es ein sauberer Alt-Text, ein korrektes Product-Schema oder eine konsistente Produktbeschreibung — erhöht deine Chancen, von KI-Systemen erkannt und empfohlen zu werden. Starte mit den Quick Wins, miss deinen Fortschritt regelmäßig mit unserem Audit Tool und arbeite dich systematisch durch die Kategorien.

Wer heute in LLM-Readiness investiert, baut sich einen strategischen Vorsprung auf, der in den nächsten Jahren immer wertvoller wird. Denn die Frage ist nicht, ob KI-Systeme den E-Commerce verändern — sondern nur, wie schnell.

Häufige Fragen

Muss ich alle 12 Kategorien perfekt erfüllen?

Nein. Perfektion ist kein realistisches Ziel — aber jede Verbesserung zählt. Starte mit den Quick Wins (JSON-LD, Alt-Texte, semantisches HTML), die den größten Hebel bei geringstem Aufwand bieten. Ein Score von 70/100 ist bereits eine solide Basis. Auch Shops mit einem Score von 50–70 sind auf dem richtigen Weg, sollten aber gezielt an den schwächsten Kategorien arbeiten.

Wie oft sollte ich den Audit wiederholen?

Wir empfehlen alle 2–3 Monate einen neuen Audit — oder immer dann, wenn du größere Änderungen am Shop vorgenommen hast: Theme-Wechsel, Plugin-Updates, Redesigns, Sortimentserweiterungen oder Migrations. Besonders nach technischen Änderungen können zuvor funktionierende Schemas oder Strukturen unbemerkt kaputtgehen.

Prüft das Audit Tool auch die Wettbewerber?

Aktuell nicht direkt. Aber du kannst beliebige URLs in das Tool eingeben — auch die deiner Wettbewerber. So erhältst du einen direkten Vergleich, wie dein Shop im Verhältnis zur Konkurrenz aufgestellt ist. Wir arbeiten an einer automatisierten Wettbewerbsanalyse für zukünftige Versionen.

Welcher Score ist „gut genug“?

Ab 70/100 bist du gut aufgestellt und übertrifft die Mehrheit der Online-Shops im deutschsprachigen Raum. Zwischen 50 und 70 gibt es klaren Optimierungsbedarf, aber die Grundlagen sind vorhanden. Unter 50 besteht dringender Handlungsbedarf — hier fehlen grundlegende Strukturen, die für KI-Sichtbarkeit essenziell sind. Die Top-Shops in unserem System erreichen Werte zwischen 85 und 95.