llms.txt für Online-Shops: Produkte in KI-Antworten platzieren

Wenn ein Kunde ChatGPT fragt „Welche Espressomaschine unter 500 € hat gute Bewertungen?", kann die Antwort Ihren Shop nennen – oder einen Marktplatz, der seine Produktdaten sauber ausliefert. Ob Sie überhaupt in Frage kommen, hängt weniger von der Dateiendung ab als von der Qualität Ihrer Produktdaten: Preis, Verfügbarkeit, Marke, Artikelnummer, Merkmale – strukturiert und maschinenlesbar. Dieser Artikel zeigt, was Online-Shops konkret tun müssen, wo die typischen Lücken liegen und woran Sie erkennen, ob es wirkt – damit Sie Ihre Produkte tatsächlich in KI-Antworten platzieren können.

Warum llms.txt für Shops besonders wichtig ist

Online-Shops haben gegenüber Blogs oder Dienstleistern einen entscheidenden Vorteil: strukturierte Produktdaten. Moderne Shop-Systeme erzeugen automatisch Schema.org-Markup mit Preis, Bewertung, Verfügbarkeit und Marke. Genau diese Daten nutzt der Produkt-Drill-Down – und gibt sie in maschinenlesbarer Form an KI-Assistenten weiter.

Das Ergebnis: KI kann nicht nur sagen „Schauen Sie bei Ihrem Shop", sondern konkret: „Das Modell X kostet 249 €, hat 4,8 Sterne bei 213 Bewertungen und ist sofort lieferbar." Dieser Unterschied entscheidet darüber, ob ein KI-System Ihr Produkt überhaupt als konkrete Antwort verwenden kann. Ob es das dann tut, entscheidet das Modell – aber ohne diese Daten ist die Frage gar nicht erst offen.

Was ein KI-System über ein Produkt wissen muss

Der häufigste Grund, warum Shops in KI-Antworten fehlen, sind nicht fehlende Dateien, sondern lückenhafte Produktdaten. Prüfen Sie, bevor Sie eine llms.txt erzeugen, ob Ihre Produktseiten diese Angaben strukturiert (per Schema.org Product/Offer) ausliefern:

• Preis mit Währung und, bei Aktionen, der reguläre Preis – ein Preis ohne Währung ist für ein Sprachmodell eine Zahl ohne Bedeutung.
• Verfügbarkeit als InStock, PreOrder oder OutOfStock – KI-Systeme empfehlen ungern etwas, das nicht lieferbar ist.
• GTIN/EAN und Marke – nur damit kann ein System Ihr Angebot demselben Produkt zuordnen, das es von anderen Quellen kennt, und Preise vergleichen.
• Varianten (Größe, Farbe, Ausführung) als eigene Angebote oder klar benannte Optionen – „in Blau nicht lieferbar" ist eine Information, die in Kaufberatungen vorkommt.
• Beschreibung mit Merkmalen statt Marketingtext. „Für Siebträger, 15 bar, 1,8-l-Tank, 58-mm-Sieb" beantwortet Käuferfragen; „Genuss auf höchstem Niveau" beantwortet keine.
• Bewertungen mit Anzahl und Durchschnitt – eines der wenigen Signale, die in fast jeder Empfehlungsantwort vorkommen.

Fehlt davon etwas, zeigt der Schema.org Checker die Lücke; die meisten Shopsysteme liefern die Grundlagen von Haus aus, verlieren aber Angaben durch Themes, Plugins oder deaktivierte Bewertungsmodule.

In 4 Schritten zur KI-sichtbaren llms.txt

Was der Produkt-Drill-Down konkret extrahiert

Der Drill-Down liest für jede Produktseite die Schema.org-Daten aus. Das sind typischerweise:

• Produktname und Beschreibung (für semantisches Matching)
• Preis und Währung (für Preisvergleichs-Anfragen)
• Bewertungsdurchschnitt und Anzahl Bewertungen
• Verfügbarkeit: InStock, PreOrder, OutOfStock
• Marke und Hersteller
• EAN/GTIN (für eindeutige Produkterkennung)
• Produktkategorie und Breadcrumb
• Produktbild-URL (KI zeigt Ihr Bild, kein Stockfoto)

All das landet strukturiert in der llms-data.json und llms-full.txt – den Dateien, die KI-Systemen die tiefsten Einblicke geben.

Automatische Vergleichstabellen

Ein einzigartiges Feature für Shops: Der Generator erstellt automatisch Vergleichstabellen Ihrer Produktkategorien. Diese Tabellen liegen ausschließlich in llms-data.json (nicht in llms.txt oder llms-full.txt) und benötigen Schema.org Product-Markup mit Preisangabe. Verfügbar ab Pro Solo. Wenn ChatGPT nach „Beste Espressomaschinen unter 500 €" gefragt wird, kann es aus Ihrer llms-data.json eine strukturierte Gegenüberstellung von Preisen, Bewertungen und Verfügbarkeit abrufen.

Das gibt einem KI-System die Daten, die es für eine konkrete Empfehlung braucht – statt auf Marktplätze auszuweichen, die diese Daten ohnehin liefern. Eine Garantie, dass Ihr Shop genannt wird, ist das nicht; eine Voraussetzung dafür schon.

Intent-Routing für Shop-spezifische Fragen

Der Generator erkennt automatisch 26+ typische Shop-Fragen und ordnet sie den richtigen Seiten zu:

• „Wie sind die Versandkosten?" → Versandseite
• „Gibt es eine Rückgabemöglichkeit?" → AGB / Widerrufsbelehrung
• „Welche Zahlungsarten akzeptiert Ihr?" → Zahlungsseite
• „Wie lange dauert die Lieferung?" → Lieferinformationen
• „Haben Sie [Produkt] in [Größe/Farbe]?" → Produktkategorie

Kategorieseiten: der unterschätzte Hebel

Käuferfragen an KI-Systeme sind selten produktgenau. „Welche Espressomaschine für Einsteiger?" ist eine Kategoriefrage, und die beste Antwort darauf ist eine gut beschriebene Kategorieseite – nicht ein einzelnes Produkt. In den meisten Shops sind Kategorieseiten aber nur Produktraster ohne Text. Für die llms.txt heißt das: Jede Kategorie braucht eine Beschreibung, die sagt, für wen die Produkte sind, was sie unterscheidet und in welcher Preisspanne sie liegen. Zwei bis vier Sätze reichen; der Generator übernimmt sie in die Kategorie-Sektion. Ohne diesen Text steht in der Datei nur „Espressomaschinen" – und damit kann kein System eine Kaufberatung beginnen.

Woran Sie erkennen, ob es wirkt

Ehrlich: Es gibt kein Reporting, das Ihnen zeigt, wie oft ChatGPT Ihren Shop genannt hat. Was es gibt, sind drei Ebenen, die zusammen ein belastbares Bild ergeben:

1. Abrufe. Rufen GPTBot, ClaudeBot, PerplexityBot und OAI-SearchBot Ihre llms.txt und Produktseiten ab? Das sehen Sie nur in den Server-Logs oder im KI-Bot-Tracking – Ihr Web-Analytics sieht diese Crawler nicht, weil sie kein JavaScript ausführen. Ein Abruf durch ChatGPT-User bedeutet: Ein Mensch hat gerade in einer Antwort auf Sie geklickt.
2. Stichprobe. Stellen Sie zehn Käuferfragen Ihrer Kategorie an ChatGPT, Perplexity und Claude – ohne Login, damit keine Personalisierung das Bild verzerrt – und notieren Sie, ob Ihr Shop vorkommt, an welcher Stelle und wer sonst genannt wird. Monatlich wiederholen. Das ist keine Statistik, aber das ehrlichste Signal, das es gibt.
3. Referrer. Besucher mit Herkunft chat.openai.com, perplexity.ai oder claude.ai sind echte Klicks aus KI-Antworten. Die Zahl ist klein und unterschätzt die Sichtbarkeit – die meisten Zitate bringen keinen Klick – aber sie ist der eine Wert, der direkt mit Umsatz verknüpft ist.

Mehr dazu im Ratgeber Bringt llms.txt etwas? Was sich messen lässt.

Schema.org als Grundvoraussetzung

Der Drill-Down funktioniert optimal, wenn Ihr Shop Schema.org-Markup für Produkte ausgibt. Die gute Nachricht: WooCommerce, Shopware, Gambio, Shopify und Magento tun das in der Standardkonfiguration automatisch. Falls Sie unsicher sind, können Sie das mit dem kostenlosen Schema-Score-Tool prüfen.

CMS-spezifische Komplettanleitungen

Ihr Shop-System entscheidet über Sitemap-Struktur, URL-Muster und Schema.org-Ausgabe – deshalb gibt es je System eine eigene Anleitung mit den passenden Besonderheiten: llms.txt für Shopware, llms.txt für WooCommerce, llms.txt für Shopify, llms.txt für PrestaShop, llms.txt für Magento, llms.txt für JTL-Shop, llms.txt für Gambio und llms.txt für Drupal.

Häufige Fragen für Online-Shops