Neue Entscheidungsmetriken

Der vorherige Artikel dieser Serie hat gezeigt, wo Attribution technisch bricht. Dieser Artikel stellt die Frage, die sich daraus ergibt: Wenn der Rahmen der klassischen Messbarkeit dauerhaft verengt ist, was kann ein Online-Händler heute tatsächlich noch messen, wenn Traffic aus KI-Suchmaschinen in seinen Shop gelangt, und was nicht?

Die Antwort fällt differenzierter aus, als es die Debatte vermuten lässt. Es gibt Dinge, die messbar sind, Dinge, die interpretierbar sind, und Dinge, die schlicht unsichtbar bleiben. Die Aufgabe besteht darin, diese drei Kategorien sauber zu trennen, denn wer Interpretation mit Messung verwechselt, trifft Entscheidungen auf einer Grundlage, die fragiler ist, als sie aussieht.

Parallel zur Entstehung dieses Artikels ist Stefan Wenzels "Agentic Commerce" erschienen, das unter anderem die hier diskutierten Metriken (Share of Answer, Crawl-to-Referral, AI Referral Traffic) thematisiert. An mehreren Stellen im Text werden Wenzels Einordnungen daher direkt aufgegriffen, wo sie einen Abgleich mit den unabhängig recherchierten Primärquellen ermöglichen. Das Ziel ist keine Rezension des Buches (eine solche findet sich hier), sondern ein transparenter Querschnitt, der die Perspektiven zusammenführt und dort differenziert, wo die Einordnungen auseinandergehen.

Was GA4 heute tatsächlich zeigt

Google Analytics 4 kann AI-Referral-Traffic grundsätzlich erfassen, allerdings nicht automatisch und nicht vollständig. Im Standard-Setup erscheint ein Besuch von ChatGPT als Referral von "chatgpt.com", sofern der Nutzer einen Link innerhalb der ChatGPT-Oberfläche anklickt. Perplexity erscheint entsprechend als "perplexity.ai", Google Gemini-Traffic hingegen wird häufig dem regulären organischen Traffic zugeordnet, weil die Referrer-Struktur innerhalb des Google-Ökosystems nicht sauber getrennt ist.

Die erste Einschränkung betrifft die Standard-Kanalgruppierung. GA4 ordnet AI-Referral-Traffic in der Standardkonfiguration der Kategorie "Referral" zu, vermischt ihn dort aber mit allen anderen Referrals. Wer den AI-Anteil isoliert betrachten will, muss eine eigene Kanalgruppe anlegen und die relevanten Domains (chatgpt.com, perplexity.ai, claude.ai, copilot.microsoft.com und weitere) manuell zuweisen. Das ist technisch unkompliziert, wird in der Praxis aber von vielen Shops nicht umgesetzt, weshalb der tatsächliche AI-Anteil im Standard-Reporting unsichtbar bleibt.

Die zweite Einschränkung ist gravierender. Eine Analyse von Loamly über 446.000 Besuche ergab, dass mehr als 80 Prozent des Traffics, der tatsächlich aus ChatGPT stammt, ohne Referrer-Information im Shop ankommt.¹ Diese Besuche landen in GA4 als "Direct Traffic" oder "(not set)" und sind vom regulären Direktverkehr nicht unterscheidbar. Die Ursache liegt in der Art, wie Nutzer mit AI-Systemen interagieren. Ein erheblicher Teil der Nutzer klickt nicht auf den in der KI-Antwort eingebetteten Link, sondern kopiert den Produkt- oder Markennamen, öffnet einen Browser und sucht eigenständig bei Google. In GA4 erscheint dieser Besuch als organische Suche oder Brand Search, der eigentliche Auslöser bleibt unsichtbar.

Die Visibility Labs-Studie über 94 E-Commerce-Shops und 12 Monate GA4-Daten beziffert den messbaren ChatGPT-Referral-Anteil auf etwa 1,5 Prozent des nicht-markengebundenen organischen Umsatzes, mit steigender Tendenz auf 2,2 Prozent im zweiten Halbjahr 2025.² Die Studie selbst weist darauf hin, dass der tatsächliche Einfluss von ChatGPT auf den Umsatz wahrscheinlich deutlich höher liegt, weil der Umweg über Brand Search systematisch nicht erfasst wird.

Was GA4 also zeigt, ist ein Fragment. Es erfasst den Teil des AI-Traffics, der sauber als Referral durchkommt. Dieser Teil wächst schnell (1.079 Prozent Wachstum der ChatGPT-Besuche im Jahresvergleich laut Visibility Labs), ist aber nach wie vor ein kleiner Ausschnitt des tatsächlichen Einflusses.

Die Conversion-Rate-Frage und ihre Tücken

Zu den am häufigsten zitierten Datenpunkten im aktuellen Diskurs gehört die Beobachtung, dass Traffic aus KI-Suchmaschinen besser konvertiert als klassischer organischer Traffic. Die Zahlen variieren allerdings erheblich, je nach Quelle, Methodik und Definition.

Visibility Labs misst eine Conversion Rate von 1,81 Prozent für ChatGPT-Traffic gegenüber 1,39 Prozent für nicht-markengebundenen organischen Traffic, ein Vorteil von 31 Prozent.² Die Studie ist methodisch transparent: Sie schließt Homepage-Traffic (der die Conversion Rate nach oben verzerrt) und Blog-Traffic (der sie nach unten verzerrt) explizit aus und konzentriert sich auf kommerzielle Intent-Seiten.

Adobe und Similarweb kommen auf deutlich höhere absolute Werte (11,4 Prozent Conversion Rate für KI-vermittelten Traffic gegenüber 5,3 Prozent für organischen Suchtraffic), wobei die methodischen Grundlagen weniger transparent dokumentiert sind und die Definition von "KI-vermittelt" breiter gefasst zu sein scheint.³ In Stefan Wenzels "Agentic Commerce" wird genau diese Adobe/Similarweb-Zahl übernommen, ohne die Diskrepanz zu anderen Quellen zu thematisieren oder die methodische Differenz zu erklären.⁴ Das ist symptomatisch für ein Feld, in dem Zahlen häufig unkritisch weitergegeben werden, weil sie eine gewünschte These stützen.

Noch extremer fallen die Zahlen von Authority Tech aus, die eine Conversion Rate von 18 Prozent für LLM-Referral-Traffic berichten, wobei hier vermutlich ein anderes Conversion-Ereignis gemessen wird (möglicherweise Lead-Generierung statt Kaufabschluss).⁵

Ehrlich eingeordnet konvertiert KI-vermittelter Traffic mit hoher Wahrscheinlichkeit besser als durchschnittlicher organischer Traffic, weil die Nutzer mit einer bereits weitgehend geformten Kaufabsicht ankommen. Aber die exakte Höhe dieses Vorteils ist mit den verfügbaren Daten nicht zuverlässig bestimmbar, weil die Studien unterschiedliche Metriken messen, unterschiedliche Traffic-Segmente vergleichen und unterschiedliche Definitionen von Conversion verwenden. Wer eine einzelne Prozentzahl als gesicherte Tatsache behandelt, verwechselt einen Richtungshinweis mit einer Punktprognose.

Ein weiterer oft übersehener Aspekt: Visibility Labs stellt fest, dass der durchschnittliche Bestellwert bei ChatGPT-Traffic 14,3 Prozent niedriger liegt als bei organischem Traffic (204 US-Dollar gegenüber 238 US-Dollar).² Der Revenue per Session ist dadurch nur 10,3 Prozent höher, nicht 31 Prozent. Die Conversion Rate allein erzählt also nicht die vollständige Geschichte.

Share of Answer, ein Konzept zwischen Anspruch und Operationalisierbarkeit

Zu den neuen Metriken, die im Kontext von KI-Suche vorgeschlagen werden, gehört "Share of Answer", der Anteil, mit dem ein Anbieter in den Antworten generativer KI-Systeme vorkommt. Stefan Wenzel definiert die Metrik in "Agentic Commerce" als "Anteil der Präsenz eines Anbieters innerhalb der von einem KI-Agenten generierten Antwort" und beschreibt sie als "Voraussetzung für agentische Entscheidungen".⁴

Das Konzept ist analytisch einleuchtend. Es beschreibt eine reale Verschiebung, nämlich dass Sichtbarkeit sich von der Ergebnisliste in die Antwort verlagert. Wer nicht Teil der Antwort ist, nimmt am Entscheidungsprozess nicht teil.

Die Schwierigkeit liegt in der Operationalisierung. Der KnewSearch Benchmark Report 2026, der 50.000 Suchanfragen über 15 Branchen hinweg analysiert hat, liefert erste empirische Orientierungspunkte: Der durchschnittliche "Share of Model" (eine verwandte Metrik) für Marktführer liegt bei 31 Prozent, die drei führenden Marken in einer Kategorie vereinen im Durchschnitt 67 Prozent aller Erwähnungen auf sich, und Perplexity zeigt mit durchschnittlich 5,2 Quellen pro Antwort die höchste Quellenvielfalt.⁶

Diese Zahlen sind ein Anfang, aber sie sind mit erheblichen methodischen Vorbehalten zu lesen. Erstens variieren die Antworten generativer KI-Systeme nicht nur nach Anfrage, sondern auch nach Zeitpunkt, Geografie und Nutzerkontext, was bedeutet, dass jede Messung eine Momentaufnahme ist, deren Reproduzierbarkeit begrenzt bleibt. Zweitens gibt es keinen standardisierten Zugang zu den Antworten dieser Systeme. Die Messung erfordert heute entweder manuelles Abfragen oder spezialisierte Tools (wie Rankshift, Seenos oder KnewSearch), deren Methoden und Stichprobengrößen nicht immer transparent dokumentiert sind. Drittens ist die Frage, ob ein Anbieter in einer Antwort erwähnt wird, nicht gleichbedeutend mit der Frage, ob diese Erwähnung zu einer Kaufentscheidung führt. Eine Erwähnung in einer strukturierten Vergleichsantwort hat ein anderes Gewicht als eine beiläufige Nennung in einem kontextuellen Absatz.

Share of Answer als Richtungssignal zu beobachten ist sinnvoll. Share of Answer als belastbaren KPI zu behandeln ist zum jetzigen Zeitpunkt verfrüht.

Das Crawl-to-Referral-Verhältnis, eine Makro-Perspektive

Eine zweite Metrik, die zunehmend diskutiert wird, ist das Crawl-to-Referral-Verhältnis, also die Frage, wie viele Seiten ein KI-System liest, bevor es einen einzelnen Besucher zurückschickt. Wenzel referenziert in "Agentic Commerce" die Cloudflare-Daten von Matthew Prince ausführlich und präzise.⁴ Die Zahlen sind eindrucksvoll und im Wesentlichen korrekt dokumentiert. Google bewegt sich bei einem Verhältnis von etwa 100 zu 1, OpenAI bei etwa 3.000 zu 1, Anthropic bei 60.000 zu 1.⁷

Was Wenzel korrekt beschreibt, ist die Richtung. Was er nicht vollständig einordnet, ist die begrenzte operative Anwendbarkeit dieser Zahl auf der Ebene eines einzelnen Online-Shops. Für einen Händler ist das Crawl-to-Referral-Verhältnis auf Makroebene informativ, denn es zeigt, dass der implizite Vertrag des Webs (Inhalt gegen Traffic) sich auflöst. Auf operativer Ebene kann ein einzelner Shop das Verhältnis aber nicht beeinflussen und es schwer als Steuerungsinstrument nutzen. Es ist ein Indikator für ein systemisches Phänomen, kein KPI für die eigene Performance.

Was ein Händler stattdessen in seiner eigenen Server-Log-Analyse sehen kann, ist die Crawl-Aktivität spezifischer AI-Bots (GPTBot, ClaudeBot, PerplexityBot, GoogleOther). Eine SEOmator-Analyse der Cloudflare-Radar-Daten von Q1 2026 zeigt, dass ClaudeBot ein Verhältnis von 23.951:1 aufweist, während GPTBot bei 1.276:1 liegt.⁸ Ob die eigenen Inhalte überhaupt gecrawlt werden, ist eine Voraussetzung dafür, in den Antworten berücksichtigt zu werden, aber kein Garant dafür.

GEO und AEO, eine nützliche Unterscheidung mit unscharfer Grenze

Wenzel unterscheidet in "Agentic Commerce" zwischen GEO (Generative Engine Optimization, Optimierung auf Erwähnung in KI-Antworten) und AEO (Agent Experience Optimization, Optimierung auf Auswählbarkeit durch autonome Agenten).⁴ Die Unterscheidung ist konzeptionell wertvoll, weil sie zwei verschiedene Zielsetzungen trennt, nämlich sichtbar sein und transaktionsfähig sein.

In der Praxis ist die Grenze jedoch weniger klar, als das Modell suggeriert. Für die überwiegende Mehrheit der Online-Händler im deutschsprachigen Raum ist AEO im April 2026 noch ein theoretisches Konstrukt, weil vollständig autonome Agententransaktionen außerhalb geschlossener Ökosysteme (wie Amazons Rufus) noch nicht in nennenswertem Umfang stattfinden. Was stattfindet, ist GEO, die Optimierung auf Sichtbarkeit in KI-generierten Antworten, und hier liegt der operative Hebel für die nächsten 12 bis 24 Monate.

Die Gefahr besteht darin, dass das AEO-Konzept zu einer voreiligen Investitionsverschiebung führt. Wer heute seine Ressourcen auf Protokoll-Kompatibilität und API-Bereitstellung für autonome Agenten konzentriert, während der messbare Traffic noch aus GEO-Mechanismen stammt, riskiert eine Fehlallokation. Das bedeutet nicht, dass AEO-Vorbereitung irrelevant ist, aber die Reihenfolge sollte den tatsächlichen Marktbedingungen entsprechen.

Was sich aus nicht klar zuordenbarem Traffic herauslesen lässt

Die Tatsache, dass ein wachsender Teil des Traffics nicht sauber zugeordnet werden kann, bedeutet nicht, dass keine Erkenntnisse möglich sind. Sie erfordert nur einen anderen analytischen Zugang, einen, der sich stärker auf statistische Muster und historische Vergleiche stützt als auf deterministische Attribution.

Drei Ansätze haben sich als praktikabel erwiesen.

Der erste betrifft die Analyse von Direct-Traffic-Anomalien. Wenn der Direct Traffic eines Shops über mehrere Wochen hinweg steigt, ohne dass gleichzeitig ein entsprechender Anstieg in Brand-Awareness-Kampagnen, PR-Aktivitäten oder Offline-Werbung zu verzeichnen ist, liegt die Vermutung nahe, dass ein Teil dieses Anstiegs aus nicht-attributierbaren Quellen stammt, darunter AI-Empfehlungen, Dark Social und Peer-Empfehlungen. Die Methode funktioniert als Ausschlussdiagnose, bei der man die erklärten Ursachen identifiziert und den verbleibenden Rest als potentiellen Indikator für unsichtbare Einflüsse betrachtet. Präzise ist das nicht. Aber als Richtungssignal über Zeit betrachtet ist es aussagekräftiger als keine Betrachtung.

Der zweite Ansatz betrifft Post-Purchase-Surveys. Visibility Labs empfiehlt explizit, auf der Bestellbestätigungsseite eine einfache Frage einzubauen, etwa "Wie sind Sie auf uns aufmerksam geworden?".² Die Rücklaufquoten sind typischerweise niedrig (5 bis 15 Prozent), aber die Antworten liefern qualitative Hinweise, die in keinem Analytics-System erscheinen. Wenn 20 Prozent der Befragten angeben, durch eine KI-Empfehlung auf den Shop aufmerksam geworden zu sein, während GA4 nur 1,5 Prozent AI-Referral-Traffic ausweist, ist die Diskrepanz selbst eine wertvolle Information.

Der dritte Ansatz betrifft die Korrelationsanalyse zwischen Share-of-Answer-Entwicklung und nachgelagerten Metriken. Wenn ein Händler systematisch seine Sichtbarkeit in ChatGPT-Antworten misst (etwa über monatliches manuelles Abfragen oder spezialisierte Tools) und diese Entwicklung mit der Entwicklung seines Brand Search Volumes, seines Direct Traffics und seiner Conversion Rate korreliert, können sich über Quartale hinweg Muster abzeichnen, die auf einen kausalen Zusammenhang hindeuten. Der Zusammenhang bleibt korrelativ, nicht kausal beweisbar, aber er ist die beste verfügbare Annäherung an eine Realität, die sich der direkten Messung entzieht.

Die drei Kategorien der neuen Messlandschaft

Was sich aus dieser Analyse ergibt, lässt sich in drei Kategorien zusammenfassen.

Messbar ist der AI-Referral-Traffic, der mit korrektem Referrer im Shop ankommt, sofern GA4 entsprechend konfiguriert ist. Messbar sind die Conversion Rates und der durchschnittliche Bestellwert dieses Segments, auch wenn die statistischen Stichproben bei vielen Shops noch zu klein für belastbare Schlüsse sind. Messbar ist die Crawl-Aktivität von AI-Bots in den Server-Logs. Und messbar ist die Entwicklung des Anteils von "(not set)" und "Unassigned" Traffic in GA4, der als Proxy für die wachsende Attribution-Lücke dient.

Interpretierbar, aber nicht beweisbar, sind die Ursachen hinter Veränderungen im Direct Traffic und im Brand Search Volume, die nicht durch bekannte Kampagnen erklärt werden können. Interpretierbar ist der Zusammenhang zwischen Share-of-Answer-Entwicklung und Umsatzentwicklung. Und interpretierbar ist die Frage, wie viel des sichtbaren Conversion-Vorteils von AI-Traffic auf Pre-Selection und wie viel auf Self-Selection zurückgeht, also ob KI-Systeme die Kaufwahrscheinlichkeit erhöhen oder ob sie hauptsächlich Nutzer mit ohnehin hoher Kaufabsicht weiterleiten.

Unsichtbar bleiben die konkreten Entscheidungskriterien, nach denen ein KI-System ein bestimmtes Produkt empfohlen oder verworfen hat. Unsichtbar bleibt der vollständige Umweg über Brand Search, der den tatsächlichen Einfluss von KI-Empfehlungen systematisch untererfasst. Und unsichtbar bleibt der gesamte Bereich der Peer-Empfehlungen in geschlossenen Kanälen, dessen Volumen nach aktuellen Schätzungen bis zu 80 Prozent aller Social Shares ausmacht.⁹

Was das für Entscheidungen bedeutet

Die Versuchung liegt nahe, angesichts dieser Unvollständigkeit auf bessere Daten zu warten. Das wäre ein Fehler, denn die Vollständigkeit, die klassische Attribution versprochen hat, wird nicht zurückkehren. Die Systeme, die Kaufentscheidungen beeinflussen, sind strukturell nicht darauf ausgelegt, Transparenz an den Händler zurückzugeben.

Was stattdessen entsteht, ist eine Steuerungslogik, die auf mehreren Ebenen gleichzeitig arbeitet. Auf der messbaren Ebene bedeutet das, GA4 korrekt zu konfigurieren, AI-Referral als eigenen Kanal zu isolieren, Server-Logs auf Bot-Aktivität zu prüfen und "(not set)"-Anteile zu beobachten. Auf der interpretativen Ebene geht es darum, Direct-Traffic-Anomalien zu kontextualisieren, Post-Purchase-Surveys einzusetzen und die Share-of-Answer-Entwicklung korrelativ zu beobachten. Auf der strategischen Ebene heißt das, zu akzeptieren, dass ein Teil der Entscheidungsbildung dauerhaft unsichtbar bleiben wird, und die eigene Datenstrategie nicht auf lückenlose Attribution, sondern auf Wahrscheinlichkeitsaussagen und Mustererkennungen auszurichten.

Stefan Wenzels "Agentic Commerce" benennt die richtigen Metriken (Share of Answer, Crawl-to-Referral, AI Referral Traffic), behandelt sie aber stellenweise mit einer Selbstverständlichkeit, die der tatsächlichen Reife dieser Instrumente vorauseilt.⁴ Die Richtung stimmt. Die Präzision, die der Text suggeriert, ist noch nicht gegeben. Und genau in dieser Lücke zwischen Richtung und Präzision findet die eigentliche operative Arbeit statt: nicht mit fertigen Antworten, sondern mit fundierten Annäherungen unter Unsicherheit.

Glossar

AI Referral Traffic Traffic, der nachweislich von KI-Suchmaschinen (ChatGPT, Perplexity, Gemini) an einen Online-Shop weitergeleitet wird und in Analytics-Tools als Referral mit entsprechender Quelldomain erscheint.

Share of Answer Anteil, mit dem eine Marke oder ein Anbieter in den generierten Antworten von KI-Systemen vorkommt. Misst Sichtbarkeit im neuen Paradigma, in dem nicht Suchergebnislisten, sondern formulierte Antworten den Erstkontakt herstellen.

Crawl-to-Referral-Verhältnis Kennzahl, die beschreibt, wie viele Seiten ein KI-Bot liest, bevor er einen einzigen Besucher an die gecrawlte Quelle zurückschickt. Illustriert die Asymmetrie zwischen Content-Konsum durch KI und Traffic-Rückfluss.

GEO (Generative Engine Optimization) Optimierung von Inhalten mit dem Ziel, in den generierten Antworten von KI-Suchmaschinen erwähnt und als Quelle referenziert zu werden. Der operative Nachfolger klassischer SEO für KI-vermittelte Sichtbarkeit.

AEO (Agent Experience Optimization) Weiterführendes Konzept, das über reine Sichtbarkeit hinausgeht und darauf abzielt, Produkte und Angebote so aufzubereiten, dass autonome KI-Agenten sie eigenständig auswählen und transaktional verarbeiten können.

Zero-Click Search Suchanfrage, bei der der Nutzer die Antwort direkt in der Suchmaschine oder KI-Oberfläche erhält, ohne eine externe Website zu besuchen. Reduziert den organischen Traffic für Content-Anbieter.

Dark Social Weitergabe von Links und Empfehlungen über nicht-öffentliche Kanäle (Messenger, E-Mail, private Gruppen), deren Traffic in Analytics-Systemen nicht als Social Traffic erkennbar ist und typischerweise als Direct Traffic erscheint.

Post-Purchase Survey Kurzbefragung auf der Bestellbestätigungsseite, die qualitative Daten zur Herkunft der Kaufentscheidung erhebt und so Lücken in der automatisierten Attribution schließen kann.

Quellen

¹ Loamly: "Does ChatGPT Send Traffic to Websites? (Real Data From 446K Visits)", November 2025.

² Jeff Oxford / Visibility Labs: "ChatGPT Traffic Converts 31% Better than Non-Branded Organic Search (94 eCommerce Sites Analyzed)", Februar 2026.

³ Adobe / Similarweb: AI Commerce Traffic Analysis, zitiert in verschiedenen Branchenberichten 2025.

⁴ Stefan Wenzel: "Agentic Commerce", 2026.

⁵ Authority Tech: "LLM Traffic Converts at 18%", März 2026.

⁶ KnewSearch: "2026 AI Search Visibility Benchmark Report", 2026.

⁷ Cloudflare / Matthew Prince: Crawl-to-Referral-Daten, präsentiert auf SXSW März 2026 und dokumentiert in Cloudflare Radar.

⁸ SEOmator: "GEO Data Report 2026: Which AI Crawlers & LLM Bots Take the Most and Give the Least?", 2026.

⁹ Branchenschätzungen zu Dark Social Sharing, aggregiert aus verschiedenen Quellen (RadiumOne, GetSocial), 2024-2025.

Dieser Artikel ist Teil der Serie Decision Journey Analytics, die untersucht, wie sich E-Commerce-Entscheidungen jenseits des klassischen Funnels entwickeln.