Bericht | Die Lücke bei der DTC-KI-Suchbereitschaft im Jahr 2026

Executive Summary

Untersucht wurden 1.238 DTC-Domains auf ihre KI-Suchbereitschaft, gemessen über vier Ebenen: die Qualität der KI-Datei, allgemeine strukturierte Daten, strukturierte Signale auf Produktseiten und Metadaten. Im Schnitt erreichten die Domains 36,4 von 100 Punkten, der Median liegt bei 37,0. Die Stufe ai_ready schafften nach diesem Modell lediglich 11 Domains.

Der zentrale Befund ist die Kluft zwischen bloßer Auffindbarkeit und echtem Produktverständnis. Mit 629 Domains stellt platform_default die größte llms.txt-Qualitätskategorie. Anders gesagt: Viele Marken besitzen bereits eine grundlegende, KI-lesbare Datei, schlicht weil ihre Plattform sie automatisch anlegt. Product-Schema auf der Startseite findet sich dagegen auf nur 0,9 % der bewerteten Domains, Product-Schema auf Produktseiten auf 39,2 % der Domains, bei denen Produktseiten geprüft wurden. Preissignale auf Produktseiten tauchen bei 48,1 % auf, Bewertungs- oder Reviewsignale bei 43,5 %.

Wie früh der Markt noch steht, zeigt die Verteilung der Stufen:

KI-Bereitschaftsstufe	Domains
Nicht bereit	435
Teilweise bereit	425
Grundlegende Auffindbarkeit	367
KI-bereit	11

Diese Einteilung ist deshalb hilfreich, weil sie drei Dinge auseinanderhält, die gern verschwimmen. Eine Marke kann auffindbar sein. Eine Marke kann Metadaten besitzen. Eine Marke kann llms.txt haben. Doch auffindbar zu sein bedeutet nicht, auf Produktebene verstanden zu werden.

Noch deutlicher wird das bei der Verteilung der llms.txt-Qualität:

llms.txt-Qualitätsstufe	Domains
Plattformstandard	629
Fehlend	388
Soft 404	133
Manuell, leicht	57
Manuell, strukturiert	31

Der tragfähigste Aufhänger lautet deshalb nicht „DTC-Marken haben llms.txt“ – diese Aussage greift zu kurz. Treffender ist: Plattformstandards haben zwar eine dünne erste Schicht KI-Auffindbarkeit etabliert, doch die meisten DTC-Marken haben jene strukturierte Datenebene auf Produktebene noch nicht gebaut, die KI-Shopping und Antwortsysteme brauchen.

Wie bessere Bereitschaft aussieht, machen die Positivbeispiele greifbar. Zur Stufe ai_ready zählen Marken wie Mokobara, Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods, La Maison Convertible, Unbloat, NuRange Coffee, Three Ships Beauty und Manukora. Wichtig daran ist: KI-Bereitschaft ist nicht auf eine einzelne Kategorie oder einen bestimmten Markentyp beschränkt. Lebensmittel, Beauty, Wellness, Möbel, Bekleidung und Spezialhandel können ihre maschinenlesbare Produktebene allesamt ausbauen.

Die am besten teilbaren Erkenntnisse

1. Der durchschnittliche DTC-Score für KI-Bereitschaft liegt nur bei 36,4/100.

2. Nur 11 von 1.238 bewerteten Domains erreichten die Stufe ai_ready.

3. llms.txt ist weit verbreitet, stammt aber meist von der Plattform. Die größte Qualitätskategorie ist der Plattformstandard mit 629 Domains.

4. Manuell strukturierte llms.txt-Dateien sind selten. Nur 31 Domains fallen in die Kategorie „manuell, strukturiert“.

5. Product-Schema auf der Startseite existiert praktisch nicht. Es taucht auf nur 0,9 % der bewerteten Domains auf.

6. Product-Schema auf Produktseiten ist besser, aber lückenhaft. Es erscheint auf 39,2 % der bewerteten Domains, bei denen Produktseiten geprüft wurden.

7. KI-Shopping-Bereitschaft verlangt Produktfakten, nicht bloß Crawler-Zugriff. Preis-, Angebots-, Review-, Verfügbarkeits- und Product-Schema-Signale wiegen schwerer als eine dünne Datei für sich.

1. Warum sich KI-Suchbereitschaft von den SEO-Grundlagen unterscheidet

Klassisches SEO fragt: crawlbar, indexierbar, rankbar, anklickbar? KI-Suche schiebt eine Ebene darüber: Versteht das System Marke, Produkt, Angebot, Preis, Bewertungen, Verfügbarkeit und Richtlinien gut genug, um Fragen zu beantworten oder Produkte zu empfehlen?

Für DTC zählt das besonders, weil E-Commerce-Seiten vor Details strotzen, die Menschen einleuchten, Maschinen aber verwirren. Eine Käuferin erfasst auf einer Produktseite Name, Preis, Größe, Abo-Option, Rabatt, Bewertungen, Lagerbestand und Rückgaberichtlinie mühelos. Ein Crawler braucht dieselben Fakten in konsistenter Form.

Metadaten, Open Graph und Canonical-Tags helfen, llms.txt findet wichtige Inhalte. Doch der eigentliche Prüfstein ist die Produktebene. Vergleicht ein KI-Assistent fünf Proteinpulver, Pflegeprodukte oder Kaffee-Abos, braucht er strukturierte Fakten. Fehlen sie, ist eine Marke sichtbar, aber nicht verlässlich verständlich.

Der Bericht trennt vier Bereitschaftsebenen:

1. KI-Datei-Ebene: ob llms.txt existiert – und ob sie fehlt, ein Soft 404 ist, dem Plattformstandard folgt, leicht manuell erstellt oder manuell strukturiert ist.
2. Ebene der allgemeinen strukturierten Daten: JSON-LD, Organization, WebSite, BreadcrumbList und Product-Schema.
3. Produktseiten-Ebene: Product-Schema, Angebots- oder Preissignale, Bewertungs- oder Reviewsignale und Verfügbarkeitssignale.
4. Metadaten-Ebene: Canonical, Meta Description, Open-Graph-Bild, Twitter Card, hreflang und ähnliche maschinenlesbare Kontexte.

Das Ebenenmodell ist deshalb wichtig, weil es voreilige Schlüsse verhindert. Eine Marke mit llms.txt, aber ohne Produktfakten ist weniger bereit, als sie wirkt. Eine Marke ohne llms.txt, dafür mit reichhaltigem Product-Schema auf Produktseiten, kann für Maschinen verständlicher sein, als die Dateiebene nahelegt.

Strukturierte Produktdaten in Aktion sehen

2. Die llms.txt-Geschichte: Eine dünne Schicht, meist von Plattformen erstellt

Die llms.txt-Prüfung ergab fünf Qualitätsbereiche:

Qualitätsbereich	Domains	Interpretation
Plattformstandard	629	Eine standardmäßige, von der Plattform erzeugte Datei, meist dünn, aber gültig
Fehlend	388	Keine nutzbare Datei gefunden
Soft 404	133	Eine irreführende oder nicht nützliche Antwort
Manuell, leicht	57	Menschlich erstellte oder benutzerdefinierte Datei, aber mit begrenzter Struktur
Manuell, strukturiert	31	Umfangreichere manuelle Datei mit Überschriften, Links sowie Produkt- oder Richtlinienbegriffen

Hier liegt die wichtigste Nuance des Berichts. An der Oberfläche wirkt die llms.txt-Verbreitung stark, weil Plattformstandard-Dateien so häufig sind. Plattformstandard ist aber nicht dasselbe wie eine durchdachte KI-Suchstrategie. Meist handelt es sich nur um eine grundlegende Orientierungsebene.

Wertlos macht das die Plattformstandard-Dateien nicht. Sie können Crawlern helfen, wichtige Pfade zu erkennen. Und sie führen vor Augen, wie schnell Entscheidungen auf Plattformebene den Markt verschieben. Eine Plattform kann Hunderten Shops eine neue maschinenlesbare Datei verpassen, bevor die meisten Brand-Teams überhaupt über KI-Suchprozesse gesprochen haben.

Der Bereich „manuell, strukturiert“ ist dagegen deutlich kleiner: 31 Domains. Zu den Beispielen in der Analyse gehören manuell strukturierte Dateien von Marken wie Dermalogica, Ad Hoc Atelier, DKNY sowie mehreren ai_ready-Beispielen wie Magic Mind, Le Petit Ballon, Maine Lobster Now, Yo Mama's Foods und Three Ships Beauty. Diese Positivbeispiele zeigen, was es heißt, über eine Standarddatei hinauszugehen: mehr Links, mehr Überschriften, mehr Produktbegriffe, mehr Richtlinienbegriffe und eine bewusstere Struktur.

Auch der Soft-404-Bereich verdient Aufmerksamkeit. Ein Soft 404 liefert zwar eine Antwort, aber keine brauchbare llms.txt-Datei. Einfache Prüfungen können sich davon täuschen lassen. Für KI-Suchbereitschaft genügt nicht, dass etwas existiert. Entscheidend ist die Qualität.

3. Die Struktur auf Produktebene ist die eigentliche Lücke

Die größte Lücke in den Daten heißt Product-Schema.

Auf der Startseite erscheint Product-Schema bei nur 0,9 % der bewerteten Domains. Auf Produktseiten taucht es bei 39,2 % der Domains auf, bei denen Produktseiten geprüft wurden. Preissignale auf Produktseiten finden sich bei 48,1 %, Bewertungs- oder Reviewsignale bei 43,5 %.

Diese Zahlen erzählen eine eindeutige Geschichte. Grundlegende Produktfakten sind nicht durchgängig maschinenlesbar, selbst dann nicht, wenn die Marke einen E-Commerce-Shop betreibt.

Das wiegt schwer, weil KI-Suche und KI-Shopping voraussichtlich Klarheit belohnen. Legt eine Produktseite Product-Schema, Angebote, Preis, Verfügbarkeit, Bewertungssignale und Richtlinien-Links offen, bekommen Maschinen verlässlichere Fakten. Stecken sie dagegen in JavaScript, inkonsistenten Templates, Bildern oder dynamischen Widgets, deuten Maschinen sie falsch oder übergehen sie.

Die Bereitschaftslücke betrifft also nicht nur das Ranking, sondern die Repräsentation. Fasst ein KI-System eine Kategorie zusammen, vergleicht Optionen oder erzeugt Empfehlungen, kommen Marken mit saubereren Produktfakten womöglich treffsicherer vor.

Die Positivbeispiele aus der ai_ready-Gruppe machen das deutlich:

• Mokobara erzielte mit 83 den höchsten Wert der Auswertung.
• Magic Mind, Le Petit Ballon und Maine Lobster Now kamen jeweils auf 81.
• Yo Mama's Foods erreichte 80.
• La Maison Convertible, Unbloat, Vinocheepo und NuRange Coffee erzielten 79.
• Three Ships Beauty erreichte 77.
• Manukora erreichte 75.

Diese Beispiele decken ganz unterschiedliche Kategorien ab. KI-Bereitschaft ist weder ein reines Beauty- noch ein reines Tech-Thema. Sie betrifft Lebensmittel, Wellness, Möbel, Bekleidung, Spezialprodukte und jede Kategorie, in der Käufer eine KI nach Empfehlungen, Vergleichen oder Erklärungen fragen könnten.

4. KI-Bereitschaftsstufen: Die meisten Marken liegen noch unter der Schwelle

Die Stufen verteilen sich so:

Stufe	Domains	Anteil an der Stichprobe
Nicht bereit	435	35,1 %
Teilweise bereit	425	34,3 %
Grundlegende Auffindbarkeit	367	29,6 %
KI-bereit	11	0,9 %

Die Bezeichnungen sind bewusst praxisnah. Not ready heißt nicht, dass die Marke schlecht ist. Es heißt, dass die öffentlichen Signale, die dieses Modell auswertet, nicht genug KI-Suchbereitschaft erkennen lassen. Partially ready bedeutet, dass einige Bausteine vorhanden sind, wichtige Ebenen aber fehlen. Basic discoverability bedeutet, dass die Marke für Maschinen besser sichtbar ist, ihr aber noch eine vollständige Produktstruktur fehlen kann. AI ready bedeutet, dass die Domain eine kräftigere Kombination aus Dateiqualität, strukturierten Daten, Produktfakten und Metadaten zeigt.

Nur 11 Domains erreichten die oberste Stufe. Das ist die Schlagzeile, doch aufschlussreicher ist die Form der Mitte. Die Stichprobe verteilt sich fast gleichmäßig auf Nicht bereit, Teilweise bereit und Grundlegende Auffindbarkeit. Der Markt ist nicht leer, er ist im Übergang. Viele Marken besitzen einige Signale, nur wenige ein vollständiges System.

Daraus erwächst kurzfristig eine Chance. KI-Suchbereitschaft steht noch so früh, dass eine Marke mit überschaubarem Aufwand von durchschnittlich zu stark springen kann: llms.txt verbessern, Schema validieren, Produktfakten offenlegen, Metadaten aufräumen und Produktseiten für Maschinen leichter parsebar machen.

5. Kategorie-Muster: Beauty und Apparel liegen vorne, aber keine Kategorie ist fertig

Die Kategorisierung ist richtungsweisend, nicht exakt. Dennoch zeigt die Tabelle nützliche Muster:

Kategorie	Stichprobe	Ø KI-Bereitschaft	Manuelle oder strukturierte llms	Product-Schema auf Produktseiten	Rate Product-Schema auf Produktseiten
Beauty & Skincare	98	46,2	3	56	57,1 %
Apparel & Footwear	149	45,7	6	79	53,0 %
Jewelry & Accessories	34	44,5	0	20	58,8 %
Pet	15	43,5	0	8	53,3 %
Baby & Kids	27	42,6	1	15	55,6 %
Food & Beverage	118	42,5	5	58	49,2 %
Home & Furniture	48	42,3	0	23	47,9 %
Health & Wellness	58	40,7	6	27	46,6 %
Outdoor & Sports	49	39,8	1	23	46,9 %

Beauty & Skincare führt mit 46,2 beim durchschnittlichen KI-Bereitschaftsscore, dicht gefolgt von Apparel & Footwear mit 45,7. Diese Kategorien arbeiten oft mit starken E-Commerce-Templates, umfangreichen Produktkatalogen, Reviews, Varianten, visuellen Assets und reichlich Content-Bedarf. Von strukturierter Produktarbeit profitieren sie womöglich schneller.

Jewelry & Accessories erreicht mit 58,8 % eine hohe Rate an Product-Schema auf Produktseiten, weist in der Kategorietabelle aber keine manuellen oder strukturierten llms.txt-Dateien auf. Genau das zeigt, warum Bereitschaft in Ebenen gedacht werden muss: Eine Kategorie kann beim Product-Schema stark und bei der KI-Dateiqualität schwach sein.

Food & Beverage versammelt mehrere starke Positivbeispiele, darunter Maine Lobster Now, Yo Mama's Foods, NuRange Coffee und Manukora. Das zählt, weil Lebensmittel- und Getränkeprodukte oft klare Fakten verlangen: Zutaten, Nährwerte, Portionsgröße, Abo-Option, Herkunft, Versand, Lagerung, Bewertungen und Verfügbarkeit. KI-Systeme können diese Details nur dann korrekt wiedergeben, wenn die Website sie sauber ausspielt.

Health & Wellness verzeichnet mit 10,3 % die höchste Rate an manueller oder strukturierter llms unter den großen Kategorien der Tabelle, kommt aber nur auf einen Durchschnittsscore von 40,7. Das deutet darauf hin, dass einige Marken hier aktiv mit KI-lesbaren Dateien experimentieren, während die Produktseitenstruktur noch Luft nach oben hat. Angesichts des Vertrauens- und Erklärungsbedarfs im Wellness-Bereich sollte gerade diese Kategorie konsequent auf strukturierte Fakten setzen.

Keine Kategorie ist fertig. Selbst die Spitzenkategorien bleiben im Schnitt unter 50/100. Genau deshalb sind kategoriespezifische Inhalte zur KI-Bereitschaft eine starke Chance für SEO-Autoren und Berater.

6. Wie gute Praxis aussieht: Positive Muster von KI-bereiten Marken

Die ai_ready-Gruppe ist klein, aber lehrreich, weil sie übertragbare Muster sichtbar macht.

Mokobara erzielte mit 83 den höchsten Wert im Output – ein Beispiel für starke kombinierte Bereitschaft, nicht nur für einen einzelnen guten Signalwert.

Magic Mind, Le Petit Ballon und Maine Lobster Now kamen jeweils auf 81 und fallen bei llms in die Kategorie „manuell, strukturiert“. Das ist wichtig, weil es bewusste Arbeit auf Dateiebene belegt – nicht bloß Plattformstandards.

Yo Mama's Foods erzielte 80, ebenfalls mit manuell strukturierten llms. Lebensmittelmarken profitieren von KI-lesbarer Struktur, weil KI-Systeme nach Zutaten, Geschmack, Einsatzfällen, Rezepten, Ernährungsprofilen und Vergleichen gefragt werden können.

Three Ships Beauty erreichte 77 mit manuell strukturierten llms. Beauty eignet sich ideal für strukturierte KI-Bereitschaft, weil Käufer nach Hauttyp, Inhaltsstoffen, Routinen, Textur, Bewertungen und Alternativen fragen.

Manukora erzielte 75. Honig und wellnessnahe Lebensmittel verlangen häufig Aufklärung zu Herkunft, Qualität, Vorteilen, Zertifizierungen und Anwendung, weshalb strukturierte Produkt- und Richtliniensignale besonders wertvoll sind.

Die Lehre ist nicht, dass jede Marke gleich aussehen muss. Die Lehre ist, dass KI-Bereitschaft ein System ist:

• Eine nützliche llms.txt-Datei
• Saubere Metadaten
• Strukturierte Organization- und WebSite-Daten
• Product-Schema auf Produktseiten
• Preis- und Angebotsignale
• Bewertungs- oder Reviewsignale
• Verfügbarkeitssignale
• Klarheit bei Richtlinien und Support

Jede einzelne Ebene hilft. Erst die Kombination schafft Bereitschaft.

7. Warum llms.txt allein nicht ausreicht

llms.txt ist zum bequemen Synonym für KI-Bereitschaft geworden – verständlich, denn die Datei ist sichtbar, leicht prüfbar und neu genug, um strategisch zu wirken. Diese Untersuchung zeigt jedoch, warum sie nicht die ganze Geschichte ist.

Eine Plattformstandard-Datei öffnet eine grundlegende Eingangstür, lotst Crawler auf wichtige Seiten und signalisiert Maschinen einen KI-lesbaren Einstiegspunkt. Spielen die Produktseiten ihre Fakten aber nicht klar aus, führt die Tür in einen unübersichtlichen Raum.

Bei der KI-Suche geht es nicht nur um „Findet der Crawler die Seite?“, sondern auch um:

• Kann der Crawler das Produkt identifizieren?
• Kann er die Marke identifizieren?
• Kann er den Preis parsen?
• Kann er die Verfügbarkeit parsen?
• Kann er Bewertungen oder Rezensionen erkennen?
• Kann er Produktinhalte von Marketinginhalten unterscheiden?
• Kann er Richtlinien verstehen?
• Kann er Varianten vergleichen?
• Kann er die richtige Canonical-Seite zitieren?

llms.txt hilft bei Navigation und Priorisierung. Strukturierte Produktdaten helfen beim Verständnis. KI-Bereitschaft braucht beides.

8. Das Operator-Handbuch: So verbessert man die KI-Suchbereitschaft

Für DTC- und E-Commerce-Teams ist der praktische Ablauf recht überschaubar.

Schritt 1: Die KI-Datei-Ebene prüfen. Existiert llms.txt? Ist sie echt oder ein Soft 404? Folgt sie dem Plattformstandard, ist sie leicht manuell oder strukturiert? Verweist sie auf nützliche Seiten?

Schritt 2: Metadaten prüfen. Canonical-Tags, Meta Descriptions, Open-Graph-Bilder, Twitter Cards, hreflang, wo relevant, und Mobile-Viewport bestätigen. Wenig glamourös, hilft Maschinen aber beim Kontextaufbau.

Schritt 3: JSON-LD validieren. Organization, WebSite, BreadcrumbList und Product-Schema prüfen. Product-Schema ist die größte Lücke im E-Commerce.

Schritt 4: Produktseiten prüfen, nicht nur die Startseite. KI-Shopping wird sich um Produktseiten drehen. Produktname, Beschreibung, Bild, Preis, Angebot, Verfügbarkeit, SKU, Bewertungen, Varianten und Rückgaberichtlinie sollten bestätigt werden.

Schritt 5: Produktfakten stabil halten. Wichtige Produktfakten nicht in Bildern, in nicht sauber rendernden Tabs oder in JavaScript-Widgets verstecken, die Crawler eventuell nicht parsen.

Schritt 6: Richtlinien klarer machen. Versand, Rückgaben, Abo-Bedingungen, Garantien, Zertifizierungen und Sicherheitsangaben sollten leicht zu finden und zu parsen sein.

Schritt 7: Nach Template-Änderungen erneut testen. Schema bricht oft bei Redesigns, Theme-Wechseln, App-Änderungen und Headless-Migrationen. Strukturierte Daten gehören in die QA.

Schritt 8: Das System verantworten. KI-Bereitschaft sollte nicht allein bei SEO hängen. Sie betrifft E-Commerce, Produkt, Content, Engineering, Recht und Kundensupport.

9. Was SEO- und Content-Teams zitieren können

Diese Untersuchung bietet mehrere starke Zitatwinkel:

„Nur 11 von 1.238 bewerteten DTC-Domains erreichten die Stufe KI-bereit.“ Der breiteste Aufhänger zum Thema Bereitschaft.

„llms.txt ist weit verbreitet, stammt aber meist von der Plattform.“ Der Plattformstandard-Bereich umfasst 629 Domains, manuell strukturierte Dateien tauchen nur bei 31 auf.

„Product-Schema auf der Startseite erscheint nur auf 0,9 % der bewerteten Domains.“ Die schärfste Lücke bei strukturierten Daten.

„Product-Schema auf Produktseiten erscheint bei 39,2 %, wenn Produktseiten geprüft wurden.“ Das bringt Nuance: Produktseiten sind besser als Startseiten, aber dennoch lückenhaft.

„Beauty und Apparel führen die Kategorietabelle an, bleiben aber im Schnitt unter 50/100.“ Ein kategorienbezogener Aufhänger.

„KI-Bereitschaft ist mehrschichtig.“ Der wichtigste Lernpunkt für alle, die llms.txt sonst mit Bereitschaft gleichsetzen.

Eine Einschränkung gehört dazu: Die Daten spiegeln öffentliche Website-Signale dieser Stichprobe wider, nicht die gesamte Branchenadoption und nicht die interne Suchleistung.

10. Was KI-Shopping für DTC-Teams verändert

Klassische E-Commerce-Auffindbarkeit lief über Seiten, Rankings, Anzeigen und Klicks: suchen, Ergebnisse vergleichen, Seiten öffnen, Bewertungen lesen, entscheiden. KI-Shopping und Antwortsysteme kürzen das ab. Wer nach „der besten zuckerarmen Pasta-Sauce für werktags“, „einem Handgepäck-Rucksack unter 200 Dollar mit guten Bewertungen“ oder „einem milden, duftfreien Reiniger für empfindliche Haut“ fragt, bekommt die Optionen womöglich zusammengefasst, bevor er überhaupt eine Markenseite sieht.

Damit verschiebt sich die Aufgabe der Produktseite. Sie muss Menschen überzeugen und zugleich das Produkt so klar beschreiben, dass Maschinen es vergleichen können. Markenton, schöne Bilder, cleverer Name – nichts davon reicht. Die Maschine will Fakten: Was ist es, für wen, was kostet es, ist es verfügbar, welche Varianten, was sagen Bewertungen, welche Behauptungen sind belegt, welche Zutaten oder Materialien zählen und welche Richtlinien gelten.

Deshalb wiegt die Produktstruktur schwerer als eine generische KI-Datei. llms.txt zeigt dem Crawler, wo er suchen soll. Product-Schema und saubere Produktfakten zeigen ihm, was er gefunden hat.

Das Risiko für DTC-Marken besteht nicht nur darin, übergangen zu werden, sondern auch darin, falsch dargestellt zu werden. Ist eine Produktseite unklar, kann eine KI-Antwort das falsche Merkmal zusammenfassen, einen wichtigen Unterschied übersehen, eine wesentliche Richtlinie weglassen oder das Produkt unfair mit besser strukturierten Wettbewerbern vergleichen. In diesem Sinne ist KI-Bereitschaft auch Markenschutz.

In Kategorien mit komplexen Entscheidungswegen steht noch mehr auf dem Spiel. Beauty-Käufer fragen nach Hauttyp, Inhaltsstoffen, Routinen, Empfindlichkeit und Ergebnissen. Lebensmittelkäufer fragen nach Nährwerten, Allergenen, Herkunft, Geschmack, Rezepten und Eignung für bestimmte Ernährungsweisen. Bekleidungskäufer fragen nach Passform, Größe, Materialien, Rückgaben und Styling. Wellness-Käufer fragen nach Evidenz, Anwendung, Sicherheit und Vertrauen. Home-Käufer fragen nach Maßen, Materialien, Lieferung, Montage und Haltbarkeit. Das sind ebenso sehr Fragen maschinenlesbarer Inhalte wie Marketingthemen.

Und die Chance ist: Die meisten Marken stehen noch früh dran. Der durchschnittliche Bereitschaftsscore liegt nur bei 36,4/100, und nur 11 Domains erreichten die Stufe ai_ready. Eine Marke muss nicht auf einen kompletten Website-Relaunch warten. Sie kann bei Templates, Schema, Richtlinienklarheit und Produktfakten ansetzen.

11. Ein KI-Bereitschaftsplan nach Abteilungen

KI-Bereitschaft sollte nicht allein SEO gehören. Sie geht mehrere Teams an.

SEO verantwortet Auffindbarkeit und Schema-Validierung. SEO-Teams sollten Canonical-Tags, Metadaten, strukturierte Daten, Product-Schema, Breadcrumbs, hreflang und Crawlability prüfen. Ebenso sollten sie überwachen, ob Product-Schema bei Theme-Änderungen und App-Updates erhalten bleibt.

E-Commerce verantwortet Produktseitenfakten. Produktnamen, Preise, Varianten, Verfügbarkeit, Bundles, Abos, Bewertungen, Versandbedingungen und Rückgabedetails müssen klar und konsistent sein. Verteilen sich diese Fakten über Widgets, Tabs, Bilder und Skripte, haben Maschinen Mühe.

Content verantwortet erklärende Tiefe. KI-Systeme belohnen Seiten, die Fragen klar beantworten. Kaufratgeber, Vergleichstabellen, Erklärungen zu Inhaltsstoffen, Seiten für Anwendungsfälle, Größenratgeber und FAQ-Bereiche helfen Mensch und Maschine.

Engineering verantwortet die Implementierungsqualität. Schema sollte valide, stabil und template-basiert sein. Produktfakten sollten nicht vollständig von fragiler clientseitiger Darstellung abhängen. Produktseiten-Templates sollten nach Releases getestet werden.

Recht und Compliance verantworten Aussagen. Macht ein Produkt Gesundheits-, Nachhaltigkeits-, Sicherheits-, Inhaltsstoff- oder Leistungsversprechen, sollten diese korrekt, belegbar und leicht interpretierbar sein. KI-Systeme können unklare Behauptungen verstärken.

Kundensupport verantwortet wiederkehrende Fragen. Support-Tickets verraten, was Käufer und KI-Systeme fragen könnten: Lieferzeit, Passform, Zutaten, Kompatibilität, Rückgaben, Abo-Kündigung, Pflegehinweise und Produktvergleiche. Diese Fragen sollten in den Produktseiten-Content einfließen.

Die Führungsebene verantwortet Priorisierung. KI-Bereitschaft konkurriert mit vielen anderen Projekten. Das Argument für die Führung ist einfach: Strukturierte Produktfakten stützen SEO, KI-Suche, Produktfeeds, bezahltes Shopping, die interne Suche, den Support und die Conversion. Es ist eben nicht nur ein KI-Projekt.

12. Die minimal funktionsfähige KI-bereite Produktseite

Eine praxistaugliche DTC-Produktseite sollte Folgendes offenlegen:

• Produktname
• Markenname
• Canonical-URL
• Produktbeschreibung
• Produktbilder
• Preis
• Währung
• Verfügbarkeit
• Varianteninformationen
• SKU oder Produktkennung, wo relevant
• Bewertungs- oder Reviewsignale, falls verfügbar
• Angebotsdetails
• Links zu Versand- und Rückgaberichtlinien
• Material-, Zutaten- oder Spezifikationsdaten, wo für die Kategorie relevant
• FAQ- oder Support-Inhalte für wiederkehrende Kauffragen

Außerdem sollte die Seite valides Product-Schema enthalten und wichtige Fakten nicht nur in Bildern oder Skripten verstecken, die Crawler eventuell nicht parsen. Langweilige Produktseiten verlangt das nicht. Es verlangt, überzeugendes Design und verlässliche strukturierte Fakten sauber zu trennen.

Für viele Marken liegt der schnellste Gewinn nicht im langen KI-Strategiepapier. Er liegt darin, zehn wichtige Produktseiten zu validieren, das Schema zu reparieren und sicherzustellen, dass die zentralen Produktfakten im HTML und in den strukturierten Daten sichtbar sind.

Methodik

Diese Untersuchung nutzt den DTC-Dual-Report-Datensatz, erhoben am 11. Mai 2026. Bewertet werden 1.238 Domains mithilfe von master.csv, detection.csv, seo_signals.csv, den rohen llms.txt-Dateien und dem rohen HTML der Produktseiten, sofern verfügbar.

Das Scoring-Modell trennt vier Ebenen:

1. KI-Datei-Ebene: Existenz und Qualität von llms.txt.
2. Ebene der allgemeinen strukturierten Daten: JSON-LD, Organization, WebSite, BreadcrumbList, Product und verwandte strukturierte Signale.
3. Produktseiten-Ebene: Product-Schema, Angebots- oder Preissignale, Bewertungs- oder Reviewsignale und Verfügbarkeitssignale.
4. Metadaten-Ebene: Canonical, Meta Description, Open-Graph-Bild, Twitter Card, hreflang und verwandter Seitenkontext.

Das Modell erzeugt einen KI-Bereitschaftsscore von 0 bis 100 und ordnet Domains einer von vier Stufen zu: nicht bereit, teilweise bereit, grundlegende Auffindbarkeit und ai_ready.

Hinweise und Einschränkungen

1. KI-Bereitschaft ist nicht gleich KI-Traffic. Der Score misst keine tatsächlichen Verweise von KI-Suchsystemen oder Shopping-Agenten.

2. Öffentliche Signale sind eine Untergrenze. Manche strukturierten Daten können dynamisch laden oder in Formen erscheinen, die der Crawl nicht erfasst hat.

3. llms.txt-Qualität ist heuristisch. Manuell strukturierte Dateien werden anhand sichtbarer Dateieigenschaften wie Überschriften, Links, Produktbegriffen und Richtlinienbegriffen erkannt.

4. Die Erkennung von Produktseiten hängt von versuchten Produktseiten-Abrufen ab. Die Prozentwerte für Product-Schema gelten dort, wo Produktseiten versucht und verfügbar waren.

5. Die Stichprobe ist keine vollständige DTC-Volkszählung. Sie ist zugunsten von Marken verzerrt, die in E-Commerce-Tool-Ökosystemen und öffentlichen DTC-Listen sichtbar sind.

6. Kategorien sind richtungsweisend. Sie taugen für einen groben Vergleich, sind aber keine exakte Taxonomie.

7. KI-Suchstandards entwickeln sich weiter. Das Scoring-Modell ist als praktischer Benchmark für 2026 gedacht, nicht als dauerhafte Definition.

Hinweise zur Reproduzierbarkeit

Der Lieferordner enthält:

• analyze_ai_search_readiness.py — Scoring-Skript zur Bewertung von DTC-Domains über llms.txt, strukturierte Daten, Produktseiten-Signale und Metadaten-Signale.
• ai_search_readiness_scores.csv — KI-Bereitschaftsscores auf Domain-Ebene, Stufen und Komponenten-Signale.
• llms_quality_audit.csv — Qualitätsprüfung von llms.txt auf Domain-Ebene, einschließlich der Klassifikationen Plattformstandard, Soft-404, fehlend, manuell-leicht und manuell-strukturiert.
• category_ai_readiness.csv — Vergleich der KI-Bereitschaft auf Kategorie-Ebene.
• top_ai_ready_brands.csv — Domains mit den höchsten Scores für redaktionelle Prüfung und Beispiels-Auswahl.
• lowest_ai_ready_brands.csv — Domains mit den niedrigsten Scores für Lückenanalyse und redaktionelle Prüfung.
• summary.json — die in diesem Bericht zitierten Kennzahlen, einschließlich Stichprobengröße, Stufenzählung, Durchschnittsscore, Median und Raten von Produktseiten-Signalen.

Alle Skripte und Datensätze herunterladen

---

Korrekturen zur Methodik, Probleme mit dem Datensatz und Folgeanalysen sind willkommen unter support@thunderbit.com. Dieser Bericht erscheint unabhängig von jeder kommerziellen Position, die Thunderbit innehat; wir bauen einen KI-gestützten Web-Scraper und haben ein strukturelles Interesse daran, dass öffentliche E-Commerce-Websites für Menschen, Suchmaschinen und KI-Agenten präziser verständlich werden. Der Benchmark basiert auf 1.238 bewerteten DTC-Domains aus öffentlichen Website-Signalen, die am 11. Mai 2026 erhoben wurden. Die Daten in diesem Bericht stehen für sich. — Das Thunderbit-Forschungsteam, Mai 2026.

Thunderbit für KI-Suchbereitschaft testen Get Started Free