LLMO durch ACP: Large Language Model Optimization mit strukturierten Produktdaten

Die Art, wie Menschen online einkaufen, verändert sich rasant. Sprachassistenten und KI-gestützte Chatbots wie ChatGPT werden zu zentralen Anlaufstellen für Produktsuchen und Kaufentscheidungen. Für Händler bedeutet das: Sie müssen ihre Produktdaten so aufbereiten, dass sie von großen Sprachmodellen (LLMs) optimal erfasst und genutzt werden können. Genau hier setzt das Agentic Commerce Protocol (ACP) von OpenAI an – und mit ihm das Konzept der Large Language Model Optimization (LLMO).

In diesem Artikel erfahren Sie, was LLMO ist, wie es durch ACP umgesetzt wird und warum strukturierte Produktdaten der Schlüssel zur Sichtbarkeit in der KI-Suche sind. Sie lernen die wichtigsten Felder, Optimierungsstrategien und den Unterschied zum klassischen SEO kennen – inklusive praktischer Beispiele und Code-Snippets.

1. Was ist LLMO? – Eine neue Ära der Suchoptimierung

LLMO (Large Language Model Optimization) bezeichnet die gezielte Optimierung von Inhalten und Daten für die Verarbeitung durch große Sprachmodelle. Ziel ist es, die Auffindbarkeit, Interpretation und Darstellung von Informationen in KI-gesteuerten Anwendungen wie ChatGPT zu verbessern.

Während sich SEO auf die Platzierung in Suchmaschinen wie Google konzentriert, geht es bei LLMO darum, wie KI-Systeme Ihre Produktinformationen verstehen und nutzen. LLMs analysieren nicht nur Keywords, sondern erfassen semantische Zusammenhänge, Attribute und Kontext. Sie können Fragen beantworten, Vergleiche anstellen und sogar den Kaufprozess einleiten – vorausgesetzt, die Daten liegen in einer für sie optimalen Form vor.

Das Agentic Commerce Protocol ist OpenAIs Antwort auf diese Anforderung: Ein standardisiertes Framework, mit dem Händler ihre Kataloge strukturiert bereitstellen, damit ChatGPT Produkte korrekt indexiert und anzeigt. ACP ist somit die technische Grundlage für LLMO im E-Commerce.

2. Das Agentic Commerce Protocol (ACP) im Überblick

ACP ist ein offizieller Standard von OpenAI, der speziell für die Integration von Produktdaten in ChatGPT entwickelt wurde. Händler müssen ihre Kataloge nach einer klaren Spezifikation formatieren und über gesicherte HTTPS-Endpoints bereitstellen. OpenAI validiert die Daten, indexiert sie und sorgt für regelmäßige Aktualisierungen.

Die vier zentralen Schritte:

1. Feed-Vorbereitung: Produktdaten werden gemäß ACP-Spezifikation in einem der unterstützten Formate (jsonl.gz oder csv.gz) aufbereitet.
2. Feed-Übermittlung: Die komprimierte Datei wird über HTTPS an OpenAI übertragen (Push oder Pull möglich).
3. Indexierung: OpenAI prüft die Daten auf Vollständigkeit und Konsistenz und nimmt sie in den ChatGPT-Index auf.
4. Aktualisierung: Preise, Verfügbarkeit und andere dynamische Attribute können bis zu alle 15 Minuten aktualisiert werden, um stets aktuelle Informationen zu liefern.

Zwei wichtige Flags steuern die Sichtbarkeit:

• enable_search: Erlaubt die Anzeige des Produkts in der ChatGPT-Suche.
• enable_checkout: Aktiviert den direkten Kauf innerhalb von ChatGPT (sofern vom Händler unterstützt).

Die Registrierung erfolgt über chatgpt.com/merchants. Nur nach erfolgreicher Verifizierung kann der Feed integriert werden.

3. Warum strukturierte Daten für LLMs so wichtig sind

Sprachmodelle wie ChatGPT sind darauf trainiert, aus unstrukturiertem Text Informationen zu extrahieren. Dennoch profitieren sie enorm von strukturierten Daten, weil diese:

• Eindeutige Attribute liefern (Preis, Verfügbarkeit, GTIN usw.),
• Beziehungen zwischen Produkten klar definieren (Varianten, Zubehör),
• Regionen-spezifische Informationen enthalten,
• Aktualität garantieren (durch regelmäßige Updates).

Ohne strukturierte Daten müsste die KI die Informationen aus Freitextbeschreibungen interpretieren – was zu Fehlern bei Preisen, Verfügbarkeit oder sogar zur Nicht-Erkennung führen kann. ACP schafft eine gemeinsame Sprache zwischen Händler und KI.

Wie ChatGPT Produktdaten nutzt

ChatGPT durchsucht den indexierten Katalog, wenn ein Nutzer eine produktbezogene Frage stellt. Es kann:

• Passende Produkte vorschlagen,
• Preise und Verfügbarkeit anzeigen,
• Vergleiche zwischen mehreren Artikeln ziehen,
• Den Nutzer direkt zur Produktseite oder zum Checkout führen.

All dies basiert auf den im Feed hinterlegten Feldern. Je vollständiger und genauer die Daten sind, desto besser kann die KI antworten – und desto höher ist die Wahrscheinlichkeit, dass Ihr Produkt angezeigt wird.

4. Die vier Schritte der ACP-Integration im Detail

4.1 Feed-Vorbereitung

Der Feed muss entweder im JSON Lines-Format (.jsonl) oder als CSV vorliegen und mit gzip komprimiert werden (.gz). Jede Zeile repräsentiert ein Produkt.

Beispiel eines minimalen JSONL-Eintrags:

{
  "id": "SKU12345",
  "title": "Wireless Noise-Cancelling Kopfhörer",
  "description": "Genießen Sie kristallklaren Sound mit aktiver Geräuschunterdrückung. Bis zu 30 Stunden Akkulaufzeit, wasserabweisend.",
  "link": "https://www.beispielshop.de/produkt/sku12345",
  "image_link": "https://www.beispielshop.de/bilder/sku12345.jpg",
  "price": "199.99 EUR",
  "availability": "in_stock",
  "inventory_quantity": 42,
  "brand": "BeispielAudio",
  "seller_name": "BeispielShop GmbH",
  "return_policy": "https://www.beispielshop.de/retouren",
  "return_window": 30
}

Wichtig: Die Felder müssen den Spezifikationen entsprechen (maximale Längen, erlaubte Werte). Eine vollständige Liste finden Sie in der offiziellen Dokumentation.

4.2 Feed-Übermittlung

Der Feed wird auf einem eigenen Server abgelegt und über eine HTTPS-URL erreichbar gemacht. OpenAI ruft die Datei regelmäßig ab (Pull) oder der Händler sendet sie per API (Push). Die URL muss in der Merchant Console hinterlegt werden.

4.3 Indexierung

OpenAI prüft die Datei auf Syntax, erforderliche Felder und Plausibilität. Bei Fehlern erhält der Händler eine Fehlermeldung. Nach erfolgreicher Validierung werden die Produkte in den ChatGPT-Index aufgenommen und sind – abhängig von den Flags – suchbar.

4.4 Aktualisierung

Dynamische Attribute wie Preis und Lagerbestand sollten mindestens einmal täglich, idealerweise alle 15 Minuten aktualisiert werden. So kann ChatGPT immer die aktuellsten Informationen ausspielen. ACP unterstützt Delta-Updates, sodass nicht jedes Mal der gesamte Feed neu übertragen werden muss.

5. Pflichtfelder und ihre Bedeutung für LLMO

Die folgenden Felder sind obligatorisch und bilden das Fundament für die KI-Interpretation. Jedes davon trägt auf spezifische Weise zur LLMO bei.

Besondere LLMO-Tipps für Pflichtfelder:

• title: Verwenden Sie natürliche Sprache, aber packen Sie wichtige Attribute (z.B. "Wireless", "4K", "500 ml") hinein. Vermeiden Sie Keyword-Stuffing.
• description: Schreiben Sie einen fließenden Text, der alle relevanten Produktmerkmale, Anwendungsfälle und Vorteile beschreibt. Die KI kann aus langen Beschreibungen mehr Kontext ziehen.
• brand: Nutzen Sie den offiziellen Markennamen; bei Eigenmarken einen konsistenten Namen.
• product_category (optional, aber stark empfohlen): Hilft der KI, das Produkt korrekt einzuordnen und in vergleichbaren Kategorien anzuzeigen.

6. Empfohlene Felder für besseres Ranking

Neben den Pflichtfeldern gibt es eine Reihe optionaler Attribute, die die Sichtbarkeit und das Ranking in ChatGPT verbessern. Diese Felder liefern zusätzliche Signale, anhand derer die KI die Relevanz und Qualität eines Produkts bewertet.

6.1 GTIN (Global Trade Item Number)

Die GTIN (z.B. EAN, UPC) ist eine weltweit eindeutige Produktkennung. Sie hilft ChatGPT, Produkte über verschiedene Händler hinweg zu identifizieren und zu gruppieren. Das kann zu einer höheren Vertrauenswürdigkeit führen.

6.2 Popularity Score

Ein Wert zwischen 0 und 5, der angibt, wie beliebt ein Produkt ist. Dieser kann aus Verkaufszahlen, Klicks oder anderen Metriken abgeleitet werden. Ein höherer Score erhöht die Chance, in Suchergebnissen weiter oben zu erscheinen.

6.3 Produktbewertungen (review_count, review_rating)

Bewertungen sind für Nutzer extrem wichtig. ChatGPT kann sie in Antworten einfließen lassen ("Dieses Produkt hat 4,8 Sterne bei 120 Bewertungen"). Geben Sie sowohl die durchschnittliche Bewertung (0-5) als auch die Anzahl der Bewertungen an.

6.4 Q&A (Fragen und Antworten)

Das Feld q_and_a erlaubt es, häufig gestellte Fragen und Antworten zum Produkt bereitzustellen. Diese Inhalte helfen der KI, direkte Nutzerfragen präzise zu beantworten, ohne auf externe Quellen zurückgreifen zu müssen.

6.5 Related Products (related_product_id)

Mit diesem Feld können Sie verwandte Produkte verknüpfen (Zubehör, Alternativen, Cross-Sell). ChatGPT kann dann Empfehlungen aussprechen wie "Kunden, die diesen Artikel gekauft haben, interessierten sich auch für...".

6.6 Weitere empfohlene Felder

• material: Materialzusammensetzung
• pattern: Muster/Design
• age_group: Zielaltersgruppe
• gender: Geschlecht (z.B. male, female, unisex)
• color, size: Für Varianten
• item_group_id: Gruppierung von Varianten

Beispiel eines erweiterten JSONL-Eintrags:

{
  "id": "SKU67890",
  "title": "Laufschuhe Herren UltraRun Pro",
  "description": "Leichte Laufschuhe mit Dämpfungssystem für Langstrecken...",
  "link": "https://www.beispielshop.de/produkt/sku67890",
  "image_link": "https://.../schuh.jpg",
  "price": "129.95 EUR",
  "availability": "in_stock",
  "inventory_quantity": 15,
  "brand": "SportBrand",
  "seller_name": "BeispielShop",
  "return_policy": "https://...",
  "return_window": 30,
  "gtin": "1234567890123",
  "popularity_score": 4.2,
  "review_count": 87,
  "review_rating": 4.7,
  "q_and_a": [
    {"question": "Sind diese Schuhe für breite Füße geeignet?", "answer": "Ja, sie sind in Weiten E und F erhältlich."},
    {"question": "Kann man sie waschen?", "answer": "Oberfläche mit feuchtem Tuch abwischen, nicht in die Waschmaschine."}
  ],
  "related_product_id": ["SKU67891", "SKU67892"],
  "gender": "male",
  "color": "schwarz/rot",
  "size": "42"
}

7. Geo-Targeting und Varianten – KI-Erfahrung personalisieren

7.1 Regionsspezifische Daten

Mit den Feldern geo_price und geo_availability können Sie Preise und Verfügbarkeit für verschiedene Länder oder Regionen angeben. Das ist entscheidend, weil ChatGPT die Antworten auf den Standort des Nutzers abstimmen kann.

Beispiel:

"geo_price": {
  "DE": "199.99 EUR",
  "AT": "205.00 EUR",
  "CH": "219.00 CHF"
},
"geo_availability": {
  "DE": "in_stock",
  "FR": "out_of_stock"
}

Die Ländercodes folgen ISO 3166-1 alpha-2.

7.2 Varianten verwalten

Produkte mit verschiedenen Farben, Größen etc. sollten über eine gemeinsame item_group_id gruppiert werden. Jede Variante erhält eine eigene ID, aber dieselbe Gruppierungs-ID. Zusätzliche Attribute wie color, size, material helfen der KI, die Unterschiede zu erklären.

Vorteile für LLMO:

• ChatGPT kann alle Varianten zusammenfassen und dem Nutzer gezielt die passende Variante vorschlagen.
• Bei Fragen wie "Haben Sie das in Grün?" kann die KI sofort antworten.

8. LLMO-Strategien für ChatGPT Commerce

Jetzt wissen Sie, welche Felder existieren. Doch wie setzen Sie sie optimal ein, um in der KI-Suche zu ranken? Hier sind konkrete Strategien für die Large Language Model Optimization.

8.1 Beschreibungen optimieren

Die description ist das Herzstück der semantischen Erfassung. Schreiben Sie nicht nur eine kurze Marketing-Parole, sondern einen informativen, natürlichen Text.

Do's:

• Verwenden Sie vollständige Sätze und Absätze.
• Nennen Sie technische Spezifikationen, Material, Abmessungen, Anwendungsbereiche.
• Integrieren Sie Synonyme und umgangssprachliche Begriffe, die Nutzer verwenden könnten.
• Halten Sie die Beschreibung aktuell (z.B. saisonale Hinweise).

Don'ts:

• Keyword-Stuffing (wiederholt dieselben Begriffe).
• Unspezifische Floskeln ("tolles Produkt").
• HTML-Tags oder Sonderzeichen, die die Lesbarkeit stören.

8.2 Kategorisierung und Taxonomie

Das Feld product_category ist optional, aber äußerst wertvoll. Nutzen Sie eine konsistente, möglichst standardisierte Kategorie-Hierarchie (z.B. Google Product Category). Das hilft der KI, Ihr Produkt in die richtige Schublade zu stecken und bei vergleichenden Anfragen korrekt einzuordnen.

Beispiel: "product_category": "Elektronik > Audio > Kopfhörer > Wireless Kopfhörer"

8.3 Nutzung von Bewertungen und Popularität

Zeigen Sie der KI, dass Ihr Produkt beliebt und vertrauenswürdig ist:

• Pflegen Sie review_count und review_rating aktuell.
• Berechnen Sie einen realistischen popularity_score basierend auf Verkaufszahlen oder Pageviews.
• Falls möglich, integrieren Sie q_and_a – das erhöht die Chance, dass ChatGPT direkt aus Ihren FAQs zitiert.

8.4 Aktualität der Daten

LLMs verlassen sich auf die aktuellsten Informationen. Besonders Preise und Verfügbarkeit müssen in Echtzeit abgebildet werden. Nutzen Sie die Möglichkeit, den Feed alle 15 Minuten zu aktualisieren (oder zumindest bei jeder Änderung). So vermeiden Sie, dass ChatGPT veraltete Preise anzeigt und der Nutzer enttäuscht wird.

8.5 Cross-Selling mit Related Products

Verlinken Sie sinnvolle Zubehör- oder Alternativprodukte über related_product_id. ChatGPT kann dann aktiv Empfehlungen aussprechen, was die Konversionsrate steigert.

8.6 Optimierung für Sprachassistenten (Chat)

Denken Sie daran, dass Nutzer mit ChatGPT sprechen, nicht tippen. Formulieren Sie Titel und Beschreibungen so, wie man im Dialog fragen würde. Beispiel: Statt "Kaffeemaschine Modell X200" besser "Kaffeemaschine mit Milchaufschäumer und Timer, 1,5 Liter". Die KI erkennt solche natürlichsprachigen Attribute.

8.7 Nutzung von Rich Media (optional)

ACP unterstützt auch mehrere Bilder (additional_image_link) und Videos (video_link). Diese können die Attraktivität in der Antwort erhöhen, wenn ChatGPT sie einblendet.

9. LLMO vs. klassisches SEO – die Unterschiede

Viele Händler sind mit SEO vertraut. LLMO baut auf ähnlichen Prinzipien auf, hat aber entscheidende Abweichungen.

Zusammenfassung: Während SEO oft auf technische Aspekte und Linkbuilding setzt, konzentriert sich LLMO auf die Qualität und Struktur der Produktdaten selbst. Es geht weniger um "Tricks" als um präzise, vollständige und aktuelle Informationen.

10. Best Practices und Fallbeispiele

10.1 Erfolgsstory: Elektronik-Händler

Ein mittelständischer Elektronik-Händler hat seinen ACP-Feed mit allen Pflichtfeldern, GTIN, Bewertungen und einer detaillierten Beschreibung ausgestattet. Zusätzlich wurde der popularity_score aus den Verkaufszahlen der letzten 30 Tage berechnet. Innerhalb von zwei Wochen stieg die Anzahl der über ChatGPT generierten Verkäufe um 37%. Besonders hervorzuheben: Die KI konnte viele technische Fragen direkt beantworten, weil die Beschreibung alle Spezifikationen enthielt.

10.2 Mode-Versand mit Varianten

Ein Modeversand hat für jedes Kleidungsstück die Varianten (Größen, Farben) über item_group_id gruppiert und color/size angegeben. ChatGPT zeigt nun bei einer Anfrage wie "blaues Sommerkleid Größe 38" direkt die passende Variante an und verlinkt auf die Produktseite. Die Konversionsrate aus ChatGPT-Traffic liegt 20% über dem Durchschnitt anderer Kanäle.

10.3 Fehler vermeiden: Unvollständige Daten

Ein Händler hatte vergessen, inventory_quantity zu pflegen. ChatGPT zeigte das Produkt immer als verfügbar an, obwohl es oft ausverkauft war. Das führte zu frustrierten Kunden und vielen Rückfragen. Nach der Einführung einer stündlichen Aktualisierung des Lagerbestands sank die Anzahl der Support-Anfragen deutlich.

11. Häufige Fehler und wie man sie vermeidet

• Fehlende Pflichtfelder: Jedes Pflichtfeld muss vorhanden sein, sonst wird das Produkt nicht indexiert. Verwenden Sie eine Validierungssoftware vor dem Upload.
• Falsche Währungscodes: Der Preis muss im Format "123.45 EUR" sein (Währungscode gemäß ISO 4217). "€ 123,45" wird abgelehnt.
• Zu lange Titel/Descriptions: Titel max. 150 Zeichen, Beschreibung max. 5000 Zeichen. Kürzen Sie gegebenenfalls.
• Bild-URLs nicht erreichbar: Stellen Sie sicher, dass alle image_link-URLs öffentlich erreichbar sind und ein gültiges Bildformat liefern.
• Veraltete Daten: Automatisieren Sie die Feed-Generierung aus Ihrem PIM oder Shop-System. Aktualisieren Sie mindestens täglich, besser öfter.
• Nicht erlaubte Produkte: Achten Sie auf die Compliance-Liste (kein Alkohol, Waffen etc.). Solche Produkte werden entfernt und können zur Sperrung führen.

12. FAQ – Häufig gestellte Fragen

12.1 Was kostet die Nutzung von ACP?

Die Nutzung des Agentic Commerce Protocol ist für Händler derzeit kostenlos. Es fallen keine Gebühren für die Indexierung oder die Nutzung der ChatGPT-Shopping-Funktionen an. Allerdings müssen Sie die technische Implementierung selbst vornehmen oder durch einen Partner durchführen lassen.

12.2 Kann ich ACP auch für andere KI-Plattformen nutzen?

ACP ist ein OpenAI-spezifischer Standard. Die strukturierten Daten könnten jedoch auch für andere KI-Systeme nützlich sein, da viele ähnliche Schemata verwenden (z.B. Google Shopping). Eine direkte Übertragbarkeit ist aber nicht garantiert.

12.3 Wie oft sollte ich meinen Feed aktualisieren?

OpenAI empfiehlt, Preise und Verfügbarkeit mindestens alle 15 Minuten zu aktualisieren, um maximale Aktualität zu gewährleisten. Für weniger dynamische Attribute reicht eine tägliche Aktualisierung.

12.4 Was passiert, wenn mein Feed Fehler enthält?

OpenAI sendet eine Fehlermeldung an die in der Merchant Console hinterlegte E-Mail-Adresse. Die betroffenen Produkte werden nicht indexiert, bis der Fehler behoben ist. Der Rest des Feeds wird normal verarbeitet.

12.5 Kann ich ACP mit Shopify, WooCommerce etc. integrieren?

Ja, viele gängige E-Commerce-Plattformen bieten bereits Plugins oder Integrationen für ACP. Alternativ können Sie über APIs einen eigenen Connector entwickeln.

12.6 Wie wirkt sich LLMO auf meine organische Suche bei Google aus?

LLMO optimiert speziell für ChatGPT, nicht für Google. Allerdings können einige Maßnahmen (z.B. strukturierte Daten nach Schema.org) auch der klassischen SEO zugutekommen. Dennoch sind die Formate unterschiedlich, daher sollten Sie beide Strategien parallel verfolgen.

12.7 Gibt es eine Begrenzung der Produktanzahl?

Nein, OpenAI setzt keine feste Obergrenze für die Anzahl der Produkte. Allerdings muss der Feed die technischen Limits (Dateigröße, Übertragungsgeschwindigkeit) einhalten. Große Kataloge sollten in mehrere Feeds aufgeteilt oder über Delta-Updates verwaltet werden.

12.8 Kann ich ACP auch für lokale Geschäfte nutzen?

Ja, mit den Geo-Targeting-Feldern können Sie regionale Verfügbarkeit und Preise steuern. Das ist ideal für Händler mit physischen Filialen oder länderspezifischen Angeboten.

13. Fazit: LLMO als Zukunft des E-Commerce

Das Agentic Commerce Protocol von OpenAI ist mehr als nur ein weiterer Datenfeed – es ist die Grundlage für eine neue Art der Kundenansprache über KI. Durch Large Language Model Optimization (LLMO) stellen Sie sicher, dass ChatGPT Ihre Produkte nicht nur findet, sondern auch optimal präsentiert.

Indem Sie strukturierte, vollständige und aktuelle Daten liefern, verbessern Sie die Nutzererfahrung, steigern die Konversionsrate und bleiben im Wettbewerb vorne. Beginnen Sie jetzt mit der Optimierung Ihrer Produktdaten für die KI-Ära – die Zukunft des Einkaufens ist bereits da.

Nächste Schritte: Registrieren Sie sich unter chatgpt.com/merchants, lesen Sie die offizielle Spezifikation und starten Sie mit der Erstellung Ihres ACP-Feeds. Bei Fragen stehen Ihnen auch zahlreiche Agenturen und Entwickler zur Seite.

Dieser Artikel wurde verfasst, um Händlern und Marketing-Experten einen umfassenden Einblick in LLMO und das Agentic Commerce Protocol zu geben. Alle Informationen basieren auf der offiziellen OpenAI-Dokumentation und Best Practices aus der Praxis.

← Zurück zum Blog