Entitäten statt Keywords: Warum Produktdaten heute wie ein Wissensgraph funktionieren

Warum Keywords allein nicht mehr reichen

Früher reichte es oft, ein paar gute Keywords auf einer Produktseite unterzubringen. „Sneaker kaufen“, „beste Kaffeemaschine“, „Kinderwagen online“. Suchmaschinen waren lange Zeit darauf trainiert, Begriffe zu zählen, zu gewichten und daraus Relevanz abzuleiten. Doch diese Logik löst sich gerade auf. Nicht, weil Text plötzlich unwichtig wäre – sondern weil Systeme wie ChatGPT, Perplexity oder generative Suchfunktionen anders arbeiten. Sie suchen nicht nach Wörtern. Sie suchen nach Bedeutung. Und Bedeutung entsteht nicht aus einzelnen Begriffen, sondern aus Beziehungen.

Sichtbarkeit in KI-Systemen entsteht durch Kontext

Wer heute in KI-Systemen sichtbar sein will, muss seine Produkte nicht nur beschreiben, sondern eindeutig verorten: Was ist es? Wozu ist es da? Für wen passt es? Worin unterscheidet es sich? Was ist kompatibel, was nicht? In der Praxis heißt das: Produktdaten verhalten sich immer weniger wie ein Katalog und immer mehr wie ein Wissensgraph.

Was ist eine Entität?

Eine Entität ist nicht einfach ein Wort, das irgendwo im Text vorkommt. Eine Entität ist ein klar benennbares „Ding“ mit Eigenschaften und Beziehungen. Ein Produkt ist eine Entität. Eine Marke ist eine Entität. Eine Kategorie ist eine Entität. Material, Kompatibilität, Use-Case – all das sind ebenfalls Entitäten oder Attribute, die Entitäten miteinander verbinden.

Entitäten sind mehr als Begriffe

Der entscheidende Punkt ist: Entitäten stehen nie isoliert im Raum. Sie existieren in einem Kontext, und dieser Kontext ist für KI-Systeme der eigentliche Schlüssel.

Warum KI-Systeme explizite Signale brauchen

Wenn ein Shop nur „Sneaker“ sagt, hat eine Maschine zwar ein Label, aber noch keine Sicherheit darüber, was genau gemeint ist. Geht es um einen Alltagsschuh oder einen Trailrunning-Sneaker? Um Wintertauglichkeit oder atmungsaktives Sommermaterial? Um breite Füße oder schmale Leisten? Um Mode oder Funktion? Menschen klären solche Fragen oft intuitiv, weil wir zwischen den Zeilen lesen. KI-Systeme brauchen dafür explizite Signale – nicht als „Buzzword-Optimierung“, sondern als strukturierte Klarheit.

Das ist der Moment, in dem die Beziehungen wichtiger werden als die Begriffe. Große Sprachmodelle funktionieren nicht wie klassische Suchmaschinen, die in erster Linie Dokumente ranken. Sie generieren Antworten, Empfehlungen, Vergleiche. Und dafür müssen sie verstehen, wie Dinge zusammenhängen. Ein Produkt wird nicht nur als „Produkt“ erkannt, sondern als Lösung für ein Problem, passend zu einer Zielgruppe, im Vergleich zu Alternativen, unter bestimmten Einschränkungen.

Wenn Beziehungen fehlen, füllt die KI die Lücken

Ein Produkt ist selten „einfach gut“. Es ist gut für jemanden, in einer Situation, mit einem Ziel. Und es ist besser oder schlechter im Verhältnis zu Alternativen. Wenn diese Beziehungen auf deiner Seite nicht klar erkennbar sind, füllt die KI die Lücken – mit Annahmen. Und Annahmen sind der Grund, warum Nutzer manchmal Produkte empfohlen bekommen, die zwar in der Kategorie liegen, aber am Bedarf vorbei gehen.

Praxisbeispiel Sneaker: Kategorie vs. Use-Case

Nehmen wir ein Praxisbeispiel aus dem Alltag: „Sneaker“. Für einen Menschen ist es ein Unterschied, ob jemand einfach „Sneaker“ sagt oder ob er fragt: „Sneaker für Trailrunning, wasserdicht, für breite Füße, auch bei kühlen Temperaturen“. In klassischen SEO-Strukturen werden das oft als Keyword-Variationen behandelt. In der Welt von KI-Systemen sind das jedoch unterschiedliche Bedeutungsräume.

 Warum „Sneaker“ für KI zu ungenau ist

„Sneaker“ als generischer Begriff lässt zu viele Möglichkeiten offen. Die KI muss raten: Welche Sportart? Welche Untergründe? Welche Wetterbedingungen? Welche Passform? Welche Priorität – Grip, Dämpfung, Gewicht, Stabilität? Jede dieser Fragen verschiebt die Empfehlung.

Wie die präzise Anfrage zum Wissensgraph wird

„Sneaker für Trailrunning / wasserdicht / breite Füße / kühle Temperaturen“ dagegen ist bereits ein kleiner Wissensgraph in einem Satz. Er enthält eine Produktart (Sneaker), einen Use-Case (Trailrunning), eine Material- bzw. Eigenschaftsanforderung (wasserdicht), eine Passform-Anforderung (breite Füße) und einen Kontext (kühle Temperaturen). Damit hat die KI nicht nur ein Wort, sondern ein Set an Beziehungen, die sie zuordnen kann. Sie kann geeignete Kriterien ableiten: Profil und Grip, Stabilität, Dämpfung, Obermaterial und Membran, Gewicht, Isolationsverhalten, Schnürsystem, Grössentabellen und Passformhinweise.

Warum das kein SEO-Trick ist, sondern digitale Beratung

Der Unterschied ist enorm. Nicht, weil das zweite „besseres SEO“ wäre. Sondern weil es für Maschinen dieselbe Funktion erfüllt, die ein Beratungsgespräch im Laden erfüllt: Es reduziert Interpretationsspielraum. Und weniger Interpretationsspielraum bedeutet bessere Empfehlungen, weniger Fehlkäufe, weniger Retouren – und eine höhere Wahrscheinlichkeit, dass dein Shop in der Antwort überhaupt als Quelle auftaucht.

Von Verkaufstext zu verlässlichem Produktmodell

In der Praxis ist das die eigentliche Verschiebung: Von Texten, die Menschen überzeugen sollen, hin zu Informationen, die sowohl Menschen als auch Maschinen sicher interpretieren können. Der klassische Produkttext, der in erster Linie „verkaufen“ will, reicht dafür nicht mehr. Du brauchst Produktdaten, die wie ein Modell der Realität wirken: eindeutig, konsistent, prüfbar.

Welche Entitäten in Shops besonders oft fehlen

Das betrifft nicht nur technische Attribute. Es betrifft auch semantische Klarheit. Eine Marke ist nicht nur ein Name, sie ist Teil einer Einordnung. Eine Kategorie ist nicht nur eine Navigationsebene, sie ist ein Bedeutungssignal. Materialien sind nicht nur Details, sondern entscheiden über Eignung, Pflege, Haltbarkeit und Komfort. Kompatibilitäten sind nicht nur „nice to have“, sondern verhindern falsche Empfehlungen – etwa wenn ein Zubehörteil nur zu bestimmten Modellen passt oder ein Pflegemittel nur für bestimmte Materialien geeignet ist. Use-Cases sind nicht nur Marketing, sondern der Kontext, in dem eine Entscheidung entsteht.

Wo LLM-Optimierung wirklich beginnt

Wenn du dich fragst, wie „maschinenlesbar“ in einem Shop wirklich aussieht, dann ist die Antwort selten ein einzelnes Feature. Es ist die Summe aus sauberer Benennung, eindeutigen Beziehungen und konsistenten Daten über alle Seiten hinweg. Genau dort beginnt LLM-Optimierung: nicht beim Prompt, nicht beim Trick, sondern bei der strukturierten Realität deiner Produktwelt.

Wenn du tiefer einsteigen willst, lies als nächstes „Was heisst LLM-optimiert?“ – dort geht es um die grundlegende Logik, wie KI-Systeme Inhalte einordnen und warum klassische SEO-Denke allein nicht mehr reicht. Und wenn du verstehen willst, was im Inneren passiert, wenn Systeme Produkte vergleichen, empfehlen und einordnen, ist „Wie KI-Systeme Produkte verstehen“ die passende Fortsetzung.

Am Ende ist die Idee überraschend einfach: Sichtbarkeit entsteht dort, wo Verständnis entsteht. Und Verständnis entsteht nicht durch Keywords, sondern durch Entitäten – und durch die Beziehungen, die du zwischen ihnen sichtbar machst.