Ich habe in den letzten Monaten ziemlich viel Zeit in ein Tool namens ShopReadable gesteckt. Der Auslöser war eine simple Beobachtung: Ein Onlineshop kann für Menschen komplett fehlerfrei wirken und trotzdem Maschinen etwas völlig anderes erzählen. Genau dieses Problem wollte ich sichtbar machen – messbar, nachvollziehbar, ohne Marketing-Nebel.
Stell dir vor, du siehst auf einer Produktseite 129,99 Euro, auf Lager. In den strukturierten Daten dahinter steht aber 119,99 Euro, nicht verfügbar. Für dich als Kunde ist das unsichtbar. Für ein System, das diese Seite ausliest, ist das ein handfester Widerspruch.
Ich wollte wissen, was mein Shop Maschinen tatsächlich erzählt
Ich beschäftige mich seit Jahren mit E-Commerce, Schnittstellen und digitalen Prozessen. Dabei verändert sich gerade etwas Grundlegendes. Bisher haben wir Shops für zwei Gruppen optimiert: Menschen und klassische Suchmaschinen. Jetzt kommt eine dritte Gruppe dazu – KI-Systeme und digitale Agenten.
Diese Systeme interessieren sich nicht dafür, ob ein Produktbild schön aussieht. Sie brauchen eindeutige, konsistente Daten. Fragen wie diese müssen klar beantwortbar sein:
- Was ist das für ein Produkt?
- Was kostet es wirklich?
- Ist es verfügbar?
- Welche Varianten gibt es?
- Welche GTIN oder SKU gehört dazu?
- Welcher Button legt das Produkt in den Warenkorb?
- Darf ein bestimmter Crawler die Seite überhaupt abrufen?
Ein Shop kann für Menschen hervorragend funktionieren und gleichzeitig technisch widersprüchliche Signale senden. Genau diese Ebene wollte ich mit ShopReadable sichtbar machen – nicht theoretisch, sondern anhand konkreter, prüfbarer Regeln.
Kein weiterer undurchsichtiger KI-Score
Rund um KI entstehen gerade unzählige neue Bewertungen und angebliche „AI Visibility Scores“. Nur bleibt meistens unklar: Warum hat eine Seite 64 von 100 Punkten? Welche Regel steckt dahinter? Was soll ich konkret ändern?
Genau das wollte ich anders machen. Bei ShopReadable soll der Score nie wichtiger sein als der Befund dahinter. Wenn etwas beanstandet wird, muss erkennbar sein, was gefunden wurde, wo es gefunden wurde und warum es relevant ist.
Ein technischer Check ist nur dann wirklich wertvoll, wenn man seine Ergebnisse nachvollziehen und anschließend etwas damit anfangen kann.
Commerce Truth – das vielleicht wichtigste Prinzip
Während der Entwicklung ist mir ein Begriff immer wichtiger geworden: Commerce Truth. Die Frage dahinter ist simpel: Erzählt mein Shop überall dieselbe Wahrheit?
Ein Kunde sieht 129,99 Euro. Im JSON-LD steht 119,99 Euro. Ein Meta-Tag zeigt vielleicht noch einen dritten Wert. Alle drei können technisch korrekt und formal gültig sein – und trotzdem hat der Shop ein Problem, weil es plötzlich mehrere Wahrheiten über dasselbe Produkt gibt.
Das passiert nicht nur bei Preisen, sondern genauso bei Verfügbarkeit, Varianten, GTIN, SKU, Versand oder Rückgabebedingungen. Die entscheidende Frage ist deshalb nicht „Ist strukturiertes Markup vorhanden?“, sondern: Passen die verschiedenen Informationen überhaupt zusammen?
Warum das Thema gerade jetzt wichtig wird
Menschen suchen nicht mehr nur über klassische Suchmasken. Sie stellen Fragen, lassen Produkte vergleichen und erwarten konkrete Empfehlungen. Die Entwicklung geht in Richtung digitaler Assistenten, die Informationen selbstständig zusammentragen und zunehmend Aktionen vorbereiten können.
Damit verändert sich die Rolle eines Onlineshops. Er muss nicht mehr nur für Menschen verständlich sein, sondern auch maschinenverständlich. Das heißt nicht, dass man jetzt jeden neuen Standard implementieren muss. Und ich verspreche auch nicht, dass ein bestimmter KI-Anbieter einen Shop wegen eines Scores bevorzugt – das wäre unseriös.
Es geht um etwas Fundamentaleres: Sind die öffentlich verfügbaren technischen Informationen meines Shops eindeutig, konsistent und maschinenlesbar? Diese Frage können wir heute schon beantworten.
Ein Fehler kann den ganzen Katalog betreffen
Viele Probleme entstehen nicht auf einem einzelnen Produkt, sondern in einer Vorlage. Wenn ein Shopify-, Shopware- oder Magento-Shop seine strukturierten Produktdaten falsch erzeugt, betrifft das oft nicht ein Produkt, sondern hunderte oder tausende. Ein einziger Template-Fehler zieht sich durch den kompletten Katalog. Deshalb kann schon eine repräsentative Prüfung sehr aufschlussreich sein.
Warum jeder Shopbetreiber diesen Check einmal machen sollte
Der erste Check braucht nur eine URL. Kein Backend, keine API-Zugangsdaten, keine Kundendaten, keine Bestellung. Der Scanner sieht ausschließlich das, was auch von außen öffentlich erreichbar ist – genau wie andere Systeme auch.
Daraus lassen sich schon erstaunlich viele Fragen beantworten:
- Sind Produkte auffindbar und existiert eine Sitemap?
- Stimmen sichtbarer Preis und maschinenlesbarer Preis überein?
- Sind Varianten korrekt beschrieben?
- Ist die Verfügbarkeit eindeutig?
- Sind wichtige Bedienelemente technisch verständlich?
- Welche Crawler dürfen überhaupt zugreifen?
Der kostenlose Check hat bewusst eine sehr niedrige Einstiegshürde. Shopadresse eingeben und ansehen, was Maschinen tatsächlich vorfinden.
Auch ein gutes Ergebnis ist ein Ergebnis
Ein Scan muss nicht zwangsläufig Probleme finden. Vielleicht ist der Shop schon hervorragend aufgebaut – dann ist genau das die wichtige Erkenntnis. Experimentelle Standards werden bei ShopReadable nicht einfach als Fehler gewertet, und was von außen nicht zuverlässig messbar ist, führt auch nicht zu einem künstlichen negativen Score. Ziel ist ein realistisches Bild, keine Warnlisten um der Warnlisten willen.
Besonders spannend: die widersprüchlichen Daten
Die interessantesten Befunde sind aus meiner Erfahrung selten die offensichtlichen Fehler. Spannender sind die Fälle, in denen eigentlich alles vorhanden ist – nur eben unterschiedlich. Product-Markup ist da, aber mit einem anderen Preis. Variantendaten existieren, aber nur für einen Teil der tatsächlich wählbaren Optionen. Verfügbarkeit ist technisch sauber hinterlegt, widerspricht aber der sichtbaren Produktseite.
Solche Fehler fallen bei einem normalen Shoptest meistens gar nicht auf. Der Shop funktioniert, der Kunde kann bestellen – und trotzdem bekommen Maschinen widersprüchliche Informationen. Genau für diese Fälle habe ich ShopReadable gebaut.
Vom Befund direkt zur Umsetzung
Viele Audits enden mit einem PDF. Der Händler bekommt 30, 50 oder 100 Seiten Analyse – und dann beginnt erst die eigentliche Arbeit. Jemand muss Tickets schreiben, Entwickler müssen verstehen, was gemeint ist, es gibt Rückfragen. Das kostet Zeit, die niemand übrig hat.
Deshalb geht der Deep Audit einen Schritt weiter. Aus einem technischen Befund entsteht direkt umsetzbare Arbeit:
- ein Entwickler-Ticket mit Problem, Fundstelle und technischem Kontext
- ein Claude-Code-Prompt, der einem Entwicklungssystem erklärt, was im vorhandenen Projekt zu untersuchen und zu korrigieren ist
- klare Abnahmekriterien, damit prüfbar bleibt, ob das Problem tatsächlich behoben wurde
- eine Nachprüfung, damit der Kreis sich schließt
Für mich ist das die logische Kette: finden, verstehen, beheben, nachprüfen. Und wichtig ist mir dabei: ShopReadable soll keine Entwickler ersetzen. Ein automatisch generierter Prompt heißt nicht, dass eine KI blind Code verändern sollte. Statt „SEO verbessern“ bekommt ein Entwickler eine konkrete Aufgabe mit gemessenen Werten, zugrunde liegender Regel und der Bitte, die Ursache zu beheben und einen Regressionstest zu schreiben. Das ist eine andere Qualität von Arbeit.
Für wen ist das gedacht?
Natürlich für Shopbetreiber. Aber nicht nur. Auch für E-Commerce-Leiter, die ihr technisches Fundament kennen wollen, für Agenturen, die einen Shop übernehmen, für Entwickler, die konkrete Befunde brauchen, für SEO-Teams und für alle, die sich mit Agentic Commerce beschäftigen.
Und selbst für Unternehmen, die sagen: „KI-Commerce spielt bei uns noch keine Rolle.“ Saubere Produktdaten, eindeutige Preise, korrekte Varianten und gute technische Zugänglichkeit sind einfach solide E-Commerce-Technik – unabhängig von jedem KI-Hype.
Mein Fazit
Ich will mit ShopReadable keine Angst schüren, dass morgen plötzlich „KI statt Menschen einkauft“. Ich behaupte auch nicht, dass ein Score darüber entscheidet, ob ChatGPT, Google oder sonst wer ein Produkt empfiehlt. Das Ziel ist viel bescheidener und gerade deshalb wichtig: zeigen, ob ein Shop Maschinen eine klare, widerspruchsfreie Geschichte über seine Produkte erzählt.
Unabhängig davon, wie sich einzelne Plattformen und Agentensysteme weiterentwickeln – saubere, strukturierte Commerce-Daten werden nicht weniger wichtig. Deshalb habe ich ShopReadable gebaut. Und deshalb würde ich jedem Shopbetreiber empfehlen, den Check wenigstens einmal zu machen. Nicht wegen eines Scores, sondern um zu wissen, was der eigene Shop Maschinen tatsächlich erzählt.
