Die Suchlandschaft im E-Commerce hat sich grundlegend verschoben. Wo früher fast jeder Weg in den Onlineshop über ein Google-Suchergebnis führte, schieben sich heute Large Language Models wie ChatGPT, Perplexity, Claude oder Gemini als eigenständige Empfehlungsfilter zwischen Nutzer und Shop. Eine aktuelle internetwarriors GEO-Studie aus dem Jahr 2026 beziffert die Wucht dieser Entwicklung: Mehr als 65 % aller Informationsbedürfnisse werden inzwischen direkt im KI-Interface beantwortet ohne einen einzigen Klick auf eine externe Website.
Für Onlinehändler entsteht daraus eine unbequeme Frage: Wie lässt sich der Traffic messen, den diese Systeme aktiv in den eigenen Shop lenken? Wer das nicht weiß, steuert blind an der womöglich wichtigsten Trafficquelle der kommenden Jahre vorbei. Schon eine Fehlklassifikation von wenigen Prozentpunkten kann darüber entscheiden, ob ein erfolgreicher Kanal Budget bekommt oder mangels Sichtbarkeit übersehen wird. Dieser Leitfaden zeigt, wie Sie AI-Traffic in Google Analytics 4 (GA4) sauber isolieren, richtig interpretieren und für Ihre Generative Engine Optimization (GEO) nutzbar machen.
Bevor Zahlen interpretiert werden, braucht es eine klare Abgrenzung der eingehenden Datenströme. AI-Traffic bezeichnet alle Besuche realer Menschen, die über Verlinkungen in den Antworten von KI-Plattformen auf einen Shop gelangen. Davon strikt zu trennen ist klassischer Bot-Traffic: rein maschinelle Zugriffe von Crawlern wie dem GPTBot, die Inhalte indexieren, aber keinen Menschen hinter sich haben. Diese Trennung ist nicht akademisch: Wer Bot-Zugriffe versehentlich als Besucher zählt, überschätzt Reichweite und Kosten pro Sitzung gleichermaßen.
Für die Praxis im E-Commerce zählt eine zweite Unterscheidung, sie entscheidet darüber, was überhaupt im Report sichtbar wird.
ChatGPT ist nach heutigem Stand die mit Abstand dominanteste Quelle für Referral-Traffic aus LLMs, vor Perplexity und Gemini. Die Marktanteile verschieben sich jedoch schnell, die eigene GA4-Auswertung hat deshalb immer Vorrang vor Benchmark-Zahlen aus dem Vorjahr. Wichtiger als das reine Volumen ist ohnehin die Qualität: Perplexity-Nutzer weisen trotz geringerem Trafficanteil häufig einen höheren durchschnittlichen Warenkorbwert auf, weil die Plattform vor allem von recherche-intensiven Nutzern mit konkreter Kaufabsicht verwendet wird. ChatGPT bringt Reichweite, Perplexity bringt Qualität, beide Kanäle gehören getrennt ausgewertet.
Die wohl folgenreichste Fehlerquelle wird in den meisten Anleitungen schlicht übergangen. Ein erheblicher Teil des echten ChatGPT-Traffics taucht in GA4 nicht als Referral auf, sondern landet in der Kategorie „Direct“ und bleibt damit praktisch unsichtbar.
Die Ursache liegt in der Technik der App- und Browser-Schnittstellen: In bestimmten Situationen wird kein Referrer-Header übermittelt, etwa wenn Nutzer einen Link manuell in die Adresszeile kopieren oder wenn ein UTM-Parameter beim Weiterleiten verloren geht. Besonders betroffen sind erfahrungsgemäß:
Die Folge: Die tatsächlichen Mengen an AI-Traffic liegen in vielen GA4-Dashboards spürbar höher, als die reinen Referral-Werte vermuten lassen, je nach Nutzungsverhalten und Interface sind Abweichungen im zweistelligen Prozentbereich realistisch. Eine belastFbare Messung braucht deshalb zusätzlich den Blick auf Zeitreihen: Deutliche Sprünge im Direct-Traffic, die zeitlich eng mit einer GEO-Maßnahme oder einer nachweisbaren KI-Erwähnung zusammenfallen, sind mit hoher Wahrscheinlichkeit nicht-attribuierter AI-Traffic. Zur Absicherung helfen zwei unabhängige Quellen: Server-Logfiles, die Referrer und Zeitstempel roh protokollieren, sowie eine kurze „Wie haben Sie uns gefunden?“-Abfrage im Checkout, die genau das erfasst, was die Analytics-Logik systematisch übersieht.
Um Licht in diesen Blindspot zu bringen, lassen sich drei technische Säulen kombinieren:
Ein maßgeschneidertes Dashboard macht den Erfolg von Optimierungen sichtbar. So legen Sie in GA4 eine verlässliche Datenbasis an:
Hinweis zur Syntax: Setzen Sie zwingend die .*-Wildcards an Anfang und Ende. Die explorative Analyse in GA4 unterstützt keinen (?i)-Operator zur Ignorierung der Groß- und Kleinschreibung, mit exakt dieser Schreibweise arbeitet der Filter aber zuverlässig. Für eine dauerhafte Lösung empfiehlt sich zusätzlich ein dedizierter KI-Kanal in der GA4-Kanalgruppierung. Ergänzen Sie die Quelle/Medium-Sicht um den Seitenpfad als zweite Dimension, so erkennen Sie nicht nur, wie viel KI-Traffic ankommt, sondern auch, welche konkreten Zielseiten die LLMs bevorzugt zitieren.
Reine Klickzahlen greifen zu kurz, wenn der wirtschaftliche Wert der Kanäle bewertet werden soll. Drei Kennzahlen bilden zusammen den echten Business-Value ab. Erst im Zusammenspiel zeigen sie, ob ein Kanal nur Besucher liefert oder tatsächlich Umsatz.
Der AI Traffic Share misst den Anteil des KI-Traffics am gesamten organischen Traffic.
AI Traffic Share = KI-Sitzungen ÷ organische Gesamtsitzungen × 100
Die AI Conversion Rate zeigt, wie stark KI-Traffic konvertiert und ob er klassischen SEO-Traffic schlägt.
AI Conversion Rate = KI-Conversions ÷ KI-Sitzungen × 100
Zur Orientierung: Referral-Traffic aus LLMs konvertiert branchenübergreifend meist besser als klassischer organischer Traffic, weil er Nutzer mit bereits ausgeprägter Kaufabsicht bringt. Wie groß der Abstand ausfällt, schwankt je nach Branche und Sortiment stark, eigene GA4-Daten sind hier verlässlicher als jeder externe Richtwert.
KI-Klicks stehen oft am Anfang einer mehrstufigen Customer Journey, diese Kennzahl macht ihren indirekten Beitrag sichtbar.
Der Assisted AI Conversion Value gewichtet die finale Transaktion anteilig nach der Position des KI-Touchpoints, bei einem positionsbasierten Modell etwa 40 % für den Erstkontakt, 20 % für die Mitte und 40 % für den Abschluss. In GA4 lässt sich das über die explorative Pfadanalyse und benutzerdefinierte Attributionsmodelle abbilden.
Die Erkenntnisse aus dem Dashboard sollten nicht im Reporting versanden, sondern direkt in die Optimierung fließen. AI-Traffic ist nämlich mehr als eine Kennzahl, er ist ein ungefiltertes Signal dafür, welche Inhalte LLMs als zitierwürdig einstufen. Drei Schritte bauen aufeinander auf.
Schritt 1: KI-Magneten identifizieren: Prüfen Sie, welche Unterseiten den meisten AI-Traffic erhalten. Seiten mit überdurchschnittlichem KI-Anteil gelten den Modellen bereits als semantisch relevant; hier lohnt sich die Vertiefung durch validierte Daten, strukturierte JSON-LD-Auszeichnungen und überprüfbare Experten-Zitate. Genau diese Seiten verdienen die erste Optimierungsrunde, weil der Hebel hier am größten ist.
Schritt 2: Query-Fan-Out berücksichtigen: Moderne LLMs zerlegen komplexe Anfragen intern in mehrere Unterabfragen. Die Frage „Welche ERP-Lösung passt zu einem B2B-Shop mit 500 SKUs?“ erzeugt im Modell Sub-Queries zu Kompatibilität, Kosten, Aufwand und Referenzen. Ihr Content muss diese Bandbreite abdecken, die Optimierung auf ein einzelnes Fokus-Keyword reicht im GEO-Zeitalter nicht mehr aus. Praktisch heißt das: FAQ-Blöcke, Vergleichstabellen und konkrete Anwendungsfälle gehören auf dieselbe Seite wie die Hauptantwort.
Schritt 3: Answer-First strukturieren: Platzieren Sie die zentrale Nutzerfrage als H2, direkt darunter eine prägnante Definition von 40 bis 50 Wörtern und erst danach den vertiefenden Fließtext. Laut der bereits erwähnten GEO-Studie 2026 erhöht diese Struktur die Zitationsrate in KI-Schnittstellen um bis zu 15 % gegenüber klassisch formatiertem Text.
Vier Punkte fassen den praktischen Kern zusammen:
Content gezielt ausbauen: Seiten mit hohem AI-Traffic sind die besten Startpunkte, mit tieferen Daten, JSON-LD und klarer Answer-First-Struktur.
internetwarriors ist eine inhabergeführte Full-Service-Online-Marketing-Agentur aus Berlin (gegründet 2001), zertifizierter Google Premier Partner und laut Branchenindizes unter den Top-100-SEO-Dienstleistern Deutschlands. Die in diesem Beitrag zitierten Daten stammen aus der dritten GEO-Studie 2026, die auf 240 Prompts und 5.317 URLs basiert.
Geschäftsführer
internetwarriors GmbH
