Die wichtigsten Punkte
- Shopping Research ist der Produktentdeckungs-Modus von ChatGPT: Sie beschreiben, was Sie brauchen, ChatGPT stellt Rückfragen und liefert dann einen personalisierten Kaufberater aus Live-Webdaten zu Preis, Verfügbarkeit, Testberichten, Spezifikationen und Bildern.
- Dahinter steckt eine auf Shopping spezialisierte GPT-5-mini-Variante, nachtrainiert darauf, über vertrauenswürdige Produktseiten zu synthetisieren, Quellen zu zitieren und harte Randbedingungen wie Preis, Größe und Verfügbarkeit einzuhalten.
- Die Platzierung ist organisch. Es gibt keinen bezahlten Platz. Produkte erscheinen aufgrund von Datenqualität und -struktur — Schema.org-Markup, Attributvollständigkeit, Nutzungsszenarien, Drittanbieter-Testberichte und Preisgenauigkeit.
- GEOly-Daten: Von 1.166.910 getrackten ChatGPT-Antworten zwischen 1. Aug. und 10. Okt. 2026 enthielten 72,3% Shopping- oder Produktelemente, mit durchschnittlich 7,34 zitierten Quellen. Produktoberflächen sind bei kommerziellen Prompts inzwischen der Normalfall, nicht die Ausnahme.
- Die Arbeit ist unspektakulär: Produktfeed und Schema in Ordnung bringen, in Drittanbieter-„Best"-Listen kommen, Randbedingungen maschinell prüfbar machen. Eine kreative Abkürzung gibt es nicht.
Was Shopping Research tatsächlich ist
Shopping Research ist ein eigener Modus innerhalb von ChatGPT, verfügbar für eingeloggte Nutzer der Tarife Free, Go, Plus und Pro, auf Mobile und Web. Es ist nicht dasselbe wie eine einmalige Produktfrage an ChatGPT.
Der Ablauf ist dialogisch. Sie beschreiben, was Sie suchen. ChatGPT stellt Rückfragen — Budget, für wen das Produkt ist, welche Funktionen zählen. Dann durchsucht es einige Minuten das Web, zieht aktuelle Preis-, Verfügbarkeits-, Test-, Spezifikations- und Bilddaten und zeigt Optionen laufend an. Sie können mitsteuern, indem Sie Artikel als „Nicht interessiert" oder „Mehr davon" markieren; die Recherche passt sich in Echtzeit an. Das Ergebnis ist ein Kaufberater, keine Einzelempfehlung.
Technisch läuft es auf einer auf Shopping spezialisierten Variante von GPT-5 mini, nachtrainiert aus GPT-5-Thinking-mini. OpenAI beschreibt das Trainingsziel in Begriffen, die für die Optimierung unmittelbar relevant sind: über vertrauenswürdige Produktseiten synthetisieren, Quellen zitieren, Randbedingungen wie Preis, Größe, Specs und Verfügbarkeit handhaben.
Jeder dieser drei Punkte ist ein Hebel.
Warum das die GEO-Aufgabe verändert
Klassische KI-Sichtbarkeitsarbeit fragt: Nennt das Modell meine Marke? Shopping Research stellt eine härtere Frage: Kann das Modell , ohne zu raten?