Ausgewählt
Der Agent hat dein Produkt als das Einzige zum Kaufen empfohlen. Die Spitze des Regals - und das einzige Ergebnis, auf das die meisten Käufer überhaupt reagieren.
Funktion · Agent Shelf
Das Regal, das der Agent liest, ist jetzt das einzige, das zählt.
Käufer stöbern nicht mehr - sie sagen einem Assistenten „kauf mir das beste unter 150 €“ und der Agent entscheidet. Agent Shelf verfolgt, ob KI-Agenten deine Produkte auswählen, nennt den Konkurrenten, der gewann, zitiert den Grund und sagt dir die genaue Feed-Korrektur, die dich zurück in den Warenkorb bringt.
Die Prompts
Kaufentscheidungen, keine Suchen.
Ein Agent verwandelt das Ziel eines Käufers in einen Kaufabsichts-Prompt, bewertet eine Handvoll Produkte und liefert eine Auswahl. Agent Shelf führt diese Prompts über jedes Modell aus und bewertet, wo dein Produkt landet.
- › beste Trailrunning-Schuhe unter 150 €, Lieferung bis Freitag
- › eine leise Espressomaschine für eine kleine Küche
- › lohnt sich [dein Produkt] gegenüber [Konkurrent]?
- › haltbarstes Handgepäck für Vielflieger
- › bestes Geschenk für frischgebackene Eltern unter 60 €
Vier Urteile. Ein Score von 0 bis 100.
Für jeden Kaufabsichts-Prompt liest Agent Shelf die Antwort des Agenten und bewertet dein Produkt - und fasst die Urteile zu einem einzigen Agent Pick Score zusammen, den du sich bewegen siehst, während du deinen Feed reparierst.
In der engeren Wahl
Als gute Option unter zwei oder drei anderen genannt. Im Auswahlset, aber der Agent lenkte für die finale Entscheidung woandershin.
Abgelehnt
Erwähnt, dann ausdrücklich übergangen - „aber X ist günstiger / besser bewertet / vorrätig“. Wir erfassen den genannten Grund, damit du darauf antworten kannst.
Abwesend
Tauchte gar nicht auf. Der Agent wusste für diese Entscheidung nicht, dass es dich gibt. Die Sichtbarkeitsuntergrenze - und der häufigste Ausgangspunkt.
Was Agent Shelf pro Produkt verfolgt.
Nicht nur, ob du erwähnt wurdest - ob du ausgewählt wurdest, warum der Gewinner gewann und ob der Agent deine Daten überhaupt korrekt liest.
Auswahlrate über Agenten hinweg
Wie oft jedes Modell dein Produkt auswählt, in die engere Wahl nimmt, ablehnt oder nie zeigt - pro Agent, damit du siehst, wo ChatGPT dich liebt und Gemini dich ignoriert.
Wer gewann und der Grund
Das Konkurrenzprodukt, das der Agent stattdessen empfahl, plus die genannte Begründung - „günstiger“, „besser bewertet“, „vorrätig“. Genau der Einwand, den es zu beheben gilt.
Faktengenauigkeit
Ob der Agent den richtigen Preis, die Verfügbarkeit und die Spezifikationen nennt. Agenten wiederholen ständig veraltete oder falsche Produktdaten; wir markieren die Abweichung von deiner Wahrheit.
Agenten-Tauglichkeit deiner Daten
Wenn wir eine Produkt-URL abrufen, bewerten wir die Maschinenlesbarkeit - sauberes Schema, teilweise oder gescrapt. Eine schlechte Note ist der erste Grund, warum Agenten dich überspringen.
Agent-Pick-Score-Trend
Ein Score von 0 bis 100 pro Produkt, täglich gespeichert, damit du belegen kannst, dass eine Feed-Änderung die Zahl bewegt hat, statt zu raten.
Das zitierte Regal
Aus welchen Händlern, Bewertungen und Feeds der Agent für die Entscheidung schöpfte - die Quellen, die du gewinnen musst, um das Ergebnis zu ändern.
Die Maßnahmen, die dich zurück ins Regal bringen.
Der Hebel für agentischen Handel sind deine Daten, kein Blogbeitrag. Jede Korrektur ist an einen konkreten verlorenen Prompt und den genannten Grund des Agenten gebunden.
Vollständiges Product- und Offer-Schema
Liefere gültiges schema.org Product / Offer / AggregateRating auf jeder PDP. Agenten lesen diese wörtlich - fehlendes oder teilweises Schema ist der häufigste Grund für die Note „gescrapt“ und dafür, übersprungen zu werden.
Preis- und Verfügbarkeitsgenauigkeit korrigieren
Wenn der Agent den falschen Preis oder „ausverkauft“ nennt, empfiehlt er dich nicht mehr. Korrigiere Feed und strukturierte Daten, damit die Fakten des Agenten zu deinen passen.
Eine llms.txt veröffentlichen
Gib Agenten eine saubere, maschinenlesbare Zusammenfassung deines Katalogs und der Kernfakten, damit sie dich nicht aus Drittquellen-Vermutungen rekonstruieren.
Die zitierten Quellen gewinnen
Agenten stützen sich auf einen kleinen Pool von Händlern und Bewertungs-Threads. Agent Shelf benennt die, die deine Kategorie entscheiden, damit du genau weißt, wo du Platzierung verdienen musst.
Die entscheidenden Spezifikationen strukturieren
Die Spezifikation, die der Gewinner hatte und du nicht, ist oft der ganze Grund. Stelle sie als strukturierte Daten und im Text bereit, damit der Agent sie zitieren kann.
Die Drift überwachen
Agenten-Antworten ändern sich, während das Web neu indexiert wird. Tägliche Pick Scores markieren den Tag, an dem die Änderung eines Konkurrenten dich aus dem Regal warf - solange du noch reagieren kannst.
Sieh, ob die Agenten dich kaufen.
Füge ein Produkt per URL hinzu, ergänze einen Kaufabsichts-Prompt und erhalte deinen ersten Agent Pick Score über ChatGPT, Claude, Gemini und Perplexity. Kostenloser Tarif verfügbar.