KI gestaltet die Kundengewinnung neu, doch ihre Traffic-Ökonomie bleibt ungeklärt

Google News griff im Juli 2026 eine unverblümte These auf: KI verändert die Kundengewinnung, indem sie Suchergebnisse durch zusammengefasste Empfehlungen ersetzt. Das Argument geht über die Automatisierung von Anzeigen oder die günstigere Erstellung von Inhalten hinaus. Unternehmen müssten nun einen KI-Vermittler überzeugen, bevor sie einen Käufer erreichen können.

Dieser Wandel schafft einen unbequemen Konflikt. Google, Publisher, Marketingfirmen und unabhängige Forschende sind sich einig, dass sich das Such- und Entdeckungsverhalten verändert. Über die Folgen für Traffic, Conversion-Qualität und den wirtschaftlichen Wert, der zwischen Websites und Plattformen ausgetauscht wird, gehen ihre Einschätzungen jedoch deutlich auseinander.

Das alte Modell der Kundengewinnung belohnte Sichtbarkeit, die messbare Besuche erzeugte. Das aufkommende Modell kann eine Entscheidung beeinflussen, ohne überhaupt einen Besuch zu liefern. Ein Unternehmen kann in einer KI-Antwort erscheinen, die Kontrolle über die Kundeninteraktion verlieren und diesen Einfluss nie in seinen Analysedaten sehen.

Dies ist nicht einfach ein weiterer Zyklus der Suchoptimierung. Es ist ein Wettbewerb zwischen Traffic-Gewinnung und Empfehlungsautorität. Welche Kennzahl gewinnt, bleibt offen, denn KI kann Klicks reduzieren und zugleich die Absicht hinter den verbleibenden Klicks erhöhen.

Was Google News tatsächlich aufgegriffen hat

Die zugrunde liegende Geschichte ist ein Argument über Kundenverhalten, nicht die Ankündigung eines neuen Google-Produkts.

Der Eintrag bei Google News verweist auf einen Essay mit dem Titel „How Artificial Intelligence Is Changing the Economics of Customer Acquisition.“ Performance Marketing Advisors veröffentlichte die zugrunde liegende Version und aktualisierte sie zuletzt am 11. Juli 2026.

Der Essay zur Kundengewinnung argumentiert, dass Käufer zunehmend KI-Systeme bitten, Unternehmen für sie zu bewerten. Beispiele sind der Vergleich professioneller Dienstleistungen, die Auswahl von Software und die Identifizierung von Firmen mit spezialisierter Expertise.

Die zentrale Aussage ist einfach. Unternehmen konkurrierten früher vor allem um Positionen auf einer Ergebnisseite. Heute konkurrieren sie auch darum, als empfohlene Option in einer von ChatGPT, Gemini, Perplexity oder Google Search erzeugten Antwort zu erscheinen.

Dieser Unterschied ist wichtig, weil ein gerankter Link einen großen Teil der Bewertung dem Nutzer überlässt. Eine KI-Empfehlung verdichtet Recherche, Vergleich und teilweise auch die Vorauswahl in einer Oberfläche. Sie kann die anfängliche Auswahl eines Käufers prägen, bevor ein Unternehmen überhaupt einen Besuch erhält.

Der Essay ist jedoch strategischer Kommentar einer Marketingberatung. Ihr gebrandetes Framework der „AI Trust Economy“ ist keine unabhängig etablierte wirtschaftliche Kategorie. Leser sollten es als These behandeln, die anhand breiterer Evidenz geprüft werden muss.

Die These könnte zudem den Rückgang der konventionellen Suche überzeichnen. Käufer nutzen weiterhin Suchmaschinen, Händler-Websites, soziale Plattformen, Bewertungsseiten, E-Mail und direkte Empfehlungen. KI ergänzt diese gemischte Reise, statt jeden bisherigen Kanal sofort zu ersetzen.

Selbst der Begriff „KI-Empfehlung“ umfasst mehrere unterschiedliche Erfahrungen. Eine Google AI Overview steht über konventionellen Ergebnissen. ChatGPT bietet eine dialogorientierte Antwort. Perplexity betont Quellenangaben, während Shopping-Assistenten Produkte nach genannten Präferenzen ordnen können.

Diese Oberflächen schaffen unterschiedliche Möglichkeiten für die Attribution. Einige erzeugen sichtbaren Referral-Traffic, während andere eine spätere Markensuche oder einen Direktbesuch beeinflussen. Eine Empfehlung kann einen Kauf beeinflussen, ohne Last-Touch-Credit zu erhalten, also die Anerkennung für die letzte vor der Conversion erfasste Interaktion.

Diese Einschränkung macht die Google-News-Überschrift folgenreicher, als ihr zurückhaltendes Format vermuten lässt. Der Artikel dokumentiert kein einzelnes Unternehmensereignis mit einem festen finanziellen Ergebnis. Er benennt ein Messproblem, das sich im Marketing ausbreitet.

Das Ereignis ist daher die zunehmende öffentliche Formulierung eines neuen Modells der Kundengewinnung. KI-Systeme stehen immer häufiger zwischen Fragen und Unternehmen. Marketingverantwortliche müssen entscheiden, ob Sichtbarkeit ohne Klick einen Wert hat und wie dieser Wert gemessen werden sollte.

Der Druck beginnt bei Organisationen, die stark von nicht markengebundenen Suchanfragen abhängen. Diese Suchanfragen erfassen Menschen, die ihr Problem kennen, aber noch keinen Anbieter ausgewählt haben. Wenn eine KI-Antwort die Vorauswahl erstellt, kontrolliert die Website den ersten entscheidenden Vergleich nicht mehr.

Google News ist ebenfalls Teil dieses breiteren Distributionsumfelds. Sein Auftreten in der Geschichte kennzeichnet den Weg, über den der Kommentar die Leser erreichte. Es beweist nicht, dass Google das Framework der Beratung oder deren Schlussfolgerungen unterstützt.

Diese Trennung ist entscheidend. Aggregation schafft Auffindbarkeit, keine Verifizierung. Die Evidenz muss aus Nutzerforschung, Offenlegungen der Plattformen, Referral-Daten und gemessenen Geschäftsergebnissen stammen.

KI-Suche verlagert die Entscheidung vor den Klick

KI verändert die Ökonomie der Kundengewinnung, indem sie die Bewertung in eine frühere Phase verlagert, in der konventionelle Analysen nur begrenzte Einblicke bieten.

Die Kosten der Kundengewinnung, oft als CAC abgekürzt, teilen die Ausgaben für die Kundengewinnung durch die in einem festgelegten Zeitraum gewonnenen Kunden. Die Berechnung wirkt einfach, doch die Zuordnung von Anerkennung entlang einer mehrstufigen Customer Journey war schon immer schwierig.

KI fügt einen weiteren intransparenten Schritt hinzu. Ein Käufer kann nach Optionen fragen, Anforderungen verfeinern, Kompromisse vergleichen und eine Präferenz bilden, bevor er überhaupt eine unternehmenseigene Seite erreicht. Das Unternehmen sieht nur den letztlichen Besuch – falls überhaupt ein Besuch stattfindet.

Untersuchungen von Bain veranschaulichen das Ausmaß dieses Verhaltens. An der Umfrage vom Dezember 2024 nahmen 1.117 Personen teil; sie ergab, dass 80 Prozent bei mindestens 40 Prozent ihrer Suchanfragen Zero-Click-Ergebnisse nutzten.

Zero-Click-Ergebnisse beantworten eine Anfrage, ohne den Nutzer an ein anderes Ziel weiterzuleiten. Bain schätzte, dass dieses Verhalten den organischen Website-Traffic um 15 bis 25 Prozent verringerte, wobei sich die Auswirkungen je nach Suchanfrage und Branche unterscheiden.

Dieselbe Zero-Click-Umfrage ergab, dass rund 60 Prozent der Suchanfragen ohne Weiterleitung zu einer anderen Website endeten. Selbst KI-Skeptiker berichteten, viele Antworten direkt auf der Ergebnisseite zu erhalten.

Diese Ergebnisse beschreiben eine Umverteilung der Aufmerksamkeit. Sie belegen nicht, dass jeder verlorene Besuch zu einem verlorenen Kunden wird. Schnelle Faktensuchen, detaillierte Produktvergleiche und komplexe Dienstleistungskäufe haben einen sehr unterschiedlichen kommerziellen Wert.

McKinseys Umfrage vom August 2025 unter 1.927 amerikanischen Verbrauchern bietet eine weitere Perspektive. Etwa die Hälfte der Befragten nutzte bewusst KI-gestützte Suche, und mehr als 70 Prozent dieser Nutzer recherchierten Kategorien, Marken, Produkte oder Dienstleistungen.

Die Analyse zur KI-Suche prognostizierte, dass KI-gestützte Suche bis 2028 erhebliche Umsätze in den USA beeinflussen würde. Prognosen sollten nicht mit abgeschlossenen Transaktionen verwechselt werden, aber sie verdeutlichen, wohin Berater das Kaufverhalten wandern sehen.

Der Mechanismus hat drei Stufen. Erstens beschreibt der Nutzer einen Bedarf in natürlicher Sprache. Zweitens fasst das System verfügbare Evidenz zusammen und empfiehlt eine kleinere Auswahl an Möglichkeiten. Drittens recherchiert der Nutzer weiter oder handelt auf Grundlage dieser Vorauswahl.

Die ersten beiden Stufen erzeugten früher mehrere getrennte Suchanfragen und Website-Besuche. Eine KI-Oberfläche kann sie in einem einzigen Gespräch zusammenführen. Diese Verdichtung verringert die Zahl der Chancen, die Unternehmen außerhalb der empfohlenen Auswahl zur Verfügung stehen.

Sie kann auch den verbleibenden Traffic verbessern. Ein Besucher, der Funktionen, Einschränkungen und Alternativen bereits verglichen hat, kann mit einem klareren Anliegen eintreffen. Weniger Sitzungen können dennoch bedeutende Umsätze erzeugen, wenn diese Sitzungen eine stärkere Kaufabsicht mitbringen.

Für Marketingverantwortliche entsteht dadurch ein Nennerproblem. Organische Besuche können zurückgehen, während die Conversion-Raten steigen. Die scheinbaren Akquisekosten hängen davon ab, ob die Analyse nur den letzten Besuch berücksichtigt oder auch die frühere KI-Interaktion anerkennt.

KI-Referrals führen zu einer zweiten Messlücke. Referral-Header können einige direkte Besuche aus dialogorientierten Diensten identifizieren. Sie können nicht jeden Käufer erfassen, der eine KI-Antwort liest und später einen Markennamen in Google eingibt.

Markensuchen könnten folglich Anerkennung aufnehmen, die andernorts erzeugt wurde. Dasselbe gilt für Direct Traffic. Ohne kontrollierte Experimente oder Kundenbefragungen kann ein Marketingteam eine veränderte Attribution mit veränderter Nachfrage verwechseln.

Das ist besonders bei langen Verkaufszyklen wichtig. Ein Käufer, der Unternehmenssoftware bewertet, kann einen KI-Assistenten konsultieren, eine Vorauswahl teilen, Demonstrationen besuchen und Referenzen kontaktieren. Die ursprüngliche Antwort bleibt wirtschaftlich relevant, obwohl sie keine finale Conversion-Anerkennung erhält.

Dasselbe Prinzip gilt für lokale Dienstleistungen. Ein Verbraucher könnte eine KI-Zusammenfassung nutzen, um Qualifikationen, Reputation und Standort zu vergleichen. Der letztliche Anruf kann über einen Karteneintrag statt über die zitierte Quelle erfolgen.

Das Ergebnis ist nicht das Verschwinden der Kundengewinnung. Es ist eine Verlagerung der Überzeugungsarbeit. Produktdaten, unabhängige Bewertungen, glaubwürdige Kommentare, Community-Diskussionen und Kundenerfahrungen können die Antwort beeinflussen, bevor das Unternehmen weiß, dass ein Käufer existiert.

Google News trifft auf den Wettbewerb zwischen Traffic und Vertrauen

Der zentrale Wettbewerb lautet nicht mehr Ranking gegen Ranking. Es geht um messbaren Traffic gegen Empfehlungsautorität.

Traditionelles Suchmaschinenmarketing bot einen verständlichen Austausch. Websites veröffentlichten nützliche Inhalte, Suchmaschinen indexierten sie, und Rankings schufen Chancen auf Besuche. Werbung fügte einen bezahlten Weg mit klarerer Platzierung und Berichterstattung hinzu.

KI-Antworten verändern diesen Austausch, weil die Plattform die Anfrage innerhalb ihrer eigenen Oberfläche erfüllen kann. Die Quelle liefert Informationen, doch die daraus entstehende Aufmerksamkeit kann beim Vermittler verbleiben.

Ein Working Paper vom Juli 2026 untersuchte dieses Problem anhand amerikanischer Desktop-Clickstream-Daten. Seine Autoren verglichen informationssuchende Aktivitäten bei Google mit ChatGPT-Sitzungen und untersuchten Erweiterungen des Zugangs zu ChatGPT Search.

Die Studie zur Referral-Ökonomie stellte fest, dass es in 5,2 Prozent der ChatGPT-Gesprächssitzungen zu ausgehenden Klicks kam. Sie schätzte außerdem, dass ein breiterer Zugang die Nutzung konventioneller Suche um 9,4 Prozent verringerte.

Diese Ergebnisse haben Einschränkungen. Bei der Arbeit handelte es sich um ein Preprint, nicht um eine abschließende Konsensfeststellung. Desktop-Clickstream-Daten können nicht jede mobile Interaktion, App-Übergabe, jeden Kauf oder jede Offline-Handlung erfassen.

Dennoch ist ihre Einordnung wertvoll. KI-Suche sendet nicht einfach eine kleinere Version von Googles Referral-Stream. Die Arbeit stellte fest, dass ausgehende Besuche zu spezialisierten Zielen tendierten und sich von werbefinanzierten Websites wegbewegten.

Dieses Muster deutet auf einen Konzentrationseffekt hin. Ein KI-System kann viele Quellen konsultieren, aber nur wenige Zitate oder Empfehlungen sichtbar machen. Unternehmen müssen um die Aufnahme in eine verdichtete Antwort konkurrieren, statt um eine Position unter vielen sichtbaren Links.

Der über Google News aufgegriffene Beratungsessay beschreibt diesen Wettbewerb als einen um Vertrauen. Dieses Wort braucht Präzision. Ein Sprachmodell vertraut einem Unternehmen nicht im menschlichen Sinne. Es erzeugt eine Antwort aus Training, abgerufenen Materialien, Anweisungen und Modellverhalten.

Empfehlungsautorität ist eine bessere operative Beschreibung. Sie bezeichnet die Wahrscheinlichkeit, dass ein System eine Organisation nennt, zitiert oder positiv charakterisiert, wenn es auf eine relevante Anfrage antwortet.

Autorität kann aus Belegen außerhalb der Unternehmenswebsite entstehen. Unabhängige Berichterstattung, Kundendiskussionen, Produktdokumentation, Verzeichnisse, Bewertungen und strukturierte Daten können alle beeinflussen, was ein KI-System abruft.

Das schwächt Strategien, die auf einer einzigen kontrollierten Landingpage beruhen. Eine professionell gestaltete Seite kann widersprüchliche Informationen an anderer Stelle nicht auslöschen. Sie kann auch keine Aufnahme garantieren, wenn ein System auf Quellen angewiesen ist, die Marketer nicht kontrollieren.

Auch bezahlte Kundengewinnung gerät dadurch unter Druck. Anzeigen bleiben nützlich, weil sie planbare Reichweite liefern. Eine von KI erstellte Vorauswahl kann jedoch beeinflussen, nach welchen Markennamen ein Käufer später sucht und welche Anzeigen glaubwürdig wirken.

Dadurch entsteht eine neue Wettbewerbsabfolge. Verdiente Reputation kann die Vorauswahl prägen. Bezahlte Medien verstärken anschließend eine Entscheidung, statt sie erst einzuführen. Unternehmen, die nur die letzte Anzeige messen, können den bezahlten Kontaktpunkt überbewerten.

Auch der gegenteilige Fehler ist möglich. Marketer könnten jede KI-Erwähnung als wertvoll behandeln, obwohl sie keine qualifizierte Nachfrage erzeugt. Sichtbarkeit wird wirtschaftlich erst dann nützlich, wenn sie Berücksichtigung, Konversion, Bindung oder Umsatz verändert.

Aus diesem Grund bleiben impressionenähnliche KI-Sichtbarkeitswerte unvollständig. Eine Marke kann häufig bei niedrigwertigen Prompts erscheinen und bei den Fragen fehlen, die einem Kauf vorausgehen. Die Prompt-Auswahl wird damit Teil der Messmethodik.

Unternehmen benötigen Abfragesets, die in der tatsächlichen Sprache ihrer Kunden verankert sind. Verkaufsgespräche, Support-Unterhaltungen, Forschungsinterviews und Notizen zu verlorenen Deals zeigen, welche Fragen Käufer wirklich stellen. Ein durchsuchbarer sales knowledge-Workflow kann Teams helfen, diese Signale zu verknüpfen, ohne jede Erwähnung gleich zu behandeln.

Die praktische Analyseeinheit sollte die Entscheidungsreise sein, nicht ein einzelnes Keyword. Teams können verfolgen, ob sie bei Problemerkennung, Vergleichen, Einwänden, Preisüberlegungen und Implementierungsfragen erscheinen.

Google News bleibt relevant, weil es autoritative Berichterstattung in dieses Informationsumfeld einbringen kann. In einem Aggregator zu erscheinen, schafft jedoch nicht automatisch Empfehlungsautorität. Systeme unterscheiden sich bei Aktualität, Abrufquellen und Zitierverhalten.

Der stärkste Ansatz ist daher Belegkonsistenz. Produktbehauptungen sollten mit der Dokumentation übereinstimmen. Kundenbeispiele sollten konkrete Ergebnisse enthalten. Unabhängige Quellen sollten wichtige Aussagen stützen, und veraltete Seiten sollten den aktuellen Fähigkeiten nicht widersprechen.

Diese Arbeit ähnelt zugleich Reputationsmanagement, Content Operations und technischer Suchoptimierung. Sie geht über die Veröffentlichung weiterer KI-generierter Artikel hinaus. Ein größeres Content-Volumen kann Inkonsistenzen erhöhen und damit das zugrunde liegende Autoritätsproblem verschärfen.

Was die Konversionszahlen nicht klären

KI-vermittelte Besucher können je nach Produkt, Datensatz und Attributionsfenster schwach oder wertvoll wirken.

Die lauteste Variante der These zur KI-gestützten Kundengewinnung besagt, dass Gesprächstool-Referrals mit stärkerer Kaufabsicht eintreffen. Die Belege stützen diese Behauptung nicht einheitlich.

Eine begutachtete Studie in Marketing Science untersuchte Verweise von Online Large Language Models auf E-Commerce-Websites. Sie verglich Konversionsraten, durchschnittlichen Bestellwert und Umsatz pro Sitzung mit etablierten Kanälen.

Ihre Forschung zu E-Commerce-Referrals ergab, dass die Leistung von KI-Referrals je nach Eigenschaften von Website und Kategorie variierte. KI-Traffic war kein universeller Ersatz für organische Suche, E-Mail, Referrals oder Direktbesuche.

Die Studie fand günstigere Ergebnisse für Websites mit hoher Komplexität. In diesen Fällen übertraf die Konversion über KI-Referrals mehrere andere Kanäle. Auch die Unterschiede beim durchschnittlichen Bestellwert verringerten sich, während sich der Umsatz pro Sitzung der organischen und bezahlten Suche annäherte.

Dieses Ergebnis stützt einen spezifischen Mechanismus. KI-Unterstützung scheint wertvoller zu sein, wenn Käufer mit komplizierten Entscheidungen konfrontiert sind. Das System kann Recherchekosten senken, indem es Spezifikationen erklärt, Abwägungen aufzeigt und einen unübersichtlichen Katalog eingrenzt.

Bei einfachen Käufen bleibt weniger Raum für diesen Vorteil. Ein Käufer benötigt kein langes Gespräch, um ein vertrautes Standardprodukt auszuwählen. Bequemlichkeit, Verfügbarkeit, Markenbekanntheit und Lieferung können wichtiger sein als eine zusammengefasste Empfehlung.

Andere Datensätze kamen zu widersprüchlichen Schlussfolgerungen. Einige Branchenanalysen stellten fest, dass KI-Referrals unter etablierten Kanälen konvertierten. Andere berichteten von ungewöhnlich hohen Konversionsraten bei Besuchern, die über Gesprächstools kamen.

Diese Unterschiede deuten nicht zwangsläufig auf Fehlverhalten hin. Die Studien können unterschiedliche Branchen, Zeiträume, Attributionsmethoden, Geräte und Definitionen von KI-Traffic abdecken. Das Referral-Volumen bleibt in vielen Datensätzen zudem klein genug, um instabile Vergleiche zu erzeugen.

Eine enge Referral-Definition übersieht beeinflusste Besuche, die später über einen anderen Kanal eintreffen. Ein breites Attributionsmodell riskiert, KI ohne ausreichende Belege zuzuschreiben. Beide Fehler können die scheinbare Wirtschaftlichkeit verzerren.

Google liefert das stärkste öffentliche Gegenargument zur Erzählung eines Traffic-Kollapses. Im August 2025 erklärte das Unternehmen, das gesamte Volumen organischer Klicks aus der Suche sei im Jahresvergleich relativ stabil geblieben.

In Googles Reaktion zum Traffic erklärte das Unternehmen zudem, die durchschnittliche Klickqualität habe zugenommen. Es definierte Qualitätsklicks als Besuche, bei denen Nutzer nicht schnell zur Suche zurückkehrten.

Google argumentierte, dass AI Overviews längere, komplexere Suchanfragen förderten und Nutzern zusätzliche Links zeigten. Das Unternehmen räumte ein, dass Anfragen mit schnellen Antworten ohne Besuch enden könnten, hielt jedoch daran fest, dass tiefere Recherche weiterhin Klicks erzeugte.

Diese Aussagen verdienen eine vorsichtige Behandlung. Google hat Zugang zu aggregierten Suchdaten, die den meisten Beobachtern nicht zur Verfügung stehen. Außerdem hat das Unternehmen ein unmittelbares Interesse daran, den Werteaustausch zwischen Suche und offenem Web zu verteidigen.

Sowohl Google als auch seine Kritiker können in der Tendenz recht haben. Der aggregierte Traffic kann stabil bleiben, während einzelne Publisher, Informationsseiten oder Unternehmen erhebliche Besuche verlieren. Neues Anfragevolumen kann Rückgänge im Web ungleichmäßig ausgleichen.

Ein stabiler Gesamtwert sagt zudem wenig über die Kundengewinnung eines einzelnen Unternehmens aus. Marketer interessieren sich für relevante Besuche, qualifizierte Leads, Neukunden, Customer Lifetime Value und Marge. Milliarden irrelevanter Klicks können diese Fragen nicht beantworten.

Die entscheidende Unsicherheit besteht darin, ob Traffic mit höherer Kaufabsicht das geringere Volumen ausgleicht. Die Antwort hängt von Deckungsbeitrag, Vertriebskapazität, Kaufkomplexität und den Kosten ab, die erforderlich sind, um KI-Sichtbarkeit zu erzielen.

Unternehmen könnten mehr für technische Inhalte, Reputationsprogramme, Öffentlichkeitsarbeit, strukturierte Produktdaten und Messwerkzeuge ausgeben. Diese Ausgaben gehören zur Akquisitionsökonomie, selbst wenn die daraus resultierende Sichtbarkeit als organisch bezeichnet wird.

Die Produktion von KI-Inhalten kann die Kosten für die Erstellung von Entwürfen und Varianten senken. Sie kann Kanäle jedoch auch mit ähnlichem Material überfluten und so den Aufwand erhöhen, der nötig ist, um Glaubwürdigkeit aufzubauen. Günstige Produktion garantiert keine günstige Akquisition.

Besonders schwierig wird die Wirtschaftlichkeit, wenn Plattformen die Empfehlungsebene monetarisieren. Gesponserte Platzierungen innerhalb von Gesprächserlebnissen können den Wettbewerb der bezahlten Suche in einer stärker komprimierten Oberfläche nachbilden.

Eine kleine Zahl empfohlener Positionen kann intensive Gebote anziehen. Wenn Käufer diesen Antworten mehr Vertrauen entgegenbringen, wird kommerzielle Platzierung wertvoll. Wenn Sponsoring das Vertrauen beschädigt, stehen Plattformen vor ihrem eigenen Vertrauensproblem.

Regulierung und Offenlegungspflichten schaffen weitere Unsicherheit. Nutzer müssen gesponserte Vorschläge von unabhängigen Ergebnissen unterscheiden können. Unternehmen benötigen zudem Klarheit darüber, welche Behauptungen, Feeds und kommerziellen Beziehungen eine Empfehlung geprägt haben.

Gleichzeitig erschweren Änderungen beim Datenschutz die Messung. Weniger websiteübergreifendes Tracking macht es schwieriger, einen Käufer über KI-Recherche, Suche, Website-Aktivität und Kauf hinweg zu verfolgen. Der neue Vermittler tritt auf, während alte Attributionstools schwächer werden.

Kein einzelner Konversions-Benchmark kann diese Debatte entscheiden. Unternehmen benötigen abgestimmte Vergleiche nach Kategorie, Kundentyp und Phase der Reise. Sie benötigen außerdem genügend Beobachtungszeit, um echte Nachfrage von Neuheitstraffic zu trennen.

Die skeptische Schlussfolgerung lautet nicht, dass KI-Empfehlungen keinen Wert haben. Sie lautet, dass Sichtbarkeit, Referrals und Umsatz unterschiedliche Messgrößen sind. Sie als austauschbar zu behandeln, erzeugt selbstsichere Berichte mit geringer wirtschaftlicher Aussagekraft.

Wer unter Druck gerät, wenn KI die Akquisition neu schreibt

Unternehmen, die von generischer Auffindbarkeit abhängen, stehen unter dem größten Druck, weil KI den Markt einengen kann, bevor diese Unternehmen sichtbar werden.

Kleine und regionale Unternehmen stehen vor einer besonderen Herausforderung. Ihnen fehlt oft das Volumen an unabhängiger Berichterstattung, Bewertungen und strukturierten Referenzen, das nationalen Marken zur Verfügung steht. Ein KI-System kann daher weniger Belege zum Abruf finden.

Das bedeutet nicht, dass der größte Werbetreibende automatisch gewinnt. Große Marken können veraltete Beschreibungen, inkonsistente Produktinformationen und sichtbare Kundenbeschwerden mit sich tragen. Kleinere Unternehmen können konkurrieren, wenn ihre Belege spezifisch, aktuell und lokal relevant sind.

Professionelle Dienstleistungen stehen vor einer weiteren Spannung. Ihre Angebote umfassen Fachwissen, Reputation und Vertrauen, weshalb sie sich für KI-gestützte Vergleiche eignen. Viele wichtige Unterschiede lassen sich jedoch nicht auf öffentlich verfügbare Fakten reduzieren.

Ein Modell kann Qualifikationen und Bewertungen zusammenfassen. Es kann nicht zuverlässig die zwischenmenschliche Passung, die Ausführungsqualität oder die Umstände hinter jedem Kundenergebnis bewerten. Käufer benötigen für folgenreiche Entscheidungen weiterhin direkte Gespräche.

Publisher und Bewertungsseiten stehen unter einem anderen Druck. Ihre Berichterstattung und Bewertungen helfen Systemen, Antworten zu konstruieren. Wenn diese Antworten Besuche vermeiden, können die Organisationen, die originäre Informationen finanzieren, Einnahmen verlieren.

Dadurch entsteht ein Angebotsproblem für KI-Systeme. Hochwertige Antworten erfordern aktuelle Belege. Eine Schwächung der Wirtschaftlichkeit originärer Veröffentlichungen kann letztlich die für Abruf und Training verfügbaren Informationen verringern.

Googles Modell versucht, Links innerhalb von KI-Antworten zu erhalten. Gesprächsdienste zeigen in vielen Kontexten ebenfalls Quellenangaben. Die wirtschaftliche Frage lautet, ob diese Zitate genügend wertvolle Aufmerksamkeit an die Quellen senden, um sie zu erhalten.

Marketingagenturen müssen ihre eigenen Versprechen aktualisieren. Ranking-Verbesserungen und Traffic-Wachstum bleiben messbar, erfassen jedoch nicht mehr jede Discovery-Interaktion. Agenturen müssen erklären, was KI-Sichtbarkeit bedeutet, ohne Gewissheit zu erfinden.

Softwareanbieter, die Tools für KI-Sichtbarkeit verkaufen, stehen vor ähnlicher Prüfung. Prompt-Tracking kann zeigen, ob eine Marke in Stichproben-Antworten erscheint. Ergebnisse können sich zwischen Modellen, Standorten, Konten, Prompt-Formulierungen und Zeitpunkten ändern.

Ein Dashboard kann diese Variabilität nicht selbst in Umsatz verwandeln. Es sollte die gemessene Sichtbarkeit mit Referral-Sitzungen, markenbezogener Nachfrage, Pipeline-Aufbau, Abschlussquoten und Kundenforschung verbinden.

Auch Plattformen für Suchwerbung stehen unter Druck, Inkrementalität nachzuweisen. Inkrementalität misst Ergebnisse, die durch eine Anzeige verursacht werden, statt Ergebnisse, die ohnehin eingetreten wären.

Wenn KI-Empfehlungen Nachfrage vor einem bezahlten Klick erzeugen, können Anzeigen für Marken-Suchanfragen Kunden erfassen, die bereits überzeugt sind. Werbetreibende benötigen Experimente, die den Schutz bestehender Nachfrage von der Schaffung neuer Nachfrage unterscheiden.

Soziale Plattformen bleiben wichtige Wettbewerber für Discovery. Creator, Communities und Kundendiskussionen liefern die Ich-Perspektiven, die Käufer schätzen. KI-Systeme können dieses Material zusammenfassen, doch Nutzer können weiterhin die ursprünglichen Stimmen suchen.

Einzelhandels-Marktplätze behalten einen weiteren Vorteil. Sie verbinden Entdeckung mit Verfügbarkeit, Abwicklung, Bewertungen und Zahlung. Allgemeine KI-Assistenten können Produkte empfehlen, doch Marktplätze kontrollieren entscheidende Transaktionsdaten und die Ausführung.

Die entstehende Landschaft ist daher nicht Google gegen einen einzelnen Chatbot. Es ist ein Wettbewerb über mehrere Kanäle hinweg darum, wer den Rechercheprozess, die Kundenbeziehung, die Transaktion und die daraus entstehenden Daten besitzt.

Der zentrale Gegensatz bleibt die Kundengewinnung durch Traffic gegenüber der Autorität von Empfehlungen. Andere Kanalkonflikte stützen diese Linie, statt sie zu ersetzen. Jede Plattform bestimmt, wie viel Wert innerhalb der Oberfläche bleibt und wie viel das Unternehmen erreicht.

Organisationen sollten nicht reagieren, indem sie Tausende generische Seiten produzieren. KI-Systeme und Suchmaschinen haben gleichermaßen Anreize, sich wiederholendes Material zu filtern. Auch Käufer erkennen Inhalte, die wenig sagen und dennoch Aufmerksamkeit verlangen.

Eine bessere Antwort beginnt mit Informationen, die bei einer echten Entscheidung helfen. Detaillierte Vergleiche, Einschränkungen, Anforderungen an die Implementierung, Belege und originäre Beobachtungen geben Menschen Gründe für einen Besuch, die über eine Zusammenfassung hinausgehen.

First-Party-Daten sind wichtig, wenn sie tatsächliche Kundenbedürfnisse widerspiegeln. Häufige Einwände, Serviceeinschränkungen, Produktkompatibilität und Anwendungsfälle können verdeutlichen, wo ein Angebot passt. Aussagen sollten überprüfbar bleiben und über alle Kanäle hinweg konsistent sein.

Unternehmen müssen außerdem die menschlichen Phasen der Kundengewinnung schützen. Schnelle Antworten, kompetente Vertriebsgespräche, klares Onboarding und glaubwürdige Referenzen werden wichtiger, wenn KI eine kleinere Zahl informierter Interessenten vermittelt.

Ein Besucher mit hoher Kaufabsicht wird Unstimmigkeiten schnell erkennen. Wenn die KI-Beschreibung ein Erlebnis verspricht und die Website ein anderes präsentiert, kann die Conversion trotz erfolgreicher Sichtbarkeit in Empfehlungen sinken.

Kundengewinnung lässt sich daher immer weniger von den Produktabläufen trennen. Marketing kann keine dauerhafte Autorität erzeugen, wenn Dokumentation, Kundenerfahrung und externe Belege etwas anderes zeigen.

Drei Signale, die die Google-News-These auf die Probe stellen werden

Die nächste Phase wird durch messbares Verhalten entschieden, nicht durch die Zahl der Unternehmen, die neue Marketingbegriffe übernehmen.

Das erste Signal sind die kanalbezogenen Umsätze aus KI-vermittelten und KI-beeinflussten Customer Journeys. Unternehmen sollten direkte Verweise, Markensuchen nach Kontakt mit KI, unterstützte Conversions, qualifizierte Pipeline und abgeschlossene Käufe verfolgen.

Steigen diese Kennzahlen schneller als die Kosten für den Aufbau von Sichtbarkeit, wird die These zur Kundengewinnung gestärkt. Nehmen Erwähnungen zu, ohne dass qualifizierte Nachfrage entsteht, bleibt Empfehlungsautorität eher ein Markenindikator als ein effizienter Kanal.

Die Messung sollte stabile Kundensegmente und vergleichbare Zeiträume verwenden. Teams müssen Umsätze von Neukunden von Wiederholungskäufen trennen und Traffic ausschließen, der nie eine kommerzielle Absicht hatte.

Das zweite Signal ist, wie Google, OpenAI, Microsoft, Perplexity und Handelsplattformen Werbung integrieren. Platzierung, Kennzeichnung, Sichtbarkeit von Quellenangaben und Reporting werden bestimmen, ob KI-gestützte Entdeckung zu einem weiteren auktionsgetriebenen Kanal wird.

Wenn bezahlte Empfehlungen Akzeptanz finden, ohne das Vertrauen der Nutzer zu untergraben, werden Ausgaben für Kundengewinnung näher an die Antwortoberfläche rücken. Der Wettbewerb um wenige sichtbare Vorschläge kann die Kosten trotz besserer Zielgenauigkeit erhöhen.

Wenn Nutzer gesponserten Antworten misstrauen, werden unabhängige Belege und bekannte Quellen mehr Einfluss behalten. Plattformen müssten dann klarer zwischen kommerzieller Platzierung und zusammengefasster Orientierung unterscheiden.

Das dritte Signal ist die Lücke zwischen aggregierten Traffic-Aussagen und Ergebnissen auf Unternehmensebene. Google sagt, das gesamte Volumen organischer Klicks bleibe stabil, während unabhängige Forschung den Druck durch Zero-Click-Suchen und ungleichmäßige Verluste bei Verweisen identifiziert.

Transparentere Berichte könnten diese Positionen in Einklang bringen. Nützliche Offenlegungen würden informative, kommerzielle, lokale und navigationsbezogene Suchanfragen getrennt ausweisen. Sie würden außerdem zwischen gewöhnlichen Ergebnissen, AI Overviews, AI Mode und konversationellen Verweisen unterscheiden.

Wenn qualifizierte Klicks und Umsätze über kommerzielle Kategorien hinweg gesund bleiben, werden die alarmierendsten Traffic-Prognosen an Gewicht verlieren. Konzentriert sich der Traffic auf weniger Zielseiten, werden die Vorteile bei der Kundengewinnung für kleinere Unternehmen schwerer zu überwinden sein.

Diese Signale sollten gemeinsam beobachtet werden. Wachstum bei Verweisen ohne profitable Conversion bestätigt das Modell nicht. Höhere Conversion ohne relevante Skalierung ersetzt etablierte Kanäle nicht.

Der ursprüngliche Google-News-Beitrag beschreibt einen realen Übergang, doch seine stärkste Aussage bleibt unbewiesen. KI verändert eindeutig, wo Bewertungen stattfinden. Die endgültigen Auswirkungen auf die Kosten der Kundengewinnung variieren je nach Produktkomplexität, Kanalmix und Messqualität.

Unternehmen sollten mit einer praktischen Frage beginnen: Welche Kundenentscheidungen finden heute statt, bevor jemand Ihre Website erreicht? Erfassen Sie diese Entscheidungen, testen Sie, ob KI-Systeme Ihre Belege korrekt darstellen, und verbinden Sie Sichtbarkeit mit Geschäftsergebnissen.

Geben Sie die Suche nicht auf, weil eine Schlagzeile ihren Niedergang vorhersagt. Tun Sie KI nicht ab, weil der Referral-Traffic noch gering aussieht. Behandeln Sie beides als Teile eines sich wandelnden Entdeckungssystems.

Das sinnvolle Ziel ist nicht, in jeder generierten Antwort aufzutauchen. Es geht darum, zu einer glaubwürdigen Option zu werden, wenn ein relevanter Käufer eine folgenschwere Frage stellt. Google News und KI-Suche können Aufmerksamkeit schaffen, doch nur gemessenes Kundenverhalten kann ihren wirtschaftlichen Wert belegen.