Machen Sie Ihren Modekatalog GEO-ready

Die Suche teilt sich in zwei Welten. Kundinnen und Kunden tippen ihre Anfragen noch immer bei Google ein, doch ein schnell wachsender Anteil lässt sich Produkte inzwischen von einem KI-Assistenten (ChatGPT, Perplexity, Googles AI Overviews oder einem Shopping-Copiloten im Geschäft) finden und vergleichen. Wenn 50 % der Führungskräfte in der Mode die Produktsuche und -entdeckung durch Verbraucher als ihren wichtigsten Anwendungsfall für generative KI nennen (McKinsey und Business of Fashion, 2024), lautet die Frage nicht mehr, ob KI die Produktentdeckung vermittelt. Sie lautet, ob Ihr Katalog für sie lesbar ist.

Generative Engine Optimization, kurz GEO, ist die Disziplin, die genau das sicherstellt. Der größte Teil der GEO-Debatte dreht sich um Text und klassisches SEO. Für die Mode geht das am Kern vorbei: Ein Katalog besteht überwiegend aus Bildern, und die Marken, die bei der KI-Entdeckung gewinnen, sind jene, deren visueller Katalog genauso strukturiert und maschinenlesbar ist wie ihr Produktfeed.

Was „GEO-ready" für einen Modekatalog bedeutet

Ein GEO-ready Katalog ist einer, den eine KI-Shopping-Engine finden, verstehen und mit Überzeugung empfehlen kann. Das beruht auf zwei Ebenen, die zusammenspielen:

1. Strukturierte Produktdaten, damit die Engine weiß, was jeder Artikel ist: saubere Titel, vollständige Attribute (Material, Passform, Farbe, Saison), korrekte Kategorien, Preis und Verfügbarkeit.
2. Vollständige, konsistente Bilder, damit die Engine, und die Kundschaft, der sie antwortet, das Produkt tatsächlich am Körper sehen kann, aus den richtigen Winkeln und originalgetreu.

Text-SEO deckt die erste Ebene ab. In der Mode entscheidet die zweite über Erfolg oder Misserfolg, und genau sie vernachlässigen die meisten Kataloge.

Wie KI-Shopping-Engines einen Katalog lesen

Moderne Shopping-Engines sind multimodal: Sie werten Ihren Produktfeed aus und lesen Ihre Bilder. Sie belohnen Vollständigkeit und Konsistenz, weil sich ein Produkt dadurch leichter der Absicht der Kundschaft zuordnen lässt. Ein Produkt mit reichhaltigen Attributen, einem sauberen Feed-Eintrag und klaren On-Model-Bildern lässt sich mühelos anzeigen und empfehlen. Ein Produkt mit dürftigen Attributen, fehlenden Bildern oder einem anders aussehenden Model auf jeder Aufnahme ist Rauschen, durch das sich die Engine hindurchraten muss.

Deshalb ist Product Feed Optimization die Grundvoraussetzung für die KI-Produktentdeckung: Strukturierte Attribute, schema.org Product-Markup, aussagekräftige Alt-Texte und eine lückenlose Bildabdeckung liefern der Engine eindeutige Signale, mit denen sie arbeiten kann.

Konsistente On-Model-Bilder sind die visuelle Ebene von GEO

Hier ist der Punkt, den text-zentrierte GEO-Ratschläge immer wieder übersehen. Die KI-Produktentdeckung ist visuell, also sind Ihre Bilder Daten. Ein Katalog, in dem jedes Produkt konsistent am Model gezeigt wird und das Kleidungsstück originalgetreu bleibt, liefert der Engine für jede SKU ein vollständiges visuelles Signal. Lücken und Inkonsistenzen bewirken das Gegenteil.

Konsistenz ist der schwierige Teil im Katalogmaßstab, und genau dafür ist On-Model gemacht. Wiederverwendbare KI-Model-Identitäten sorgen dafür, dass dieselben Gesichter über Ihr gesamtes Sortiment hinweg erscheinen, Flat-to-Model verwandelt vorhandene Produktaufnahmen in On-Model-Bilder für jede SKU, und Model Swap hält einen Look stimmig, wenn Sie eine Kampagne lokalisieren oder auffrischen. Das Ergebnis ist ein visueller Katalog, der von Grund auf vollständig und stimmig ist, und genau das liest eine KI-Shopping-Engine (und ein menschlicher Käufer) als vertrauenswürdig.

„Alle optimieren Text für die KI-Suche. In der Mode ist der Katalog visuell, deshalb liegt der eigentliche Vorteil in einer vollständigen, konsistenten Bildebene über alle Produkte hinweg. Das macht einen Katalog für eine KI-Shopping-Engine lesbar, nicht nur für Google."

— Nunzio Alexandro Letizia, Mitgründer von PiktID und Entwickler von On-Model

Die machbare Grundlagenarbeit: Feed, Struktur, Abdeckung

Sie brauchen für den Anfang keinen großen Wurf. Die wirkungsvollsten Schritte sind unspektakulär:

• Vervollständigen Sie den Produktfeed. Füllen Sie jedes Attribut aus, nach dem eine Engine (und eine Kundin) filtert: Material, Passform, Silhouette, Farbe, Anlass, Pflege, Größenspektrum.
• Ergänzen Sie strukturierte Daten. schema.org Product-, Offer- und Bild-Markup auf jeder PDP, damit der Artikel maschinenlesbar ist.
• Schließen Sie Bildlücken. Jede SKU am Model, mehrere Winkel, konsistente Identitäten, originalgetreue Kleidungsstücke. Ein ai catalog, der zu 90 % abgedeckt ist, wirkt trotzdem unvollständig.
• Schreiben Sie echte Alt-Texte. Beschreiben Sie das Kleidungsstück und wie es getragen wird, nicht „IMG_2043".

Wo die virtuelle Anprobe von Google Shopping ins Bild passt

KI-Shopping zeigt die Passform bereits in der Vorschau. Google Shopping blendet inzwischen eine virtuelle Anprobe bei Bekleidungsanzeigen ein, und Assistenten zeigen der Kundschaft zunehmend, wie ein Artikel getragen aussieht, noch bevor sie klickt. Marken mit sauberen, konsistenten On-Model-Bildern sind bestens positioniert, um diese Erlebnisse zu speisen. Diesen Wandel behandeln wir ausführlich in Virtuelle Anprobe für Modemarken.

Eine GEO-ready Checkliste

• Strukturierter, vollständiger Produktfeed (Attribute, Kategorien, Preis, Verfügbarkeit)
• schema.org Product- und Bild-strukturierte Daten auf jeder PDP
• On-Model-Bilder für jede SKU, mit konsistenten Identitäten
• Pixelgenaue Kleidungsstücke, damit das Bild dem entspricht, was versendet wird
• Mehrere Winkel und ein stimmiger visueller Stil über das gesamte Sortiment
• Aussagekräftige Alt-Texte und schnelle, indexierbare Produktseiten

GEO ist kein einmaliges Projekt. Es ist Kataloghygiene für eine Ära, in der eine KI-Engine, nicht nur ein Suchfeld, darüber entscheidet, ob Ihr Produkt auftaucht. Die Marken, die ihren visuellen Katalog als strukturierte Daten behandeln, sind jene, die die KI empfiehlt.

Wie es weitergeht

Prüfen Sie Ihren Katalog so, wie es eine Engine tun würde: Nehmen Sie zehn Produkte und kontrollieren Sie, ob jedes vollständige Attribute, strukturierte Daten und konsistente On-Model-Bilder aus mehreren Winkeln hat. Die Lücken sind Ihr Fahrplan. Die Zahlen hinter KI-Einsatz und Bildern in der Mode finden Sie in unseren Fashion-E-Commerce-Statistiken, und wenn Sie bereit sind, die Bildlücke über einen ganzen Katalog zu schließen, starten Sie kostenlos.

---

Quellen:

1. McKinsey & Company and Business of Fashion. (2025). The State of Fashion 2025. mckinsey.com
2. Baymard Institute. Product Page UX Research. baymard.com
3. Google. AI-powered shopping and the Shopping Graph. blog.google