Konfiguratoren in der KI-Suche: Warum die teuerste UX-Investition unsichtbar bleibt

Überblick

Wer im Mittelstand bei individualisierbaren High-Value-Sortimenten gerade eine sechsstellige Investition in einen Website-Konfigurator plant oder kürzlich getätigt hat, finanziert zwei Dinge gleichzeitig: eine bessere Nutzerführung im eigenen Shop und ein Sortiment, das in KI-Engines nicht vorkommt. Diese Beobachtung stammt aus meiner Glas-Branchen-Studie 2026, in der derzeit 19 deutsche Online-Shops über ChatGPT, Google AI Overview und Google AI Mode systematisch geprüft werden.

Die Verschiebung des B2B-Kaufprozesses in KI-Engines ist messbar und geht rasend schnell vonstatten. Parallel dazu wirkt der seit Jahren bekannte Druck, den Vertrieb zu digitalisieren und Kaufabwicklungen ins Netz zu verlagern. Viele Anbieter antworten auf diesen zweiten Druck mit großen Konfigurator-Projekten. Diese Konfiguratoren funktionieren in der eigenen UX brillant. In der Discovery-Phase ihrer Käufer spielen sie aber eine immer kleiner werdende Rolle, weil dort schon die KI-Verschiebung die Customer Journey verändert hat.

Warum verschiebt sich der B2B-Kaufprozess gerade jetzt in KI-Engines?

B2B-Käufer beginnen ihre Recherche zunehmend in KI-Chatbots statt bei Google. Innerhalb von elf Monaten ist der Anteil der B2B-Software-Käufer, die ihre Recherche überwiegend in KI-Chatbots wie ChatGPT, Claude, Perplexity oder Gemini starten, von 29 auf 51 % gestiegen. G2 hat den Trend in der Studie "The Answer Economy" auf Basis von 1.076 B2B-Software-Käufern im März 2026 gemessen. Hinzu kommt eine separate Verschiebung: ein wachsender Anteil der Google-Suchen wird direkt in Google AI Overview oder den AI Mode geleitet, ohne dass der Nutzer zu den klassischen blauen Links scrollt. 53 % der B2B-Software-Käufer halten KI-Recherche für produktiver als klassische Suche, sieben Monate zuvor waren es noch 36 %.

G2 misst speziell B2B-Software-Käufer, das ist eine wichtige Einschränkung. Der Trend selbst gilt allerdings branchenübergreifend. Forrester misst für das gesamte B2B-Spektrum, dass 61 % des Buying Journeys bereits abgeschlossen sind, bevor der Käufer den Anbieter überhaupt kontaktiert. Damit fällt die Entscheidung, wer auf die Shortlist kommt, heute schon überwiegend in einem KI-Prompt, nicht in einem Telefonat mit dem Vertrieb oder über SEO-Hits auf den Blog. Tendenz steigend.

Diese Verschiebung passiert besonders in Branchen, die ohnehin spät dran sind. Im Bau zeigt eine Erhebung von Sana Commerce 2025, dass 84 % der Zulieferer erwarten, dass der gesamte Handel früher oder später online stattfindet. Gleichzeitig sagen 49 % der B2B-Einkäufer, dass Anbieter-Websites ihre Erwartungen nur teilweise erfüllen. Die Boston Consulting Group attestiert dem Bau einen klaren Rückstand gegenüber Retail und Medien.

Was passiert beim Crawling, wenn ein Konfigurator die Produktdaten trägt?

KI-Crawler wie GPTBot, ClaudeBot, PerplexityBot und Bytespider führen kein JavaScript aus. Selbst Googlebot, der grundsätzlich rendert, hat Grenzen bei nachladenden Elementen und dynamisch geholten Informationen. Ein Konfigurator liefert Produktdaten typischerweise erst nach Browser-Interaktion und JavaScript-Ausführung. Was nur im Konfigurator existiert, ist für diese Crawler nicht sichtbar. Vercel und MERJ haben über 500 Millionen GPTBot-Fetches analysiert und keine einzige JavaScript-Ausführung gefunden.

Konkret betrifft das eine moderne Single Page Application (SPA), einen React- oder Vue-basierten Konfigurator, einen Produktwähler mit dynamischer Preisberechnung, eine 3D-Vorschau, einen Filter, der erst nach Auswahl die passende Variante zeigt. Alles, was Inhalt erst nach Klick generiert, bleibt für die Mehrheit der KI-Crawler eine leere Hülle.

Eine Anmerkung mit Folgen: Vercel und MERJ verweisen darauf, dass etwa 92 % der ChatGPT-Agent-Queries über den Bing-Index laufen. Da Bingbot nur eingeschränkt JavaScript verarbeitet, ist Konfigurator-Inhalt auch über diesen Umweg nicht zuverlässig erreichbar. Wer in ChatGPT erscheinen will und nur einen Konfigurator hat, ist auf dem Bing-Pfad ebenfalls weitgehend unsichtbar.

Welche Muster zeigen sich in der Glas-Studie 2026?

In Sigrid Holzners laufender Glas-Studie 2026 zeigen sich zwei wiederkehrende Muster bei Anbietern mit Konfigurator-getriebenem Sortiment. Erstens: Premium-Anbieter mit eigener Domain werden als Marke genannt, die konkrete Kaufempfehlung geht aber an Wettbewerber, die über Marketplaces wie Hornbach, eBay und Amazon mit strukturierten Produktdaten gelistet sind. Zweitens: Bei E-Commerce-Anbietern mit hochpreisigem Konfigurator-Sortiment erscheinen in ChatGPT-Kaufempfehlungen nur die günstigen Standardprodukte. Die margenstarken Sortimente sind unsichtbar.

Beobachtung A betrifft einen Premium-Hersteller für Glasgeländer mit maßgefertigtem Sortiment, AbP-Zertifikat, Typenstatik und sehr guten Bewertungen. In allen drei getesteten Engines wird die Marke als Premium-Anbieter erkannt. Bei der Kauf-Frage "Welche Anbieter empfiehlst du?" geht die konkrete Empfehlung in ChatGPT trotzdem an drei Wettbewerber, die über Hornbach, eBay und Amazon gelistet sind. Der Unterschied liegt nicht in der Produktqualität, sondern in der maschinenlesbaren Auffindbarkeit der Produktdaten.

Beobachtung B betrifft einen Spiegel-Hersteller mit eigener Fertigung. Das tragende Sortiment besteht aus TV-Spiegeln, Smart Mirrors, Übergrößen bis 250 Zentimeter und Spiegelschränken. Diese Produkte entstehen erst im Konfigurator. In ChatGPT-Kaufempfehlungen taucht nur ein günstiger Rahmen-Standardspiegel für unter 100 Euro auf. Die verfügbare Bandbreite an Sondermassen und hochpreisigen Sortimenten kommt beim Nutzer nicht an. Wer in ChatGPT nach einem TV-Spiegel oder einer Übergröße fragt, bekommt diesen Hersteller dort nicht als Antwort, obwohl er das Sortiment baut.

Wo gilt die Konfigurator-Falle, wo gilt sie weniger?

Die Konfigurator-Falle wirkt unterschiedlich stark, je nachdem ob die Kaufentscheidung primär über Produkt oder über Marke fällt. In Commodity-Branchen wie Glas, Türen, Fenstern, Treppen oder Sanitär ist der Hersteller zweitrangig. Hier zählt: Welches Produkt empfiehlt die KI? In Premium-Marken-Kategorien wie Whirlpools, Klavieren oder hochwertigen Maßmöbeln zählt die Marke mit, aber auch dort braucht jedes konkrete Modell eine indexierbare Produktseite, um in der Kaufempfehlung zu landen.

Beide Kategorien teilen das Konfigurator-Problem, lösen es aber anders. In der Commodity-Logik genügt es, die wichtigsten Produktvarianten neben dem Konfigurator als statische Produktseiten zu pflegen, mit Preis, Artikelnummer, Spezifikationen und Schema.org-Auszeichnung. In der Marken-Logik reicht das nicht. Bevor die KI ein Modell konkret empfiehlt, prüft sie die Marken-Glaubwürdigkeit. Dafür zieht sie als Citation-Quellen die dominanten Stellen pro Topic heran: Branchenmedien, Wikipedia, Vergleichsplattformen und Reviews. Wenn die Marke in diesen Quellen schwach vertreten ist, kommt sie auch dann nicht als Empfehlung durch, wenn die eigenen Produktseiten technisch sauber sind. Indexierbare Produktseiten mit Schema-Markup lösen das Sichtbarkeits-Problem auf der eigenen Domain, der Konfigurator allein löst es nicht, weil seine Daten erst per JavaScript entstehen. Brand-Citations lösen zusätzlich das Glaubwürdigkeits-Problem außerhalb der eigenen Domain.

Wie passt sich die Sichtbarkeits-Strategie an die KI-Verschiebung in 2026 und 2027 an?

Klassisches Content-SEO mit generischen How-to-Artikeln und breiten Glossaren für informationale Queries verliert massiv, weil AI Overviews diese Antworten direkt liefern, ohne Klick auf die Quelle. Was bleibt: Bottom-Funnel-SEO für transaktionale Queries und marken-eigene Inhalte mit echtem Nutzen für den Kunden. Was wichtiger wird: strukturierte Produktdaten, Brand-Citations in dominanten Quellen, Reviews und Marketplace-Listings.

Die Unterscheidung ist wichtig, weil sie über die Investitionsrichtung der nächsten zwölf bis vierundzwanzig Monate entscheidet. Wer weiter in generische Info-Inhalte investiert, finanziert eine Sichtbarkeit, die strukturell keinen Traffic mehr bringt. Wer dagegen in maschinenlesbare Produktdaten und Brand-Citations investiert, baut die Grundlage, in einer Suche, die sich zunehmend zu KI-Antworten verdichtet, überhaupt noch vorzukommen. Darauf aufbauend hilft relevanter, individueller Content dabei, nicht nur genannt, sondern aktiv empfohlen zu werden. Wer fundierte Anwendungsfälle, eigene Daten und konkrete Produktinformationen liefert, gibt der KI genau das Material, aus dem Empfehlungen entstehen.

Der Konfigurator selbst muss dabei nicht weichen. Seine Rolle verändert sich. Vom alleinigen Träger der Produktdaten wird er zur Erweiterung der indexierbaren Produktseiten. Wer Standardvarianten mit Schema-Markup pflegt und den Konfigurator als Individualisierungs-Tool darüber legt, gewinnt beide Welten. Vorausgesetzt, der Konfigurator wirft am Ende nicht mehr Fragen auf, als er beantwortet. Wenn die UX zu aufwendig wird, kann ein gut konfigurierter ChatBot mit Hilfsvideos und Bildern eine günstigere und bessere Kauferfahrung liefern als ein hochgerüsteter Konfigurator, der den Käufer am Ende doch zur KI zwingt.

Wie zeigt sich die Konfigurator-Falle im Praxis-Test eines Glas-Konfigurators?

Praxis-Test mit einem deutschen Online-Glas-Anbieter für Terrassendach-Eindeckung. Der Anbieter hat eigene Fertigung, ein solides Sortiment in mehreren Glas-Typen, Stärken und Tönungen. Dazu ein Komplettset mit Aluminium-Unterkonstruktion und geprüfter Statik nach DIN. Ein Käufer, der dagegen über das Menü einsteigt (nicht der Normalfall in einem GEO-getriebenen Markt, aber illustrativ für die UX-Schwächen), wählt "Terrassenüberdachung" und landet auf der Produktkategorie mit 48 verschiedenen Glas-Varianten. Das Komplettset mit Unterkonstruktion liegt auf einer ganz anderen URL. Der Käufer wird nicht dort hingeführt.

Der grösste Hebel-Bruch in der Konfigurator-Falle passiert, wenn der Käufer den Konfigurator verlässt und die KI um Beratung fragt. Die KI erklärt nicht nur, was ein Klemmdeckel oder eine spezifische Komponente ist. Sie zeigt dazu konkrete Produkt-URLs, die sie als geeignete Treffer identifiziert. Diese URLs können vom Anbieter sein, sind aber oft von der Konkurrenz. Wenn die Marke in den dominanten Citation-Quellen der KI nicht vertreten ist, verlinkt die KI Konkurrenz-Produkte. Der Käufer ordert dort und kommt nicht zurück.

In der Crawl-Perspektive zeigt sich ein zweites strukturelles Problem. Die Produktvarianten existieren bei diesem Anbieter zwar als eigene URLs (etwa 48 SKUs allein für Terrassendach-Eindeckung). Jede dieser URLs öffnet aber wieder einen Konfigurator. Die spezifischen Grössen, Mengen und Preise pro Konfiguration sind nicht statisch hinterlegt, sondern entstehen erst durch JavaScript-Interaktion. Wer einen Blick in die eigene Bing-Webmaster-Tools-Property des Shops wirft, dürfte diese Diskrepanz beobachten: der Klick-Schwerpunkt liegt auf der Übersichts-Produktkategorie, nicht auf den 48 einzelnen Variant-URLs. Long-Tail-Suchen wie "VSG 8.76 grau für Terrassendach" landen nicht zuverlässig auf der passenden Produkt-URL des Anbieters. Bei vielen Anbietern landet der KI-Klick stattdessen auf der Produktkategorie, wo der Nutzer erneut konfigurieren muss, oder die KI findet die passende Variante gar nicht beim Anbieter und verlinkt eine konkrete Variante des Wettbewerbers. Aus dem Austausch mit einem IT-Distributor, der seine eigene Analytics gegengeprüft hat, zeigt sich umgekehrt: dort landen Referrals auf den konkreten Produktseiten, weil das Variant-Routing aus der KI-Antwort heraus sauberer gebaut ist.

Noch klarer wird das Sichtbarkeits-ohne-Klick-Phänomen bei Blog-Inhalten. In der Bing-Webmaster-Tools-Property desselben Shops zeigt sich: ein Blog-Artikel zu Glaseigenschaften wird über 180 mal in KI-Antworten zitiert, andere Beratungs-Blogs zwischen 70 und 80 mal. In den Top 25 der klassischen Klick-Seiten taucht keiner dieser Blogs auf. Die KI nimmt die Inhalte als Quelle, der Nutzer landet aber nicht auf der Blog-Seite. Sichtbarkeit ohne Klick. Für die Brand-Wahrnehmung irrelevant, für den Traffic-Aufbau ohne Wirkung.

Konfigurator oder Indexierbarkeit: Wo lohnt sich die nächste Shop-Investition?

Wer aktuell vor einer Konfigurator-Investition steht oder einen Konfigurator pflegt, hat drei Hebel mit unterschiedlicher Wirkung. Erstens: indexierbare Standardvarianten neben dem Konfigurator anlegen, mit Schema-Markup, Preis, Artikelnummer und Spezifikationen. Zweitens: Marketplace-Listings auf Hornbach, eBay oder Amazon für das tragende Sortiment, weil dort die strukturierten Produktdaten in dominanten Citation-Quellen liegen. Drittens: Brand-Citations in Branchenmedien und Vergleichsplattformen aufbauen, weil ohne sie die Marke in den 30 dominanten Quellen pro Topic nicht erscheint.

Die Reihenfolge hat eine ökonomische Logik. Indexierbare Produktvarianten sind die günstigste und schnellste Maßnahme. Sie setzen auf bestehenden Daten auf und liefern in vier bis acht Wochen messbare Veränderung der KI-Sichtbarkeit. Marketplace-Listings sind mittelteuer, brauchen Pflege und liefern messbaren Traffic ab dem ersten Quartal. Brand-Citation-Aufbau ist die langsamste und teuerste Disziplin. Dafür hält sie die Position in der KI-Antwort am längsten.

Eine grobe Annahme zur Illustration der Größenordnung, keine harte Zahl: Wer einen Custom-Konfigurator im sechsstelligen Bereich plant, kann mit ungefähr einem Fünftel bis einem Drittel dieses Budgets die strukturierten Produktdaten und einen ersten Schub Brand-Citations aufbauen. Das geschieht bevor der Konfigurator gestartet wird. Die Reihenfolge umzudrehen, also erst den vollausgebauten Konfigurator zu bauen und später die strukturierten Produktdaten nachzuziehen, kostet zwölf bis vierundzwanzig Monate Sichtbarkeitsverlust. Das ist viel in einem Markt, der sich monatlich verschiebt.

Fazit. Ein Konfigurator-Budget zahlt heute in zwei Richtungen ein. Die erste Richtung ist die UX-Investition. Der Käufer wird diese UX in Zukunft umgehen, weil er die Beratung durch die KI in Anspruch nimmt. Die zweite Richtung ist die Sichtbarkeit. Ohne sie findet der Käufer den Konfigurator gar nicht erst. Die zweite Richtung ist heute die wertvollere, weil ohne sie auch die teuerste UX kein Geld bringt.

Häufige Fragen

Sigrid Holzner

Sigrid Holzner ist SEO-Strategin seit 2010 und spezialisiert auf KI-Sichtbarkeit für E-Commerce, B2B, Bau und Interior im Mittelstand. Sie analysiert, wie ChatGPT, Google AI Overview und Google AI Mode über Unternehmen sprechen, und entwickelt aus konkreten Audits konkrete Strategien für gezielte KI-Sichtbarkeit und nachhaltige Empfehlungen. Aktuelle Studien-Schwerpunkte: Glas-E-Commerce mit 19 Online-Shops in der laufenden Studie 2026, IT-Distribution, Bauprodukte mit Konfigurator-Sortiment. Beratung von der ersten Standortbestimmung über den Sichtbarkeits-Sprint bis zum laufenden Strategie-Retainer. Strategische Beratung über die Visua Agency OÜ.