Sie erhalten den vollständigen Pillar-Leitfaden für Shopify-Shops, die 2026 in AI Overviews und LLM-Antworten als Produktquelle zitiert werden möchten. Strukturierte Daten, Snippet-Eligibility, Crawl-Budget — in der Reihenfolge, in der wir selbst umsetzen.
Jede Produktseite braucht ein vollständiges Schema.org/Product-Markup mit allen Varianten, Offer-Knoten je Sprachraum und einem AggregateRating, sobald Bewertungen vorliegen. Lückenhaftes Markup führt dazu, dass LLMs die Produktdaten aus unstrukturiertem HTML raten — und dann häufig die Konkurrenz zitieren.
Shopify-Themes liefern oft Produktseiten, deren H1-Text rein der Produktname ist. Für AI-Overview-Sichtbarkeit benötigen Sie eine antwortfähige H1 plus einen ersten Absatz, der die häufigste Kundenfrage beantwortet. Liquid-Templating macht das skalierbar pro Produkttyp.
LLMs zitieren bevorzugt jene Seite, die die spezifische Kundenfrage am direktesten beantwortet. Bei vergleichenden Produktanfragen (»Welche Espressomaschine ist die beste für ein 2-Personen-Büro?«) gewinnen häufig Kollektionsseiten mit Tabellen. Bei spezifischen Modellfragen gewinnen Produktseiten mit Spezifikations-Schema. Die Architektur muss diese Unterscheidung abbilden.
robots.txt explizit pflegen. Die Default-Konfiguration vieler Shopify-Themes blockiert AI-Bots indirekt durch zu strenge Crawl-Delay-Regeln. Edgewerk-Audits zeigen, welcher Bot welche URLs sieht — und welche er bei Ihnen ignoriert.
Authentische Kundenbewertungen sind 2026 einer der stärksten Citation-Anker für Produktseiten — LLMs zitieren Bewertungen häufig wörtlich. Voraussetzung: ein verifizierbarer Review-Provider (Trusted Shops, Judge.me, eKomi) plus sauberes Review-Schema. Fake- oder Gekauft-Bewertungen werden zunehmend gefiltert.
Die DACH-Region ist sprachlich nicht uniform — Preise, Versandkosten und rechtliche Hinweise unterscheiden sich. Shopify-Markets plus hreflang-Markup plus pro Sprachraum eigene Offer-Knoten verhindern Duplicate-Content-Probleme und ermöglichen, dass die richtige Variante in der richtigen LLM-Antwort erscheint.
LLMs cachen Inhalte aggressiv — wer beim Crawling-Termin langsam antwortet, fliegt aus dem Index. Edgewerks Performance-Budget für Shopify-Produktseiten: LCP unter 2,0 s, CLS unter 0,05, TBT unter 150 ms. Bilder als WebP/AVIF, kein clientseitiges Tracking auf der Produktseite, Critical CSS inline.
Ohne Messung keine Optimierung. Der Stack: Plausible (DSGVO-konform statt GA4 für EU-Pflichtfelder), Search Console für klassische SERP-Daten, plus ein eigener LLM-Citation-Tracker, der monatlich gegen ChatGPT, Claude, Perplexity und Gemini misst. Edgewerk liefert diesen Tracker-Stack als Teil des Werkvertrags zum Selbstbetrieb auf Ihrem Server.