E-Commerce-Studie: ChatGPT liegt bei wichtigen Kennzahlen hinter anderen Kanälen zurück

Eine aktuelle Analyse zur Leistung von organischem Large Language Model Traffic im E-Commerce zeigt, dass dieser in vielen Bereichen hinter traditionellen Kanälen zurückbleibt.

 Anzeige

TL;DR: die 5 wichtigsten Erkenntnisse

1. Der oLLM-Traffic liegt bei den wichtigsten finanziellen Kennzahlen (Konversionsrate und Umsatz pro Sitzung) hinter allen traditionellen Kanälen zurück.
2. Der einzige Kanal, den oLLM bei den finanziellen Schlüsselkennzahlen übertrifft, ist bezahlte soziale Medien (Paid Social).
3. oLLM erzielt günstige Bounce Rates. Das deutet darauf hin, dass die Antworten meist zum Website-Inhalt passen. Dem gegenüber stehen geringere Konversionsraten und ein geringerer Umsatz pro Session als bei den bezahlten und organischen Suchekanälen von Google.
4. Trotz der aktuellen Lücken zeigte oLLM über den Beobachtungszeitraum eine positive Entwicklung.
5. Das durchschnittliche Bestellvolumen (AOV) von oLLM sank im ersten Jahr, was die Gewinne aus der Verbesserung der Konversionsrate teilweise aufhob.

Ergebnisse der E-Commerce-Analyse

Maximilian Kaiser von der Universität Hamburg und Prof. Dr. Christian Schulze von der Frankfurt School of Finance and Management analysierten in ihrer Studie über 50.000 Transaktionen aus ChatGPT-Referrals zusammen mit 164 Millionen Transaktionen aus traditionellen Kanälen. Die Daten stammen aus dem Zeitraum August 2024 bis Juli 2025 und umfassen 973 Websites mit einem Gesamtertrag von 20 Milliarden US-Dollar. Der Fokus der Analyse lag auf ChatGPT, weil diese Plattform für über 90 Prozent der beobachteten Sitzungen von LLM-Plattformen verantwortlich war.

Abbildung 1: Produktempfehlungen für Espressomaschinen in ChatGPT

Die Ergebnisse widerlegen die verbreitete Erwartung einer Überlegenheit von oLLM und stellen die These in Frage, LLMs seien etwas wie „Google-Killer“. oLLM liegt bei den zentralen Finanzkennzahlen, der Konversionsrate und dem Umsatz pro Sitzung hinter allen traditionellen Kanälen zurück, mit der Ausnahme von bezahlten sozialen Medien (Paid Social). 

Abbildung 2: Konversionsrate oLLM im Vergleich zu anderen Kanälen

Beispielsweise liegt die Konversionsrate von oLLM hinter der von Affiliate-Kanälen, die eine um 86 Prozent höhere Wahrscheinlichkeit für eine Konversion aufweisen. Bei den Engagement-Kennzahlen erzielte oLLM vergleichsweise günstige Bounce Rates, was auf eine hohe Relevanz der Verweise deutet. Allerdings liegt die Bounce Rate von oLLM nicht unter den Werten der organischen und bezahlten Suche von Google. oLLM schnitt zudem bei der Session-Dauer und den Seitenaufrufen schlechter ab als alle Kanäle außer Paid Social.

Abbildung 3: oLLM-Traffic im Vergleich zu anderen Kanälen

Trotz der aktuellen Leistungsdefizite zeigte oLLM eine positive Entwicklung über den Beobachtungszeitraum. Die Konversionsrate und der Umsatz pro Sitzung verbesserten sich über die ersten zwölf Monate; jedoch sank das durchschnittliche Bestellvolumen (AOV) gleichzeitig. Das Sinken des AOV wirkte den Zuwächsen bei der Konversionsrate teilweise entgegen.

Die durchgeführten Zeitreihenanalysen deuten darauf hin, dass eine allmähliche Annäherung von oLLM an traditionelle Kanäle stattfindet. Verschiedene Prognosemodelle zeigen jedoch konsistent, dass oLLM innerhalb des nächsten Jahres keine Gleichstellung mit der organischen Suche erreichen dürfte und  oLLM traditionelle Kanäle kurzfristig nicht verdrängen wird.

Die Studie stellt die erste groß angelegte empirische Forschungsarbeit zur Leistung von oLLM dar und liefert eine fundierte Grundlage für weitere Forschung. Die Erkenntnisse weichen allerdings von einigen Berichten aus der Industrie ab. Das könnte an methodischen Unterschieden liegen, weil kleine Stichproben oder unsaubere Aggregation die Leistung von oLLM nach oben verzerren können. 

Als Einschränkung der Arbeit nennen die Forscher die Beschränkung auf Last-Click-Attribution-Daten, wodurch die möglichen Beiträge von oLLM früher im Kaufprozess unterschätzt werden könnten.