Google Merchant Center Conversational Attributes: Wie KI-taugliche Produktdaten Shop, Feed und Kundenkommunikation verbinden

Google Merchant Center Conversational Attributes wirken auf den ersten Blick wie ein kleines Feed-Detail. Operativ steckt dahinter aber ein deutlich größeres Signal: Produktdaten sollen nicht mehr nur für klassische Listings, Ads und Kataloge reichen, sondern auch für konversationelle KI-Oberflächen verständlich werden.

Google formuliert das in der offiziellen Hilfe sehr klar: Conversational Attributes sollen “AI systems and conversational agents better understand your products’ specific nuances” helfen. Zusätzlich kündigt Google in Merchant Center erste AI Performance Insights für Shopping-Erlebnisse auf AI Mode, AI Overviews und in der Gemini-App an. Für Agenturen, Shop-Teams und Marketing-Verantwortliche ist das relevant, weil damit eine alte Trennung brüchig wird: Produktdaten, FAQ-Wissen, Zubehörlogik, Dokumente und Content-Produktion wachsen operativ enger zusammen.

Der Punkt ist deshalb nicht, jetzt hektisch neue Felder ins Feed zu kippen. Der Punkt ist: Welche Produktinformationen müssen so strukturiert werden, dass sie in Shop, Feed, Social Content und Kundenkommunikation konsistent funktionieren? Genau darum geht es in diesem Artikel.

1. Warum dieses Thema gerade jetzt wichtig wird

Viele E-Commerce-Projekte behandeln Produktdaten noch immer primär als Feed- oder PIM-Thema. Dann geht es um Titel, Preis, Verfügbarkeit, Varianten und Bildlinks für Google oder Meta. Das bleibt wichtig, reicht aber erkennbar nicht mehr aus.

Google nennt in der Merchant-Center-Hilfe zu Conversational Attributes unter anderem diese zusätzlichen Felder:

• question_and_answer für Produktfragen und FAQs
• document_link für PDFs wie Handbücher oder Montageanleitungen
• related_product für Zubehör, Ersatzteile oder Alternativen
• item_group_title und variant_option für Variantenlogik
• popularity_rank für die relative Relevanz eines Produkts im eigenen Sortiment

Diese Felder sind laut Google optional und beeinflussen den Freigabestatus bestehender Produkte nicht. Genau deshalb sind sie strategisch interessant: Sie sind kein Zwang, aber ein deutlicher Hinweis darauf, welche Informationen für KI-gestützte Produkterklärung wichtiger werden.

Wenn Sie die Datengrundlage dafür grundsätzlich aufräumen wollen, passen dazu unsere Beiträge KI für Produktdaten, Shop-Content und Social Media und KI für Produktfeeds, Kataloge und Kampagnen im E-Commerce.

2. Was Google mit „conversational“ praktisch meint

Der Begriff klingt größer, als er in der Umsetzung sein muss. Google verlangt hier keinen magischen Agenten. Vielmehr geht es darum, Produktwissen so zu strukturieren, dass Systeme mehr verstehen als nur Titel plus Preis.

question_and_answer macht wiederkehrende Produktfragen explizit

Google sieht question_and_answer ausdrücklich für FAQs oder produktbezogene Fragen und Antworten vor. Das ist operativ deshalb spannend, weil viele wiederkehrende Rückfragen heute verstreut leben:

• in Support-Makros
• in Social-Media-DMs
• in Kommentaren unter Kampagnen
• in internen Vertriebsnotizen
• in PDFs oder Handbüchern

Sobald dieselben Fragen regelmäßig auftreten, sollten sie nicht nur im Support beantwortet werden. Sie sollten als strukturierte Produktkommunikation gepflegt werden. Genau an dieser Stelle berührt das Thema auch unseren Artikel KI-gestützte Kundenkommunikation im E-Commerce.

document_link holt PDFs aus der Randzone

Google erlaubt mit document_link das Hinterlegen zugehöriger PDF-Dokumente. Für technische Produkte, erklärungsbedürftige Konsumgüter oder montageintensive Artikel ist das hochpraktisch.

Denn in vielen Shops liegen wichtige Informationen zwar irgendwo vor, aber nicht in einer Form, die im operativen Alltag gut anschlussfähig ist:

• Bedienungsanleitungen
• Datenblätter
• Montagehinweise
• Pflege- oder Sicherheitsdokumente
• Kompatibilitätslisten

Wenn diese Dokumente nur als Download-Anhang existieren, bleiben sie für KI-gestützte Antwort- und Beratungsprozesse schwach nutzbar. Deshalb lohnt es sich, PDFs nicht als Endstation zu sehen, sondern als Teil eines strukturierten Produktwissens.

related_product macht Zubehör- und Alternativlogik maschinenlesbar

Google beschreibt related_product als Attribut für Zubehör, Ersatzteile, Alternativen oder notwendige Zusatzteile. Laut offizieller Hilfe wird dieses Feld in conversational AI experiences etwa dafür genutzt, Produkte vorzuschlagen, die zusammen mit oder anstelle eines anderen Produkts gekauft werden können.

Für die Praxis heißt das: Was im Shop bisher oft als Cross-Selling-Widget oder Zubehörblock erscheint, wird künftig auch für KI-nahe Produkterklärung wichtiger.

Das ist besonders relevant bei:

• Ersatzteilen
• Zubehörlogik
• Bundles und Sets
• Kompatibilitätsprodukten
• Alternativartikeln bei Auslaufmodellen

Wenn dieses Thema bei Ihnen stark vertriebs- oder sortimentsnah ist, passen ergänzend auch KI für Bundles, Cross-Selling und Produktsets und Auslaufartikel, Nachfolgeartikel und Alternativprodukte im B2B-Shop.

item_group_title und variant_option schärfen Variantenverständnis

Gerade Varianten sind in Shops oft nur halb sauber modelliert. Farbe und Größe sind noch überschaubar. Schwieriger wird es bei technischen Merkmalen, Ausstattungsstufen, Materialunterschieden oder komplexen Variantenfamilien.

Google empfiehlt item_group_title in Kombination mit item_group_id und variant_option, um Varianten innerhalb einer Produktgruppe klarer zu beschreiben. Das ist keine akademische Feed-Frage, sondern direkt operativ relevant:

• Welche Variante ist wofür gedacht?
• Was unterscheidet zwei fast identische Produkte wirklich?
• Welche Eigenschaft ist kaufentscheidend?
• Welche Merkmale sollten in PDP, Feed und Beratung konsistent auftauchen?

Wer diese Logik nicht sauber pflegt, bekommt früher oder später nicht nur schlechtere Produktdaten, sondern auch schwächere KI-Antworten, unklaren Social Content und vermeidbare Support-Rückfragen.

3. Das Thema betrifft nicht nur Google Shopping, sondern den gesamten Content-Prozess

Der eigentliche Fehler wäre, Conversational Attributes isoliert als Google-Aufgabe zu behandeln. In der Praxis sind dieselben Informationen fast immer schon an anderer Stelle vorhanden oder dringend nötig.

Zum Beispiel:

• FAQs entstehen aus Support- und Community-Signalen
• Zubehörbeziehungen entstehen aus Merchandising, Service und Vertrieb
• Variantenwissen liegt oft im PIM, ERP oder in Excel-Logiken
• Dokumente liegen im DAM, DMS oder bei Herstellern
• Popularitätssignale entstehen aus Verkaufs- oder Kampagnendaten

Deshalb ist das Thema eng mit Content-Produktion verknüpft. Wenn ein Team FAQs, Social Hooks, Produkttexte, Produktbilder und Support-Antworten jeweils separat pflegt, entsteht dieselbe Information mehrfach – nur jedes Mal leicht anders.

Genau hier kann KI sinnvoll helfen: nicht als Ersatz für Datenpflege, sondern als Übersetzungsschicht zwischen strukturierter Produktbasis und kanalnahen Ausgaben.

Wenn Sie den Content-Teil davon vertiefen wollen, lesen Sie auch KI für Social Commerce im E-Commerce und KI für Produktbilder und Social Assets im E-Commerce.

4. Was E-Commerce-Teams jetzt konkret vorbereiten sollten

Ein guter Einstieg beginnt nicht mit einem neuen Tool, sondern mit einem kleinen Audit. Vier Fragen reichen oft schon.

1. Welche wiederkehrenden Produktfragen gibt es bereits?

Sammeln Sie echte Fragen aus:

• Shop-Suche
• Support-Tickets
• Social-Media-Kommentaren
• DMs
• Vertriebsrückfragen
• Produktbewertungen

Wenn sich diese Fragen wiederholen, sind sie Kandidaten für question_and_answer, für FAQ-Module auf PDPs und für freigegebene Antwortbausteine in Support und Community Management.

2. Welche Dokumente sind kauf- oder nutzungsrelevant?

Nicht jedes PDF ist wichtig. Relevanz haben vor allem Unterlagen, die Kaufentscheidung, Einrichtung, Nutzung oder After-Sales wirklich beeinflussen.

Typische Kandidaten sind:

• Datenblätter
• Montage- und Installationsanleitungen
• Pflegehinweise
• Sicherheitsblätter
• Kompatibilitätsübersichten
• Garantie- oder Serviceunterlagen

Wenn diese Inhalte nur als Dateianhang leben, fehlt häufig die Verknüpfung zurück zu FAQ, Produktdetails und KI-Antwortbausteinen.

3. Sind Zubehör- und Ersatzteilbeziehungen belastbar gepflegt?

Google nennt bei related_product ausdrücklich Beziehungsarten wie required_part, often_bought_with, substitute, different_brand oder accessory. Diese Granularität ist für viele Shops hilfreich, weil damit nicht jede Beziehung dasselbe bedeutet.

Im Alltag sollte deshalb klar sein:

• was zwingend mit dem Produkt zusammengehört
• was optionales Zubehör ist
• was als Alternative taugt
• was nur ähnlich aussieht, aber fachlich nicht gleichwertig ist

Gerade für Hersteller, technische Sortimente und komplexe Bestandskataloge spart das spürbar Rückfragen.

4. Wie sauber ist die Variantenlogik wirklich?

Wenn Produktfamilien im Shop, im Feed und in internen Briefings unterschiedlich beschrieben werden, ist das ein Warnsignal. Variantenwissen gehört nicht nur in Tabellenfelder, sondern in einen konsistenten Sprach- und Datenrahmen.

Ein guter Test ist simpel: Können Marketing, Shop-Team, Support und Vertrieb dieselbe Variante gleich erklären? Wenn nicht, wird KI diese Unschärfe nicht lösen, sondern nur schneller verbreiten.

5. KI-generierte Produktinhalte brauchen mehr Governance, nicht weniger

Die Product Data Specification von Google macht noch an einer zweiten Stelle deutlich, wohin die Reise geht: Dort tauchen strukturierte Felder für generative KI-erstellte Titel und Beschreibungen auf, und Google verlangt für mit generativer KI erzeugte Produktbilder entsprechende Metadatenkennzeichnung.

Das ist für E-Commerce- und Agenturteams ein wichtiger Punkt. Denn viele Prozesse laufen heute bereits so:

• KI erzeugt erste Produkttext-Entwürfe
• KI bereitet Variantenbeschreibungen vor
• KI hilft bei FAQ-Vorschlägen
• KI generiert oder variiert Produktbilder und Creatives
• KI übersetzt Shop-Content in Social-Assets oder Kampagnenbausteine

Je stärker solche Workflows werden, desto wichtiger werden drei Dinge:

1. klare führende Datenquellen statt freier Improvisation,
2. saubere Kennzeichnung und Governance für generierte Inhalte,
3. kanalübergreifende Konsistenz zwischen Feed, PDP, Support und Social Media.

Wenn Sie dafür schon heute Prozesse bauen, arbeiten Sie nicht nur für bessere interne Effizienz, sondern auch für eine robustere Anschlussfähigkeit an KI-Oberflächen.

6. Warum Agenturen das Thema nicht an den Feed-Owner delegieren sollten

In vielen Unternehmen landet Merchant Center organisatorisch bei Performance Marketing oder E-Commerce Operations. Das ist nachvollziehbar, greift aber zu kurz.

Denn die relevanten Informationen entstehen oft verteilt:

• Produktmanagement kennt Varianten und Unterschiede
• Service kennt echte Kundenfragen
• Vertrieb kennt Zubehör- und Alternativlogik
• Content-Teams formulieren Nutzen und Erklärungen
• Agenturen übersetzen das in Feed, PDP, Kampagne und Social Assets

Deshalb ist das Thema ein typischer Agenturhebel. Wer mehrere Kanäle und Prozesse verbindet, kann hier echten Mehrwert schaffen:

• FAQ-Signale aus Community und Support systematisch sammeln
• daraus strukturierte Produktfragen ableiten
• Dokumente sauber mit Produkten verknüpfen
• Varianten- und Zubehörlogik kanalübergreifend harmonisieren
• KI-gestützte Content-Produktion enger an echte Produktdaten binden

Das ist deutlich wertvoller als noch ein zusätzlicher Prompt-Workflow ohne belastbare Datengrundlage.

7. Ein pragmatischer Umsetzungsansatz für die nächsten 90 Tage

Google empfiehlt für Conversational Attributes ausdrücklich auch eine supplemental data source. Das ist für viele Teams der beste Einstieg, weil sie damit nicht sofort den kompletten Primärfeed umbauen müssen.

Ein pragmatischer Ablauf kann so aussehen:

Phase 1: Fragen und Lücken sichtbar machen

• häufige Support- und Community-Fragen clustern
• relevante PDFs und Dokumente inventarisieren
• Zubehör- und Ersatzteilbeziehungen prüfen
• Variantenfamilien mit vielen Rückfragen markieren

Phase 2: Ein kleines Pilotsegment wählen

Nehmen Sie nicht das ganze Sortiment. Wählen Sie lieber eine klar umrissene Gruppe, zum Beispiel:

• erklärungsbedürftige Bestseller
• technische Produktfamilien mit Varianten
• Zubehörintensive Produkte
• Produkte mit häufigen Support-Rückfragen

Phase 3: Struktur statt Vollautomation bauen

• question_and_answer für echte Fragen pflegen
• document_link für relevante PDFs ergänzen
• related_product für Zubehör oder Alternativen modellieren
• item_group_title und variant_option für Varianten sauber formulieren

Phase 4: Inhalte in andere Kanäle zurückspielen

Prüfen Sie danach ganz bewusst, wie dieselben Informationen auch in anderen Assets genutzt werden:

• PDP-FAQ
• Kategorieseiten
• Social Briefings
• Creator- oder Kampagnenmotive
• Support-Makros
• E-Mail- oder Chat-Antwortbausteine

Erst an diesem Punkt entfaltet das Thema echten ROI.

8. Was die angekündigten AI-Insights dabei bedeuten – und was nicht

Google kündigt Merchant-Center-Insights für AI-powered Shopping Experiences zunächst für die USA, Kanada, Australien, Indien und Neuseeland an. Für deutsche Teams ist das noch kein sofortiger Standardreport. Trotzdem ist die Ankündigung wichtig.

Denn sie zeigt zweierlei:

1. Google behandelt KI-Oberflächen nicht mehr als Randphänomen, sondern als auswertbaren Commerce-Kanal.
2. Produktdatenqualität wird zunehmend danach bewertet werden, ob sie auch in solchen Oberflächen verständlich und nützlich ist.

Für Mittelstand, Hersteller und wachsende E-Commerce-Teams ist das ein gutes Argument, Produktdaten heute schon KI-lesbarer zu machen, statt erst auf lokale Rollouts zu warten.

Fazit

Google Merchant Center Conversational Attributes sind kein Nebenschauplatz für Feed-Spezialisten. Sie sind ein praktischer Hinweis darauf, wie sich Produktkommunikation verändert.

Nicht nur Preis, Titel und Bild zählen. Wichtiger werden zusätzlich:

• wiederkehrende Produktfragen,
• verknüpfte Dokumente,
• belastbare Zubehör- und Alternativbeziehungen,
• sauber beschriebene Varianten,
• und eine konsistente Datengrundlage für KI-gestützte Inhalte.

Genau deshalb gehört das Thema an die Schnittstelle von E-Commerce, Content, Social Media und Kundenkommunikation. Wer dort sauber strukturiert, verbessert nicht nur Feed-Qualität, sondern schafft auch bessere Voraussetzungen für Produktberatung, Kampagnenprozesse und zukünftige KI-Oberflächen.

Wenn Sie diese Daten- und Content-Logik für Shop, Feed und KI-Workflows in Ihrem Unternehmen sauber aufsetzen wollen, sind unsere Seiten Leistungen, Webseiten & Shops und unser Kontaktformular der passende Einstieg.

Quellen

• Google Merchant Center Help: How to use conversational attributes
• Google Merchant Center Help: Product data specification
• Google Merchant Center Help: Related product related_product
• Google Merchant Center Help: Insights for AI-powered shopping experiences coming soon