Wissensbasis›Quellen›Tom Wells (Vaer AI)
AI retailer bias study: how AI shopping answers favour chains over small shops
Kernaussagen
Wells lässt knapp eine halbe Million Shopping-Antworten von ChatGPT, Gemini, Google AI Mode und AI Overview auf 20.000 größenneutrale Fragen aus vier nordamerikanischen Städten und zehn Kategorien auswerten, mit und ohne Websuche. Ohne Suche nennt die KI zu 63–70 Prozent eine Kette, mit Suche noch zu 46–58 Prozent; ein kleiner Laden landet in etwa jeder vierten Antwort. Der Bias steckt schon in den Suchanfragen, die das Modell selbst schreibt: Tippt es einen Ladennamen ein, ist es fast immer eine Kette. Kleine Läden stehen in den Quellenlinks, aber nicht in der Empfehlung. Je konkreter das Produkt, desto größer der Händler. Das Wort „independent" dreht das Bild, „local" nicht.
Warum die Quelle für das Projekt zählt
Es ist die erste große Output-Statistik, die den Händler-Bias auf die Suchanfragen des Modells zurückführt, also auf das, was unsere fast- und product-Zeilen zeigen. Sie liefert zugleich die Prüfidee für den deutschen Markt: Domains in Domain-Filter je Frage und sources_footnote nach Händlergröße klassifizieren und den Merchant-Slot des product (Produktsuche)-Modus getrennt zählen. Offen bleibt, ob der 97-Prozent-Befund ein US-Effekt ist oder am deutschen Promptsatz nur nicht sichtbar wird.
Abgleich mit eigenen Daten
Den Kern der Studie, dass das Modell vor der Suche entscheidet, wen es prüft, sehen wir jeden Tag in den fast- und product-Zeilen: „idealo" in jeder Nike-Query, dyson.de als Domain-Filter, fünf Schuhmodelle mit Versionsnummer. Auch die Richtung „konkretes Produkt → großer Händler" stimmt bei uns: Die vage Beratungsfrage zitiert Münchner Fachgeschäfte, die Nike- und Dyson-Fragen Amazon, Zalando, MediaMarkt und Saturn.
Zwei Dinge sehen wir anders. Erstens stehen Kettennamen in keiner unserer Queries; was ChatGPT bei deutschen Fragen tippt, sind Hersteller, Preisvergleicher und einmal zwei unabhängige Läden. Zweitens ist der Merchant-Slot im Produktwidget bei uns kein Ketten-Slot: Bei den Laufschuhen stehen dort Sport Hopfmann, Sport Weber, Il Corridore, Sport Conrad, Sport Forster. Dieser Slot wird nicht aus der Websuche gefüllt, sondern aus dem Produkt-Provider mit Google-Shopping-IDs. Wer dort mit einem Feed steht, kommt in die Karte, unabhängig von der Größe.
Die Hälfte der Studie ohne Websuche können wir nicht nachstellen: Unsere Shopping-Prompts suchen immer. Deshalb sind diese Zahlen für uns eine Beschreibung des Modellwissens, das in die Fan-outs fließt, nicht der Antwort.
| Aussage | Status | Beleg |
|---|---|---|
| ChatGPT schreibt Händler- und Produktnamen in seine eigenen Suchanfragen, bevor es sucht — bei vagen Fragen in etwa einem Drittel, bei Markenprodukten in zwei Dritteln der Läufe | bestätigt | "Derselbe Mechanismus in unseren fast-/product-Zeilen: K3-01 (Nike Pegasus 41) trägt an 5 von 5 Messtagen „idealo" im Query-Text plus Domain-Filter idealo.de |
| Wenn ChatGPT einen Laden in die Suchanfrage schreibt, ist es zu 97 % eine Kette; kleine und lokale Läden bleiben bei 1–4 % | nicht prüfbar | Mit drei Shopping- und einem Lokal-Prompt nicht prüfbar. Was wir sehen, weicht ab: Kettennamen stehen in keiner unserer Queries. ChatGPT tippt Hersteller (nike.com, dyson.de), Preisvergleicher (idealo) und bei K1-01 am 20.08. zwei unabhängige Münchner Läden (Lauf-bar, Sport Schuster). Deutscher Promptsatz, US-Studie — kein Widerspruch, eine offene Prüfung. |
| "Je spezifischer die Produktfrage | bestätigt | Gleiche Richtung bei uns, n = 3 Prompts: K1-01 (Beratung, vage) zitiert an 8 von 8 Läufen unabhängige Münchner Läden (lauf-bar.de, sport-schuster.de, sportforster.de). K3-01 (Nike Pegasus 41) zitiert amazon.de, zalando.de, intersport.de, jdsports.com, footlocker; K3-02 (Dyson V15) mediamarkt.de, saturn.de, amazon.de. Elektronik ist auch bei uns die Ketten-Kategorie. |
| Trichter: In den Quellen liegen große und kleine Händler gleichauf (je ~38 %), bis zur Top-Empfehlung fallen die kleinen ab — bei ChatGPT stammen 41 % der Zitate von großen Ketten, aber 58 % der Empfehlungen | nicht prüfbar | Die Stufen sind bei uns messbar (grouped_webpages → sources_footnote → Merchant-Slot), aber wir klassifizieren Domains nicht nach Händlergröße. Auffällig: Der Merchant-Slot im Produktwidget zeigt bei K2-02 fast nur mittelständische Sporthändler (Sport Hopfmann, Sport Weber, Il Corridore, Sport Conrad, Sport Forster), bei K3-01 Footlocker, SPORT 2000, Keller Sports, Handballcompany. Dieser Slot kommt aus dem Produkt-Provider mit Google-Shopping-IDs (E-Commerce-Befund 26.08.2026), nicht aus der Websuche. |
| Ohne Websuche empfiehlt die KI zu 63–70 % eine Kette und zu ~10 % einen kleinen Laden; im neutralen Paarvergleich gewinnt der größere Laden zu 90–94 % | nicht prüfbar | Bei uns nicht herstellbar: Alle sechs Shopping- und Lokal-Prompts suchen in 44 von 44 Läufen (20.–25.08.2026, instant und thinking). Die Zahlen ohne Suche beschreiben das Modellwissen, nicht die Antwort, die ein Plus-Nutzer bekommt. Sie zeigen, was das Modell in die Fan-outs schreibt — siehe Aussage 1. |
| "„local" und „near me" ändern fast nichts | nicht prüfbar | "Wir messen keine Modifikator-Varianten. K1-01 („in München … gute Beratung") löst den business-Modus mit Standort München aus und liefert an 8 von 8 Läufen unabhängige Läden |
Verwandt
wells-2026-02-12 mohanadasan-2026-08-10 konitzny-2025-11-19 blyskal-2025-12-08