Amazon Rufus: Wie sich Sichtbarkeit von Keywords zur KI-Relevanz verschiebt

Rufus ist Amazons KI-gestützter Einkaufsassistent. Er beantwortet Kauffragen direkt in der App, vergleicht Produkte und empfiehlt am Ende eine kurze Auswahl von Produkten. 2025 nutzten ihn über 300 Millionen Shopper*innen, mit Interaktionen, die gegenüber dem Vorjahr um mehr als 210 Prozent zulegten. Für Marken auf Amazon verschiebt das, was Sichtbarkeit bedeutet: nicht mehr allein die Ranking-Position ist relevant, sondern, ob Rufus das Produkt auch ausdrücklich empfiehlt.

Das Thema gewinnt derzeit zunehmend Relevanz. In den USA hat Amazon Rufus im Mai 2026 mit Alexa+ zu Alexa for Shopping zusammengeführt; in Europa läuft er weiter als Rufus. Parallel führt Amazon ein Käufer-Profil namens „Tell us about you“ ein, über das dieselbe Anfrage je nach Person unterschiedliche Produkte liefert, und ordnet die Produkttitel auf 75 Zeichen neu. Wir zeigen euch in diesem Artikel, wie Rufus genau funktioniert, was sich dadurch für Content und Sichtbarkeit ändert und welche Hebel ihr selbst in der Hand habt.

Rufus zeigt auf eine Frage keine lange Trefferliste, sondern nennt im Schnitt nur rund fünf Produkte. Wer darunter nicht auftaucht, ist für diese Kund*innen praktisch unsichtbar. Dahinter greifen drei Bausteine ineinander. Zuerst entscheidet Rufus, welche Produkte für eine Anfrage relevant genug sind, um überhaupt in die Antwort zu kommen, und zieht die passenden Informationen aus dem Listing. COSMO, Amazons semantischer Graph aus Alltags- und Kaufwissen, ordnet deren Bedeutung ein und gleicht sie mit der Absicht der Anfrage ab. Erst danach rankt A9 die verbliebenen Produkte nach den bekannten Leistungsfaktoren wie Verkaufsgeschwindigkeit und Best Seller Rank. Technisch steht dahinter eine RAG-Architektur: Der Assistent zieht Informationen aus Listings, Reviews und Fragen, und ein Sprachmodell formt daraus die Antwort.

Die entscheidende Verschiebung liegt in der Reihenfolge: Relevanz wird vor dem Ranking bewertet. Ein Produkt muss erst relevant genug sein, um in die Antwort zu gelangen; schafft es das nicht, spielt seine Ranking-Position keine Rolle. Rufus wählt damit deutlich strenger aus als die klassische Suche. Aus unserer täglichen Arbeit mit großen Marken sehen wir das regelmäßig: Nicht jedes Produkt, das auf Seite 1 rankt, schafft es in die Empfehlung.

Der Assistent bewertet nicht mehr, ob ein Suchbegriff wie „SPF 50 Gesichtscreme” im Titel steht, sondern ob ein Listing eine ganze Frage beantwortet, etwa „Welche SPF-50-Creme eignet sich für fettige Haut und hält unter Make-up?” Für die Textarbeit heißt das: Inhalte müssen etwas liefern, das sich abzurufen lohnt, nicht nur Keywords, die zufällig passen.

Amazons semantische Indexierung arbeitet mit Modellen vom Typ BERT. Sie erfassen die semantische Ähnlichkeit zwischen einer Anfrage und einem Produkt, verbinden also verwandte Formulierungen auch ohne exakte Wortüberschneidung. „LED-Beleuchtung fürs Wohnzimmer” und „Außenleuchte für den Garten” landen dabei als verwandte Bedeutungen nebeneinander. Das funktioniert allerdings nur, wenn der Inhalt strukturiert und maschinenlesbar vorliegt. Vollständige Attribute, klar getrennte Felder, kein Text, der in einem nicht auslesbaren Format versteckt ist. Ein Listing, das inhaltlich stark, aber schlecht strukturiert ist, wird vom Assistenten schlicht nicht genutzt.

Praktisch heißt das, Titel und Bullets an Szenarien und Nutzen auszurichten. Ein Titel wie „Wasserdichter Rucksack, passend für 16-Zoll-Laptop, für Pendeln und Outdoor” trägt eine konkrete Verwendung, und die begrenzte Zeichenzahl zwingt zur Priorisierung, weshalb sich ein sauberer Umgang mit den 75 Zeichen im Titel hier direkt auszahlt. Wichtig ist dabei, jede Eigenschaft an ihre Funktion zu koppeln: „Niacinamid für mehr Strahlkraft“ ist für den Assistenten eindeutiger als „Niacinamid“, „LED für Energieeffizienz“ klarer als „LED-Technik“.

Amazon legt die genaue Relevanz einzelner Listing-Elemente nicht offen. Trotzdem gibt es eine Handvoll Felder, deren Wirkung in der Praxis gut belegt ist und die eine Marke direkt steuert. Einige davon verlieren Vendor-Teams, ohne es zu bemerken.

Das erste Feld ist die einfache Backend-Beschreibung im Klartext. Sie wird von A9 weiter indexiert, auch wenn A+ Content sie für Käufer*innen überdeckt. Genau hier setzt der stille Verlust an: Teams, die dieses Feld nach dem A+-Launch nicht mehr pflegen, geben Rankings ab, ohne dass im Reporting etwas aufleuchtet. Gepflegt und aktualisiert gehört es, sobald sich die Keyword-Strategie verschiebt.

Bei Bildern übernimmt eine KI-Bilderkennung die Auswertung: Sie liest Produktmerkmale direkt aus dem Bild. Für die Praxis heißt das, das Bild selbst zu optimieren, mit klaren Motiven, gut lesbaren Merkmalen und einer Nutzenhierarchie, die das wichtigste Argument in wenigen Sekunden zeigt. Berichten zufolge ersetzt Amazon die selbst geschriebenen Alt-Texte zunehmend durch KI-generierte Beschreibungen, angeblich in Europa schon weitgehend, bestätigt ist das aber nicht. Am Bild selbst zu arbeiten, bleibt davon unberührt wichtig.

A+ Content selbst ist der unklarere Fall: Ob sein Fließtext in A9 einfließt, ist offen, fürs klassische Keyword-Ranking bewegt er praktisch nichts. Als Conversion-Motor bleibt A+ trotzdem stark, nach Amazons eigenen Angaben hebt Basic A+ Content die Conversion um bis zu 8 Prozent, Premium A+ um bis zu 20 Prozent. Dazu kommen Q&A-Module als vierter, gern übersehener Hebel: Sie wirken wie strukturierte Daten, die der Assistent auslesen kann, und sind neben der Backend-Beschreibung die Fläche, auf der eine Marke die intent-nahe Textarbeit nach der Alt-Text-Umstellung noch selbst in der Hand hat. Beide gehören lebendig und aufeinander abgestimmt gehalten.

Bewertungen sind auf dieser neuen Ebene kein Nebenschauplatz. Sie zählen zu den starken Treibern dafür, ob der Assistent ein Produkt überhaupt empfiehlt. Ein hohes Rating und ein starker Best Seller Rank sind dabei die Grundvoraussetzung: allein entscheiden sie nichts, aber ohne sie kommt ein Produkt kaum durch die Vorauswahl.

Der eigentliche Unterschied liegt tiefer, in der Substanz der Reviews. Der Assistent fasst Bewertungen zusammen, zieht wiederkehrende Themen heraus und trägt das Sentiment in seine Empfehlung, detaillierte, nutzen-spezifische Rezensionen zählen dabei mehr als eine hohe Zahl knapper Sterne. Daraus folgt eine unbequeme Konsequenz: Was die Marke im Content verspricht, was sie in Claims behauptet und was in den Reviews steht, muss zusammenpassen. Sonst liest der Assistent Widerspruch statt Bestätigung.

Dazu kommt die Autorität außerhalb von Amazon. Der Assistent bezieht externe Signale in seine Bewertung ein, also Fachurteile, redaktionelle Erwähnungen, Nutzerinhalte, Zertifikate. Diese externen Autoritätssignale, die im Kern auf E-E-A-T einzahlen, wirken auf die Sichtbarkeit auf Amazon zurück. Off-Amazon-Arbeit ist damit kein getrennter PR-Topf, sondern ein Faktor der Auffindbarkeit auf der Plattform selbst.

Amazon rollt ein Profil namens „Tell us about you” aus. Kund*innen beschreiben darin in eigenen Worten ihren Stil, ihre Hobbys, ihren Haushalt, für wen sie einkaufen. Diese Angaben bleiben gespeichert und gelten über Rufus, Alexa und das übrige Amazon-Shopping hinweg, nicht nur für die einzelne Sitzung. Es ist Freitext, keine Dropdowns.

Für eine Marke hat das eine direkte Konsequenz. Dieselbe Anfrage liefert je nach gespeichertem Profil unterschiedliche Produkt-Sets. Der Assistent muss Identität auf Produktattribute, Listing-Text und ASIN-Signale abbilden, und das im großen Maßstab. Jede ASIN braucht deshalb eine klare Antwort auf eine einzige Frage: Für wen ist dieses Produkt besonders gedacht, und warum sollte der Assistent es genau dieser Person zuordnen? Ein Listing, das diese Antwort nicht trägt, bleibt für den Assistenten schwer platzierbar, egal wie sauber es sonst geschrieben ist.

Klassische Kennzahlen kreisen um Ranking und Traffic, also darum, wie sichtbar ein Produkt auf einer Ergebnisseite ist. Auf der KI-Ebene greift das nicht mehr. Ein Produkt wird nicht nur gerankt, es wird ausgewählt, zusammengefasst und in einer generierten Antwort empfohlen. Sichtbarkeit heißt hier schlicht, ob der Assistent euer Produkt nennt oder nicht.

Dafür entsteht gerade eine neue Messgröße, der Anteil an KI-Empfehlungen, oft als AI Share of Voice bezeichnet. Sie fragt, wie oft eine Marke über die relevanten Anfragen hinweg in den Antworten des Assistenten vorkommt. Das ist keine offizielle Amazon-Metrik, sondern eine sich formende Größe aus der Praxis, und sie unterscheidet sich strukturell von der klassischen Sichtbarkeit: In einer Ergebnisliste ist Sichtbarkeit ein gradueller Anteil, in einer Assistenten-Antwort ist sie eher binär, die Marke wird genannt oder eben nicht.

Zwei Beobachtungen ordnen diese Messung ein. Der stärkste langfristige Hebel bleibt die Kombination aus Best Seller Rank und Conversion. Content-Arbeit wirkt innerhalb dieser Decke, sie ersetzt sie nicht. Und PPC hebt vor allem das klassische A9-Ranking über die Verkaufsgeschwindigkeit, weniger die KI-Sichtbarkeit direkt. In der Praxis erscheinen organisch starke Produkte häufiger in den Empfehlungen als bezahlt platzierte. Wer diese Ebene überhaupt steuern will, braucht also eine Messung, die zeigt, ob die Marke in den Antworten vorkommt, wie sie sich über die Zeit entwickelt und wo Wettbewerber genannt werden, während man selbst fehlt.

Daraus lassen sich klare Action Steps ableiten, für Teams, die Amazon ohnehin verantworten.

• Attribute vollständig und konsistent halten. Fehlt ein Attribut oder ist es falsch besetzt, fällt das Produkt aus dem Treffer-Set, bevor der gut geschriebene Bullet je gelesen wird.
• Copy szenario- und nutzengetrieben schreiben. Titel, Bullets und Beschreibung an konkrete Verwendungen und Situationen knüpfen, nicht an eine Keyword-Liste.
• Eigenschaft an Funktion koppeln. Jede Zutat, jedes Feature explizit mit ihrem Nutzen verbinden.
• Eine Q&A-Ebene aufbauen. Fragen aus dem eigenen Listing, aus 3-Sterne-Reviews und aus dem Kundenservice systematisch beantworten.
• Die Backend-Beschreibung am Leben halten. Auch nach dem A+-Launch pflegen, sonst geht Ranking still verloren.
• Review-Tiefe fördern. Auf substanzielle, nutzen-spezifische Bewertungen hinwirken und Content, Claims und Review-Sprache widerspruchsfrei halten.
• Externe Autorität aufbauen. Fachurteile, Erwähnungen und Zertifikate wirken auf die Sichtbarkeit auf Amazon zurück.
• KI-Nennungen messen. Früh damit beginnen zu erfassen, ob die eigene Marke in den Antworten des Assistenten vorkommt.

Vieles davon lässt sich intern abbilden. Was über viele Marktplätze und Sprachen hinweg an Grenzen stößt, ist die Menge: strukturierte, szenario- und nutzengetriebene Copy für Hunderte ASINs, und der Überblick darüber, wo eine Marke gerade Umsatz liegen lässt, weil ihre Listings noch nicht Rufus-ready sind. Viele Marken nutzen dafür mittlerweile zwei Module in Remdash, unserer AI-gestützten Growth-Plattform für Amazon. Content AI erzeugt die Copy in der Tonalität der Marke über viele ASINs hinweg, statt jedes Listing einzeln zu texten. Customer Signals, ein gerade gelaunchtes Modul, zeigt je ASIN, wie Rufus-ready ein Listing ist und wo eine Marke deshalb gerade Sichtbarkeit an Wettbewerber verliert.

Dahinter stehen vier Dimensionen, aus denen sich Rufus-Readiness zusammensetzt: wie klar der Content die Use Cases und Kaufabsichten beantwortet, wie belastbar die Signale aus Bewertungen und Q&A sind, wie schnell eine Marke auf Kundenfragen reagiert, und ob die Bilder die zentralen Nutzen auch für die Bild-KI lesbar machen. Ein schwacher Wert in einer dieser Dimensionen erklärt oft, warum ein sonst starkes Produkt in den Antworten fehlt. Der Startpunkt bleibt derselbe: erst sehen, wo die Marke noch nicht Rufus-ready ist, dann die Felder nachziehen, die das entscheiden.

Was ändert sich durch die Zusammenführung von Rufus und Alexa for Shopping? Amazon hat Rufus im Mai 2026 in den USA zu Alexa for Shopping zusammengeführt. Für andere Märkte gibt es dazu bisher keine bestätigte Angabe. Die Fähigkeiten und die Technik dahinter bleiben dieselben, der Assistent merkt sich nun zusätzlich Kontext über das Amazon-Ökosystem hinweg.

Welche Rolle spielen Keywords künftig für Amazon Rufus? Keywords bleiben relevant, doch der Assistent bewertet Bedeutung und Absicht, nicht nur die exakte Wortüberschneidung. Content muss deshalb ganze Fragen beantworten und reale Verwendung beschreiben, statt Begriffe zu stapeln. Die Backend-Beschreibung bleibt zudem ein indexiertes Feld, das gepflegt gehört.

Wie lässt sich KI-Sichtbarkeit auf Amazon messen? Über den Anteil an KI-Empfehlungen, also wie oft eure Marke in den Antworten des Assistenten über die relevanten Anfragen hinweg genannt wird. Das ist keine offizielle Amazon-Metrik, sondern eine sich formende Messgröße. Anders als auf der Ergebnisseite ist die Sichtbarkeit hier eher binär: genannt oder nicht.

Zahlt sich PPC für die KI-Sichtbarkeit aus? Indirekt und begrenzt. PPC hebt vor allem das klassische A9-Ranking über die Verkaufsgeschwindigkeit. Auf die KI-Nennungen wirkt es weniger direkt; in der Praxis erscheinen organisch starke Produkte häufiger in den Empfehlungen. Der verlässlichste langfristige Hebel bleibt die Kombination aus starkem Best Seller Rank und guter Conversion.