Wie wir messen
Technische KI-Lesbarkeitsmessung — kein Qualitätsurteil
Diese Seite beschreibt genau, was unser AI-Readiness Score misst, wie er gewichtet wird und was er ausdrücklich NICHT ist. Alle Zahlen entsprechen 1:1 dem Code (computeOverallScore8 in agenticCommerce.ts).
Wichtig: Dies ist eine technische Messung der KI-Lesbarkeit, KEIN Urteil über Qualität, Vertrauenswürdigkeit oder Ruf des Shops.
Score-Version: v2-8pillar-2026-06
1. Was wir messen
Wir messen ausschließlich die technische KI- und Agent-Lesbarkeit eines öffentlich zugänglichen Webshops: Können KI-Shopping-Agenten (GPT, Claude, Perplexity, Gemini) den Shop finden, interpretieren und Transaktionen vorbereiten? Der Score sagt nichts über Produktqualität, Kundenservice, Preise oder Geschäftsführung.
2. Wie wir messen — 8 Säulen mit festen Gewichten
Der Endscore ist ein gewichteter Durchschnitt von 8 Säulen. Die Gewichte sind hart im Code kodiert und werden zusammen mit der Score-Version pro Scan gespeichert. Insgesamt führen wir ~30 deterministische Checks durch.
| Pillar | Weight | What |
|---|---|---|
| AI Visibility | 15% | Sichtbarkeit in KI-Antworten.
|
| Agentic Commerce | 15% | Kann ein KI-Agent Transaktionen initiieren?
|
| Schema.org | 13% | Strukturierte Daten gem. schema.org.
|
| Product Content | 13% | Qualität maschinenlesbarer Produktdaten.
|
| Technical | 12% | Technische Grundlesbarkeit.
|
| Trust Signals | 12% | Öffentlich sichtbare Vertrauenssignale.
|
| Transaction Readiness | 10% | Kann eine Transaktion technisch abgeschlossen werden?
|
| Operational Maturity | 10% | Signale operativer Reife.
|
Gewichts-Defaults: Kann eine deterministische Säule nicht gemessen werden, verwenden wir einen konservativen Default von 40 (siehe PILLAR_DEFAULTS). Für aiVisibility wird NIE ein Default gesetzt: Wenn alle drei KI-Modelle scheitern, wird die Säule aus Zähler und Nenner entfernt — keine 'stille 50'.
3. Was der Score NICHT ist
Dieser Score ist ausdrücklich kein:
- kein Vertrauens- oder Sicherheitssiegel
- keine Verbraucherbewertung oder Erfahrungsnote
- kein rechtliches oder DSGVO-Konformitätsurteil
- keine Kauf- oder Nichtkaufempfehlung
- keine Garantie für Lieferbarkeit, Qualität oder After-Sales
4. Reproduzierbar
Jeder Shop kann seinen Score selbst nachrechnen: Die 30+ deterministischen Checks fragen öffentliche Endpunkte und HTML-Signale ab (u. a. /.well-known/mcp.json, /llms.txt, robots.txt, JSON-LD Offer). Bei jedem Scan werden Gewichte, Defaults, aiMeasured-Status und Score-Version gespeichert. Auf Anfrage liefern wir das vollständige `pillarsUsed`/`defaultsUsed`-Objekt.
5. Limitations and known uncertainties
Deterministic checks vs. vendor-specific AI Visibility
Seven of the eight pillars consist of deterministic checks against public endpoints and HTML — vendor-independent and reproducible. Only the AI Visibility pillar (15%) is vendor-specific: it measures visibility with the current generation of models (GPT, Claude, Perplexity, Gemini). A high AI Visibility score therefore does not automatically guarantee visibility with future or other agents.
Rendering: agent-suitability ≠ readability without JavaScript
We fetch every shop both with a headless browser (JavaScript executed) and as raw HTML. The difference between the two is reported as an explicit, named finding — a JS-dependent shop is not silently penalised, it gets a visible observation that non-rendering crawlers see less.
Where the weights come from
The weights (15/15/13/13/12/12/10/10) are reasoned estimates based on failure impact: how badly does an agent interaction break when this signal is missing? They are NOT empirically validated against actual agent conversion rates. This is the same approach Google Lighthouse takes; we prefer to state it rather than let the score look more precise than it is.
Bonus categories do not add to the 100
Google Agent-Friendliness and Product Data Integrity are informational findings/badges. They are shown separately, do not add on top of the 100 points, and are not a multiplier. The final score is purely the weighted average of the eight pillars.
Measurement uncertainty and model drift
LLM judgements are sensitive to prompt variation and model updates. We therefore run a weekly test-retest check: the same shop is scanned twice on the same day and the score difference is logged and published as a measurement-uncertainty figure (± points). Score changes within that band should not be read as real site changes.
Selection bias in the discovery engine
Our discovery engine finds more discoverable shops first, so the Registry is not representative of the full EU e-commerce market. This is acknowledged and not yet mitigated. A stratified sample per country and sector is on the roadmap for Q4 2026.
Widerspruch oder Korrektur
Sind Sie Shop-Betreiber und stimmt etwas nicht? Löschung oder Neubewertung über /data-aanvraag oder privacy@langhoormarchal.com anfordern.