Wenn KI vor demnächsten Touchpointkommt

Kernaussage: Customer Journeys waren nie linear. Neu ist, dass generative KI mehrere Entscheidungsfunktionen in einer zusätzlichen, schwer beobachtbaren Interaktion bündeln kann. Dadurch verändert sich weniger, welche Touchpoints existieren, als der Informationsstand, in dem Nutzer sie erreichen – und die Aufgabe, die diese Touchpoints dann erfüllen müssen.

Im August 2025 habe ich eine Semrush-Studie aufgegriffen, die untersuchte, wie sich die Google-Nutzung verändert, nachdem Menschen erstmals ChatGPT verwendet hatten.

Die Datengrundlage war mit 260 Milliarden Clickstream-Zeilen groß, und das Ergebnis widersprach der damals verbreiteten Annahme, ChatGPT werde Google verdrängen: Menschen hörten nach der ChatGPT-Adoption nicht auf zu googeln, ihre Google-Nutzung blieb im untersuchten Zeitraum stabil und nahm teilweise sogar leicht zu. Die Studie sprach damit eher für eine Erweiterung des Informationsverhaltens als für eine Ablösung von Google – allerdings auf Basis von US-Desktop-Daten und einem 90-Tage-Fenster vor und nach der erstmals beobachteten ChatGPT-Nutzung.

Mich interessierte daran schon damals weniger die Frage, ob Google oder ChatGPT „gewinnt”. Spannender war für mich, welche zusätzliche Rolle generative KI innerhalb einer ohnehin komplexen Customer Journey übernehmen kann.

Meine damalige Hypothese war, dass ChatGPT Teile der Recherche strukturiert, bevor oder während Nutzer über Google, Websites, Vergleichsangebote, Rechner oder Beratung tiefer in ihre Entscheidung einsteigen.

Am Beispiel einer Berufsunfähigkeitsversicherung hatte ich einen möglichen Ablauf beschrieben: ChatGPT strukturiert eine offene Frage, danach folgt eine fokussiertere Google-Recherche, anschließend ein Tarifrechner und schließlich der Abschluss über den bevorzugten Kanal.

Das war nie als allgemeingültiger linearer Funnel gemeint. Es war ein konkretes Beispiel dafür, wie KI als zusätzliche Orchestrierungs- und Evaluationsschicht in eine bestehende Journey hineinrücken kann.

Gut ein Jahr später gibt es deutlich mehr Daten. Ein Teil meiner damaligen Einschätzung trägt, einige Aussagen würde ich heute enger formulieren – und vor allem ist ein Punkt wichtiger geworden als die ursprüngliche Frage nach Google versus ChatGPT: Generative KI kann verändern, in welchem Informationsstand ein Nutzer den nächsten Touchpoint erreicht. Das hat Folgen für Search, Content, Websites, Beratung, Conversion und Measurement.

Die kurze Bilanz

Die eigentliche Weiterentwicklung liegt deshalb nicht in einem neuen Funnel, sondern in einem präziseren Verständnis davon, welche Entscheidungsarbeit in generativen Interfaces stattfindet und was danach an den bekannten Touchpoints ankommt.

Google bleibt – aber das war nie der interessante Teil

Semrush hat seine ursprüngliche Analyse inzwischen deutlich erweitert: Die zweite Auswertung umfasst mehr als eine Milliarde US-Clickstream-Zeilen aus 17 Monaten über Desktop und Mobile hinweg.

Auch dort zeigt sich keine einfache Ablösung klassischer Suche. Der ausgehende Referral-Traffic von ChatGPT ins offene Web stieg 2025 um 206 Prozent – gleichzeitig gingen Anfang 2026 mehr als 20 Prozent der beobachteten ChatGPT-Referrals direkt zu Google, und Nutzer wechseln erkennbar zwischen KI-Systemen und klassischen Webangeboten.

Warum jemand nach einem ChatGPT-Dialog zu Google wechselt, lässt sich aus Clickstream-Daten allein nicht beantworten. Vielleicht will er eine Aussage überprüfen, vielleicht sucht er eine zuvor genannte Marke, vielleicht navigiert er schlicht zur Website eines Anbieters.

Was die Daten aber zeigen: ChatGPT und Google bilden keine voneinander getrennten Customer Journeys. Und Google selbst ist längst kein rein klassisches Suchinterface mehr – generative Antworten, traditionelle Treffer, Markenwebsites und Standalone-KI-Systeme überlagern sich zunehmend.

Die Frage „Google oder ChatGPT?” wird dadurch strategisch immer weniger hilfreich. Interessanter ist, welche Entscheidungsfunktion welches Interface übernimmt – und was bereits passiert ist, bevor der nächste sichtbare Touchpoint entsteht.

Vier Funktionen – kein neuer Funnel

Für die Analyse hilft es, Customer Journeys zusätzlich nach vier Entscheidungsfunktionen zu betrachten:

Discovery

Was ist mein Problem? Welche Frage ist überhaupt relevant?

Evaluation

Welche Optionen existieren? Nach welchen Kriterien sollte ich sie beurteilen?

Verification & Trust

Was stimmt davon? Welche Quelle ist belastbar? Wem vertraue ich?

Transaction

Wie komme ich zu Preis, Angebot, Beratung, Antrag oder Abschluss?

Neu ist nicht dieses Raster selbst, sondern dass generative KI mehrere dieser Funktionen in einem einzigen Dialog bündeln kann – teilweise außerhalb der klassisch beobachtbaren Web-Journey.

Ein Nutzer kann innerhalb weniger Minuten:

• eine unklare Problemstellung präzisieren,
• Fachbegriffe erklären lassen,
• Kriterien für eine Entscheidung entwickeln,
• mehrere Lösungswege vergleichen,
• Gegenargumente prüfen,
• eine erste Shortlist von Anbietern oder Produkten bilden.

All das kann passieren, bevor ein klassischer Websitebesuch entsteht. Genau deshalb ist die Rolle generativer KI als zusätzliche Recherche- und Evaluationsschicht interessanter als die Frage nach dem nächsten „First Touchpoint”.

„ChatGPT ist der neue First Touchpoint” war zu pauschal

Diese Formulierung aus meinem damaligen Post würde ich heute nicht mehr verwenden. Schon die Größenordnung des direkt messbaren Traffics spricht gegen eine solche Verallgemeinerung.

Eine im April 2026 in Marketing Science veröffentlichte Untersuchung analysierte zwölf Monate First-Party-Daten von 973 E-Commerce-Websites mit zusammen mehr als 20 Milliarden US-Dollar Umsatz. Beobachtet wurden über 50.000 Transaktionen aus ChatGPT-Referrals und rund 164 Millionen Transaktionen aus anderen Kanälen. Ein Jahr nach dem Start des Beobachtungszeitraums machten organische LLM-Referrals weniger als 0,2 Prozent des Traffics aus – rund 200-mal weniger als organische Google-Suche. Conversion Rate und Umsatz pro Session lagen über Paid Social, aber unter den übrigen traditionellen Kanälen.

ChatGPT ist damit bislang kein neuer Massen-Traffic-Kanal, was einer veränderten Customer Journey aber nicht widerspricht: Referral Traffic beantwortet nur, ob jemand aus dem KI-System geklickt hat – nicht, welche Informations- und Entscheidungsarbeit davor bereits stattgefunden hat. Die Autoren der Marketing-Science-Studie weisen selbst darauf hin, dass ihre Last-Click-Daten mögliche Beiträge in frühen Phasen der Journey unterschätzen können, wenn ein Kanal vor allem Discovery oder Evaluation übernimmt.

Genau dort wird die Rolle generativer Systeme interessanter.

Komplexität könnte den Unterschied machen

Die Marketing-Science-Studie liefert außerdem einen wichtigen Hinweis: Die relative Bedeutung und wirtschaftliche Performance der beobachteten LLM-Referrals fallen bei komplexeren Produktkategorien günstiger aus. Websites in als komplex eingestuften Kategorien zeigten im Durchschnitt einen 4,6-mal höheren LLM-Traffic-Anteil, und ihre finanziellen Kennzahlen lagen dort näher an etablierten Search-Kanälen als bei einfachen Produkten. Die Autoren kennzeichnen diese Auswertung ausdrücklich als explorativ und nicht kausal.

Aus diesen Daten lässt sich keine pauschale Überlegenheit von KI-Traffic bei komplexen Produkten ableiten – wohl aber die vorsichtigere Beobachtung, dass der Nutzen eines vorstrukturierenden Systems mit der Informations- und Vergleichslast einer Entscheidung wächst. Das stützt die damalige Pre-Qualifier-Hypothese, allerdings in einer vorsichtigeren Form.

Generative KI muss nicht für den Nutzer entscheiden, um die Entscheidung zu beeinflussen: Sie kann bereits helfen zu klären, welche Kriterien relevant sind, welche Unterschiede zählen und welche Optionen ausscheiden. Sie kann einen Nutzer aber genauso gut schneller zu der Erkenntnis bringen, dass ein Produkt oder Anbieter nicht passt.

Vorinformiert ist nicht gleich kaufbereiter.

Das ist gerade aus Conversion-Sicht entscheidend.

Versicherung als Stress-Test

Versicherungen machen diesen Mechanismus besonders sichtbar – nicht weil dort eine grundsätzlich andere Customer Journey existiert, sondern weil hier mehrere Anforderungen gleichzeitig zusammenkommen: hoher Erklärungsbedarf, abstrakte Leistungen, zahlreiche Vergleichskriterien, Vertrauen, regulatorischer Kontext und unterschiedliche Beratungs- und Abschlusswege.

Die Geneva Association hat 6.000 Versicherungskunden in Deutschland, Frankreich, Großbritannien, den USA, China und Japan befragt. 68 Prozent der Befragten gaben an, allgemeine GenAI-Assistenten beim Versicherungskauf genutzt zu haben. Entscheidend ist dabei weniger die aggregierte Zahl als die beschriebene Nutzung: Kunden recherchieren Produkte, vergleichen Deckungen und lassen sich Bedingungen erklären – teilweise bevor sie überhaupt Kontakt zu einem Versicherer aufnehmen. Die Autoren beschreiben daraus entstehende Nutzer als informierter, besser vorbereitet und anspruchsvoller.

Diese Zahl darf allerdings nicht unkritisch auf die Gesamtbevölkerung übertragen werden: Pro Markt wurden 1.000 Versicherungskunden befragt, die unter anderem einen grundlegenden GenAI-Wissenstest bestehen mussten und in den vergangenen drei Jahren eine Versicherung gekauft oder verlängert hatten – dadurch können digitalere und KI-affinere Personen überrepräsentiert sein. Zudem liegen Frankreich und Deutschland bei der Nutzung deutlich hinter China und Japan.

Deutsche Daten fallen entsprechend zurückhaltender aus. In einer repräsentativen Bitkom-Befragung unter 1.004 Personen ab 16 Jahren gaben neun Prozent an, bereits vor einem Versicherungsabschluss eine KI um Rat gefragt zu haben. 52 Prozent könnten sich KI-Unterstützung beim Ausfüllen eines Antrags vorstellen, 44 Prozent bei der Analyse bestehender Policen und möglicher Alternativen. Nur 15 Prozent glauben, dass KI passendere Versicherungsempfehlungen geben kann als ein Mensch.

Beide Untersuchungen zeichnen damit ein differenzierteres Bild als die einfache These, KI würde Beratung ersetzen: KI übernimmt Teile der Informations- und Evaluationsarbeit, macht Trust, Verification, Beratung oder den eigentlichen Abschluss aber nicht überflüssig.

Vielleicht verändert KI weniger den Kanal als den Informationsstand des Kunden

Im Online-Marketing analysieren wir seit Jahren, woher ein Nutzer kommt – Organic Search, Paid Search, Direct, Referral, Social, AI Referral. Diese Perspektive bleibt wichtig, reicht aber möglicherweise nicht mehr aus.

Denn zwei Nutzer können über exakt denselben Google-Organic-Touchpoint auf einer Website landen und trotzdem an völlig unterschiedlichen Punkten ihrer Entscheidung stehen.

Nutzer A

hat gerade erstmals nach einer Berufsunfähigkeitsversicherung gesucht.

Nutzer B

hat zuvor bereits in einem KI-System:

• seine Absicherungsfrage strukturiert,
• BU und mögliche Alternativen verglichen,
• wichtige Vertragsmerkmale kennengelernt,
• erste Anbieter gesammelt,
• konkrete Kriterien für den nächsten Schritt entwickelt.

Beide erscheinen anschließend möglicherweise als:

google / organic

in Analytics. Aber es sind nicht dieselben Nutzerzustände.

Ein Google-Visit bleibt in Analytics ein Google-Visit. Aber der Nutzer kann seine Discovery und einen erheblichen Teil seiner Evaluation bereits in einem KI-System erledigt haben.

Das hat direkte Konsequenzen. Ein vorinformierter Nutzer kann präzisere Fragen stellen, schneller zu konkreten Produktinformationen springen, andere Vergleiche erwarten, skeptischer auftreten, weniger Grundlagen benötigen – oder mit sehr konkreten, aber möglicherweise falschen Annahmen ankommen.

Damit verändert generative KI nicht nur einen möglichen Touchpoint vor dem Kontakt, sondern womöglich den Kontext des Kontakts selbst.

Der nächste Touchpoint muss möglicherweise eine andere Aufgabe erfüllen

Wenn sich der Informationsstand verändert, kann sich auch die Aufgabe eines bestehenden Touchpoints verschieben. Ein Ratgeber, der ausschließlich Grundlagen erklärt, ist für einen bereits gut informierten Nutzer möglicherweise weniger hilfreich – relevanter werden dann schneller belastbare Unterschiede, konkrete Produktbedingungen, Originalquellen, Rechner und Szenarien, reale Fallkonstellationen und eine nachvollziehbare persönliche Einordnung.

Gleichzeitig darf ein Unternehmen nicht voraussetzen, dass jede KI-Vorinformation korrekt ist. Ein Nutzer kann sehr selbstsicher auftreten und trotzdem veraltete Informationen erhalten, Bedingungen falsch verstanden oder wichtige Einschränkungen übersehen haben.

Der nächste Touchpoint muss deshalb nicht nur informieren, sondern zunehmend auch einordnen, korrigieren und verifizieren – und sich fragen, ob er zu dem Informationsstand passt, in dem Nutzer ihn heute tatsächlich erreichen.

Verification ist eine Möglichkeit – kein Automatismus

Mein ursprüngliches Beispiel implizierte relativ stark, ChatGPT strukturiere vor und Google vertiefe und verifiziere – auch das würde ich heute vorsichtiger formulieren.

Search kann eine Verifikationsfunktion übernehmen, ebenso Originalquellen, Markenwebsites, Vergleichsportale, Bewertungen oder menschliche Beratung. Doch die bloße Möglichkeit zur Verifikation bedeutet nicht, dass Nutzer tatsächlich prüfen.

Gerade im Versicherungsumfeld zeigt die Geneva Association diese Spannung deutlich: Kunden schätzen Geschwindigkeit und Personalisierung, nennen aber zugleich menschliche Unterstützung, Datenschutz, Genauigkeit und Transparenz als zentrale Anforderungen. Mehr als 40 Prozent äußern Sorgen über Genauigkeit beziehungsweise Fehlinformationen bei der eigenständigen Nutzung generativer KI für Versicherungsentscheidungen.

Das bedeutet: KI kann Informationsarbeit reduzieren, ohne das Vertrauens- und Qualitätsproblem automatisch zu lösen.

Eine überzeugend formulierte Antwort ist noch keine belastbare Antwort. Eine zitierte Quelle ist noch kein Beleg dafür, dass die Aussage korrekt eingeordnet wurde. Eine Empfehlung ist noch keine Beratung.

Verification bleibt deshalb eine mögliche Funktion der Journey – aber kein garantiertes Nutzerverhalten.

Wird die Customer Journey tatsächlich kürzer?

Diese Frage hatte ich bereits im ursprünglichen Post offengelassen. Heute gibt es deutlich mehr Daten – die Antwort lautet trotzdem: Bislang ist das nicht belastbar belegt.

Eine im Mai 2026 im Journal of Marketing Analytics veröffentlichte Untersuchung analysierte 587 Nutzer, 3.360 Journeys und rund 2,9 Millionen Trace-Events. Deskriptiv wirkten LLM-exponierte Journeys teilweise kürzer. Nach statistischer Adjustierung verschwand dieser Beschleunigungseffekt jedoch weitgehend, und die Studie fand keinen belastbaren Nachweis dafür, dass Nutzer mit beobachteter LLM-Nutzung schneller zur Intent-Phase gelangten.

Robuster war ein anderer Befund: Die sichtbare Zusammensetzung der Journey veränderte sich, weil LLM-Aktivität sowie Review- und UGC-Touchpoints stärker vor der Intent-Phase auftauchten. Das führt zu einer entscheidenden Unterscheidung:

Tatsächliche Kompression

Die reale Informations- und Entscheidungsarbeit wird geringer.

Beobachtbare Kompression

Der in klassischen Messsystemen sichtbare Teil der Journey wird kürzer, weil Aktivitäten in andere, schlechter beobachtbare Umgebungen wandern.

Beides ist möglich. Nur das Zweite ist derzeit deutlich besser gestützt.

Vielleicht wird der Funnel nicht kürzer. Vielleicht sehen wir nur weniger davon.

Nehmen wir ein vereinfachtes Beispiel. Analytics sieht:

Google Brand Search → Produktseite → Rechner → Abschluss

Die tatsächliche Informationsarbeit könnte zuvor enthalten haben:

KI-Dialog → Problemklärung → Kriterienbildung → Vergleich → Shortlist → Google Brand Search → Produktseite → Rechner → Abschluss

Der sichtbare Teil der Journey wäre kürzer, die gesamte Evaluation aber nicht zwangsläufig. Das hat eine wichtige Konsequenz: Ein Touchpoint kann dieselbe technische Attribution behalten und trotzdem eine andere Funktion innerhalb der Journey übernehmen.

Google Organic liefert weiterhin den beobachteten Websitebesuch, aber Source/Medium sagt nicht, ob Google hier erste Discovery, Navigation, Brand Confirmation, Gegenprüfung oder Verifikation geleistet hat. Das Analytics-Label bleibt gleich – der funktionale Kontext kann sich verändern.

Was daraus praktisch folgt

Aus der heutigen Datenlage würde ich fünf Konsequenzen ableiten.

1. Nicht nur den Kanal, sondern den Informationsstand betrachten

Für jeden wichtigen Touchpoint sollten drei Fragen beantwortet werden:

• Was weiß der Nutzer möglicherweise bereits?
• Was muss er hier noch verstehen oder verifizieren?
• Welche Entscheidung soll dieser Touchpoint erleichtern?

Damit wird aus einer reinen Kanalbetrachtung eine Analyse der tatsächlichen Entscheidungsaufgabe.

2. Grundlagen und Tiefe gleichzeitig anbieten

Nicht jeder Nutzer beginnt bei null. Websites, Content und Beratung müssen deshalb unterschiedliche Informationsreife auffangen:

• schnelle Orientierung für Einsteiger,
• konkrete Vergleiche für Fortgeschrittene,
• Belege und Details für skeptische Nutzer,
• Korrektur möglicher Fehlannahmen.

Ein langer Grundlagenratgeber allein reicht dafür nicht.

3. Den überprüfbaren Mehrwert erhöhen

Generische Erklärungen kann ein KI-System zunehmend selbst liefern. Weniger austauschbar sind konkrete Produktdaten, Originalquellen, eigene Berechnungen und Methoden, nachvollziehbare Einschränkungen, reale Fallkonstellationen und klare Verantwortlichkeit. Die wichtige Frage lautet deshalb nicht nur, wie man in einer KI-Antwort sichtbar wird, sondern welchen überprüfbaren Mehrwert der nächste Touchpoint gegenüber einer generischen KI-Zusammenfassung bietet.

4. Search und KI nicht als getrennte Welten planen

Die aktuelle Evidenz spricht eher für überlappende Nutzung als für reine Substitution. SEO bleibt deshalb Grundlage, KI-Sichtbarkeit erweitert den Recherche- und Evaluationsraum. Die strategische Aufgabe besteht nicht darin, einen Kanal durch einen anderen zu ersetzen, sondern Informationen über mehrere Interfaces hinweg konsistent, verständlich und belastbar verfügbar zu machen.

5. Vorinformiert nicht mit kaufbereit verwechseln

Generative KI kann Nutzer schneller zu einem klareren Urteil führen – und dieses Urteil kann ebenso lauten, dass ein Produkt nicht passt. Eine gute Journey muss deshalb nicht möglichst viele Nutzer bis zum Abschluss drücken, sondern möglichst schnell zu einer guten Entscheidung führen.

Ein kurzer Blick auf die Messung

Die Messfrage ist wichtig, aber sie ist nur eine Dimension dieser Entwicklung. Bei klassischer Suche kennen wir zumindest näherungsweise:

Impression → Klick → CTR → Session → Conversion

Bei Standalone-KI-Systemen fehlt Websitebetreibern derzeit typischerweise ein vergleichbares Set aus realem Promptvolumen, Impressionen und CTR. Wir sehen zwar Referral Traffic, aber nicht zuverlässig, wie häufig eine Marke real ausgespielt wurde, wie viele Antworten ohne Klick konsumiert wurden oder wie oft ein späterer Brand Search bzw. Direct Visit durch einen KI-Dialog beeinflusst wurde.

Prompttracking liefert eine zusätzliche Perspektive: Es kann kontrolliert messen, ob Marken und Wettbewerber innerhalb eines definierten Promptsets genannt, empfohlen oder zitiert werden. Das ist wertvoll für die relative Wettbewerbsbeobachtung, aber keine reale Reichweitenmessung.

Der IAB hat im August 2026 ein eigenes Framework veröffentlicht, um genau solche Messansätze besser nach Qualität und Aussagekraft einzuordnen. Die Unterscheidung zwischen richtungsweisenden und entscheidungsreifen Daten zeigt, wie unreif und methodisch uneinheitlich dieser Messmarkt noch ist.

Für diesen Artikel reicht deshalb eine klare Trennung:

Referral Traffic: beobachteter Klick. Prompttracking: kontrollierte Sichtbarkeit innerhalb eines Samples. Einfluss: mögliche Wirkung auf Wahrnehmung und Entscheidung – bislang nur teilweise beobachtbar.

Diese Ebenen sollten nicht zu einer scheinbar vollständigen Kennzahl verdichtet werden – und genauso wenig sollte nicht beobachtbarer Einfluss stillschweigend als versteckter, einfach hinzurechenbarer Wert behandelt werden. Die methodische Vertiefung verdient einen eigenen Artikel.

Offene Fragen statt neuer Funnel

Für mich ist mittlerweile eine andere Frage spannender als „Wo beginnt die Journey?“: In welchem Informationsstand erreicht der Nutzer den nächsten relevanten Touchpoint – und ist dieser Touchpoint darauf vorbereitet? Drei Fragen bleiben dabei besonders offen:

1. Verkürzt generative KI reale Entscheidungsprozesse – oder nur deren sichtbaren Teil?
2. Wie verändert sich Verhalten am nächsten Touchpoint, wenn Nutzer bereits KI-vorinformiert ankommen?
3. Wie groß ist der Einfluss generativer Systeme auf Markenpräferenz und Entscheidung, wenn überhaupt kein Referral entsteht?

Diese Unsicherheit ist kein Schwachpunkt der Analyse, sondern der Grund, warum es sich lohnt, die Entwicklung weiter zu beobachten.

Vielleicht verändert generative KI nicht zuerst, wo Menschen ankommen. Sondern wie sie dort ankommen.

Quellenbasis und Einordnung

Die Analyse stützt sich insbesondere auf sechs Quellen mit sehr unterschiedlichem Charakter. Die Semrush-Clickstream-Studien von August 2025 und April 2026 liefern große Verhaltensdatensätze, sind aber Anbieteranalysen mit US-Fokus. Die 2026 in Marketing Science veröffentlichte Auswertung von 973 E-Commerce-Websites bietet eine breite First-Party-Datenbasis, ist jedoch last-click-basiert und rein deskriptiv. Die Studie zu LLM-Exposition und Funnel Erosion im Journal of Marketing Analytics nutzt passive Journey-Daten, erhebt aber keinen kausalen Anspruch. Die Geneva-Association-Befragung von 6.000 Versicherungskunden ist international breit angelegt, aber auf Personen mit Grundwissen zu GenAI begrenzt. Dazu kommen die repräsentative deutsche Bitkom-Befragung von 1.004 Personen und das IAB-Framework zur Messung von Sichtbarkeit in KI-Systemen.

Wo Daten keine Kausalität belegen, wird im Text bewusst von Hinweisen, Hypothesen oder möglichen Mechanismen gesprochen, nicht von Beweisen.