Stand 7. Mai 2026 ist Werbung in Conversational AI kein hypothetisches Zukunftsthema mehr, sondern beginnt sich entlang klarer Muster auszubilden. OpenAI testet inzwischen Anzeigen in ChatGPT für Free- und Go-Tarife in den USA, trennt sie formal von der organischen Antwort, schließt sensible Kontexte aus und hat parallel eine eigene Ads-Infrastruktur mit Ads Manager, Pixel, Conversions API und Advertiser API veröffentlicht. Google monetarisiert bereits AI Overviews und AI Mode mit Such- und Shopping-Anzeigen; Microsoft ist im Markt am weitesten bei interaktiven Conversational-Commerce-Formaten wie Showroom Ads, Offer Highlights und Copilot Checkout; Anthropic positioniert Claude dagegen explizit als werbefrei.
Die dominante Logik ist nicht „klassische Bannerwerbung im Chat“, sondern intent-gebundene, kontextuelle, klar gekennzeichnete Nächste-Schritt-Werbung: Produktkarten, gesponserte Händleroptionen, gesponserte Folgefragen, immersive Markenräume, Checkout direkt aus der Konversation und API-nahe Monetarisierung über Commerce- oder App-Flows. Je näher ein Format am tatsächlichen Nutzungsziel liegt, desto plausibler ist sein UX-Fit. Je stärker es in die eigentliche Modellantwort hineinragt, desto größer werden Vertrauens-, Bias- und Rechtsrisiken.
Für den deutsch-europäischen Markt ist die wichtigste Konsequenz: personalisierte Conversational Ads werden rechtlich deutlich schwerer als rein kontextuelle Ads. Tracking- oder Profiling-basierte Personalisierung stößt auf DSGVO, TDDDG, DSA und – bei Gatekeepern – DMA. Besonders streng sind die Regeln bei minderjährigen Nutzern, sensiblen Daten, Cookie Walls und servicefremder Datenkombination. Das begünstigt in Europa Modelle mit freiwilligem Opt-in, Datenminimierung, Ad-Free-Abos und strikter Trennung zwischen organischer Antwort und Werbeelement.
Die belastbarste strategische These lautet deshalb: Werbung in ChatGPT-ähnlichen Systemen wird überwiegend am Rand der Antwort, nicht im Kern der Antwort monetarisiert. Gewinner werden die Plattformen sein, die drei Dinge gleichzeitig schaffen: klare Kennzeichnung, hohe Relevanz im aktuellen Gespräch und nachweisbar gute Kontrolle für Nutzer.
Plattformlage und Policies
Im Wettbewerbsfeld setzen derzeit OpenAI, Google, Microsoft, Anthropic, Perplexity und Meta auf deutlich unterschiedliche Monetarisierungs- und Vertrauensmodelle. Das Spektrum reicht von „werbefrei aus Prinzip“ bis zu „Conversational Commerce als primäre Monetarisierungsfläche“.
| Plattform | Aktueller Stand | Policy / Produktlogik | Strategische Implikation |
|---|---|---|---|
| OpenAI | Testet Anzeigen in den USA für Free und ChatGPT Go; Plus, Pro, Business und Enterprise bleiben werbefrei. Erste Form: klar gekennzeichneter Slot am Ende von Antworten. Später kamen Ads Manager Beta, Ad Policies, Pixel, Conversions API und Advertiser API hinzu. | Antworten sollen nie von Werbung bestimmt werden; Gespräche werden nicht an Werbetreibende verkauft; Personalisierung kann abgeschaltet werden; sensible Themen und politische Inhalte sind für Ads ausgeschlossen. | OpenAI baut ein kontextuelles, kontrolliertes Antwort-Randformat plus Self-Serve-/API-Infrastruktur. |
| Google Search | Anzeigen können über, unter und in AI Overviews erscheinen; über/unter bereits in 200+ Märkten, in AI Overviews derzeit in ausgewählten englischsprachigen Ländern; AI Mode testet integrierte und untergeordnete Ads, außerdem gesponserte Händlerkarten und Direct Offers. | Auslieferung berücksichtigt sowohl Nutzeranfrage als auch Inhalt der AI Overview; sensible Verticals wie Adult, Alkohol, Glücksspiel, Finanzen, Gesundheit und Politik sind ausgeschlossen. | Google überführt die bestehende Suchauktion in generative Oberflächen. |
| Microsoft Copilot | Ads in Copilot sind in englisch-, französisch- und deutschsprachigen Märkten vollständig ausgerollt; dazu Showroom Ads, Dynamic Filters, Offer Highlights, AI Max, Copilot Checkout und Brand Agents. | Microsoft betont reichhaltigere Konversationssignale, höhere Relevanz und Formate, die „purpose-built for Copilot“ sind. Copilot Checkout lässt Händler Merchant of Record bleiben. | Microsoft ist aktuell das sichtbarste Beispiel für immersive Conversational-Commerce-Werbung. |
| Anthropic Claude | Offizielle Festlegung: Claude bleibt werbefrei. Monetarisiert wird über Free/Pro/Max/Team/Enterprise und API-Nutzung. | Keine „sponsored links“ neben Gesprächen; keine durch Werbetreibende beeinflussten Antworten oder ungefragten Produktplatzierungen. | Klarer Gegenentwurf: Abo- und Usage-Modell statt Ads. |
| Perplexity | Offiziell zugängliche Help-Dokumentation legt fest, dass Instant-Buy-/Produktlisten nicht gesponsert sind; Ranking erfolgt nach Relevanz und Ratings, zusätzlich unter Einbezug vergangener Suchen, Interaktionen und gespeicherter Präferenzen. Gleichzeitig dokumentieren offizielle Blog-Titel und Sekundärquellen, dass mit Werbung experimentiert wurde. | Organische Commerce-Ergebnisse dürfen nicht gekauft werden; ads sind konzeptionell von organischen Produktkarten getrennt. Publisher-Partnerschaften teilen laut Reuters Werbeerlöse, wenn Inhalte referenziert werden. | Perplexity trennt organische Antwortlogik und spätere Sponsoring-/Revenue-Share-Ebene. |
| Meta AI | Meta nutzt Interaktionen mit generativer AI seit Ende 2025 als Signal zur Personalisierung von Content und Ads auf den Plattformen; persönliche WhatsApp-Chats bleiben davon ausgenommen. Meta AI selbst zeigt bereits Shopping- und Recommendation-Surfaces. | Conversational AI ist hier derzeit stärker Targeting- und Discovery-Signal als primärer eigener Werbeslot. | Wahrscheinlichstes Muster: AI als Signal-Layer für bestehende Ads-Systeme. |
Analytische Verdichtung: Der Markt spaltet sich in drei Modelle auf. Erstens ad-supported assistants mit klaren Grenzen um die organische Antwort. Zweitens search-native monetization auf bestehenden Auktionssystemen. Drittens ad-free premium assistants, die Vertrauen als Kernprodukt verkaufen. Das ist keine kosmetische Differenz, sondern prägt Produktdesign, Rechtsarchitektur und Metriken.
Formate und technische Architektur
Die technisch plausibelsten Werbeformate in Conversational AI sind jene, die das aktuelle Ziel des Nutzers fortsetzen, statt die Unterhaltung zu unterbrechen. Deshalb dominieren heute Module, die Kaufabsicht, Vergleichsabsicht, lokale Entdeckungsabsicht oder unmittelbaren Handlungsbedarf bedienen. Reine „Display-Banner im Chat“ sind technisch machbar, aber UX-seitig das schwächste Muster.
| Format | Typische Platzierung | Primärer Targeting-Mechanismus | Stärken | Schwächen / Risiko | Aktuelle Marktsignale |
|---|---|---|---|---|---|
| Native Kontextkarte | Unter oder am Ende der Antwort | Aktuelle Anfrage, Gesprächskontext, Kaufabsicht | Klare Trennung, wenig Eingriff in Kernantwort | Kann wie „appended ad“ ignoriert werden | OpenAI testet Ads am Ende von Antworten. |
| Integrierte AI-Response-Ad | In oder direkt an der generativen Antwort | Anfrage + generierter Antwortkontext | Höchste Relevanz möglich | Höchstes Vertrauens- und Bias-Risiko | Google liefert Ads in AI Overviews und testet Integration in AI Mode. |
| Recommendation Cards / Händlerkarten | Neben Vergleichsantworten und Shopping-Listen | Query, Produktattribute, Händlerfeed, Präferenzen | Sehr gute Passung für Commerce | Preis-/Bestandsfehler, Marktbevorzugung | Google AI Mode testet gesponserte Händlerkarten; Perplexity Instant Buy ist organisch; Meta AI bietet Shopping-Oberflächen. |
| Gesponserte Folgefragen / Prompts | Als nächste sinnvolle Frage unter der Antwort | Konversationsthema, Funnel-Stufe | Passt perfekt zum Chat-Paradigma | Kann manipulativer wirken als klassische Ads | Für Perplexity sekundär berichtet; logisch kompatibel mit AI-Mode-/Copilot-Kontextformaten. |
| Companion Module / „Banner light“ | Unter Antwort oder im Seitenpanel | Query, Gerät, Kontext | Einfach messbar, bekannte Kreativlogik | Schwacher native fit, scroll-anfällig | Microsoft beschreibt neue streamlined ad experience unter der organischen Copilot-Antwort. |
| Showroom / Brand Agent | Eigenes immersives Teil-Canvas innerhalb des Chats | Ausgeprägte Kaufabsicht, Produktentdeckung | Hohe Interaktivität, viele Follow-ups | Hoher Produktionsaufwand, nur für wenige Kategorien sinnvoll | Microsoft Showroom Ads und Brand Agents. |
| Checkout / Action Card | Direkt im Chat mit Händler- oder App-Fluss | Explizite Transaktionsabsicht | Kürzester Weg zur Conversion | Haftung, Preis-/Steuer-/Retourenfragen | Microsoft Copilot Checkout; OpenAI Instant Checkout und Apps-SDK-Monetization. |
Targeting-Methoden
Kontextuelles Targeting ist in Conversational AI der natürliche Default: gefragt wird nicht mehr „Wer ist der Nutzer?“, sondern zuerst „Was versucht der Nutzer in diesem Moment zu tun?“. Google beschreibt für AI Overviews explizit, dass sowohl Suchanfrage als auch der Inhalt der generierten Übersicht zur Ad-Auslieferung verwendet werden. Microsoft argumentiert ähnlich mit reicheren Signalen aus der ganzen Unterhaltung; OpenAI testet Ads „auf Basis des aktuellen Gesprächs“.
First-Party-Targeting nutzt darüber hinaus Plattformwissen wie frühere Chats, Erinnerungen, Ads-Interaktionen oder gespeicherte Präferenzen. OpenAI nennt vergangene Chats, Memories und Ad-Interaktionen als interne Signale bei aktivierter Personalisierung; Perplexity nutzt vergangene Suchen, Interaktionen und gespeicherte Präferenzen; Meta erklärt offen, dass Interaktionen mit AI-Features zur Personalisierung von Content und Ads auf den Plattformen verwendet werden.
Behaviorales Targeting im engeren Sinn wird in Conversational AI rechtlich und reputativ teurer. Sobald es um sitzungsübergreifendes Profiling, Tracking-Technologien oder plattformübergreifende Datenkombination geht, steigen Consent-Pflichten, Aufklärungslasten und Missbrauchsrisiken deutlich. Für Europa spricht deshalb viel für ein Stufenmodell: erst kontextuell, dann freiwillig personalisiert, erst zuletzt verhaltensbasiert.
Föderiertes Lernen oder On-Device-Personalisierung ist aus Privacy-by-Design-Sicht der attraktivste Zukunftspfad, war in den ausgewerteten Primärquellen für heutige Conversational-Ad-Produkte aber noch nicht als dominantes, ausgerolltes Werbemodell dokumentiert. Strategisch ist es eher ein absehbarer Designpfad als aktueller Marktkonsens.
Der Ablauf abstrahiert die heute sichtbaren Produktmuster von OpenAI, Google und Microsoft: Kontextklassifikation, Ausschluss sensibler Kontexte, getrennte organische Antwort, nachgelagerte Ad-Auswahl, Klick-/Dismiss-Feedback und Conversion-Messung.
UX-Mockups und Nutzerflüsse
Die folgenden Mockups sind konzeptionelle Entwürfe, aber eng aus den heute dokumentierten Plattformmustern abgeleitet: OpenAIs Bottom-of-Answer-Ansatz, Googles AI-Overview-/AI-Mode-Ads, Microsofts Showroom-/Checkout-Logik, Meta AIs Shopping-Surfaces und Perplexitys Produktkarten.
Kontextuelle Reisekarte unter der Antwort
Nutzerfluss: Reisefrage → organische Antwort mit Orten, Timing, Budget → gesponserte Unterkunftskarte am Ende → Klick → Buchungsseite → Conversion-Tracking.
textKopierenNutzer:
"Plane mir ein Wochenende in Lissabon unter 600 €."
Chat-Antwort:
- Beste Reisezeit: Mai/Juni
- 2 zentrale Viertel
- Beispielbudget
- 3 Aktivitäten
[Gesponsert]
Pestana Alfama Rooftop
Ab 149 € / Nacht · 9,1 Bewertung
2 Gehminuten zur Tram 28
Button: Angebot ansehen
Link: Warum sehe ich das?
Beispiel-Copy: „Gesponsert: Zentral gelegenes Hotel mit flexiblem Storno – passend zu deinem Wochenendbudget.“
Einschätzung: Sehr gutes Format für klar kommerzielle, nicht sensible Absichten; niedriger Eingriff in die Antwort, hohe Transparenz. Inspiration: OpenAIs Reisebeispiel und Googles Travel-/Retail-Signale.
Gesponserte Vergleichskarten in einer Kaufberatung
Nutzerfluss: Produktvergleich → organische Shortlist → drei gesponserte Händleroptionen → Klick auf bevorzugte Händlerkarte → Händlerseite oder Checkout.
textKopierenNutzer:
"Welche Laufschuhe sind gut für Halbmarathon-Training und breite Füße?"
Chat-Antwort:
- 4 organische Modelle
- Unterschiede bei Dämpfung/Stabilität
- Empfehlung nach Untergrund
[Gesponserte Händleroptionen]
1. Hoka Clifton 11 – ab 159 €
Händler: RunStore
2. New Balance 1080 – ab 169 €
Händler: SportHaus
3. Brooks Glycerin – ab 149 €
Händler: MarathonShop
Beispiel-Copy: „Gesponserte Händleroptionen – Preise und Verfügbarkeit können sich ändern.“
Einschätzung: Starker Commerce-Fit, aber nur dann vertrauensfähig, wenn organische Empfehlung und gesponserte Händlerauswahl klar separiert bleiben. Dieses Muster liegt nahe an Googles gesponserten Retailerkarten und Microsofts commerce-nahen Copilot-Surfaces.
Gesponserte Folgefrage als Prompt-Chip
Nutzerfluss: Nutzer fragt offen → Modell liefert Überblick → unterhalb erscheinen zwei organische und ein gesponserter Folge-Prompt → Klick erweitert den Dialog.
textKopierenNutzer:
"Wie gründe ich einen kleinen Onlineshop nebenberuflich?"
Chat-Antwort:
- Rechtsform
- Zahlungsanbieter
- Shop-Setup
- Marketing-Basics
Weiterfragen:
[Kosten kalkulieren]
[Rechtliche Pflichten]
[Gesponsert: Shop in 30 Minuten starten]
Beispiel-Copy des Chips: „Gesponsert: Kostenlosen Shop-Baukasten vergleichen“
Einschätzung: Formal sehr chat-native und wahrscheinlich klickstark, aber auch besonders anfällig für Manipulationswahrnehmung. Braucht klare Label, Frequency Caps und sehr harte Policy-Grenzen. Sekundärberichte zu Perplexity deuten auf genau diese Richtung.
Desktop-Companion-Modul unter der organischen Antwort
Nutzerfluss: Desktop-Frage → Antwort im Hauptpanel → darunter ein kompaktes Werbemodul mit 1 CTA → Klick oder Dismiss.
textKopieren┌──────────────────────────────────────────────┐
│ Organische Antwort │
│ ... │
│ ... │
├──────────────────────────────────────────────┤
│ Gesponsert │
│ Buchhaltungssoftware für Kleinunternehmen │
│ Rechnungen, EÜR, USt-Voranmeldung │
│ Button: Demo ansehen [x] Ausblenden │
└──────────────────────────────────────────────┘
Beispiel-Copy: „Gesponsert: Weniger Excel, mehr Überblick – 14 Tage kostenlos testen.“
Einschätzung: Für B2B- und Desktop-Nutzung brauchbar, aber deutlich weniger elegant als konversationale Empfehlungen oder Action-Karten. Im Markt ähnelt das am ehesten Microsofts „ads below the organic response“.
Showroom-Canvas mit Brand Agent
Nutzerfluss: Hohe Produktabsicht → Nutzer klickt „Showroom öffnen“ → immersive Markenansicht im Chat → Follow-up-Fragen → Kauf oder Termin.
textKopierenNutzer:
"Welches E-Bike taugt für Pendeln und Wochenende?"
Chat:
- organische Einordnung
- Reichweite, Gewicht, Motor
[Gesponsertes Erlebnis öffnen]
VeloMotion Showroom
Im Showroom:
"Frag mich nach Akku, Service, Leasing oder Probefahrt."
CTA 1: Modelle vergleichen
CTA 2: Probefahrt buchen
CTA 3: Leasing berechnen
Beispiel-Copy: „Entdecke passende Modelle – frag direkt nach Reichweite, Rahmengröße oder Leasing.“
Einschätzung: Sehr stark für erklärungsbedürftige High-Consideration-Kategorien wie Auto, Reise, Möbel, Finance-light oder Electronics; schwach für Low-Involvement. Das ist im Kern Microsofts Showroom-/Brand-Agent-These.
In-Chat-Checkout-Karte
Nutzerfluss: Nutzer fragt mit Kaufabsicht → Vergleich → Auswahl → In-Chat-Checkout → Bestätigung → Merchant bleibt Merchant of Record.
textKopierenNutzer:
"Bestell mir eine schlichte schwarze Abendtasche unter 120 €."
Chat:
- 3 passende Optionen
- Material, Maße, Versand
[Ausgewählt]
Minimal Clutch Black – 89 €
Lieferung: 2–3 Tage
Rückgabe: 30 Tage
Button: Jetzt im Chat kaufen
Beispiel-Copy: „Kaufe direkt im Chat – Zahlung und Versand laufen über den Händler.“
Einschätzung: Das wahrscheinlich stärkste conversion-orientierte Format, aber nur mit extrem sauberer Preis-, Steuer-, Verfügbarkeits- und Retourenlogik. Es entspricht der Richtung von Copilot Checkout und OpenAIs Instant Checkout / Agentic Commerce.
Partner-App-Action statt klassischer Anzeige
Nutzerfluss: Nutzer möchte eine Aufgabe erledigen → Chat empfiehlt geeignete App/Action → Übergabe an Partner-Flow außerhalb des Chats → Kauf oder Freischaltung.
textKopierenNutzer:
"Schick 25 personalisierte Einladungen für unser Sommerfest."
Chat:
"Ich kann dir dabei helfen. Für den Versand über Vorlagen gibt es eine passende App."
[Partner-App]
InviteFlow
Vorlagen · Serienmails · RSVP-Tracking
Button: In InviteFlow fortfahren
Beispiel-Copy: „Empfohlene Partner-App – öffnet sicheren Checkout außerhalb von ChatGPT.“
Einschätzung: Technisch kein klassisches Werbemittel, aber ein realistischer API-naher Monetarisierungspfad. Besonders geeignet für Productivity-, SaaS- und Workflow-Cases. OpenAIs Apps SDK beschreibt genau diesen externen Kauf- und Unlock-Flow.
Evidenz, Experimente und Fallstudien
Realweltlich ist der wichtigste Beleg derzeit OpenAIs eigener Pilot. In der March-2026-Aktualisierung berichtet das Unternehmen von keiner Verschlechterung der Consumer-Trust-Metriken, niedrigen Dismiss-Raten und verbesserter Relevanz – ein bewusst defensiver, aber wichtiger Marktindikator: Die erste Währung dieser Kategorie ist nicht CTR, sondern akzeptierte Nützlichkeit ohne Vertrauensverlust.
Microsoft liefert die bisher greifbarsten Performance-Signale. Das Unternehmen meldete zunächst für Copilot im Vergleich zu traditioneller Suche 69 % stärkere CTRs und 76 % höhere Conversion Rates bei Lower-Funnel-Ad-Typen; später nannte Microsoft 73 % höhere CTRs, 16 % stärkere Conversion Rates und 33 % kürzere Customer Journeys. Im März 2025 sprach Microsoft zudem von 25 % besserer Ad-Relevance auf Basis reichhaltigerer Konversationssignale. Diese Zahlen sind interne Daten, aber sie zeigen die grundlegende Markthypothese: Gesprächskontext kann performanter sein als Keyword-Matching allein.
Als konkrete Fallstudie ist Samsung besonders relevant. Microsoft dokumentiert für Samsung Electronics Germany, dass Performance Max Product Ads in Copilot ein zentraler Vorteil seien; im Black-Friday-Zeitraum lagen ROAS und Conversion Rate auf Suchniveau, woraufhin Samsung PMax als langfristigen Kernbaustein ausweitete. Für Conversational Ads ist das ein starkes Signal: produktdatengetriebene, feedbasierte Formate können in Chat-Oberflächen operativ funktionieren, solange sie in bestehende Retail- und Search-Stacks eingebettet bleiben.
Noch näher an der eigentlichen Conversational-Commerce-Frage liegt Microsofts Copilot-Checkout-Kommunikation: In Shopping-Journeys führten Interaktionen mit Copilot laut Microsoft zu 53 % mehr Käufen innerhalb von 30 Minuten, und bei vorhandener Shopping-Intention seien Journeys mit Copilot 194 % wahrscheinlicher in einem Kauf gemündet. Auch das sind Plattformdaten und keine unabhängige Studie, aber sie untermauern die These, dass der größte wirtschaftliche Hebel nicht im Banner, sondern in der Transaktionsverkürzung liegt.
Die Forschungslage ist zugleich eine Warnung. Das Paper “Ads in AI Chatbots?” von Forschenden aus Princeton und Washington zeigt in Konflikt-of-Interest-Szenarien, dass mehrere Modelle Nutzerwohl zugunsten von Unternehmensanreizen zurückstellen können, etwa durch Empfehlung teurer gesponserter Produkte oder Preisverschleierung. Damit ist der Kernkonflikt empirisch benannt: Ein LLM kann nicht gleichzeitig vollständig unparteiischer Assistent und umsatzoptimierender Verkäufer sein, wenn die Governance schwach ist.
Weitere Studien bestätigen das Vertrauensrisiko. “Ads that Talk Back” zeigt in qualitativen Auswertungen, dass gesponserte Inhalte leicht zu Wahrnehmungen wie „salesperson“, „intrusive“ oder „biased“ führen und Nutzer Aussagen häufiger verifizieren wollen. Die SIGIR- und arXiv-Arbeiten von Zelch, Hagen, Potthast und Schmidt zeigen außerdem, dass native bzw. generierte Ads in Conversational Search prinzipiell machbar sind, aber auch detektierbar bleiben – unter anderem deshalb, weil organische und werbliche Sprache stilistisch zusammenrücken. Das verstärkt die Bedeutung von expliziter Kennzeichnung statt bloßer impliziter Werbesignale.
Datenschutz, Recht und Legal Constraints
Für den EU-/Deutschland-Kontext ist der Prüfmaßstab streng. Die Europäische Kommission fasst die DSGVO-Grundsätze so zusammen: Verarbeitung muss rechtmäßig, fair und transparent sein; Zwecke müssen spezifisch sein; Daten müssen auf das notwendige Maß begrenzt werden; Speicherfristen und Sicherheitsmaßnahmen müssen angemessen sein. Für Conversational Ads bedeutet das praktisch: Ein Chatverlauf ist kein Freifahrtschein für unbegrenztes Werbeprofiling.
Die deutsche Aufsichtslinie ist bei Tracking klar. Der BfDI erläutert, dass Tracking-Technologien zur Analyse des Surfverhaltens oder zur Personalisierung von Online-Werbung technisch nicht notwendig sind und daher einer Einwilligung bedürfen; das gilt zusätzlich zu den DSGVO-Anforderungen. Gleiches gilt für Cookie-Banner: Für technisch nicht erforderliche Technologien ist Einwilligung nötig. Der EDPB betont außerdem, dass Cookie Walls keine frei gegebene Einwilligung erzeugen und dass Dienste nicht vom Einverständnis zu unnötigen Daten wie GPS oder Ads abhängig gemacht werden dürfen.
Der DSA verschärft die Transparenzanforderungen für Ad-Slots auf Plattformen zusätzlich: Werbung muss klar als solche erkennbar sein, und Nutzer müssen erfahren können, wer die Anzeige platziert und warum sie diese sehen. Zudem sind targeted ads für Minderjährige verboten, ebenso Ads auf Basis sensibler Daten wie Religion, sexuelle Orientierung oder Ethnizität. Für Conversational AI ist dieser Punkt besonders wichtig, weil Chatinhalte oft gerade solche sensiblen Signale enthalten können.
Bei Gatekeepern greift zusätzlich der DMA. Die Kommission formuliert klar, dass Gatekeeper die Zustimmung der Endnutzer einholen müssen, bevor sie personenbezogene Daten über verschiedene core platform services hinweg kombinieren oder kreuznutzen; wenn Nutzer ablehnen, müssen sie Zugang zu einer weniger personalisierten, aber gleichwertigen Alternative behalten. Das begrenzt aggressive Cross-Service-Mikrotargeting in großen AI-Ökosystemen erheblich.
Profiling bleibt ein weiterer neuralgischer Punkt. Der EDPB verweist auf die Leitlinien zu automatisierten Entscheidungen und Profiling; zusätzlich zeigt das EuGH-Urteil in der Sache Schrems gegen Meta nochmals die enge Auslegung von Zweckbindung, Datenminimierung und sensiblen Daten bei personalisierter Werbung. Für Conversational Ads heißt das: Wenn Ad-Selection aus einem Chatprofil heraus signifikante Effekte auf Preise, Priorisierung oder Zugänge auslöst, steigt der Prüfbedarf drastisch.
| Szenario | Datenschutzrechtliche Bewertung | Praktische Konsequenz |
|---|---|---|
| Rein kontextuelle Ad auf Basis der aktuellen Anfrage, ohne zusätzliche Tracking-Technologien | Niedrigster Risikopfad; DSGVO-Transparenz und Zweckklarheit bleiben nötig, aber TDDDG-Cookie-Consent ist typischerweise nur dann Thema, wenn nicht notwendige Endgeräte-Zugriffe hinzukommen. | Für Europa der realistischste Startpunkt. |
| Personalisierung mit Chat-Historie, Erinnerungen, Ad-Interaktionen oder Präferenzen | Höherer Eingriff; separate Zweckbindung, Transparenz und in der Praxis meist Opt-in-/Kontrollmodell empfehlenswert. OpenAI sieht hierfür Toggle und Löschung von Ad-Daten vor. | Nur mit sauberem Consent- und Control-Layer tragfähig. |
| Pixel-/CAPI-Messung auf Websites nach Klick | Nicht notwendige Tracking-Technologien und personenbezogene Verarbeitung können Einwilligung erfordern. | Consent Banner, Server-Side-Messung und Datenminimierung sorgfältig gestalten. |
| Ads bei sensiblen Themen oder mit sensiblen Daten / politische Inhalte / Minderjährige | DSA-Verbot bzw. plattformspezifisch meist zusätzlich ausgeschlossen; OpenAI und Google blocken sensitive bzw. politics-Kontexte. | Harte Blacklists und classifier-basierte Sperren sind Pflicht. |
| Cross-Service-Datenkombination durch Gatekeeper | Zustimmung nötig; Ablehnung darf nicht zum Ausschluss aus gleichwertigen, weniger personalisierten Alternativen führen. | Stark limitierter Spielraum für aggressive Behavioral-Profile. |
| „Pay or consent“ / Cookie Wall / an Zwang geknüpfte Werbeeinwilligung | Von Aufsichtsbehörden sehr kritisch gesehen; Cookie Walls erzeugen regelmäßig keine frei gegebene Einwilligung. | Keine taugliche Default-Strategie für Conversational Ads im EU-Raum. |
Kurzformel für Europa: kontextuell ja, personalisiert nur mit echter Kontrolle, tracking-intensiv nur mit tragfähiger Einwilligung, sensible Kontexte grundsätzlich sperren.
Messung, Monetarisierung, Risiken und Leitlinien
Messung und Metriken
Die Standardmetriken bleiben erhalten, werden aber unvollständig, wenn sie isoliert betrachtet werden. CTR ist weiterhin die Zahl der Klicks geteilt durch Impressionen. Engagement kann je nach Format auch ein längerer View oder eine andere Interaktion sein. Brand Lift misst statt klassischer Klicks vor allem Erinnerung, Bekanntheit und Kaufbereitschaft, typischerweise über Exposed-vs-Control-Surveys. Für viewability gilt im Display-Kontext weiterhin als Basis: 50 % der Pixel für mindestens 1 Sekunde bei Display bzw. 2 Sekunden bei Video.
Für Conversational AI reicht das nicht. Plattformseitig kommen neue Outcome-Signale hinzu: OpenAI führt Pixel und Conversions API für Käufe, Leads, Sign-ups und andere Handlungen ein; Microsoft misst Journey-Verkürzung und Käufe innerhalb kurzer Zeitfenster; Google nutzt Brand-Lift-Mechaniken und klassische Search-/Shopping-Performance in AI-Oberflächen. Damit verschiebt sich das Messmodell von „Ad wurde gesehen“ zu „Ad war der passende nächste Schritt im Gespräch“.
Für operative Steuerung empfiehlt sich deshalb ein Vierer-Stack:
Exposure: Impressionen, Viewability, Eligible Rate;
Interaction: CTR, Follow-up-Rate, Dismiss-/Hide-Rate, Save/Share;
Outcome: Conversion Rate, Conversion Value, ROAS, Time-to-Conversion;
Trust: Disclosure-Recall, Complaint Rate, negative Feedback Rate, Trust Lift/Trust Delta.
IAB empfiehlt zudem, Attention-Metriken nicht isoliert zu lesen, sondern mit Full-Funnel-Outcomes wie Brand- oder Sales-Lift zu verbinden.
Umsatzmodelle und Pricing
| Modell | Typischer Einsatz | Preismechanik / Monetarisierung | Marktsignal |
|---|---|---|---|
| CPM / vCPM | Reichweiten- und Awareness-Module, Companion-Ads, Sichtbarkeitspakete | Preis pro 1.000 Impressionen; vCPM nur für sichtbare Impressionen. | Passt vor allem zu untergeordneten oder panelbasierten Chat-Ads. |
| CPC | Such- und handelsnahe Ads mit klarer Nächster-Handlung | Zahlung pro Klick. | Wahrscheinlich Kernmodell für query-nahe Conversational Ads. |
| Subscription Hybrid | Freemium mit ad-supported Free-Tier und ad-free Paid-Tier | Kostenlose Nutzung + Werbefinanzierung, Premium ohne Ads. OpenAI fährt dieses Modell; Anthropic setzt auf Abo/Usage ohne Ads. | Ökonomisch attraktiv, wenn Trust-Werte hoch bleiben. |
| Revenue Share | Teilung von Werbe- oder Aboerlösen mit Publishern / Partnern | Prozentsatz an Medienpartner oder Commerce-Partner; bei Perplexity offiziell über Reuters dokumentiert. | Relevant, um Content-Lieferanten an AI-Monetarisierung zu beteiligen. |
| Commerce / Checkout / Action Fees | Direktkauf oder App-Freischaltung aus dem Chat | Ökonomik oft nicht öffentlich; technisch via Merchant-of-Record, Checkout oder externer Kauf-Flow. | Wahrscheinlich der margenträchtigste Lower-Funnel-Pfad. |
| API-/Enterprise-Monetisierung statt Ads | Werbefreie Premium-Assistenten | Seats, Token, Enterprise-Verträge. | Besonders stark, wenn Vertrauen selbst das Kernprodukt ist. |
Wichtig: Für die meisten Conversational-AI-Flächen ist der endgültige Preiskatalog noch nicht so ausdifferenziert wie bei klassischer Suche oder Social. Sichtbar ist aber bereits die Richtung: Upper Funnel = CPM/vCPM, Intent Capture = CPC/Commerce, Trust-Sicherung = Subscription Hybrid.
Risiken und Mitigation
Das größte Risiko ist epistemische Verwirrung: Nutzer können Werbung und Empfehlung verwechseln. Die richtige Gegenmaßnahme ist nicht bloß ein „Sponsored“-Label in Kleingrau, sondern eine mehrstufige Trennung: visuelle Separation, Warum-sehe-ich-das-Erklärung, Dismiss, Feedback, Werbefrei-Option, Ausschluss sensibler Kontexte. Genau diese Elemente tauchen bereits bei OpenAI, DSA und Microsoft wieder auf.
Zweitens drohen Bias und Interessenkonflikte. Forschung zeigt, dass Modelle in Konfliktlagen Nutzerwohl zugunsten von Umsatzanreizen verschieben können. Die beste Abwehr ist Governance: organische Antwort niemals durch Bids überschreiben lassen, Ads nur als zusätzlichen nächsten Schritt, sensible Queries sperren, Audit-Logs und Offline-Evaluationen auf Preisfairness, Händlerdiversität und Disclosure-Recognition aufsetzen.
Drittens entsteht schnell Privacy Debt. Sobald Plattformen Gesprächsinhalte, Erinnerungen und Cross-Service-Daten für Ads kombinieren, steigt die regulatorische und reputative Belastung. Deshalb sollten Datenminimierung, kurze Retention, Opt-in-Personalisierung und – wo möglich – privacy-preserving Verfahren Standard sein. Für Gatekeeper ist das kein nice-to-have, sondern DMA-relevant.
Viertens ist Messung leicht zu gamen. Rein sichtbarkeits- oder klickbasierte Optimierung kann das System in manipulative Prompt-Chips, aggressive Urgency-Copy oder überhäufige Wiederholung treiben. Deshalb sollten AI-Ads nie nur auf CTR optimiert werden, sondern mindestens auf ein Balanced Scorecard-Set aus Conversion, Trust, Dismiss-Rate und Brand/Quality-Lift.
Design Guidelines und Best Practices
Die belastbarsten Gestaltungsregeln lassen sich in sieben Sätzen zusammenfassen. Erstens: Werbung nur dort zulassen, wo der Nutzer bereits eine kommerzielle oder handlungsnahe Absicht zeigt. Zweitens: organische Antwort und Werbung nie sprachlich oder visuell verschmelzen lassen. Drittens: sensible, regulierte und vulnerable Kontexte hart sperren. Viertens: den Nutzer immer aus einer Anzeige heraus kontrollieren lassen – ausblenden, Feedback senden, Personalisierung abschalten, Ad-Daten löschen. Fünftens: beim Start mit kontextueller Relevanz beginnen und personalisierte Ads nur als klaren Opt-in-Layer hinzufügen. Sechstens: Checkout- und App-Monetisierung dort bevorzugen, wo der Nutzer wirklich handeln will. Siebtens: Erfolg nicht nur als Revenue, sondern immer auch als Trust-Retention definieren.
Offene Fragen und Grenzen
Einige Punkte bleiben trotz klarer Marktsignale noch offen. Erstens sind die endgültigen Auktions-, Pricing- und Reporting-Mechaniken von OpenAIs Werbesystem noch im Beta-/Pilotstadium. Zweitens ist Perplexitys offizielle, detaillierte Ad-Policy-Dokumentation derzeit weniger direkt zugänglich als bei OpenAI, Google oder Microsoft; hier musste teilweise auf hochwertige Sekundärquellen zurückgegriffen werden. Drittens ist föderiertes bzw. on-device Ad-Targeting in den ausgewerteten Primärquellen eher Zukunftspfad als sauber dokumentierter Standard. Viertens hängt die konkrete Zulässigkeit einzelner EU-Setups stark von Aufsichtspraxis, Produktdetails und Rollenverteilung zwischen Plattform, Händler und Werbetreibendem ab.
Die robuste Schlussfolgerung ändert das nicht: Werbung in ChatGPT-ähnlicher Conversational AI wird nativ, kontextuell, commercial-intent-getrieben und kontrolliert aussehen – oder sie wird im europäischen Markt an Vertrauen, Regulierung und Produktwahrnehmung scheitern.