OpenAI integriert eine visuelle, feedbackbasierte Shopping-Oberfläche in ChatGPT

Was OpenAI tatsächlich veröffentlicht hat

Am 24. November 2025 begann OpenAI, Shopping Research für angemeldete ChatGPT-Nutzer der Pläne Free, Go, Plus und Pro auszurollen – sowohl mobil als auch im Web. Die Funktion ist auf tiefergehende Kaufentscheidungen ausgelegt – Vergleiche, Einschränkungen und Abwägungen – statt auf schnelle Nachschlagevorgänge wie eine Preisabfrage.

Der Ablauf ist klar definiert: Man beschreibt, was man sucht, ChatGPT stellt Rückfragen zu Budget, Empfänger oder gewünschten Funktionen, recherchiert anschließend im Web und liefert einen Kaufratgeber mit Top-Produkten, wichtigen Unterschieden und aktuellen Details. Laut Unternehmen dauert das nur wenige Minuten und funktioniert besonders gut in detailreichen Kategorien wie Elektronik, Beauty, Haus und Garten, Küche und Haushaltsgeräte sowie Sport und Outdoor.

Um die Nutzung über die Feiertage anzukurbeln, stellt OpenAI für die Saison nahezu unbegrenzte Nutzung in allen Plänen bereit – eine Entscheidung, die zeigt, dass die Funktion zu einem gewohnten Einstiegspunkt werden soll und nicht nur eine gelegentliche Spielerei bleiben soll.

Die Oberfläche ist das Produkt, nicht nur das Modell

Die bemerkenswerte technische Entscheidung liegt im Frontend. Statt eines einzelnen Austauschs aus Eingabe und Antwort öffnet OpenAI eine visuelle Oberfläche, in der sich die Recherche laufend aktualisiert. Produkte erscheinen bereits während des Vorgangs, und Nutzer markieren Artikel mit „Kein Interesse“ oder „Mehr davon“, um die Ergebnisse in Echtzeit zu steuern.

Im Hintergrund durchsucht das System das Internet nach aktuellen Informationen wie Preis, Verfügbarkeit, Bewertungen, technischen Daten und Bildern und liefert laufend passende Optionen zurück.Montana Labs

Das ist ein deutlich anderes Interaktionsmuster als klassischer Chat. Die Recherche wird als zustandsbehaftete Sitzung behandelt, die neue Einschränkungen fortlaufend einbezieht, statt den Nutzer zu zwingen, in einer Folgenachricht alles erneut anzugeben. Für angewandte Teams ist das ein anschauliches Beispiel dafür, wie sich toolgestützte Informationsbeschaffung mit Live-Nutzerfeedback innerhalb einer einzigen Aufgabe verschränken lässt.

Ein kleines Modell, nachtrainiert für eine Aufgabe

Shopping Research basiert auf einer Version von GPT-5 mini – konkret GPT-5-Thinking-mini –, die per Reinforcement Learning gezielt für Shopping-Aufgaben nachtrainiert wurde. OpenAI gibt an, das Modell darauf trainiert zu haben, vertrauenswürdige Websites zu lesen, verlässliche Quellen zu zitieren und Informationen aus vielen Seiten zusammenzuführen, und eine neue Evaluierung für schwierige, einschränkungsreiche Produktanfragen entwickelt zu haben.

Die Genauigkeitsmetrik ist konkret gefasst: der Anteil der Produkte in einer Antwort, die die genannten Anforderungen tatsächlich erfüllen – Preis, Farbe, Material, technische Daten. Diese Herangehensweise ist entscheidend, denn sie misst, ob die zurückgegebenen Artikel die Vorgaben erfüllen, und nicht, ob der Text überzeugend klingt. OpenAI räumt offen ein, dass das Modell bei Details wie Preis und Verfügbarkeit noch Fehler macht, und verweist Nutzer zur Bestätigung an die Händlerseiten.

Die kommerzielle Infrastruktur im Hintergrund

Zwei Details zeigen, wohin die Entwicklung geht. Aktuell klicken Nutzer zum Kauf auf die Seiten der Händler weiter; künftig sollen laut OpenAI Käufe direkt in ChatGPT abgewickelt werden können, für Händler über Instant Checkout. Händler, die in den Ergebnissen erscheinen möchten, können ein Allowlisting-Verfahren durchlaufen.

OpenAI erklärt außerdem, dass die Ergebnisse organisch seien, basierend auf öffentlich zugänglichen Handelsseiten, dass Chats niemals mit Händlern geteilt werden und Seiten von geringer Qualität oder Spam-Seiten vermieden werden. Shopping Research wird zusätzlich proaktiv über ChatGPT Pulse für Pro-Nutzer angezeigt, das basierend auf früheren Gesprächen Kaufratgeber vorschlagen kann – etwa Zubehör für E-Bikes nach einem Gespräch über E-Bikes.

Was eine feedbackbasierte Shopping-Oberfläche bedeutet

Die konkrete Bedeutung dieser Einführung ist, dass OpenAI eine Schicht für die Produktentdeckung im Handel aufbaut, die zwischen Käufern und Händlern sitzt – bestehend aus einem eigens trainierten kleinen Modell, einer Echtzeit-Feedback-Oberfläche, Personalisierung durch Erinnerungsfunktionen und einem sich entwickelnden Weg hin zu Checkout und Händler-Allowlisting.

Für Teams, die Erlebnisse zur Produktentdeckung entwickeln, liegt die Lehre nicht darin, dass ein Spitzenmodell shoppen kann, sondern darin, dass OpenAI sich für ein auf die Aufgabe abgestimmtes Mini-Modell entschieden, es in eine zustandsbehaftete visuelle Oberfläche eingebettet und Erfolg als Genauigkeit bei der Einhaltung von Vorgaben definiert hat. Die Differenzierung liegt im Interaktionsdesign und in den Händlerbeziehungen, nicht in der reinen Modellgröße.