Agentic Commerce: Wenn KI nicht nur empfiehlt, sondern gleich einkauft
- Sophia von Buchwaldt
- vor 5 Tagen
- 8 Min. Lesezeit
Blitzschnelle Produktrecherchen, Vergleichsanalysen auf verschiedenen Portalen und kein eigenständiges Browsen mehr – das passiert, wenn KI für uns einkauft. Konsumenten sparen Zeit, aber gleichzeitig verändert sich das Shopping-Erlebnis grundlegend: Es entscheidet nicht mehr der Mensch, sondern die KI, also Algorithmen. Welche Konsequenzen hat das für Marken, Händler und Marketing-Teams? Wie lassen sich Loyalität, Markenführung und Customer Experience sichern, wenn die KI den Kaufprozess steuert?
Inhaltsverzeichnis
Online-Shopping mit KI: Was ist eigentlich Agentic Commerce?
Agentic Commerce ist die nächste Stufe von Künstlicher Intelligenz im Online-Shopping – von „Antworten generieren“ zu „Aufgaben erledigen“: Ein klassischer GenAI-Chatbot beantwortet Fragen, vergleicht oder erklärt Produkte und schlägt Lösungen vor. Er reagiert auf menschlichen Input. Ein KI-Agent hingegen handelt: Er hat ein klares Ziel, Zugriff auf Tools (Suchindex, Produktdatenbanken, Zahlungsdienstleister), definierte Berechtigungen – und er führt eine Abfolge von Schritten eigenständig aus, bis dieses Ziel erreicht ist. Damit verschiebt sich die Verantwortung für die Kaufentscheidung zunehmend vom Konsumenten auf die KI.
Merkmal | Generative KI / Chatbot | KI-Agent (Agentic AI) |
Modus | Reaktiv | Proaktiv & autonom |
Ziel | Antwort generieren | Aufgabe vollständig erledigen |
Tools | Textgenerierung | Suche, APIs, Checkout, Zahlungen |
Checkout | Nein | Ja (mit Permissions) |
Beispiel | „Hier sind 5 Produkte, die passen könnten" | Preise vergleichen, Produkt aussuchen und bestellen |
Konkret: Ein Nutzer gibt dem Agenten Präferenzen, Budget und Regeln (Guardrails) vor. Der Agent sucht plattformübergreifend, filtert, vergleicht – und kauft eigenständig ein oder bereitet den Kauf vor. Der Mensch bleibt je nach Setup über Feedback oder eine finale Freigabe eingebunden.
Welche AI Shopping Use Cases sind heute schon real?
Die Technologie steht noch am Anfang, aber sie ist keine Zukunftsvision mehr. Plattformen wie Perplexity, ChatGPT und Google Gemini bauen Commerce-Funktionen bereits aktiv in ihre Ökosysteme ein.
Der KI-Stylist: Ein Agent liest Stilpräferenzen und Anlass aus dem Nutzerprofil, stellt ein komplettes Outfit aus mehreren Online-Shops zusammen und legt die Artikel in den Warenkorb – inklusive Größenabgleich und Budgetcheck. Der Mensch bestätigt – oder er delegiert dies sogar.
Automatisches Replenishment: Verbrauchsgüter wie Waschmittel, Kaffeekapseln oder Hundefutter werden nachbestellt, bevor sie leer sind. Amazons Dash Replenishment ist ein früher Vorläufer, aktuelle Agenten arbeiten kontextsensibler und plattformunabhängig.
B2B Procurement: Im B2B-Bereich ist das Potenzial besonders groß. Ein Agent überwacht Lagerbestände, gleicht sie mit Lieferkettendaten ab, holt Angebote bei mehreren Lieferanten ein und platziert Bestellungen innerhalb genehmigter Budgetrahmen – ohne dass ein Einkäufer jede Transaktion manuell bearbeiten muss. 96% der befragten globalen Retailer testen oder implementieren KI-Agenten bereits.
Customer Service & Retouren: Agenten übernehmen eigenständig Anfragen, initiieren Rücksendungen, prüfen Garantieansprüche und kommunizieren Lösungen – ohne menschlichen Support-Agenten. Unternehmen berichten von bis zu 30% kürzeren Bearbeitungszeiten und einer über 20% höheren First-Contact-Resolution-Rate.
Die Online-Shopping-Chancen – und wo KI die Kontrolle übernimmt
Für Marken und Händler ist Agentic AI Shopping ein zweischneidiges Schwert. Auf der einen Seite stehen messbare Vorteile.
Kunden, die über KI-Agenten kommen, sind laut Adobe 10% stärker engagiert als klassische Besucher und erreichen Retailer weiter unten im Sales Funnel – mit einer höheren Kaufabsicht und einer 27% niedrigeren Bounce Rate. Der Traffic aus GenAI-Browsern und Chat-Diensten auf US-Retail-Seiten stieg im Juli 2025 um 4.700% gegenüber dem Vorjahr.
Gleichzeitig greifen KI-Agenten beim Einkauf anders oder auf ganz andere Signale zurück als Menschen:
Preis und Preis-Leistungs-Verhältnis
Ratings und Reviews (strukturiert, nicht emotional)
Verfügbarkeit und Liefergeschwindigkeit
Maschinenlesbare Produktdaten – keine Bilder, kein Storytelling
BCG bringt es auf den Punkt: “KI-Agenten schwächen die traditionelle Markenbindung, begrenzen Cross-Selling-Chancen und setzen Retail-Media-Erlöse unter Druck”.
Das bedeutet: Wer sonst über Bildsprache, Kampagnengefühl und Markenloyalität konvertiert, verliert diese emotionalen Hebel – zumindest gegenüber der KI.
Die Spielregeln verschieben sich zwar, aber Markenführung verpufft nicht. Im Agenten-Kanal wird Emotion stärker über messbare Vertrauenssignale übersetzt: Bewertungen, Auszeichnungen, Wiederkauf, Retourenquote und Produktperformance. Der Hebel verschiebt sich damit von impulsgetriebener Markenwirkung hin zu Proof. Marken, die ihren Claim mit Daten belegen und konsequent liefern, werden im Agenten-Zeitalter nicht schwächer, sondern vergleichbarer – und genau das ist eine Chance für uns im Marketing. Genau hier setzt GEO z. B. an: Wir optimieren Inhalte für LLMs und Agenten, damit sie Marke und Angebot korrekt einordnen können. Im Kern ist das die gleiche Logik, die wir aus SEO kennen – inklusive E‑E‑A‑T (Experience, Expertise, Authoritativeness, Trust) – nur weitergedacht: Proofpoints und Trust statt reiner Präsenz.
Diese Agenten reagieren deutlich weniger auf klassische Banner-Mechaniken. Stattdessen arbeiten sie stärker datengetrieben: Sie parsen Produktinformationen, prüfen Verfügbarkeit, vergleichen Preise und bewerten Signale wie Lieferzeit, Retourenquote oder Bewertungen.
Dadurch verschieben sich Daten- und Attributionsmodelle. Je mehr Kaufentscheidungen in agentischen Interfaces vorbereitet oder sogar abgeschlossen werden (z. B. in Perplexity oder ChatGPT), desto weniger transparent werden klassische Conversion-Pfade – und desto stärker zählt die Frage, ob strukturierte Produktdaten, Reviews und Inhalte die Entscheidung des Agenten beeinflusst haben.
Die Messlogik verändert sich damit von „Hat der Kunde die Anzeige gesehen?“ hin zu „Welche Signale haben die Auswahl des Agenten messbar beeinflusst?“ – und wie gut sind diese Signale über Feeds, Schema-Markup und Content im offenen Web verfügbar.".
Die Bedeutung von Agentic Commerce für das Performance Marketing
Die entscheidende praktische Frage ist: Wie optimiert man für einen Kanal, in dem kein Mensch mehr klickt? Der AI-Shopping-Hebel liegt nicht im Interface – er liegt in der Infrastruktur. Wer seine Produktdaten, Preislogik und technische Anbindung nicht agentenfähig macht, wird in diesen Ökosystemen nicht auftauchen.
1. Product Feeds: Kein KI-Agent kauft, was er nicht zuverlässig interpretieren kann
Produktdaten sind der Eintrittsschein für jedes Agenten-Ökosystem. Ein Agent, der ein Produkt nicht eindeutig identifizieren oder einordnen kann, wird es überspringen – egal wie gut die Kampagne dahinter ist. Das klingt trivial, ist in der Praxis aber eine echte Schwachstelle vieler Händler.
Die häufigsten Feed-Fehler sind überraschend banal: uneinheitliche Titel-Logik, fehlende oder falsche GTINs, vermischte Varianten (z. B. Größe/Farbe im gleichen Feld), fehlende/unklare Attribute und veraltete Verfügbarkeiten. Der schnellste Quickfix ist fast immer Standardisierung: eine klare Titel-Formel (Marke + Produkttyp + wichtigste Variante), saubere Variantenzuordnung auf SKU-Ebene und Pflichtfelder konsequent befüllen. Mit einer einheitlichen und genauen Datenbasis lassen sich leicht Ansatzpunkte für punktuelle Individualisierung und Optimierung finden. Danach lohnt sich ein kurzer ‚Reality-Check‘: Stimmen Preis, Bestand und Lieferzeit im Feed wirklich mit dem Shop überein?
Was saubere Feeds heute brauchen:
Vollständige, eindeutige Produkttitel ohne unnötige Marketing-Floskeln (stattdessen Marke/Modell/Variante klar nennen)
Präzise Beschreibungen mit technischen Attributen (Material, Maße, Gewicht)
Korrekte GTINs (Global Trade Item Numbers) & Kategorisierungen
Aktuelle Preise, Varianten, Lieferzeiten und Lagerbestände
Feeds, die für Google Shopping optimiert wurden, sind ein guter Ausgangspunkt – aber noch kein Garant. KI-Agenten sind oft weniger tolerant gegenüber Lücken und Inkonsistenzen und brauchen Vollständigkeit und Konsistenz, um sicher zu vergleichen.
2. Preis & Verfügbarkeit: KI-Agenten warten nicht
Agenten priorisieren häufig nach Preis und Lieferfähigkeit – neben weiteren Signalen wie Bewertungen, Retourenquote oder Präferenzen des Nutzers. Wer hier mit veralteten Daten arbeitet, verliert Empfehlungen in Echtzeit – an den Wettbewerber, der aktueller ist.
Was das konkret bedeutet:
Preis- und Verfügbarkeitsupdates möglichst automatisiert und zeitnah (idealerweise per API)
Lagerbestände sollten auf SKU-Ebene (Stock Keeping Unit) synchronisiert sein
Lieferzeitangaben müssen verlässlich sein – je präziser (und je stärker belegt), desto besser als breite Zeitfenster wie ‚3–5 Werktage‘
Aktuelle Preis- und Verfügbarkeitsdaten sind eine strukturelle Voraussetzung, um sichtbar zu bleiben; dynamisches Pricing kann dabei ein Vorteil sein.
3. Structured Data: Die Sprache, die Maschinen verstehen
Schema.org-Markups sind nicht neu – aber ihre Relevanz steigt im Agenten-Kontext erheblich. Wo ein Mensch noch aus Kontext schließen kann, was ein Produkt kostet oder wie es bewertet ist, braucht ein Agent explizit ausgezeichnete strukturierte Daten. Fehlende oder fehlerhafte Markups bedeuten: Die Information existiert für den Agenten nicht.
Die wichtigsten Schema-Typen für Commerce:
Product mit vollständigen Attributen (Name, Beschreibung, Bild, SKU)
Offer mit Preis, Währung, Verfügbarkeit und Gültigkeitszeitraum
AggregateRating mit Bewertungsanzahl und Durchschnittswert
BreadcrumbList für saubere Kategorisierung im Kontext
Wer Structured Data bislang als nettes SEO-Beiwerk behandelt hat, sollte das überdenken. Es wird zum zentralen Kommunikationskanal zwischen Shop und KI-System.
4. Reviews: Qualität schlägt Quantität
Reviews sind für Agenten kein emotionaler Eindruck, sondern ein auswertbares Signal – quantitativ (Score, Volumen, Aktualität) und qualitativ (Brand Sentiment, Themen, wiederkehrende Pain Points). Ein Agent liest keine Bewertungen wie ein Mensch; er aggregiert, gewichtet und vergleicht. Das verändert, welche Art von Review tatsächlich nützlich ist.
Was algorithmisch relevante Reviews auszeichnet:
Konkrete Attribut-Erwähnungen: Passform, Haltbarkeit, Verarbeitung, Lieferung
Hohe Anzahl mit konsistenter Tendenz – Ausreißer werden herausgefiltert
Aktualität: Veraltete Reviews zählen weniger als neue
Plattformübergreifende Konsistenz – Agenten ziehen Daten aus mehreren Quellen
Generische Lobeshymnen sind hier nicht zielführend. Am hilfreichsten sind Reviews, die konkrete Nutzungserfahrungen beschreiben. Deshalb lohnt es sich, Kunden gezielt nach Details zu fragen – und nicht nur nach Sternen.
5. API-Readiness & MCP: Der technische Unterbau
Das Model Context Protocol (MCP) entwickelt sich zum Standard für die Kommunikation zwischen KI-Agenten und Backend-Systemen – eine Art Adapter-Schicht, über den Agenten strukturiert auf Produktdaten, Bestandsinformationen und Checkout-Systeme zugreifen können. Wer hier früh investiert, hat einen strukturellen Vorteil.
Was API-Readiness im Agentic-AI-Shopping-Kontext bedeutet:
Stabile, dokumentierte Product-APIs mit Echtzeit-Datenzugriff
MCP-kompatible Schnittstellen für gängige Agenten-Plattformen
Saubere Fehlerbehandlung – ein fehlgeschlagener API-Call führt zur Alternative
Skalierbarkeit: Wenn Agenten-Traffic wächst, muss die Infrastruktur mithalten
Das ist kein reines IT-Thema mehr. Produkt, Marketing und Technik müssen hier gemeinsam planen.
6. Consent & Payments: Ohne Infrastruktur kein Checkout
Damit ein KI-Agent eine Transaktion wirklich abschließen kann, braucht er mehr als Produktdaten – er braucht gesicherte Payment-Permissions und rechtlich konforme Abläufe. Visa baut eine entsprechende Infrastruktur, Perplexity hat PayPal integriert, ChatGPT testet Instant Checkout mit Etsy und Shopify. Die Wege, auf denen Käufe stattfinden, verändern sich grundlegend.
Was Händler dabei im Blick haben müssen:
Payment-Flows müssen programmatisch zugänglich sein, nicht nur über Frontend-Interfaces.
Explizite Nutzer-Permissions für agentengesteuerte Zahlungen müssen dokumentiert und widerrufbar sein.
Im EWR (Europäischen Wirtschaftsraum) kommen je nach Einsatz zusätzliche Anforderungen hinzu (u. a. aus EU AI Act, PSD2/SCA und Verbraucherschutz).
Retourenprozesse sollten ebenfalls maschinenlesbar und automatisierbar sein.
Das rechtliche Umfeld ist hierbei noch nicht ganz klar. Aber: Wer Zahlungs- und Consent-Prozesse nicht agentenfähig aufsetzt, wird in agentischen Checkouts benachteiligt – durch mehr Friktion, weniger Conversion und weniger Auswahl durch den Agenten.
7. Von SEO zu GXO: Sichtbarkeit neu denken
BCG hat den Begriff Generative Experience Optimization (GXO) geprägt: Es geht darum, Inhalte so aufzubauen, dass generative KI-Systeme sie als autoritativ, faktenbasiert und zitierwürdig einordnen. Das geht weit über klassische Suchmaschinenoptimierung und Generative Engine Optimization hinaus – und betrifft das gesamte digitale Ökosystem einer Marke.
Was GXO konkret umfasst:
Faktenbasierte, strukturierte Inhalte auf der eigenen Website (keine leeren Marketingtexte).
Aufbau von thematischer Autorität durch Tiefencontent statt Keyword-Stuffing.
Präsenz auf Plattformen, die Agenten als Quellen nutzen: Reddit, YouTube, Wikipedia, Branchenmedien.
Konsistente Markenbotschaften über alle Touchpoints – Agenten gleichen Quellen ab (inkl. Stammdaten-Konsistenz wie NAP).
Das Ziel ist nicht mehr nur, in Suchergebnissen auf Seite 1 zu landen – sondern in den Trainings- und Retrievaldaten der Systeme zu stehen, die zukünftig Kaufempfehlungen aussprechen. Wer das jetzt strategisch angeht, investiert in Sichtbarkeit, die über ein einzelnes Algorithmus-Update hinaus Bestand hat.
Chancen und Grenzen von Agentic Commerce
Für Konsumenten können KI-Agenten den Entscheidungs- und Kaufprozess vereinfachen. Für Unternehmen können sie die Conversion-Raten erhöhen, Prozesse beschleunigen und B2B- sowie Replenishment-Use-Cases effizient gestalten. Aber wie in vielen anderen Bereichen hat der Einsatz von KI einen Preis: die Abgabe von Kontrolle.
Genau diese Verschiebung sehen wir auch im SEA – zum Beispiel mit Performance Max und AI‑Max. Wir geben Kontrolle ab: Man kann nicht mehr auf einzelne Keywords manuell bieten, Suchanfragen nur noch begrenzt steuern und viele Optimierungen laufen als ‚Black Box‘ über Signale, Creatives und Zielvorgaben statt über klassische Keyword-Listen. Gleichzeitig zeigen erste AI‑Max-Tests in Deutschland: Reichweite und Umsatz können deutlich steigen – der ROI leidet aber in manchen Setups zunächst, wenn Guardrails, Feed-Qualität und Conversion-Value-Logik nicht sauber sitzen. Entscheidend ist deshalb ein klares Mess-Setup und harte Leitplanken, nicht mehr Mikromanagement.
Menschliche Entscheidungsmomente werden minimiert, emotionale Markenführung wird abgeschwächt und Retailer verlieren teilweise den Zugriff auf First-Party-Daten. Agentic Commerce ist ein Instrument, das am besten funktioniert, wenn die gesamte Infrastruktur stimmt. Wer die Risiken unterschätzt, die Umsetzung halbherzig ausführt oder ausschließlich auf KI setzt, schafft es vielleicht in den Warenkorb – aber riskiert langfristig an Markenwert, Sichtbarkeit und strategischer Handlungsfähigkeit zu verlieren.
