Agentic Commerce: Wenn der nächste Kunde eine KI ist

Bis 2030 wird ein Viertel des gesamten E-Commerce über KI-Agenten laufen, prognostiziert Deloitte. Agentic Commerce verändert grundlegend, wie Produkte gefunden und gekauft werden – und stellt Hersteller mit eigenem Shop vor konkrete Fragen: Was davon ist heute bereits Realität?

Inhalte

1. Was gerade passiert

2. Wie sich die Customer Journey verändert

3. Ehrlicher Blick: Was geht in Europa wirklich?

4. Wo muss ich als Hersteller sichtbar sein?

5. Warum Produktdaten jetzt wichtiger sind als je zuvor

6. Was die großen Player bauen – und warum die Details noch nicht wichtig sind

7. Was bleibt

Dann passiert etwas, das GartenProfi zunächst gar nicht mitbekommt: Ein Kunde, der eine Terrassenüberdachung plant, fragt nicht mehr Google. Er fragt ChatGPT. Und ChatGPT empfiehlt einen Wettbewerber – nicht, weil dessen Produkt besser wäre, sondern weil dessen Produktdaten vollständiger und maschinenlesbarer sind.

Es passiert heute, in genau dieser Form.

Was gerade passiert

Shopping ist bereits in die großen KI-Plattformen eingebaut – ChatGPT mit einer integrierten Kauffunktion, Google Gemini mit ersten Shopping-Agenten, Perplexity mit Produktvergleichen inklusive Direktkauf. Der Kunde muss dabei nichts installieren, konfigurieren oder anmelden: Er stellt eine Frage und erhält eine Kaufempfehlung.

Laut EY nutzen bereits 70 Prozent der Verbraucher:innen KI für Produkt- und Preisrecherchen; McKinsey beziffert den Anteil derer, die KI bei der Internetsuche einsetzen, auf 50 Prozent. Deloitte geht noch einen Schritt weiter und prognostiziert, dass bis 2030 ein Viertel des gesamten E-Commerce über KI-Agenten laufen wird.

Abb.1: EY, McKinsey und Deloitte zeigen unisono in dieselbe Richtung. 

Solchen Prognosen muss man nicht blind vertrauen. Analysten liegen regelmäßig daneben – in beide Richtungen. Wenn McKinsey, Deloitte, EY und die großen Plattformanbieter aber unisono in dieselbe Richtung zeigen, ist das ein Signal, das sich nicht ignorieren lässt.

Für GartenProfi heißt das konkret: Die mühsam aufgebauten Google-Rankings verlieren nicht an Wert, aber daneben entsteht ein zweiter Kanal, der nach völlig anderen Regeln funktioniert.

Wie sich die Customer Journey verändert

Bisher war ein Kauf eine aktive Reise. Der Kunde suchte bei Google, klickte sich durch Shops, verglich Produkte und entschied sich irgendwann. In jeder dieser Phasen hatte der Hersteller die Chance, mit Marke, Design und Content zu überzeugen.

In einer Agent-Welt wird dieser Prozess komprimiert. Die Person äußert eine Absicht – „Ich brauche ein Sonnensegel für meine 20-Quadratmeter-Terrasse, freistehend, für Betonboden, Budget bis 500 Euro" – und der Agent übernimmt. Er recherchiert, vergleicht, bewertet und empfiehlt. Wenn der Kunde zustimmt, kauft er.

Abb. 2: Fünf Schritte werden zu vier – aber der Einfluss des Herstellers schrumpft auf einen.

Der Unterschied liegt darin, dass der Agent keine Website im menschlichen Sinne besucht. Er sieht kein Hero-Banner, kein Markenvideo, kein sorgfältig gestaltetes Layout – er liest strukturierte, maschinenlesbare Produktdaten. Und auf dieser Basis entscheidet er, welcher Hersteller empfohlen wird.

Die Brand Story, die GartenProfi über Jahre aufgebaut hat, bleibt relevant – aber sie muss sich in Daten übersetzen lassen. Ein TÜV-Siegel, das als Bild auf der Produktseite eingebunden ist, existiert für einen KI-Agenten schlicht nicht. Dasselbe Siegel als strukturiertes Attribut im Produktdatenfeed hingegen ist ein Vertrauenssignal, das Empfehlungen direkt beeinflusst.

Ehrlicher Blick: Was geht in Europa wirklich?

Was davon heute in Europa tatsächlich nutzbar ist, ist nüchterner als die Ankündigungen der großen Plattformanbieter vermuten lassen – das ist aber kein Grund zur Entwarnung.

Die großen KI-Shopping-Funktionen sind bisher weitgehend auf die USA beschränkt: ChatGPTs Instant Checkout, Googles AI Mode Shopping und Perplexitys Direktkauf über PayPal richten sich alle primär an amerikanische Händler. In Europa gibt es einzelne Vorreiter – Carrefour in Frankreich lässt Kund:innen über ChatGPT Warenkörbe zusammenstellen – aber von einem funktionierenden europäischen Ökosystem für Agent-Commerce ist man weit entfernt.

Abb. 3: Direktkauf noch nicht in Europa – aber Empfehlungen laufen bereits jetzt.

Was bereits weltweit funktioniert, ist die Empfehlung. Wenn ein Kunde in Deutschland ChatGPT, Gemini oder Perplexity nach einem Sonnenschutzsystem fragt, bekommt er eine Antwort. Produkte werden verglichen, Hersteller werden genannt – oder eben nicht. Der Kaufabschluss mag noch über den klassischen Shop laufen, aber die Entscheidung, welcher Shop überhaupt besucht wird, fällt zunehmend im KI-Dialog.

Für europäische Hersteller folgt daraus eine konkrete Überlegung: Wer wartet, bis Agent-Commerce in Deutschland voll funktioniert, wird feststellen, dass die Empfehlungsmuster längst geformt sind. Die Agenten lernen jetzt, welche Hersteller verlässliche Daten liefern. Wenn der Kaufabschluss in Europa kommt – und er wird kommen – werden die Hersteller bevorzugt, die bereits sichtbar sind.

Wo muss ich als Hersteller sichtbar sein?

Die Frage für einen Hersteller wie GartenProfi ist nicht „Soll ich einen eigenen KI-Server bauen?" – sondern: „Über welche Kanäle finden KI-Agenten meine Produkte?"

Im Grunde ist es dieselbe Herausforderung wie die Google-Sichtbarkeit vor fünfzehn Jahren – nur eine Ebene höher.

Share of Answer ist dafür die KI-Ära-Version des klassischen Share of Voice: Es zählt nicht mehr der Platz auf Seite 1, sondern wie oft eine KI mein Produkt empfiehlt, wenn jemand in meiner Kategorie fragt. Der Hebel dafür sind strukturierte, maschinenlesbare Produktdaten – wer hier heute die Grundlage legt, gewinnt in einem Markt, in dem der wichtigste Einkäufer kein Mensch mehr ist.

Drei Wege zeichnen sich ab:

Google Merchant Center. Der pragmatischste Einstieg. GartenProfi hat vermutlich bereits einen Merchant-Center-Feed für Google Shopping. Googles KI-Shopping-Agent nutzt genau diese Feeds. Wer seinen Feed vollständig und qualitativ hochwertig pflegt, ist für Googles Agenten bereits sichtbar. Der Aufwand ist gering, die Wirkung potenziell hoch.

Shopify Agentic Plan. Shopify syndiziert Produktdaten automatisch an ChatGPT, Perplexity, Microsoft Copilot und Google Gemini. Interessant dabei: Seit Anfang 2026 bietet Shopify diesen Kanal auch Nicht-Shopify-Händlern an. GartenProfi könnte seinen Shopware-Shop behalten und trotzdem über Shopifys Agentic-Kanal sichtbar werden.

Eigene Protokoll-Integration. Wer einen eigenen Commerce-Stack betreibt – SAP, Shopware, Custom – kann die entstehenden Protokolle direkt implementieren. Das ist der aufwendigste Weg, bietet aber die meiste Kontrolle. Für die meisten Mittelständler ist das heute ein Thema zum Beobachten, nicht zum Umsetzen.

Die Reihenfolge folgt dem Umsetzungshorizont: von sofort machbar bis mittelfristig relevant. GartenProfi sollte morgen seinen Merchant-Center-Feed prüfen, nächsten Monat den Shopify Agentic Plan evaluieren und in einem halben Jahr die eigene API-Strategie bewerten.

Abb. 4: Von sofort bis in sechs Monaten – gestaffelt nach Aufwand. 

Warum Produktdaten jetzt wichtiger sind als je zuvor

„Produktdaten aufräumen" ist ein Ratschlag, den man seit zehn Jahren in jedem E-Commerce-Artikel liest. Diesmal steckt ein konkreter Grund dahinter: KI-Agenten treffen Kaufentscheidungen auf Basis von Daten, nicht auf Basis von Eindrücken.

Ein Beispiel. Zwei Sonnensegel-Hersteller, ähnliches Produkt, ähnlicher Preis. Der Agent eines Kunden sucht eine Lösung für eine 20-Quadratmeter-Terrasse mit Betonboden.

Hersteller A liefert: Maße 500 × 500 cm, empfohlene Fläche bis 22 m², UV-Schutz UPF 50+, Befestigung für Beton und Wand, Windlast bis 80 km/h, Lieferzeit 3–5 Werktage, TÜV-geprüft, 312 Bewertungen mit Schnitt 4,7.

Hersteller B liefert: Größe „extra groß", Material „hochwertiger Sonnenschutzstoff", Montage „siehe Anleitung (PDF)", Lieferzeit „in Kürze verfügbar".

Der Agent empfiehlt Hersteller A. Nicht weil das Produkt besser ist – vielleicht ist das Segel von Hersteller B sogar hochwertiger. Sondern weil der Agent auf Basis der verfügbaren Daten keine verlässliche Empfehlung für B aussprechen kann. Passt es für 20 m²? Hält es auf Beton? Wann kommt es an? Alles unklar.

Abb. 5: Nicht das bessere Produkt gewinnt – sondern das besser beschriebene. 

Hersteller B verfügt wahrscheinlich über all diese Informationen. Sie stehen im PDF der Montageanleitung, auf Seite 3. Oder im ERP-System. Oder im Kopf des Produktmanagers. Aber nicht dort, wo ein KI-Agent sie lesen kann.

Der Unterschied zwischen Empfehlung und Unsichtbarkeit liegt selten in einer IT-Transformation. Er liegt in Disziplin – darin, Produktdaten vollständig, strukturiert und konsistent in maschinenlesbarer Form bereitzustellen.

Was die großen Player bauen – und warum die Details noch nicht wichtig sind

Shopify, Google, OpenAI, Stripe, Amazon, Mastercard – sie alle bauen gerade an der Infrastruktur für Agent-Commerce. Mehrere Protokolle konkurrieren: MCP, UCP, ACP, A2A. Welcher Standard sich durchsetzt, ist offen.

Für einen Hersteller wie GartenProfi lohnt es sich nicht, diesen Standardkrieg zu verfolgen. Entscheidend ist, was unabhängig vom Ausgang bleibt.

Die Antwort ist in jeder Protokoll-Landschaft dieselbe: strukturierte, vollständige Produktdaten. Wer die hat, kommt mit jedem Standard zurecht; wer sie nicht hat, den rettet auch das beste Protokoll nicht.

EY hat dafür den Begriff Generative Engine Optimization (GEO) geprägt: die Optimierung von Inhalten für KI-Modelle statt für Suchmaschinen-Crawler. GEO ersetzt SEO nicht – es kommt hinzu. Die Grundlage ist dieselbe: Datenqualität.

Was bleibt

Ein Seitenblick noch, bevor wir schließen: Für B2B könnte die Veränderung sogar grundlegender ausfallen. Einkaufsabteilungen arbeiten bereits heute rational und datengetrieben. Ein Procurement-Agent, der automatisch Angebote einholt, Rahmenverträge abgleicht und Nachbestellungen auslöst, ist kein großer konzeptioneller Sprung. Hersteller, die sowohl Endkunden als auch Fachhandel beliefern, sollten beide Seiten im Blick behalten.

31 Prozent der Verbraucher:innen sind heute bereit, KI-gesteuerte Käufe zuzulassen. Gleichzeitig sind 69 Prozent noch nicht bereit. In Deutschland dürfte die Skepsis noch ausgeprägter sein (vgl. Abb. 6). Agentic Commerce wird nicht über Nacht alles verändern. Aber die 31 Prozent von heute sind die Mehrheit von übermorgen.

Abb. 6: 31 Prozent heute – die frühe Mehrheit von übermorgen. 

Der Einstieg ist günstig. McKinsey rechnet vor, dass die Kosten für die Vorbereitung so gering sind, dass sich die Investition auch dann lohnt, wenn die Adoption langsamer vorangeht als erwartet. Merchant-Center-Feed prüfen, Produktdaten strukturieren, Vertrauenssignale maschinenlesbar machen – das sind keine Großprojekte, und sie zahlen sich unabhängig von Agentic Commerce aus.

GartenProfi muss heute keine Plattform wechseln und kein Transformationsprogramm starten. Die entscheidende Frage ist einfach: Wenn morgen ein KI-Agent nach dem besten Sonnenschutzsystem für eine 20-Quadratmeter-Terrasse sucht – findet er uns, und was findet er? Wer das prüfen will, braucht kein großes Projekt, sondern drei konkrete Schritte:

Schritt 1: Google Merchant Center Feed prüfen. Sind alle Produktattribute vollständig ausgefüllt? Maße, Materialien, Zertifikate, Lieferzeiten – maschinenlesbar, nicht als PDF oder Fließtext. Das ist keine IT-Aufgabe, das ist Datenpflege.

Schritt 2: Ein Produkt als Test durch ChatGPT, Gemini und Perplexity jagen. Einfach fragen: „Welches Sonnensegel eignet sich für eine 20-Quadratmeter-Terrasse mit Betonboden?“ Taucht das eigene Produkt auf? Was steht dabei? Das Ergebnis zeigt schneller als jedes Audit, wo die Lücken liegen.

Schritt 3: Vertrauenssignale sichtbar machen. TÜV-Siegel, Bewertungsschnitt, Garantiebedingungen – wenn diese Informationen nur als Grafik auf der Produktseite existieren, existieren sie für KI-Agenten nicht. Als strukturiertes Attribut im Feed schon (vgl. Abb. 5).

In der Praxis lassen sich diese Schritte drei Handlungsebenen zuordnen – und die Reihenfolge ist selten beliebig. Meist entscheidet sich schon auf der ersten Ebene, wie viel die späteren bringen.

Zuerst die Daten. Der erste Schritt ist Bestandsaufnahme: Welche Attribute fehlen, liegen nur als PDF vor oder sind inkonsistent? Produktdaten aus ERP, PIM und CMS müssen in strukturierte, maschinenlesbare Formate zusammengeführt werden – passgenau zum bestehenden Stack, ohne alles neu aufzusetzen.

Dann die Sichtbarkeit. Bestehende Commerce-Systeme lassen sich über saubere Schnittstellen mit den KI-Plattformen verbinden – am besten protokollunabhängig (vgl. Abb. 4). Wer strukturierte Daten über verlässliche APIs bereitstellt, bleibt sichtbar, egal welcher Standard sich durchsetzt.

Und schließlich die Anwendungen. Vertrauenssignale wie TÜV-Siegel und Bewertungsschnitt werden als Feed-Attribute nutzbar, virtuelle Produktberater ergänzen den eigenen Shop, und Inhalte lassen sich für KI-Modelle statt nur für Suchmaschinen optimieren.

Ein großes Programm braucht es dafür nicht. Oft reicht ein kompakter Auftakt, um zu klären, wie der eigene Shop heute für KI-Agenten aussieht, und daraus einen priorisierten Fahrplan abzuleiten – von der Feed-Qualität bis zur API-Strategie. Der Einstieg ist niedrigschwellig; entscheidend ist, ihn nicht zu lange aufzuschieben.

Quellen: McKinsey & Company: The Agentic Commerce Opportunity (2025) · Deloitte: Agentic Commerce – A Guide to AI Shopping Agents (2025) · EY: Wenn die KI einkauft (2026) · Shopify: Agentic Commerce Documentation (2026) · Anthony Laneau: The Agentic Commerce Buyer's Guide for CPG Decision-Makers (2026)

Machen Sie Ihren Shop für KI-Agenten sichtbar!

Prüfen Sie, wie Ihre Produktdaten heute für KI-Agenten aussehen – und entwickeln Sie einen priorisierten Fahrplan: von der Feed-Qualität über strukturierte Vertrauenssignale bis zur API-Strategie.

Mehr zum Thema User Experience finden Sie auf unserer Webseite. Sprechen Sie uns auch gerne an.

Autoren

Stefan Herrmann Stefan Herrmann ist Team Coach und Business Analyst bei iteratec und Mitglied der GenAI Excellence Group. Er berät Teams und Fachbereiche dazu, wo und wie sich Generative AI im Arbeitsalltag sinnvoll einsetzen lässt. Dabei beschäftigt er sich sowohl mit den verfügbaren Tools und Technologien als auch mit der Frage, an welchen Stellen ihr Einsatz konkreten Nutzen bringt.

Konrad Haslberger Als Senior Software Entwickler mit Schwerpunkt in der Automotive- und Manufacturing-Branche arbeitet er an der Schnittstelle zwischen technischer Umsetzung und den Anforderungen, die Generative AI an Unternehmen stellt. Er verfügt über praktische Erfahrung in der Integration von KI-basierten Lösungen und beschäftigt sich damit, wie diese im Unternehmenskontext tatsächlich funktionieren.