Agentic Commerce: Warum Agenten Produktkataloge nicht verstehen

900 Millionen Menschen nutzen ChatGPT jede Woche. Gemini bedient nach Angaben von Google weitere 900 Millionen monatlich. Der von KI vermittelte Traffic auf US-Handelsseiten wuchs im Weihnachtsgeschäft 2025 laut Adobe Analytics um 693 Prozent. Und die Zahl, die jeden Markenverantwortlichen wachhalten sollte: KI-Verweise auf transaktionale Seiten konvertieren laut Similarweb bei rund 7 Prozent.

Agenten vergleichen marken-, händler- und kategorieübergreifend und schließen Transaktionen im Namen von Konsumenten ab, die nie eine Produktdetailseite besuchen. Googles Universal Cart, im Mai 2026 gestartet, orchestriert die gesamte Journey über Händlergrenzen hinweg, sobald ein Konsument eine Absicht formuliert. Bislang läuft Universal Cart allerdings nur in den USA und mit ausgewählten Händlern.

Die SEO-Illusion

Die meisten Konsumgüterhersteller behandeln Agentic Commerce als Erweiterung der Suchmaschinenoptimierung. Beim Stichwort „Generative Engine Optimization“ greifen sie zu vertrauten Playbooks: Schema-Markup, FAQ-Strukturen, Metadaten. GEO ist ein relevanter Einstiegspunkt. Aber Agentic Commerce als Sichtbarkeitsproblem zu behandeln ist wie E-Commerce 1998 als Website-Problem zu behandeln. Die eigentliche Verschiebung geht drei Ebenen tief: Sichtbarkeit, Produktintelligenz und Commerce-Infrastruktur.

Ebene eins: Agentic Experience

LLMs haben verändert, wie Konsumenten Produkte entdecken. Erscheint ein Google AI Overview, endet die Suche laut Similarweb in rund 83 Prozent der Fälle ohne Klick auf eine externe Seite. LLMs extrahieren Bedeutung statt Seiten zu indexieren und bevorzugen sauberen, textbasierten Content mit Schema-Markup. Sie gewichten Earned Media stark: Rund 84 Prozent der LLM-Zitationen stammen nach einer Auswertung des PR-Dienstleisters Muck Rack aus Earned-Media-Quellen (Journalismus, PR, Drittinhalte). Unternehmenseigene Kanäle spielen im Vergleich dazu eine deutlich untergeordnete Rolle.

Ebene zwei: Produktintelligenz als fehlende Mitte

Hier scheitern die meisten Organisationen, und dafür gibt es Zahlen. In einer Befragung von über 150 C-Level- und C-1-Entscheidern aus der Konsumgüterindustrie, die Publicis Sapient im Rahmen des „Guide to Next 2026“ veröffentlicht hat, beschreiben nur 36 Prozent ihre Produktdaten als vollständig strukturiert, maschinenlesbar und über alle Kanäle hinweg konsistent. 48 Prozent sind nach eigener Auskunft mitten im Prozess, 14 Prozent arbeiten noch mit einem Mix aus maschinenlesbaren und nicht maschinenlesbaren Formaten. Befragt wurden Unternehmen ab einer Milliarde US-Dollar Jahresumsatz in den USA, Großbritannien, Deutschland, Frankreich und China.

GEO optimiert, wie Content in KI-Antworten erscheint. Produktintelligenz bestimmt, ob KI-Systeme verstehen, was ein Unternehmen tatsächlich verkauft. Agenten werten strukturierte Daten aus, vergleichen Attribute, gewichten Reviews und matchen Intent auf Spezifikationen, statt Marketingtexte zu lesen.

Produktintelligenz funktioniert als Context Graph. An der Basis stehen Kernproduktdaten wie Artikelnummern, Attribute, Preise und Verfügbarkeit, meist verstreut über verschiedene Enterprise-Systeme. Die mittlere Schicht ist die semantische Anreicherung: Kundensprache gemappt auf Produktattribute, Reviews mit Evidenz, Answer-First-FAQs, Vergleiche und Alternativen. Hier wird das Produkt für einen Agenten verständlich.

Eine Haarpflegemarke etwa bewirbt ihr Produkt mit „nährender Strahlkraft“. Die Fünf-Sterne-Reviews sagen „seidig“ und „gesund“. Kunden sprechen von „Pflegemaske“, die Marke wiederum schreibt „Nourishing Radiance Mask“. LLMs folgen als logische Maschinen der Sprache der Kunden, nicht der Marketingsprache.

Die oberste Schicht ist die Aktivierung: die richtigen Produktinformationen im richtigen Format an jeden Kanal distribuieren, gesteuert durch eine einzige Datenquelle.

Ebene drei: Commerce-Infrastruktur

Auffindbarkeit ohne Transaktionsfähigkeit ist eine Sackgasse. Ein Agent kann ein Produkt empfehlen. Wenn er aber Verfügbarkeit nicht prüfen, Preise nicht vergleichen und keinen sicheren Checkout abschließen kann, geht die Transaktion an denjenigen, der das kann.

Agenten rufen APIs auf und erwarten strukturierte Echtzeitantworten zu Verfügbarkeit, Preisen, Warenkorb und Checkout, dazu Identitätsverifizierung, Fraud-Kontrollen und prüfbare Governance. Die Architektur hat vier Schichten: einen Agent Access Layer für neue Protokolle wie MCP, UCP, A2A und AP2; einen Commerce Orchestration Layer, der Enterprise-Fähigkeiten in sichere, wiederverwendbare Aktionen übersetzt; einen Product Intelligence Layer für das semantische Verständnis; und die Enterprise-Systeme wie ERP, OMS oder CRM, die dahinter abgeschirmt bleiben. MCP, UCP, A2A und AP2 sind junge, teils konkurrierende Protokollvorschläge für unterschiedliche Schichten der Architektur; ein übergreifender Standard hat sich bislang nicht etabliert.

Die Kosten des Abwartens

Agentic Commerce steht heute dort, wo E-Commerce in den späten 1990ern stand. Für Deutschland deuten Prognosen von Strategy& auf bis zu 17 Milliarden Euro Agentic-Commerce-Umsatz bis 2030, europaweit auf einen Anteil von bis zu 15 Prozent am E-Commerce. Aber die Adoptionskurve wird steiler verlaufen als damals. Klassischer E-Commerce brauchte in Deutschland 25 Jahre für die 13,5 Prozent Anteil am Einzelhandel, die der HDE für 2025 ausweist.

Bei Agentic Commerce ist die Infrastruktur bereits da. Zahlungssysteme, Logistik und Konsumentenverhalten sind ausgereift.

Die Agenten kaufen bereits ein. Die Frage ist, welche Marken sie finden, welche Angebote sie verstehen und wo sie die Transaktion abschließen können.

Unternehmen, die früh verlässliche Produktdaten und Schnittstellen bereitstellen, erhöhen ihre Chancen, in agentischen Kaufprozessen berücksichtigt zu werden. Wer sich dabei als verlässliche Quelle etabliert, lässt sich später schwerer verdrängen.