Agentic Commerce ist vor allem ein Daten- und Prozess-Thema
Der Begriff klingt nach Zukunftsmusik, das Grundproblem ist aber sehr handfest: In Marktplätzen mit vielen Anbietern scheitert der Einkauf selten an zu wenig Auswahl. Er scheitert daran, dass Kunden sich durch zu viele ähnliche Angebote, uneinheitliche Produktdaten und unklare Unterschiede arbeiten müssen.
Wenn eine KI-gestützte Einkaufsoberfläche Suche, Produktauswahl und Support zusammenführt, ändert sich deshalb die eigentliche Wettbewerbslogik. Dann gewinnt nicht mehr automatisch der Marktplatz mit den meisten Artikeln. Es gewinnt der Marktplatz, dessen Daten, Regeln und Angebotsstruktur so sauber sind, dass eine KI daraus verlässlich passende Antworten, Empfehlungen und nächste Schritte ableiten kann.
Für den kaufmännischen Mittelstand ist das die wichtigere Botschaft als jede neue Oberfläche: Bevor Sie über den nächsten Shop-Relaunch, neue Filter oder den nächsten Conversion-Hack im Frontend nachdenken, sollten Sie prüfen, ob Ihre Produktdaten und Angebotslogiken überhaupt KI-tauglich sind.
Was sich gegenüber klassischer Shop-Suche verändert
Die klassische Shop-Suche arbeitet im Kern transaktionsorientiert. Der Kunde gibt einen Begriff ein, bekommt Trefferlisten, filtert, vergleicht und klickt sich weiter. Support läuft oft getrennt daneben: per FAQ, Chat, Ticketsystem oder Telefon.
Eine KI-gestützte Einkaufsoberfläche verschiebt diesen Ablauf. Der Kunde formuliert eher eine Aufgabe als einen Suchbegriff. Also nicht nur „Bürostuhl schwarz“, sondern sinngemäß: Ich brauche fünf ergonomische Stühle für ein kleines Team, belastbar, schnell lieferbar und im definierten Budget.
Damit die KI hier sinnvoll helfen kann, muss sie mehr können als Produkte finden. Sie muss:
- Anforderungen in kaufbare Kriterien übersetzen
- ähnliche Angebote sauber gegeneinander abgrenzen
- Varianten, Verfügbarkeiten und Lieferlogik verstehen
- Rückfragen aus dem Support mit der Produktauswahl verknüpfen
- Unsicherheit reduzieren, statt nur weitere Treffer anzuzeigen
Genau an diesem Punkt stoßen viele gewachsene Shops und Marktplätze an Grenzen. Nicht weil die Oberfläche zu alt ist, sondern weil die Datenbasis für diese Art von Navigation nicht sauber genug ist.
Warum Marktplätze mit vielen Anbietern besonders betroffen sind
Ein Marktplatz hat strukturell mehr Komplexität als ein klassischer Ein-Anbieter-Shop. Mehr Händler bedeuten in der Regel auch:
- unterschiedliche Attributlogiken
- verschiedene Bezeichnungen für ähnliche Merkmale
- uneinheitliche Variantendarstellung
- wechselnde Qualität bei Titeln, Beschreibungen und Bildern
- abweichende Versand- und Serviceversprechen
Solange Kunden manuell suchen und filtern, lässt sich ein Teil dieser Schwächen kaschieren. Sobald aber eine KI den Einkauf dialogbasiert begleitet, fallen Inkonsistenzen sofort auf. Die KI kann nur dann gute Empfehlungen geben, wenn aus zehn ähnlichen Angeboten klar hervorgeht, worin sie sich wirklich unterscheiden.
Das ist der Punkt, an dem viele Verantwortliche die falsche Priorität setzen. Sie investieren in ein schöneres Frontend, neue Teaserflächen oder zusätzliche Such-Widgets. Das kann kurzfristig Effekte bringen. Aber es löst nicht das Kernproblem, wenn die Daten dahinter widersprüchlich oder lückenhaft sind.
Was eine KI-gestützte Einkaufsoberfläche konkret von Ihren Daten verlangt
Aus der Praxis sind vor allem fünf Bausteine entscheidend.
1. Einheitliche Produktattribute
Wenn ein Merkmal je nach Anbieter anders benannt oder unterschiedlich befüllt wird, kann eine KI es nur eingeschränkt auswerten. Das betrifft technische Spezifikationen genauso wie Größen, Materialien, Kompatibilitäten oder Einsatzbereiche.
Die kaufmännische Konsequenz ist klar: Sie brauchen kein perfektes Datenmodell für alles, aber ein verbindliches Set an Pflichtattributen für relevante Sortimente. Ohne diese Mindeststruktur bleibt KI-gestützte Navigation unzuverlässig.
2. Saubere Variantengruppen
Viele Sortimente leiden darunter, dass Varianten mal als eigenständige Produkte, mal als Ausprägungen und mal doppelt auftauchen. Für Kunden ist das schon in der klassischen Suche anstrengend. Für KI-gestützte Auswahl ist es noch problematischer, weil die KI sonst nicht sauber zwischen Grundmodell und Variante unterscheiden kann.
Das führt direkt zu mehr Rückfragen, falschen Empfehlungen und im Zweifel zu Retouren.
3. Verständliche Angebotslogik
In Marktplätzen geht es nicht nur um Produktdaten, sondern auch um Angebotsdaten. Wer liefert wann, zu welchen Bedingungen, mit welchen Einschränkungen? Welche Services gelten nur bei bestimmten Anbietern? Welche Zubehörteile sind kompatibel, welche nicht?
Wenn diese Logik nur implizit im Shop steckt oder auf viele Freitextfelder verteilt ist, wird daraus keine belastbare KI-gestützte Beratung.
4. Verknüpfung von Produkt- und Supportwissen
Ein großer Hebel liegt darin, wiederkehrende Kaufhürden systematisch mit der Produktauswahl zu verbinden. Typische Fragen sind:
- Passt das zu meinem vorhandenen System?
- Was ist der Unterschied zwischen diesen zwei Modellen?
- Welche Option ist für meinen Anwendungsfall sinnvoll?
- Was muss ich vor dem Kauf beachten?
Wenn diese Informationen nur in Tickets, E-Mails oder im Kopf des Kundenservice stecken, bleibt die KI blind. Erst wenn Supportwissen strukturiert erfasst und mit Sortimentslogik verknüpft wird, kann aus Suche tatsächlich Beratung werden.
5. Klare Priorisierung nach Geschäftswert
Nicht jedes Sortiment braucht sofort denselben Reifegrad. Praktisch sinnvoll ist ein Start dort, wo drei Dinge zusammenkommen: hohe Auswahlkomplexität, viele Rückfragen und wirtschaftliche Relevanz. Genau dort zahlt sich die Aufbereitung von Daten und Regeln am schnellsten aus.
Was das kaufmännisch bringt
Für Entscheider ist nicht entscheidend, ob etwas technisch beeindruckend klingt. Entscheidend ist, ob sich Aufwand und Nutzen sauber gegenüberstellen lassen.
Bei KI-gestützter Navigation in Marktplätzen sind die typischen Hebel:
Weniger Suchabbrüche
Wenn Kunden schneller zu einer belastbaren Vorauswahl kommen, sinkt die Wahrscheinlichkeit, dass sie in der Vergleichsarbeit steckenbleiben oder den Kauf vertagen.
Weniger Supportaufwand vor dem Kauf
Wiederkehrende Fragen zur Produktauswahl lassen sich teilweise direkt in die Einkaufsoberfläche verlagern. Das reduziert nicht jeden Kontakt, aber oft die einfachen und gleichzeitig zeitintensiven Vorabklärungen.
Bessere Angebotsqualität im Marktplatz
Sobald sichtbar wird, welche Händlerdaten für Auffindbarkeit und Beratungsqualität relevant sind, steigt der Druck auf sauber gepflegte Angebote. Das ist operativ unbequem, aber wirtschaftlich sinnvoll.
Niedrigeres Fehlkaufrisiko
Wenn Unterschiede, Einschränkungen und Kompatibilitäten klarer kommuniziert werden, sinkt das Risiko von Fehlentscheidungen. Das wirkt auf Retouren, Reklamationen und interne Klärungsaufwände.
Die typischen Umsetzungshürden
Hier liegt der Unterschied zwischen Strategie-Folie und Praxis.
Hürde 1:
Datenverantwortung ist oft unklar
Produktdaten liegen bei Einkauf, Category Management, Händlern, IT und manchmal zusätzlich bei Agenturen oder PIM-Dienstleistern. Wenn niemand fachlich entscheidet, welche Attribute geschäftskritisch sind, bleibt das Projekt stecken.
Hürde 2:
Freitext wurde jahrelang toleriert
Viele Organisationen haben fehlende Struktur durch Texte kompensiert. Für klassische Shop-Seiten funktioniert das leidlich. Für KI-gestützte Automatisierung ist es zu wenig.
Hürde 3:
Support und Sortiment arbeiten getrennt
Dabei entstehen die wertvollsten Erkenntnisse zur Kaufberatung oft im Kundenservice. Wenn diese Informationen nicht zurück in Datenmodell, Kategoriestruktur und Angebotslogik fließen, verschenken Sie Potenzial.
Hürde 4:
Der Relaunch wirkt greifbarer als Datenarbeit
Ein neues Frontend ist sichtbar und intern leichter zu verkaufen. Datenbereinigung, Attributstandards und Regelwerke wirken dagegen trocken. Genau deshalb werden sie oft verschoben, obwohl sie die Grundlage für den nächsten sinnvollen Ausbauschritt bilden.
Wie ein pragmatischer Einstieg aussieht
Sie brauchen dafür kein Großprojekt über das gesamte Sortiment.
Ein sinnvoller Start sieht eher so aus:
- Wählen Sie ein Sortiment mit hoher Beratungsintensität.
- Sammeln Sie die häufigsten Fragen vor dem Kauf aus Kundenservice und Vertrieb.
- Prüfen Sie, welche Antworten davon heute nicht strukturiert in Ihren Produkt- und Angebotsdaten abgebildet sind.
- Definieren Sie ein kleines, verbindliches Attributset plus klare Variantelogik.
- Ergänzen Sie Regeln für Kompatibilität, Einschränkungen und Auswahlhilfen.
- Testen Sie erst danach, wie gut sich daraus eine KI-gestützte Navigation oder Beratungsfunktion ableiten lässt.
So vermeiden Sie den typischen Fehler, eine neue Oberfläche einzuführen und erst danach festzustellen, dass die Datengrundlage nicht trägt.
Die eigentliche Priorität für den Mittelstand
Die These hinter Agentic Commerce ist aus meiner Sicht richtig, aber nicht wegen des Schlagworts. Richtig ist sie, weil sie einen alten E-Commerce-Irrtum offenlegt: Mehr Auswahl und mehr Frontend-Optimierung lösen nicht automatisch das Problem der Kaufentscheidung.
Für den kaufmännischen Mittelstand ist deshalb die wichtigere Priorität nicht die spektakulärste neue Oberfläche, sondern die Fähigkeit, Produktwissen, Angebotslogik und Supporterfahrung in eine strukturierte Form zu bringen. Erst dann kann KI-gestützte Automatisierung im Einkauf wirklich nützlich werden.
Wer das sauber vorbereitet, schafft die Grundlage für bessere Auffindbarkeit, weniger manuelle Beratung und stabilere Prozesse. Wer es nicht tut, wird auch mit einer modernen KI-Oberfläche vor allem eines beschleunigen: die Sichtbarkeit der eigenen Datenprobleme.