23 Prozent der Produktanfragen, die ein KI-Agent an einen typischen Markenshop stellt, enden im Nichts. Nicht weil das Produkt fehlt, sondern weil der Agent es nicht lesen kann. Das ist die unbequeme Ausgangslage, auf die Matthias Schmidt-Pfitzner, Managing Director DACH bei der Digitalberatung Publicis Sapient, Händler und Marken seit Monaten hinweist. Seine These ist so einfach wie radikal: Wer in den vergangenen fünfzehn Jahren auf Suchmaschinenoptimierung gesetzt hat, sitzt auf einem Fundament, das die nächste Kaufwelle nicht tragen wird.
Agentic Commerce meint keine ferne Zukunft. Perplexity, ChatGPT und die Shopping-Funktionen der großen Plattformen nehmen bereits heute Kaufentscheidungen ab: Der Agent vergleicht Produkte über Marken- und Händlergrenzen hinweg, filtert nach Kriterien, die der Nutzer ihm nennt, und schlägt am Ende eine überschaubare Shortlist vor. Wer auf dieser Liste nicht steht, kommt im Verkaufsgespräch gar nicht mehr vor. Und wer auf der Liste stehen will, muss verstehen, wie ein Agent „liest“.
Warum lesen KI-Agenten keine Marketingtexte?
Die Antwort klingt technisch, ist aber eine Frage der Logik. Ein Shopping-Agent verarbeitet Anfragen wie „Ich brauche einen Wanderschuh für schmale Füße, wasserdicht, unter 150 Euro, Lieferung bis Freitag“ als strukturierte Abfrage. Er sucht Attribute, keine Adjektive. „Atmungsaktive Membran-Technologie für Ihr unvergessliches Naturerlebnis“ ist für ihn Datenrauschen. Was er braucht: Membran-Standard, Wasserdichtigkeitswert, Leistenform, Preis, Verfügbarkeit, Lieferfenster.
Genau hier hakt es in der Praxis. Die Produktdaten der meisten Marken sind für Menschen gemacht — und zwar für Menschen, die schon wissen, was sie wollen. Attribute fehlen, Einheiten widersprechen sich, Synonyme laufen wild durcheinander. Dieselbe Eigenschaft heißt in einem Katalog „Farbe: ozean“, im nächsten „blau-mittel“, im dritten gar nichts, weil die Farbe nur im Produkttitel steht.
SEO reicht nicht — was unterscheidet Agentic Commerce von Google?
Zwanzig Jahre lang galt die Regel: Finde die richtigen Keywords, baue Relevanz auf, werde gefunden. Google belohnte diese Arbeit mit Ranking. Ein Agent belohnt sie mit nichts, denn er rankt nicht. Er antwortet. Der Unterschied ist fundamental: Beim Ranking zählt die relative Sichtbarkeit gegenüber dem Wettbewerber. Bei der Antwort zählt, ob das Produkt die gestellte Abfrage exakt erfüllt.
Schmidt-Pfitzner formuliert es in Gesprächen mit Kunden gerne als Umkehrung der Beweislast. Auf Google musste die Marke lauter sein als die Konkurrenz. Gegenüber dem Agenten muss sie präziser sein als die Frage. Ein Agent, der nach „laufruhigem Standmixer unter 80 Dezibel“ sucht, wertet nicht aus, welche Marke das beste Content-Marketing hat — er wertet aus, welcher Hersteller den Schallpegel als maschinenlesbares Attribut hinterlegt hat. Wer diese Angabe schuldig bleibt, existiert für die Abfrage nicht.
Das hat eine Folge, die viele Marketingabteilungen noch nicht auf dem Schirm haben: Markenstärke verliert an der Schnittstelle zum Agenten an Durchsetzungskraft. Der Agent hat keine Vorlieben. Er hat Filter.
Woran es in den Produktdaten konkret scheitert
Wer mit Herstellern und Händlern über ihre PIM-Systeme spricht, hört erstaunlich ähnliche Diagnosen. Vier Muster kehren immer wieder:
- Unvollständige Attributierung. Kerneigenschaften existieren nur im Fließtext oder im Bildmaterial — etwa die Waschbarkeit bei 60 Grad oder der Lieferumfang. Für den Agenten sind sie unsichtbar.
- Inkonsistente Taxonomien. Unterschiedliche Kategorien, Einheiten und Benennungen über Kanäle und Regionen hinweg. Der Agent kann daraus keine Vergleichbarkeit herstellen und sortiert das Produkt aus.
- Fehlende Kontextattribute. Daten wie Lieferzeiten, Rückgabekonditionen, Kompatibilitäten oder Zertifizierungen — genau die Kriterien, nach denen Agenten filtern — liegen verstreut in Shop-System, ERP und PDF-Datenblättern.
- Kein Schema-Markup. Strukturierte Daten nach schema.org oder über Standard-Feeds sind bei vielen Markenshops lückenhaft implementiert, obwohl sie die primäre Leseoberfläche für Agenten sind.
Bezeichnend ist, woher diese Lücken kommen. Produktdatenmanagement galt jahrelang als internes Effizienzthema — etwas für die IT, nicht für die Strategie. Die Konsequenz: PIM-Projekte wurden nach Kostenlogik betrieben, Datenqualität nach dem Prinzip „reicht für den eigenen Shop“. Dass dieselben Daten künftig das Tor zu einem Vertriebskanal sind, den die Marke nicht kontrolliert, war in dieser Kalkulation nicht vorgesehen.
Der DACH-Markt hat ein Strukturproblem — und einen Vorsprung
Im deutschsprachigen Raum verschärft eine Besonderheit das Problem: die Mittelstandsstruktur. Viele Hersteller pflegen ihre Produktdaten historisch gewachsen, oft über Jahrzehnte, mit individuellen Nummernkreisen und hausinternen Bezeichnungen, die selbst erfahrene Vertriebsmitarbeiter nur mit Einarbeitung verstehen. Diese Daten in einen agententauglichen Zustand zu bringen, ist kein Wochenendprojekt.
85 Prozent der befragten Unternehmen in aktuellen Branchenstudien geben an, dass ihre Produktdaten nicht vollständig strukturiert vorliegen. Zugleich besitzt der DACH-Handel einen Vorteil, den man nicht unterschätzen sollte: Erfahrung mit standardisierten Datenformaten. Wer jahrelang Feeds für Idealo, Geizhals oder Google Shopping gepflegt hat, kennt die Disziplin der Attributierung. Diese Kompetenz ist übertragbar — sie muss nur konsequent auf den eigenen Katalog ausgeweitet werden, statt auf einzelne Kanäle beschränkt zu bleiben.
Der Agent hat keine Markenpräferenz. Er hat Filter. Wer nicht als Datenpunkt existiert, existiert im Verkaufsgespräch nicht.
Wie machen Marken ihre Kataloge agententauglich?
Die gute Nachricht: Der Einstieg ist kein Big Bang. Wer pragmatisch vorgeht, kommt mit vier Schritten erstaunlich weit. Zuerst steht die Bestandsaufnahme — welche Attribute fragen Kunden und Agenten tatsächlich ab, und welche davon sind im eigenen System maschinenlesbar vorhanden? Die Differenz zwischen beiden Listen ist die Roadmap.
Danach folgt die Normalisierung: einheitliche Taxonomien, einheitliche Einheiten, eindeutige Wertelisten. Das ist ungeliebte Detailarbeit, aber sie entscheidet darüber, ob ein Agent Produkte überhaupt vergleichen kann. Der dritte Schritt betrifft die Ausspielung: Vollständiges Schema-Markup auf Produktdetailseiten, saubere Feeds, idealerweise APIs, die Verfügbarkeit und Lieferdaten in Echtzeit liefern. Und schließlich gehört die Qualität der Daten in die Verantwortung des Managements — nicht als IT-Nebenaufgabe, sondern als Vertriebskennzahl mit klarem Owner.
Wer das ernst nimmt, sollte mit den umsatzstärksten zwanzig Prozent des Sortiments beginnen, statt den gesamten Katalog auf einmal anzufassen. Die Erfahrung aus Transformationsprojekten zeigt: Ein kleiner, sauberer Datenbestand schlägt einen großen, halbfertigen — auch bei Agenten.
Was passiert mit Marken, die zu spät kommen?
Die ehrliche Antwort: Niemand weiß es heute mit letzter Sicherheit, und jede Prognose zum Tempo des Agentic Commerce sollte mit Vorsicht gelesen werden. Klar ist aber die Richtung des Risikos. In einem Markt, in dem der Agent die Vorauswahl trifft, entsteht ein Kippmoment: Wer früh saubere Daten liefert, wird häufiger empfohlen, generiert mehr Nachfrage und kann die Datenqualität weiter ausbauen. Wer später startet, holt einen Vorsprung auf, der mit jedem Zyklus teurer wird.
Für DACH-Händler heißt das konkret: Die nächste Sortimentsrunde, das nächste PIM-Release, das nächste Datenprojekt sollte die Frage beantworten, ob der eigene Katalog von einer Maschine verstanden wird — nicht nur von Menschen, die ohnehin schon kaufen wollten. Die Marken, die diese Prüfung jetzt bestehen, kaufen sich kein Zukunftsversprechen. Sie kaufen sich die Option, in drei Jahren noch im Gespräch zu sein. Alle anderen überlassen die Shortlist dem Wettbewerber.