78 Prozent der Produktdaten in typischen Händlerkatalogen sind für Maschinen unvollständig oder mehrdeutig — so die Einschätzung, die Beratungshäuser wie Publicis Sapient derzeit in Kundenprojekten formulieren. Das ist kein Detailproblem der Datenpflege. Es ist die Achillesferse von Agentic Commerce, dem Einkaufsmodell, bei dem KI-Agenten wie ChatGPT, Perplexity oder Googles Gemini selbstständig Produkte vergleichen, auswählen und inzwischen auch kaufen. Wer glaubt, sein zwanzig Jahre gereiftes SEO-Setup trage ihn in diese neue Wahrnehmungsschicht hinüber, unterschätzt, wie radikal sich die Lesart von Produktinformationen gerade dreht.
Denn Agenten lesen keine Markengeschichten. Sie lesen Attribute, Spezifikationen, Verfügbarkeiten, Lieferzeiten — und sie vergleichen diese Daten über Marken- und Händlergrenzen hinweg, ohne Rücksicht auf die Sorgsamkeit, mit der ein Texter die Produktbeschreibung poliert hat. Matthias Schmidt-Pfitzner, Managing Director DACH bei der Digitalberatung Publicis Sapient, bringt das Dilemma auf den Punkt: Suchmaschinenoptimierung reicht dafür nicht, weil der Engpass gar nicht in der Auffindbarkeit liegt, sondern in den Produktdaten selbst.
Was genau macht Agentic Commerce anders als klassische Produktsuche?
Die klassische Google-Suche war gnädig. Sie indexierte, was da war, und belohnte Redundanz: Wer das Keyword oft genug und prominent genug setzte, erschien. Ein Sprachmodell arbeitet umgekehrt. Es versucht, aus Ihren Daten eine Entscheidung abzuleiten — und scheitert lautlos, wenn die Daten diese Entscheidung nicht hergeben.
Ein Beispiel macht das konkret. Ein Kunde fragt seinen Agenten: „Finde mir eine wasserdichte Outdoor-Jacke unter 200 Euro, die bis Freitag lieferbar ist und bei der die Membran PFC-frei ist.“ Vier harte Kriterien. Der Agent durchsucht Feeds, Produktseiten, strukturierte Markups. Ihre Jacke ist wasserdicht — aber die Wassersäule steht im Fließtext („hält auch starkem Regen stand“), der PFC-Hinweis existiert nur in einem PDF-Datenblatt, und die Lieferzeit ist eine Spanne von „3–7 Werktagen“. Für einen Menschen verkaufbar. Für einen Agenten: drei Ungewissheiten, ein Ausschluss. Der Wettbewerber mit sauberem GTIN-gepflegtem Attributsatz gewinnt, ohne dass jemand seine Marke kennt.
Warum scheitern Agenten an den Produktdaten der Marken?
Das Problem sitzt tiefer als schlampige Pflege. Produktinformationsmanagement, kurz PIM, ist in den meisten DACH-Unternehmen historisch als Nachschubsystem für den eigenen Shop gebaut worden: Es liefert Titel, Beschreibung, ein paar Bulletpoints, fertig. Was es selten liefert, ist ein vollständig normalisiertes Attributmodell — Materialzusammensetzung in standardisierten Feldern, Maße in einheitlichen Einheiten, Zertifizierungen als prüfbare Merkmale statt als Marketingfloskel.
Schmidt-Pfitzner beschreibt die Lage bei Markenherstellern als strukturelles Defizit: Die Daten existieren oft — aber verteilt über ERP, Lieferanten-PDFs, Excel-Listen und das Wissen einzelner Mitarbeiter. Kein Agent der Welt kauft auf dieser Grundlage ein. Und die Situation verschärft sich, weil Agenten Quervergleiche anstellen, die klassische Shops nie mussten: Sie stellen einen Bosch-Akkuschrauber einem Festool-Modell direkt gegenüber, Attribut für Attribut. Wo ein Feld fehlt, entsteht keine neutrale Lücke, sondern ein Minuspunkt.
Symptomatisch sind drei Muster, die in Katalogaudits immer wieder auftauchen:
- Einheiten-Chaos: „1,5 kg“ hier, „1500 Gramm“ dort, „ca. 1,5 Kilogramm“ im Fließtext — für Filterlogiken drei verschiedene Produkte.
- Attributversteck: Kaufkritische Merkmale (Kompatibilität, Zertifizierungen, Garantiebedingungen) existieren nur in Fließtext oder Bildern, nie als maschinenlesbares Feld.
- Bestands-Ambiguität: „Auf Lager“ ohne Lieferzusage ist für einen Agenten, der einen Termin einhalten soll, wertlos.
SEO ist nicht tot — aber es beantwortet die falsche Frage
Vorsicht vor der falschen Schlussfolgerung. Wer jetzt sein SEO-Budget streicht, wirft ein funktionierendes Asset weg: Agenten recherchieren auch auf Seiten, die gut ranken, und strukturierte Daten nach Schema.org sind ohnehin Erbe der Suchmaschinenoptimierung. Doch SEO optimiert die Frage „Werde ich gefunden?“. Agentic Commerce stellt eine härtere: „Werde ich ausgewählt — und kann der Agent mein Angebot überhaupt verarbeiten?“
Der Unterschied zeigt sich in den Protokollen, die derzeit entstehen. OpenAI und Stripe haben mit dem Agentic Commerce Protocol einen Standard vorgelegt, über den ChatGPT-Nutzer Produkte direkt im Chat kaufen — Etsy- und Shopify-Händler sind in den USA bereits angeschlossen, Walmart zieht nach. Google antwortet mit dem Agent Payments Protocol AP2. Diese Schnittstellen konsumieren keine Prosa. Sie erwarten Feeds mit definierten Feldern: Preis, Verfügbarkeit, Versandoptionen, Retourenbedingungen, Identifikatoren. Ihre Conversion-optimierte Produktseite interessiert dort niemanden; Ihr Datenfeed entscheidet.
„Der Agent ist der unerbittlichste Mystery Shopper, den der Handel je hatte: Er liest alles, verzeiht nichts und verrät Ihnen nie, warum er beim Wettbewerber gekauft hat.“
Für den DACH-Markt kommt eine Eigenheit hinzu. Plattformen wie OTTO und Zalando haben ihre Händler seit Jahren zu strukturierter Attributpflege gezwungen — wer dort gelistet ist, hat einen Vorsprung, ohne es zu wissen. Viele Shopware- und Shopify-Shops im Mittelstand dagegen leben von Freitext-Katalogen, die für Agenten kaum auswertbar sind. Der Abstand zwischen diesen beiden Welten wird 2026 zum Wettbewerbsfaktor.
Wie bereiten Händler ihre Kataloge auf Agenten vor?
Die Antwort beginnt unbequem: mit einem Datenaudit, nicht mit einer Marketingkampagne. Drei Schritte haben sich in frühen Projekten bewährt.
Erstens die Attributvollständigkeit. Definieren Sie pro Kategorie die zehn bis zwanzig Merkmale, nach denen Kunden tatsächlich filtern — nicht die, die Ihr PIM zufällig hergibt — und schließen Sie die Lücken. Branchenstandards wie ETIM im Technikhandel oder die GS1-Spezifikationen im Handel liefern dafür fertige Modelle; niemand muss das Rad erfinden.
Zweitens die Maschinenlesbarkeit jenseits des Shops. Schema.org-Markup auf den Produktdetailseiten ist Pflicht, ein sauberer Produktdatenfeed die Kür — mit GTINs, aktuellen Preisen, echten Lieferzusagen. Wenn Ihr Feed einmal täglich aktualisiert wird, während Ihr Shop in Echtzeit verkauft, bauen Sie einen Vertrauensbruch ein, den kein Agent verzeiht: Er empfiehlt Ware, die beim Klick weg ist.
Drittens die Entscheidungstest-Perspektive. Fragen Sie nicht „Ist das Feld gefüllt?“, sondern „Kann ein fremdes System damit eine Kaufentscheidung treffen?“. „Farbe: natur“ ist gefüllt. „Farbe: natur (beige), Farbcode RAL 1001″ ist entscheidungsfähig. Dieser Unterschied klingt pedantisch und ist genau der Punkt.
Die eigentliche Machtfrage bleibt offen
Ein Jahrzehnt lang war die Devise im E-Commerce: Besitz den Kunden. Agentic Commerce dreht das um — der Agent besitzt die Kundenbeziehung, der Händler wird zur austauschbaren Zeile in einer Vergleichstabelle. Das klingt düster, hat aber eine bemerkenswerte Kehrseite: Markentreue schwindet nur dort, wo Marken ohnehin nur über Texte differenziert haben. Wer echte, messbare Produktvorteile hat — bessere Datenqualität, verlässlichere Lieferung, prüfbare Nachhaltigkeit —, kann diese Vorteile zum ersten Mal ungefiltert in die Kaufentscheidung einspeisen, ohne den Umweg über teure Aufmerksamkeit.
Das Zeitfenster dafür ist kürzer, als viele hoffen. Die großen Agenten-Anbieter rollen ihre Commerce-Funktionen gerade in Europa aus, und jeder Katalog, der dann nicht maschinenlesbar ist, existiert in diesem Kanal schlicht nicht. Die Händler, die jetzt ihre Produktdaten ernst nehmen, kaufen kein Zukunftsversprechen. Sie sichern sich den einzigen Platz, an dem im Agenten-Zeitalter noch verhandelt wird: die erste Antwort.