23 Prozent der deutschen Online-Shopper haben nach Branchenschätzungen schon einmal eine KI-Suche für eine Kaufentscheidung genutzt. Was die wenigsten Händler auf dem Schirm haben: Diese Agenten lesen ihre Produktseiten nicht. Sie parsen sie. Und was sie dabei in den meisten deutschen Produktdaten finden, reicht nicht für eine Kaufempfehlung — oft nicht einmal für ein korrektes Verständnis dessen, was da überhaupt verkauft wird.
Agentic Commerce, also der Einkauf durch autonome KI-Agenten, die im Auftrag von Nutzern Produkte vergleichen, auswählen und teilweise direkt bestellen, kollidiert mit einer unbequemen Wahrheit des deutschen E-Commerce: Produktkataloge sind für Menschen gebaut. Für Marketingabteilungen, genauer gesagt. Matthias Schmidt-Pfitzner, Managing Director DACH bei der Digitalberatung Publicis Sapient, formuliert das Problem so: Marken haben zwanzig Jahre lang für Google optimiert — aber ein Agent, der über Marken- und Händlergrenzen hinweg vergleicht, braucht etwas völlig anderes als Rankings und Keywords.
Warum verstehen KI-Agenten Produktkataloge nicht?
Die kurze Antwort: Weil Kataloge voller implizitem Wissen stecken, das Menschen mühelos ergänzen und Maschinen nicht. Wenn eine Outdoor-Marke eine Jacke als „ideal für Übergangstage“ beschreibt, weiß jeder Käufer, was gemeint ist. Ein Agent nicht. Er braucht Wassersäule in Millimetern, Temperaturbereich in Grad, Materialzusammensetzung in Prozent. Strukturiert, normalisiert, vergleichbar.
Genau daran scheitert es in der Praxis massiv. Produktdaten in deutschen Shops wachsen historisch: Das PIM kam 2015, die Marktplatz-Anbindung 2019, der Channel-Export für TikTok Shop irgendwann 2024. Jede Stufe hat ihre eigenen Attribute, Eigenheiten und Leerstellen mitgebracht. Das Ergebnis sind Kataloge, in denen dasselbe T-Shirt je nach Kanal als „Baumwolle“, „100% CO“ oder „bio cotton“ auftaucht — für den Menschen gleichbedeutend, für einen Agenten drei verschiedene Produkte.
SEO reicht nicht — und das ist der eigentliche Bruch
Zwei Jahrzehnte lang galt eine einfache Logik: Wer bei Google sichtbar ist, wird gefunden. Diese Logik bröckelt nicht, weil Google verschwindet, sondern weil ein zweiter, paralleler Entscheidungskanal entsteht. Shopping-Agenten wie die in ChatGPT integrierte Produktsuche, Perplexity Shopping oder Amazons Rufus arbeiten nicht mit dem klassischen Index. Sie werten strukturierte Datenfeeds, Produktspezifikationen und Verfügbarkeitsinformationen aus — und bilden daraus eigene Vergleichslogiken.
Für Schmidt-Pfitzner ist das der Kern des Umdenkens: Suchmaschinenoptimierung zielte auf Sichtbarkeit in einer Liste. Agentic Commerce zielt auf Auswahl in einer Entscheidung. Der Agent liefert keine zehn blauen Links, er liefert eine Empfehlung. Vielleicht drei. Wer in dieser engen Shortlist landen will, muss nicht besser ranken — er muss besser vergleichbar sein.
Der Unterschied ist fundamental. Ein SEO-optimierter Produkttext mit 400 Wörtern Storytelling ist für einen Agenten Rauschen. Ein sauber gepflegtes Attribut „Lieferzeit: 2 Werktage, Versand aus DE-Lager“ ist ein Entscheidungskriterium.
Woran hakt es konkret in den Produktdaten der Marken?
Publicis Sapient beobachtet in Beratungsprojekten wiederkehrende Muster. Drei davon sind typisch für den DACH-Markt.
- Attribute ohne Standard: Freitextfelder statt kontrollierter Vokabulare. „Farbe: Nachtblau/Midnight/Blau dunkel“ — drei Einträge, ein Produkt, null Vergleichbarkeit.
- Kontext ohne Maschinenlogik: Pflegehinweise, Einsatzszenarien, Kompatibilitäten liegen in Fließtext oder PDF-Datenblättern, nicht als abfragbare Felder.
- Feeds ohne Governance: Der Produktdatenfeed für Google Shopping wird seit Jahren gepflegt, aber niemand im Unternehmen verantwortet die Datenqualität für KI-Kanäle — die Zuständigkeit fällt zwischen E-Commerce, IT und Marketing durch.
Dazu kommt ein strukturelles Problem: Viele deutsche Mittelständler betreiben Shops auf Systemen, deren Datenmodelle aus der Zeit vor 2020 stammen. Variantenlogiken sind dort oft so verhackstückt, dass schon die Frage „Welche Größen sind in welcher Farbe lieferbar?“ keine maschinell saubere Antwort hat.
„Marken müssen aufhören, ihre Produktdaten als Exportproblem zu behandeln. Sie sind die neue Storefront — die einzige, die ein Agent je zu Gesicht bekommt.“
Wie bereiten sich Händler auf Agentic Commerce vor?
Der pragmatische Einstieg beginnt nicht mit neuer Software, sondern mit einer Inventur. Welche Attribute hat mein Katalog wirklich — und wie vollständig sind sie befüllt? Eine Faustregel aus PIM-Projekten: Unter 90 Prozent Attributabdeckung im Sortiment ist jede KI-Optimierung Makulatur.
Danach zählt Normalisierung. Kontrollierte Wertelisten für Farben, Materialien, Maße. Einheitliche Einheiten — ein Agent, der „größe: L“ mit „size: large“ abgleichen soll, wird im Zweifel beide Produkte aus dem Vergleich werfen, statt zu raten. Und schließlich: strukturierte Daten nach Schema.org nicht als SEO-Beiwerk behandeln, sondern als primäre Schnittstelle zu jedem System, das künftig im Namen von Kunden einkauft.
Ein konkreter Praxistest: Fragen Sie ein aktuelles KI-Modell, das beste Produkt aus Ihrem Sortiment für einen definierten Anwendungsfall zu nennen — etwa „leichter wasserdichter Rucksack unter 150 Euro für Radpendler“. Kommt Ihr Produkt nicht vor oder wird es falsch beschrieben, liegt das selten am Modell. Es liegt an Ihren Daten.
Was das für deutsche Händler konkret bedeutet
Zwei Entwicklungen machen das Thema im DACH-Markt dringlicher, als die noch überschaubaren Agenten-Umsätze suggerieren. Erstens setzen die großen Plattformen — Amazon mit Rufus, Google mit KI-Übersichten in Shopping-Kontexten — längst auf agentische Vorfilter. Wer dort schlecht strukturiert gelistet ist, verliert Sichtbarkeit, bevor ein Mensch überhaupt etwas zu sehen bekommt. Zweitens schlägt die deutsche Datenschutzkultur hier unerwartet in einen Vorteil um: Händler, die ihre Datenhoheit ernst nehmen und eigene saubere Feeds kontrollieren, sind gegenüber Marktplatz-abhängigen Wettbewerbern im Vorteil — sie entscheiden selbst, was Agenten über ihre Produkte wissen.
Das heißt nicht, dass ab 2027 Maschinen den deutschen Onlinehandel abwickeln. Es heißt, dass die ersten 20 Prozent des Kaufentscheidungsprozesses — Recherche, Vergleich, Vorauswahl — zunehmend ohne menschlichen Blick auf Ihre Produktseite ablaufen. Ihre schönsten Bilder, Ihre besten Texte: unsichtbar in dieser Phase.
Die provokante Schlussfolgerung lautet deshalb: Marken investieren Millionen in Brand Storytelling für ein Publikum, das zunehmend aus Software besteht. Die klügeren unter ihnen werden 2026 anfangen, ihre Produktdaten mit derselben Sorgfalt zu behandeln wie ihre Kampagnen. Nicht, weil es modern klingt — sondern weil ein Agent, der Ihr Produkt nicht versteht, es auch nicht empfehlen wird. Und eine Empfehlung, die nie ausgesprochen wird, ist ein Verkauf, den Sie nie verlieren merken.