Der Online-Handel steht an einem Wendepunkt: Autonome KI-Kauf- und Vertriebsagenten übernehmen zunehmend die Rolle des “zweiten Käufers”. Dieser Wandel zwingt Unternehmen, ihre Datenarchitektur, Produktinformation-Management (PIM) und Vertriebsmodelle grundlegend neu auszurichten, um im künftig von Algorithmen dominierten Markt nicht den Anschluss zu verlieren.
Marktvolumen und Marktreplattformierung durch autonome Agenten
Analystenhäuser quantifizieren den Übergang zu agentischen Systemen mit massiven finanziellen Verschiebungen. IDC prognostiziert, dass bis 2030 digitale Ausgaben im Wert von 500 Milliarden US-Dollar durch KI-gestützte Kanäle neu verteilt werden. McKinsey schätzt das weltweite Potenzial von Agentic Commerce auf 3 bis 5 Billionen US-Dollar.
“KI-Agenten erzeugen ein völlig neues digitales Ausgaben-Volumen, das herkömmliche Commerce-Modelle verdrängt.” – IDC-Analystin Heather Hershey, 2026
- Durch KI replattformierte digitale Ausgaben: 500 Mrd. USD (IDC, 2030)
- Globales Agentic-Commerce-Marktvolumen: 3-5 Bio. USD (McKinsey, 2030)
Maschinenlesbarkeit: Der “zweite Käufer” im B2B-Segment
Im B2B-Commerce recherchieren bereits 94 % der institutionellen Einkäufer 2026 generative KI-Tools, bevor ein menschlicher Vertriebskontakt erfolgt. Bis 2028 sollen 90 % der B2B-Kaufentscheidungen zumindest teilweise über KI-Agenten vorbereitet oder abgewickelt werden. Diese Entwicklung verschiebt die Anforderung an Produktdaten von reinem Marketing-Content zu semantisch strukturierten Katalogen und standardisierten APIs.
- B2B-Einkäufer mit GenAI als primärem Recherche-Tool: 94 % (Forrester, 2026)
- KI-intermediierte B2B-Kaufentscheidungen: 90 % (Gartner, 2028)
Die Konsequenz für Händler: Deterministische Produktdaten wie GTIN, herstellerübergreifende Spezifikationen und Live-Bestände sowie maschinenlesbare Schnittstellen (z. B. Model Context Protocol) müssen bereitgestellt werden. Unstrukturierte PDFs und Freitext-Attribute verlieren an Bedeutung, weil KI-Agenten ausschließlich strukturierte Informationen verarbeiten können.
Wie KI die Buyer Journey verändert
Traditionelle digitale Kaufprozesse sind häufig umständlich: Kunden navigieren durch umfangreiche Kataloge, vergleichen technische Details und warten auf Service-Rückmeldungen. Insbesondere im B2B-Umfeld kosten Produktsuche, Ersatzteilidentifikation und Nachbestellungen unnötig viel Zeit – sowohl auf Kundenseite als auch intern.
Intelligente Copiloten und Agenten vereinfachen diese Abläufe, indem sie natürliche-Sprach-Anfragen beantworten, passende Produkte anhand konkreter Anwendungsfälle vorschlagen und bei Service- sowie After-Sales-Prozessen unterstützen. Die Buyer Journey entwickelt sich dadurch zu einer dialogorientierten, kontextbezogenen Interaktion, die Entscheidungsprozesse datengetriebener macht.
Die Dimension dieser Transformation belegen aktuelle Marktdaten: Branchenanalysten von IDC prognostizieren, dass KI-gestützte Systeme bis 2030 digitale Konsum- und Beschaffungsausgaben von rund 500 Milliarden US-Dollar neu verteilen werden (IDC 2026). Für Hersteller und Großhändler entsteht dabei faktisch ein “zweiter Käufertyp”. KI-Agenten navigieren nicht durch ansprechend gestaltete Nutzeroberflächen und reagieren nicht auf Bannerwerbung. Sie scannen strukturierte Daten, prüfen Live-Lagerbestände und gleichen technische Parameter in Millisekunden ab. Laut Forrester nutzen bereits 94 % der institutionellen B2B-Beschaffer generative KI für die Erstprüfung. Wenn Spezifikationen oder Schnittstellen fehlen, wird das Sortiment vom Algorithmus aussortiert, bevor überhaupt ein menschlicher Einkäufer involviert wird.
Gleichzeitig erfordert der Einstieg in autonome Systeme ein hohes Maß an Risikomanagement. Gartner warnt davor, dass bis 2027 mehr als 40 % aller agentischen KI-Vorhaben an unzureichender Datenqualität, eskalierenden Betriebskosten und lückenhafter Governance scheitern könnten (Gartner 2025). Wer Agenten Handlungsspielräume – etwa bei dynamischen Preisnachlässen oder eigenständigen Bestellfreigaben – einräumt, benötigt klare Guardrails und definierte Eskalationspfade. Statt unkoordinierter Experimente erweist sich daher eine schrittweise Implementierung als sinnvoll: Beginnend mit internen Copiloten zur Datenanreicherung und standardisierten Schnittstellen, bevor vollautonome Transaktionsagenten im Live-Betrieb agieren.
Wie KI-Agenten Commerce-Teams entlasten
Während intelligente Copiloten die Buyer Journey transformieren, steigt die operative Komplexität innerhalb vieler Commerce-Organisationen massiv an. Produktinformationen müssen gepflegt, Inhalte erstellt, Übersetzungen koordiniert und Wettbewerber beobachtet werden – oft über disparate Systeme hinweg und unter Zeitdruck.
Der Schlüssel liegt in der Fokussierung auf klar definierte “Jobs to be done” statt auf breit gestreute KI-Experimente. Spezialisierte Agenten können repetitive, datenintensive Aufgaben übernehmen, etwa:
- Anreicherung und Lokalisierung von Produktinformationen
- Wettbewerbsanalysen und Reporting
- Interpretation komplexer Commerce-Daten
Durch diese Entlastung können Teams schneller auf Marktveränderungen und komplexe Kundenanforderungen reagieren und gleichzeitig ROI-Verluste bei unkoordinierten KI-Initiativen vermeiden.
Risiken und Projektabbrüche bei unzureichender Daten-Governance
Ein zentrales Risiko liegt in mangelhafter Datenreife. Gartner warnt, dass über 40 % der agentischen KI-Initiativen bis 2027 scheitern, weil Stammdaten lückenhaft sind, Integrationskosten explodieren oder Haftungs- und Budgetgrenzen unzureichend definiert wurden. Darüber hinaus kann die Disintermediation von Marken- und Kundenbeziehungen die emotionale Bindung an Marken schwächen, da KI-Agenten Entscheidungen rein nach Kennzahlen treffen.
Schnellüberblick:
Was unterscheidet Agentic Commerce von herkömmlichen Chatbots im Online-Shop?
Klassische Bots beantworten isolierte Nutzerfragen regelbasiert auf einer Website. Agentic-Commerce-Systeme besitzen Handlungsautonomie: Sie zerlegen komplexe Aufgaben in Einzelschritte, vergleichen eigenständig externe Quellen, verhandeln Konditionen und führen Kauf- sowie Bezahlprozesse direkt über Schnittstellen aus.
Welche technischen Voraussetzungen müssen Händler schaffen, um für KI-Käufer auffindbar zu sein?
Notwendig sind deterministische Produktdaten (z. B. GTIN, herstellerübergreifende Spezifikationen, Live-Bestände) sowie maschinenlesbare Schnittstellen (APIs und Protokolle wie Model Context Protocol). Da Agenten keine grafischen Oberflächen interpretieren, fallen unstrukturierte PDF-Kataloge und Freitext-Attribute durch das Raster.
Quellen
- https://www.prnewswire.com/news-releases/ai-agents-are-already-shopping-and-most-merchants-arent-ready-new-research-finds-302212351.html
- https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/agentic-commerce-how-agents-are-ushering-in-a-new-era
- https://www.gartner.com/en/newsroom
- https://www.forrester.com/research/