AI-Driven Commerce: Erfolgsfaktoren für den Retail

Künstliche Intelligenz verändert den Handel nicht mehr nur in internen Prozessen wie Prognosen, Marketing oder Kundenservice. Sie rückt zunehmend dorthin, wo Kaufentscheidungen entstehen: in die Customer Journey selbst. Damit verschieben sich Recherche, -bewertung und Produktauswahl erstmals in KI-gestützte Interfaces. Bereits heute nutzen Konsumenten generative KI, um Kaufentscheidungen vorzubereiten und zu strukturieren. Laut einer aktuellen Studie von Adyen nutzt über ein Drittel der Befragten (37%) KI für Produktsuche und -auswahl. Mehr als die Hälfte kann sich vorstellen, künftig auch Transaktionen über KI abzuwickeln. Diese Entwicklung zeigt sich zunehmend auch im Traffic. Laut Adobe wächst der Anteil von Besuchern, die über generative KI-Interfaces wie ChatGPT oder Perplexity auf E-Commerce-Websites gelangen, deutlich.

Im Folgenden bezeichnen wir als Retailer alle Anbieter mit direktem Kundenzugang. Auffällig ist, dass diese Nutzer mehr Zeit auf den Seiten verbringen und mehr Produkte betrachten, aktuell jedoch seltener konvertieren als klassischer Such-Traffic. Das entspricht einem typischen Muster neuer Kanäle: Zuerst entstehen Aufmerksamkeit und Engagement, erst später Conversion-Effizienz. Die eigentliche Conversion findet aktuell häufig noch nachgelagert in anderen Kanälen statt. Wie relevant KI für den Kaufabschluss wird, hängt maßgeblich vom Vertrauen der Nutzer ab – insbesondere beim Umgang mit transaktionsrelevanten Daten. Genau dieses Vertrauen wird darüber entscheiden, wie schnell sich Agentic Commerce durchsetzt.

Um diese Entwicklung einzuordnen, lohnt sich eine klare begriffliche Unterscheidung:

Im Assisted Commerce unterstützt die KI Konsumenten bei der Entscheidungsfindung. Sie fasst Bewertungen zusammen, vergleicht Produkte, erklärt Unterschiede und schlägt passende Optionen vor.

Im Agentic Commerce geht die Delegation einen Schritt weiter: KI-Systeme können innerhalb definierter Regeln selbstständig handeln – etwa Produkte auswählen, Warenkörbe zusammenstellen oder selbstständig Käufe auslösen.

Assisted und Agentic Commerce können sowohl in Retailer-eigenen KI-Interfaces (z. B. Amazon Rufus) als auch in externen Systemen wie ChatGPT oder Perplexity stattfinden. Dass Assisted Commerce bereits heute relevant ist, zeigt sich in der zunehmenden Nutzung von KI-Interfaces zur Produktsuche und Informationsbeschaffung. Vor diesem Hintergrund fokussiert der Artikel die Erfolgsfaktoren für Assisted Commerce als aktuell entscheidenden Hebel. Agentic Commerce befindet sich aktuell noch im Aufbau und verschiedene E-Commerce-Dienstleister und KI-Anbieter entwickeln technische Lösungen zur Durchführung von Transaktionen mit Agenten.

Sobald Kaufentscheidungen in KI-Interfaces vorbereitet werden, verändert sich die Wettbewerbslogik des Handels grundlegend. Dann konkurrieren Retailer nicht mehr nur um Sichtbarkeit in Suchmaschinen, auf Marktplätzen oder im eigenen Shop, sondern um Relevanz in einer maschinellen Auswahl- und Bewertungslogik. Die zentrale strategische Frage verschiebt sich damit grundlegend. KI-basierte Interfaces folgen einer anderen Auswahl- und Bewertungslogik als klassische Suchmaschinen. Google bewertet Webseiten danach, wie gut sie die Suchintention erfüllen, wie vertrauenswürdig sie sind und wie zugänglich sie technisch umgesetzt sind. Die finale Bewertung der gefundenen Informationen verbleibt aber beim Nutzer. KI-Systeme verdichten Informationen zu konkreten Antworten, Empfehlungen oder Shortlists.

Dadurch verschiebt sich die Relevanz der zentralen Hebel: Im Assisted Commerce verliert reine Sichtbarkeit an Bedeutung. Wichtiger wird, ob ein Angebot maschinell lesbar, strukturiert vergleichbar und inhaltlich belastbar ist. Relevante Signale sind insbesondere Produktdaten, Preis, Verfügbarkeit, Bewertungen, Lieferbedingungen sowie die Konsistenz dieser Informationen über verschiedene Quellen hinweg. Was für KI nicht strukturiert beschreibbar ist, wird im Assisted Commerce unsichtbar.

Konsumenten werden künftig einzelne Transaktionsschritte an künstliche Intelligenzen delegieren. Diese Entwicklung erfolgt nicht als abrupte Revolution, sondern schrittweise – von Unterstützung hin zu teilweiser Automatisierung, also von Assisted zu Agentic Commerce. Die Geschwindigkeit dieses Übergangs wird je nach Produktkategorie stark variieren. Produkte mit geringem Entscheidungsrisiko und klaren Auswahlkriterien (Low Interest) eignen sich deutlich eher für Agentic Commerce als komplexe, beratungsintensive Käufe. Für Retailer bedeutet dies, dass sich die Relevanz von KI-getriebenen Kanälen zuerst in standardisierten, risikoarmen Kategorien durchsetzen wird – und sich von dort aus weiter ausbreitet. Dass diese Entwicklung bereits begonnen hat, zeigen erste bekannte Use Cases, die sich in zwei Typen von KI-Interfaces einordnen lassen: externe, plattformgetriebene Systeme (z. B. ChatGPT) und retailer-eigene Lösungen (z. B. Amazon Rufus).

Ein Beispiel für externe Systeme ist die Integration von „Instant Check-out“ durch OpenAI und Stripe. Seit September 2025 können Nutzer in den USA bei ausgewählten Retailern direkt innerhalb von ChatGPT einkaufen. Ermöglicht wird dies durch ein gemeinsam entwickeltes Protokoll, das Transaktionen innerhalb von KI-Interfaces unterstützt. Der zunächst eingeführte Instant Check-out wurde nach einer Pilotphase jedoch wieder eingestellt. Dies zeigt, dass direkte In-Chat-Transaktionen operativ komplex sind und Retailer weiterhin eine zentrale Rolle bei Bestellungen, Zahlungen und Fulfillment behalten. Gleichzeitig macht das Beispiel deutlich, dass sich die Rolle externer KI-Systeme zunächst stärker auf Beratung und Vorauswahl konzentriert als auf die vollständige Transaktionsabwicklung.

Demgegenüber stehen retailer-eigene Systeme wie Amazons KI-Assistent Rufus, der Kunden bei Produktsuche und -vergleich unterstützt. Laut Amazon haben bereits hunderte Millionen Nutzer den Assistenten verwendet. Nutzer, die Rufus einsetzen, zeigen eine deutlich höhere Kaufwahrscheinlichkeit als Nutzer ohne KI-gestützte Beratung. Das unterstreicht, KI-gestützte Beratung wirkt bereits heute direkt auf die Conversion. Gleichzeitig zeigt sich ein Muster. Retailer-eigene KI-Interfaces entfalten ihren größten Effekt dort, wo sie tief in Sortiment, Daten und Transaktion integriert sind. Gleichzeitig bleibt Amazon Rufus aktuell ein Leuchtturmbeispiel. In den meisten Märkten ist die Integrationstiefe deutlich geringer, und Konsumenten übertragen KI-Systemen bislang nur selten vollständige Transaktionsverantwortung. KI unterstützt die Entscheidung, ersetzt sie aber in den meisten Fällen noch nicht.

Trotz wachsender Aufmerksamkeit für KI sind viele Retailer organisatorisch und technisch noch nicht ausreichend aufgestellt. Dabei ist die Diskrepanz zwischen Konsumentenerwartungen und Bereitschaft des Handels bemerkenswert. Laut einer Studie des IFH Köln aus dem Sommer 2025 glauben knapp drei Viertel der Verbraucher, durch KI-gestützte Angebote bessere Kaufentscheidungen treffen zu können. Gleichzeitig betrachtet nur jeder sechste Einzelhändler KI als strategischen Kernbaustein seines Geschäftsmodells. Eine weitere Studie des EHI Retail Institute zeigt, dass rund zwei Drittel der Retailer die Integration ihrer Datenlandschaft für KI-Anwendungen als unzureichend bewerten. Fragmentierte Daten, heterogene Systemlandschaften und fehlende Standards erschweren den Einsatz von KI erheblich.

Auch organisatorisch stehen viele Unternehmen vor erheblichen Herausforderungen. KI-Initiativen werden häufig als isolierte Technologieprojekte betrachtet, obwohl sie tief in Prozesse, Entscheidungslogiken und Organisationsstrukturen eingreifen. Die eigentliche Herausforderung liegt daher weniger im Zugang zu KI-Technologie als in der Fähigkeit, Daten, Systeme und Entscheidungsprozesse konsistent zu integrieren. Genau hier liegt aktuell die zentrale Umsetzungsbarriere für viele Retailer.

Trotz dieser Herausforderungen eröffnet die Entwicklung erhebliche Chancen für Retailer. Entscheidend ist jedoch, die richtigen strategischen Hebel richtig zu setzen.

Erstens müssen Retailer agentenfähige Daten- und Entscheidungslogiken etablieren, um eine KI-gestützte Beratung zu ermöglichen und zu optimieren. Im Kontext von Agentic Commerce reicht es nicht aus, vollständige Produktdaten bereitzustellen. Auch Entscheidungslogiken müssen für KI-Systeme zugänglich und nutzbar werden.

Für die meisten etablierten Retailer ist die grundlegende Regelübertragung bereits erledigt. Preislogiken, Verfügbarkeiten, Bundles und Promotionen fließen heute über standardisierte Feeds und APIs in Google Shopping, Marktplätze und Vergleichsmaschinen. Diese Infrastruktur muss nicht neu aufgebaut werden.

Die eigentliche Herausforderung liegt woanders. Vergleichsmaschinen stellen eine binäre Frage: „Ist dieses Produkt zu diesem Preis verfügbar?“ KI-Assistenten stellen eine kontextuelle Frage: „Was soll ich dieser Person in ihrer aktuellen Situation empfehlen – und warum?“ Das erfordert drei Regeltypen, die kein bisheriger Kanal je gebraucht hat:

• konditionale Empfehlungslogiken, wenn Kundensituation X, dann Angebot Y bevorzugen,
• Erklärungsregeln, warum dieses Angebot das richtige ist – in kundentauglicher Sprache statt als Attributliste,
• explizite Ausschlussregeln, was die KI in welchen Kontexten nicht empfehlen soll – sie schließt nichts aus, was nicht explizit definiert ist.

Im beratungsintensiven Handel wie CE, Einrichtung, Gesundheit oder B2B sind alle drei neuen Regeltypen relevant und erzeugen den größten Umsetzungsaufwand.

Operativ bedeutet das zunächst Transparenz: Welche Regelstrukturen für Preise, Verfügbarkeit und Bundles liegen bereits maschinenlesbar in Feeds und APIs vor – und wo bestehen echte Lücken? Darauf aufbauend sollten konditionale Empfehlungslogiken entlang konkreter Kundensituationen entwickelt werden. Ergänzend sind Erklärungsregeln in kundentauglicher Sprache zu formulieren und Ausschlussregeln explizit zu definieren. Ebenso wichtig ist die Klärung von Regelkonflikten und Eskalationen, etwa wenn Preis-, Verfügbarkeits- und Serviceregeln kollidieren.

Einfacher: Neben der Bereitstellung vollständiger und eindeutiger Produktattribute müssen Retailer sicherstellen, dass für die Beratung durch KI-Agenten notwendige Informationen in geeigneter Struktur vorliegen. Dabei gewinnen perspektivisch Retailer, die insbesondere für die Beratung relevante Informationen passgenau zu den Nutzeranfragen strukturieren und somit die bestmögliche Beratung durch KI ermöglichen.

Zweitens braucht es eine agent-ready Infrastruktur. Damit KI-Systeme auf diese Daten und Logiken zugreifen können, müssen sie technisch zugänglich und strukturiert bereitgestellt werden. Strukturierte Produktdaten, standardisierte Feeds, APIs sowie Echtzeitfähigkeit werden zur Voraussetzung.

Nur wenn Informationen konsistent, aktuell und maschinenlesbar verfügbar sind, können KI-Systeme sie zuverlässig verarbeiten und in Empfehlungen oder Transaktionen überführen. Heute dominieren zwei Standards den Zugang: Schema.org-Markup (insbesondere das `Product`-Schema mit Preis, Verfügbarkeit und Attributen) als strukturierte Datenschicht für Crawler und offene APIs als Echtzeit-Schnittstelle für Agents und Plattformen.

Neuere Ansätze wie das Model Context Protocol (MCP) von Anthropic oder die `llms.txt`-Konvention zeigen, wohin die Reise geht. Händler werden zunehmend direkt maschinenlesbare Datenzugänge bereitstellen müssen, vergleichbar mit der Rolle von `robots.txt` für Suchmaschinen. Headless- und API-First-Architekturen sind dabei strukturell im Vorteil.

Drittens müssen Retailer zur verlässlichen Produktwahrheit ihrer Kategorie werden – also zur zentralen Quelle für vollständige, konsistente und vergleichbare Produktinformationen über verschiedene Anbieter hinweg. KI bevorzugt Quellen, die Produkte vollständig, konsistent und vergleichbar beschreiben. Genau darin liegt eine realistische Differenzierungsrolle für Retailer. Während Hersteller ihre eigenen Produkte tief kennen, haben Händler die Chance, markenübergreifende Vergleichbarkeit durch einheitliche Attributmodelle, normierte Leistungsangaben und konsistente Kategorietaxonomien herzustellen. KI-Systeme benötigen strukturierte und vergleichbare Informationen über mehrere Hersteller hinweg, um fundierte Empfehlungen zu bilden. Hersteller liefern zwar die tiefsten Informationen zu ihren eigenen Produkten, decken jedoch nur ihr eigenes Sortiment ab und können keinen objektiven Vergleich eröffnen.

Retailer hingegen aggregieren Angebote verschiedener Hersteller und können diese strukturiert vergleichbar machen. Dadurch haben sie die Möglichkeit, für KI-Systeme zur bevorzugten Informationsquelle zu werden und einen nachhaltigen Wettbewerbsvorteil aufzubauen.

Herstellerdaten müssen markenübergreifend angereichert, vereinheitlicht und in vergleichbare Strukturen überführt werden. Parallel sind Lücken, Widersprüche oder belastbare Verfügbarkeitsaussagen systematisch zu identifizieren und zu schließen. Dauerhaft wirksam wird dieser Ansatz erst durch verankerte Datenqualitätsprozesse mit klaren Verantwortlichkeiten und verbindlichen Service Level Agreements.

Viertens müssen Retailer in mehreren KI-Ökosystemen gleichzeitig funktionieren: als relevante Quelle für externe KI-Interfaces und – wo sinnvoll – als Anbieter eigener KI-gestützter Interfaces. Für Retailer bedeutet das konkret Systeme, Daten und Prozesse müssen so aufgebaut werden, dass sie parallel in mehreren KI-Ökosystemen funktionieren – statt auf einen einzelnen Kanal optimiert zu sein. Das umfasst insbesondere die Standardisierung von Produktdaten, die Bereitstellung über APIs sowie die Fähigkeit, Angebote konsistent über unterschiedliche Plattformen hinweg verfügbar und vergleichbar zu machen.

Entscheidend ist daher eine klare Priorisierung relevanter externer KI-Interfaces, Marktplätze, Vergleichsumfelder und eigener Touchpoints. Für jeden Kanal sollte präzise festgelegt werden, ob der Fokus auf Sichtbarkeit, Beratung, Conversion oder Kundenbindung liegt. Erst danach wird messbar, welche Integrationen Reichweite, Abschluss und Marge tatsächlich verbessern. Parallel sollten eigene KI-Touchpoints, etwa Beratungsassistenten auf der Website, als strategische Option aktiv weiterentwickelt werden.

Fünftens sollten Retailer ihre Differenzierung gezielt in Services verlagern. Je einfacher KI den Produktvergleich macht, desto wichtiger werden Leistungen, die nicht automatisiert replizierbar sind. Studien zur Kaufentscheidung in beratungsintensiven Kategorien zeigen konsistent, dass Services wie Fachberatung, Installation, Finanzierung und After-Sales-Betreuung kaufentscheidend sind, vorausgesetzt, sie sind verständlich kommuniziert, verlässlich verfügbar und digital buchbar. Das ist der blinde Fleck vieler Händler. Die Services existieren, sind aber für KI-Systeme unsichtbar, weil sie nicht strukturiert beschrieben oder buchbar gemacht werden.

Im nächsten Schritt sollten Beratung, Konfiguration, Installation, Finanzierung, Garantien, Retouren und After-Sales gezielt als Differenzierungshebel ausgebaut werden. Entscheidend ist, diese Leistungen nicht nur anzubieten, sondern in Umfang, Konditionen und Verfügbarkeit strukturiert zu beschreiben und digital buchbar zu machen. Ebenso wichtig ist die Prüfung, welche Services die Kaufentscheidung nachweislich beeinflussen und welche primär Kosten erzeugen. Damit KI-Systeme diese Faktoren berücksichtigen können, müssen Service-Beschreibungen in maschinenlesbarer Form bereitgestellt werden.