Agentic Commerce ist Handel, bei dem KI-Agenten Kaufaufgaben übernehmen: Bedarf verstehen, Angebote recherchieren, vergleichen und, wenn der Mensch es freigibt, bestellen. Ein Agent kann nur auswählen, was er maschinenlesbar findet. Vollständige, strukturierte und aktuelle Produktdaten sind deshalb die Voraussetzung dafür, dass ein Produkt überhaupt in die engere Wahl kommt.
Was bedeutet Agentic Commerce?
Ein KI-Agent ist ein KI-System, das ein Ziel in mehreren Schritten selbstständig verfolgt und dafür Werkzeuge nutzt: Websuche, Produktfeeds, Shop-Schnittstellen oder Zahlungsdienste. Bei Agentic Commerce lautet dieses Ziel zum Beispiel: „Finde leichte Trailschuhe für breite Füße unter 150 Euro, die bis Freitag geliefert werden.“ Der Agent übersetzt die Anfrage in Kriterien, prüft Angebote und legt das Ergebnis vor oder bestellt innerhalb der Grenzen, die der Mensch gesetzt hat.
Wie weit ein Agent geht, ist unterschiedlich. In der Praxis lassen sich vier Stufen unterscheiden:
| Stufe | Was der Agent tut | Rolle des Menschen |
|---|---|---|
| 1. Recherche | Beantwortet Produktfragen und fasst Informationen zusammen | Entscheidet und kauft selbst im Shop |
| 2. Vergleich | Erstellt eine kurze Auswahl nach Kriterien wie Preis, Lieferzeit und Merkmalen | Wählt aus der Auswahl |
| 3. Kauf mit Freigabe | Legt den Warenkorb an und bereitet den Checkout vor | Bestätigt den Kauf |
| 4. Delegierter Kauf | Kauft selbstständig, sobald vorab festgelegte Bedingungen erfüllt sind | Legt Regeln fest, etwa eine Preisgrenze |
Die technischen Grundlagen dafür entstehen gerade. Große Anbieter haben offene Protokolle vorgestellt, mit denen Agenten, Händler und Zahlungsdienste Daten austauschen:
- Agentic Commerce Protocol (ACP): von OpenAI und Stripe entwickelt und als Open Source veröffentlicht (Projektseite). OpenAI hat es im September 2025 zusammen mit einer Kauffunktion in ChatGPT vorgestellt, die zunächst in den USA startete (OpenAI, 29.09.2025).
- Agent Payments Protocol (AP2): von Google am 16.09.2025 vorgestellt. Es arbeitet mit kryptografisch signierten Aufträgen, sogenannten Mandates, die belegen, was der Nutzer angefragt und freigegeben hat (Google Cloud Blog).
- Universal Commerce Protocol (UCP): Anfang 2026 von Google gemeinsam mit Handelsunternehmen wie Shopify, Etsy, Wayfair, Target und Walmart vorgestellt. Es beschreibt laut Projektseite den Ablauf von der Katalogsuche über Warenkorb und Checkout bis zur Bestellverwaltung (ucp.dev).
Stand November 2026 entwickeln sich diese Protokolle schnell, und welche Kauffunktionen in welchem Land verfügbar sind, ändert sich laufend. Für Online-Shops ist deshalb weniger das einzelne Protokoll entscheidend als die Frage, ob ihre Produktdaten für jede Art von Agent lesbar sind.
Gartner hat im Februar 2024 prognostiziert, dass das Suchvolumen klassischer Suchmaschinen bis 2026 um 25 % zurückgeht, weil KI-Chatbots und andere virtuelle Agenten Suchanfragen übernehmen. Es handelt sich um eine Prognose, nicht um eine Messung. Sie zeigt aber, in welche Richtung sich die Produktrecherche bewegt.
Wie KI-Agenten Produkte suchen und vergleichen
Wie genau einzelne Systeme Angebote gewichten, legen die Anbieter nicht offen. Die folgenden Schritte beschreiben deshalb, was ein Agent technisch tun muss, um eine Kaufaufgabe zu lösen, und keine Ranking-Formel. Für Shops ist genau das hilfreich: An jedem Schritt kann ein Produkt aus der Auswahl fallen.
Bedarf in Kriterien übersetzen
Aus „leichte Trailschuhe für breite Füße unter 150 Euro, Lieferung bis Freitag“ werden Kategorie, Merkmal (Weite), Preisgrenze und Lieferfrist. Je genauer die Anfrage, desto mehr harte Filter wendet der Agent an.
Quellen abrufen
Der Agent nutzt Websuche, die Produktdaten der jeweiligen Plattform, Händler-Schnittstellen über Commerce-Protokolle sowie Testberichte, Foren und Erfahrungsberichte. Welche Quellen zum Zug kommen, hängt vom System ab.
Daten auslesen und vereinheitlichen
Preis, Währung, Verfügbarkeit, Varianten, Maße, Versand und Rückgabe werden aus den Quellen gezogen und vergleichbar gemacht. Fehlt eine Angabe oder widersprechen sich zwei Quellen, kann das Produkt nicht sicher verglichen werden.
Filtern und gewichten
Harte Kriterien wie Preis, Größe oder Lieferzeit sortieren aus. Weiche Kriterien wie Erfahrungsberichte, Markenbekanntheit oder Rückgabebedingungen fließen in die Gewichtung der verbleibenden Angebote ein.
Auswahl begründen oder Kauf vorbereiten
Der Agent legt wenige Optionen mit Begründung vor. Bei einem Kauf-Agenten folgen Warenkorb und Freigabe durch den Menschen oder, beim delegierten Kauf, die Bestellung innerhalb der festgelegten Regeln.
Eine Suchmaschine zeigt Treffer, und der Mensch filtert. Ein Agent filtert selbst. Was er nicht eindeutig zuordnen kann, landet nicht auf der kurzen Liste, die der Mensch am Ende sieht. Mehr zu den Mechanismen dahinter lesen Sie im Guide Wie KI-Systeme Produkte empfehlen.
Welche Produktdaten für KI-Einkäufe wichtig sind
Für einen Agenten ist eine Produktseite eine Sammlung von Fakten. Je vollständiger und eindeutiger diese Fakten sind, desto sicherer kann er das Produkt einer Anfrage zuordnen. Die folgende Tabelle zeigt die Angaben, die für Vergleich und Kauf besonders relevant sind, und die passende Schema.org-Eigenschaft:
| Angabe | Warum Agenten sie brauchen | Schema.org |
|---|---|---|
| Eindeutige Kennungen | Dasselbe Produkt über verschiedene Shops hinweg erkennen | gtin13, mpn, sku |
| Marke und exakter Name | Zuordnung zur Anfrage, keine Verwechslung ähnlicher Modelle | brand, name |
| Preis und Währung | Filter nach Budget | offers.price, offers.priceCurrency |
| Verfügbarkeit | Nur lieferbare Produkte kommen für einen Kauf infrage | offers.availability |
| Versand und Lieferzeit | Häufiges hartes Kriterium („bis Freitag“) | offers.shippingDetails |
| Rückgaberegeln | Risikoabwägung vor dem Kauf | offers.hasMerchantReturnPolicy |
| Zustand | Neuware, gebraucht oder generalüberholt unterscheiden | offers.itemCondition |
| Technische Merkmale | Harte Filter wie Maße, Material, Kompatibilität | additionalProperty, material, size |
| Varianten | Die richtige Größe oder Farbe auswählen | ProductGroup, hasVariant, variesBy |
Neben den strukturierten Feldern zählt der sichtbare Text. Beschreibungen sollten Merkmale ausdrücklich nennen: „wasserdicht nach IPX7“ statt „perfekt für jedes Wetter“, „passend für Geräte mit USB-C“ statt „universell einsetzbar“. Ein Agent kann nur vergleichen, was als Fakt dasteht. Wie Sie Produktdaten systematisch aufbereiten, zeigt der Guide Produktdaten optimieren.
Erfahrungsberichte fließen in die Auswahl vieler Systeme ein. Gerade deshalb gilt: nur echte Bewertungen verwenden. Wer Bewertungen anzeigt, muss nach § 5b Abs. 3 UWG angeben, ob und wie er sicherstellt, dass sie von Personen stammen, die das Produkt tatsächlich gekauft oder genutzt haben. Erfundene Bewertungen sind unzulässig, auch im strukturierten Markup.
Wie strukturierte Daten die Auffindbarkeit unterstützen
Strukturierte Daten nach Schema.org, eingebunden als JSON-LD, sind die maschinenlesbare Fassung einer Produktseite. Ein Crawler muss das Layout nicht deuten, um Preis, Verfügbarkeit oder Kennungen zu finden. Die Felder sind benannt und eindeutig.
Produktdaten erreichen KI-Agenten heute auf drei Wegen:
- Produktseite mit Schema.org-Markup: crawlbar und indexierbar, lesbar für Suchmaschinen und KI-Suchdienste.
- Produktfeeds an Plattformen: etwa an das Google Merchant Center, aus dem Googles Shopping-Flächen gespeist werden.
- Schnittstellen über Commerce-Protokolle: für den Kauf direkt im KI-System, zum Beispiel über ACP oder UCP.
Entscheidend ist, dass alle drei Wege dieselben Fakten liefern. Weichen Preis oder Verfügbarkeit im Feed von der Produktseite ab, kann ein Agent die Angaben nicht sicher verwenden. Automatische Aktualisierung ist deshalb wichtiger als einmalige Perfektion. Typische Fehler und wie Sie sie vermeiden, beschreibt der Guide Schema.org aktuell halten.
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Beispiel Trail 2 Laufschuh, weite Passform",
"brand": { "@type": "Brand", "name": "Beispielmarke" },
"gtin13": "4000000000000",
"mpn": "BT2-W",
"sku": "BT2-W-43",
"material": "Mesh, recyceltes Polyester",
"additionalProperty": [
{ "@type": "PropertyValue", "name": "Gewicht", "value": "280 g" },
{ "@type": "PropertyValue", "name": "Sprengung", "value": "6 mm" }
],
"offers": {
"@type": "Offer",
"price": "129.90",
"priceCurrency": "EUR",
"availability": "https://schema.org/InStock",
"itemCondition": "https://schema.org/NewCondition",
"shippingDetails": {
"@type": "OfferShippingDetails",
"shippingDestination": { "@type": "DefinedRegion", "addressCountry": "DE" },
"deliveryTime": {
"@type": "ShippingDeliveryTime",
"handlingTime": { "@type": "QuantitativeValue", "minValue": 0, "maxValue": 1, "unitCode": "DAY" },
"transitTime": { "@type": "QuantitativeValue", "minValue": 1, "maxValue": 2, "unitCode": "DAY" }
}
},
"hasMerchantReturnPolicy": {
"@type": "MerchantReturnPolicy",
"applicableCountry": "DE",
"returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
"merchantReturnDays": 30
}
}
}
Zwei technische Voraussetzungen werden oft übersehen. Erstens muss die robots.txt die Crawler der KI-Suchdienste zulassen, etwa OAI-SearchBot und GPTBot von OpenAI oder PerplexityBot. Zweitens sollten Produktdaten im ausgelieferten HTML stehen und nicht erst per JavaScript nachgeladen werden, denn nicht jeder Crawler führt JavaScript aus. Welche Rolle eine llms.txt zusätzlich spielen kann, erklärt der Guide llms.txt für KI-Sichtbarkeit.
Strukturierte Daten sind keine Garantie für eine Empfehlung. Sie sorgen dafür, dass ein System die Fakten zu Ihrem Produkt richtig lesen kann. Ob ein Agent es auswählt, hängt zusätzlich von Angebot, Preis, Verfügbarkeit und externen Quellen ab.
So bereiten Online-Shops ihre Produktseiten vor
Die folgenden Schritte lassen sich unabhängig davon umsetzen, welches Protokoll sich durchsetzt. Sie verbessern gleichzeitig die Darstellung in der klassischen Google-Suche.
Bestandsaufnahme machen
Prüfen Sie eine Stichprobe Ihrer Produktseiten: Sind GTIN, Marke, Preis, Verfügbarkeit, Versand und Rückgabe sichtbar und im Markup vorhanden? Wo fehlen technische Merkmale, die Kunden typischerweise abfragen?
Product-Markup vervollständigen und prüfen
Ergänzen Sie das JSON-LD um die fehlenden Felder und prüfen Sie es mit dem Rich-Results-Test von Google oder dem Schema Markup Validator. Das Markup muss zum sichtbaren Inhalt passen.
Feed und Seite synchron halten
Preis und Verfügbarkeit sollten aus derselben Quelle kommen und sich automatisch aktualisieren, auf der Seite, im Markup und im Feed.
Beschreibungen faktisch schreiben
Nennen Sie Merkmale, Maße, Materialien, Kompatibilität und Einsatzzweck ausdrücklich. Werbliche Formulierungen ohne Fakt helfen einem Agenten nicht beim Vergleich.
Typische Kundenfragen beantworten
Fragen zu Passform, Kompatibilität, Pflege oder Lieferumfang gehören als sichtbarer Text auf die Produktseite. Agenten übernehmen solche Antworten gern in ihre Begründung.
Crawler-Zugang sicherstellen
robots.txt prüfen, Produktdaten im HTML ausliefern, Ladezeiten kurz halten. Eine Seite, die ein Crawler nicht abrufen kann, existiert für den Agenten nicht.
Sichtbarkeit messen statt vermuten
Prüfen Sie regelmäßig, ob KI-Systeme Ihr Produkt bei typischen Kaufanfragen nennen, und halten Sie Veränderungen fest. Nur so sehen Sie, ob Änderungen an den Daten wirken.
Checkout-Anbindung im Blick behalten
Fragen Sie bei Ihrem Shopsystem oder Zahlungsdienstleister nach, ob und wann eine Anbindung an Commerce-Protokolle wie ACP oder UCP angeboten wird, und für welche Länder.
Speziell für Kaufanfragen in ChatGPT lohnt zusätzlich der Guide ChatGPT Shopping Optimierung, für die Auffindbarkeit in Gemini und Google AI Overviews der Guide KI-Produktsuche optimieren.
Feed-AI erstellt aus Ihren Angaben eine strukturierte, crawlbare Eintragsseite mit Schema.org-Markup, ohne Programmierung. Das selbstlernende Feld-Audit prüft wöchentlich, welche Angaben die KI-Suche neu verlangt, ergänzt die Felder und benachrichtigt Sie. Ab dem Pro-Plan misst der KI-Sichtbarkeitscheck, ob KI-Systeme wie ChatGPT, Perplexity und Gemini Ihr Produkt nennen.
Feed-AI ist kein Checkout-Anbieter und wickelt keine Käufe ab. Der Beitrag liegt bei der Auffindbarkeit: Ihre Produktdaten sollen für Agenten lesbar sein, bevor es um den Kauf geht.
Chancen und Grenzen des agentischen Handels
Agentic Commerce ist weder ein Selbstläufer noch eine ferne Zukunft. Für Shops ergeben sich konkrete Chancen, aber auch Grenzen, die man kennen sollte.
Chancen
- Ein Agent, der nach konkreten Kriterien filtert, kann auch Anbieter auswählen, die in klassischen Suchergebnissen weit hinten stehen, sofern ihre Daten die Kriterien eindeutig erfüllen.
- Saubere Produktdaten wirken doppelt: für KI-Agenten und für die Darstellung in der klassischen Suche.
- Neue Verkaufswege entstehen dort, wo Kunden ohnehin Fragen stellen: im Chat mit einem KI-System.
Grenzen
- Die Anbieter legen ihre Auswahlkriterien nicht vollständig offen. Wirkung lässt sich nur messen, nicht vorhersagen.
- Viele Kauffunktionen starteten zunächst in den USA. Für den deutschen Markt sollten Shops die Ankündigungen der Plattformen verfolgen.
- Die Plattform rückt zwischen Shop und Kunde. Markenbindung und direkter Kundenkontakt können schwächer werden.
- Vertrauen und Haftung sind noch nicht überall geklärt. Protokolle wie AP2 setzen deshalb auf überprüfbare Nachweise der Nutzerfreigabe.
Rechtliche Pflichten bleiben bestehen, auch wenn ein Agent die Daten ausliest: Preisangaben müssen korrekt sein, und eine falsche Angabe im Feed oder im Markup ist ebenso irreführend wie auf der sichtbaren Seite. Wer seine Daten sauber und aktuell hält, ist für Agenten und für Kunden gleichermaßen gut aufgestellt.
Häufige Fragen
Was ist Agentic Commerce? +
Agentic Commerce bezeichnet Handel, bei dem KI-Agenten im Auftrag eines Menschen Kaufaufgaben übernehmen: den Bedarf in Kriterien übersetzen, Angebote recherchieren, vergleichen und, wenn der Mensch es freigibt oder vorab Regeln festgelegt hat, auch bestellen. Der Agent arbeitet mit Werkzeugen wie Websuche, Produktfeeds und Shop-Schnittstellen.
Was unterscheidet Agentic Commerce vom klassischen E-Commerce? +
Im klassischen E-Commerce sucht, filtert und vergleicht der Mensch selbst. Im Agentic Commerce erledigt ein KI-Agent diese Schritte und legt nur noch eine kurze Auswahl oder einen fertigen Warenkorb vor. Die Produktseite muss deshalb nicht nur für Menschen überzeugend, sondern auch für Maschinen eindeutig lesbar sein.
Welche Produktdaten brauchen KI-Agenten? +
Am wichtigsten sind eindeutige Kennungen wie GTIN und Herstellernummer, Marke und exakter Produktname, Preis mit Währung, Verfügbarkeit, Versandkosten und Lieferzeit, Rückgaberegeln, technische Merkmale sowie die verfügbaren Varianten. Diese Angaben sollten als sichtbarer Text und zusätzlich als Schema.org-Markup vorliegen.
Brauchen Online-Shops für Agentic Commerce eine eigene Schnittstelle? +
Für die Auffindbarkeit nicht zwingend. Grundlage sind vollständige, crawlbare Produktseiten mit Schema.org-Markup und gepflegte Produktfeeds. Für den Kauf direkt im KI-System gibt es offene Protokolle wie das Agentic Commerce Protocol von OpenAI und Stripe oder das Universal Commerce Protocol, das Google Anfang 2026 mit Handelsunternehmen vorgestellt hat. Die Anbindung erfolgt meist über das Shopsystem oder den Zahlungsdienstleister.
Garantieren strukturierte Daten, dass ein KI-Agent mein Produkt empfiehlt? +
Nein. Strukturierte Daten sorgen dafür, dass ein System die Fakten zu Ihrem Produkt richtig lesen und vergleichen kann. Ob ein Agent das Produkt empfiehlt, hängt zusätzlich von Angebot, Preis, Verfügbarkeit, externen Quellen und den nicht offengelegten Auswahlkriterien des jeweiligen Anbieters ab. Deshalb lohnt es sich, die tatsächliche Sichtbarkeit regelmäßig zu messen.
Was sind ACP, AP2 und UCP? +
Es sind offene Protokolle für den agentischen Handel. Das Agentic Commerce Protocol (ACP) haben OpenAI und Stripe entwickelt, es regelt den Checkout zwischen Agent und Händler. Das Agent Payments Protocol (AP2) hat Google im September 2025 vorgestellt, es weist mit signierten Aufträgen nach, was der Nutzer freigegeben hat. Das Universal Commerce Protocol (UCP) deckt laut Projektseite den Ablauf von der Katalogsuche über Warenkorb und Checkout bis zur Bestellverwaltung ab.