Agentic Commerce: KI-Agents als Kaufvermittler

Agentic Commerce verschiebt die Kaufentscheidung von der Suchergebnisseite in den Dialog mit einem KI-Agenten. Statt selbst Shops zu durchsuchen, formulieren Nutzer:innen ein Ziel, und der Agent entdeckt, vergleicht und im Idealfall kauft das Produkt. Für den B2B-Vertrieb im DACH-Raum entsteht damit eine neue, maschinell vermittelte Sichtbarkeitsschicht zwischen Marke und Kunde. Dieser Beitrag ordnet Begriff, Protokolle, Plattformen und Messung ein und liefert einen Massnahmenplan für österreichische und DACH-Unternehmen.

Warum Agentic Commerce jetzt relevant wird

Die Voraussetzung für agentisches Einkaufen ist schlicht: Menschen müssen KI-Systeme im Alltag nutzen. Genau das ist in der DACH-Region Realität geworden. In Deutschland nutzten 67 Prozent der Menschen ab 16 Jahren generative KI wie ChatGPT, Microsoft Copilot oder Google Gemini, ein Sprung um 27 Prozentpunkte gegenüber dem Sommer 2024 (damals 40 Prozent). Unter den Nutzenden führt ChatGPT mit 43 Prozent, gefolgt von Copilot mit 39 Prozent, Gemini mit 28 Prozent und Perplexity mit 1 Prozent. Diese Bitkom-Zahlen beziehen sich auf Deutschland, nicht auf den gesamten DACH-Raum, zeigen aber die Richtung: Die Chatoberfläche wird zur Standardschnittstelle. Wer dort nicht vorkommt, existiert in der Vorauswahl nicht.

Diese Verschiebung trifft das Marketing an einer empfindlichen Stelle. Wenn der Agent recherchiert und vergleicht, fallen klassische Touchpoints wie die Produktdetailseite oder der bezahlte Klick teilweise aus dem Sichtfeld der Kundin. Die Marke muss stattdessen in der generierten Antwort selbst auftauchen. Genau hier verbindet sich Agentic Commerce mit Generative Engine Optimization (GEO): Sichtbarkeit in der KI-Antwort ist die Eintrittskarte für den agentischen Kaufprozess.

Funktionsweise: Discovery, Protokolle und Plattform-Schaufenster

Agentic Commerce ist nicht gleichbedeutend mit KI-Produktsuche. Es lohnt sich, drei Stufen zu trennen. Discovery: Der Agent findet und nennt Produkte in seiner Antwort, der Kauf erfolgt aber weiterhin im Shop. Vorauswahl: Der Agent grenzt aktiv Optionen ein und empfiehlt. Autonomer Kaufabschluss: Der Agent löst die Transaktion innerhalb der KI-Oberfläche aus. Klassischer E-Commerce endet beim Klick der Nutzerin auf den Bestellbutton, Agentic Commerce verlagert diesen Schritt in den Agenten. Die ersten beiden Stufen sind heute weit verbreitet, die dritte ist technisch möglich, aber noch nicht flächendeckend etabliert.

Damit der Agent überhaupt verkaufen kann, braucht es eine Infrastrukturschicht. Hier konkurrieren mehrere Standards:

• Agentic Commerce Protocol (ACP): Von OpenAI gemeinsam mit Stripe entwickelt und quelloffen veröffentlicht. Es regelt, wie ein Agent eine Bestellung anstößt und die Zahlung abwickelt, und bildet die Basis für Instant Checkout in ChatGPT.
• Universal Commerce Protocol (UCP): Googles offener Standard für agentisches Einkaufen. Laut Google soll UCP ein neues Checkout-Feature auf berechtigten Produktlistings im AI Mode und in der Gemini-App ermöglichen, mit dem Kund:innen bei ausgewählten US-Händlern direkt abschliessen. Als Partner nennt Google unter anderem Shopify, Etsy, Wayfair, Target und Walmart. Wichtig: Das Feature ist als künftig ("will soon power") angekündigt, nicht bereits flächendeckend live.
• Model Context Protocol (MCP): Anthropics offener Standard für die Anbindung von Agenten an Werkzeuge und Datenquellen. MCP ist kein Bezahlprotokoll, sondern die generische Brücke, über die ein Agent strukturierte Produkt- und Bestanddaten abrufen kann. ACP und UCP lösen den Kaufabschluss, MCP löst den Datenzugriff. Die Standards stehen also nicht nur in Konkurrenz, sie ergänzen sich auf unterschiedlichen Ebenen.

Auf der Oberfläche werden diese Protokolle zu sichtbaren Schaufenstern. Im Google AI Mode erscheint mit den Direct Offers ein neues Werbeformat: Händler können exklusive Angebote wie einen Rabatt von 20 Prozent direkt im AI Mode für kaufbereite Nutzer:innen ausspielen, wobei Google per KI bestimmt, wann ein Angebot relevant ist. Teilnehmende Marken im Pilot sind unter anderem Petco, e.l.f. Cosmetics, Samsonite und Rugs USA. Bei OpenAI übernimmt der Instant Checkout den Abschluss innerhalb von ChatGPT, bei Perplexity und Microsoft Copilot entstehen analoge kaufnahe Oberflächen. Für den DACH-Markt ist entscheidend: Diese Pilotprogramme starten zunächst in den USA mit ausgewählten Händlern. Der österreichische Markt-Reifegrad liegt damit hinter dem US-Markt.

GEO als Voraussetzung: So wird die Marke in KI-Antworten zitiert

Bevor ein Agent kaufen kann, muss er die Marke kennen und nennen. Sichtbarkeit in generativen Antworten folgt anderen Regeln als klassisches Ranking. Die Princeton-nähe Studie zu Generative Engine Optimization zeigt, dass gezielte Optimierung die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann. Die Studie weist darauf hin, dass die wirksamsten Strategien je nach Themenfeld variieren, hebt aber inhaltlich angereicherte Inhalte hervor. Praktisch heisst das für Agentic Commerce:

• Front-Loading: Die entscheidende Information, also was das Produkt ist, für wen es taugt und was es kostet, gehört in die ersten Sätze, nicht ans Ende. KI-Systeme extrahieren bevorzugt klare, frühe Aussagen.
• Answer Islands: Eigenständige, in sich abgeschlossene Antwortblöcke, die eine konkrete Frage vollständig beantworten, lassen sich leichter zitieren als verteilte Information.
• Brand Mentions statt Backlinks: Für die Zitierfähigkeit in KI-Antworten zählt die konsistente Erwähnung der Marke im relevanten Kontext oft mehr als der klassische Backlink. Generative Systeme aggregieren Erwähnungen über viele Quellen.
• Statistiken und Zitate: Belegte Zahlen und nachvollziehbare Aussagen erhöhen laut GEO-Forschung die Wahrscheinlichkeit, als Quelle herangezogen zu werden.

Best Practices: Strukturierte Daten und Feed-Hygiene für KI-Agenten

Sobald die Marke zitiert wird, braucht der Agent maschinenlesbare Fakten, um vergleichen und kaufen zu können. Die folgenden Massnahmen bilden das technische Fundament:

• Product-Schema sauber pflegen: Strukturierte Daten nach schema.org/Product mit Preis, Verfügbarkeit, Marke und eindeutigen Identifikatoren (GTIN, MPN) geben dem Agenten verlässliche Attribute statt geratener Werte.
• Merchant-Feeds aktuell halten: Produktfeeds müssen Preis- und Bestandsänderungen zeitnah abbilden. Ein Agent, der ein nicht mehr verfügbares Produkt empfiehlt, beschädigt das Markenvertrauen sofort.
• Verfügbarkeits- und Preisattribute konsistent halten: Widersprüchliche Preise zwischen Feed, Schema und Shop führen dazu, dass der Agent die Quelle als unzuverlässig einstuft.
• llms.txt bereitstellen: Die Datei llms.txt im Wurzelverzeichnis dient als maschinenlesbarer Wegweiser für KI-Systeme. Sie kann auf zentrale Produktinformationen, Konditionen und Datenquellen verweisen und so die Aufnahme in agentische Prozesse erleichtern. Der Standard ist freiwillig und wird nicht von allen Anbietern ausgewertet, gehört aber zur Feed-Hygiene für maschinenlesbare Shops.

Für B2B-Anbieter im DACH-Raum bedeutet das konkret: Erst wird die Datengrundlage in Ordnung gebracht, dann lohnt sich die Pilotierung von ACP oder UCP. Ein technisch sauberer Feed ist die Bedingung dafür, überhaupt in agentischen Kaufstrecken zu erscheinen.

Häufige Fehler und die Vertrauensfrage

Der häufigste strategische Fehler ist die Annahme, Konsument:innen würden den autonomen Kauf sofort an KI delegieren. Die Daten widersprechen dem deutlich. Laut einer Gartner-Umfrage unter 322 US-Konsument:innen erreichte die Bereitschaft, KI eigenständige Kaufentscheidungen treffen zu lassen, maximal 11 Prozent und nur in risikoarmen Kategorien wie Koerperpflege und Haushaltsbedarf. Die Vorauswahl akzeptieren die Befragten dagegen eher: 31 Prozent würden KI bei Haushaltsbedarf die Auswahl eingrenzen lassen, 28 Prozent bei persönlicher Elektronik. Diese Werte stammen aus einer US-Befragung und sind nicht eins zu eins auf DACH übertragbar, das Muster ist aber robust: Vertrauen in KI bei Recherche und Vorauswahl, Vorbehalt beim autonomen Abschluss.

Die strategische Konsequenz lautet Human-in-the-Loop. Die Conversion-Strategie sollte den Menschen an der Entscheidungsschwelle halten, statt ihn zu ersetzen. Wer auf die nächste, kaufintensive Stufe optimiert, sollte zugleich auf die heute dominierende Vorauswahl-Stufe einzahlen.

Ein zweiter Fehler ist die Vernachlässigung der Plattform-Abhängigkeit. Wenn der Agent das Schaufenster kontrolliert, kontrolliert die Plattform die Konditionen. Rabattformate wie Direct Offers können Margendruck erzeugen, und die Abhängigkeit von einem einzelnen Anbieter ist ein reales Risiko. Der Bitkom-Befund, dass 68 Prozent Deutschland zu abhängig von den USA und China bei KI sehen, spiegelt diese Sorge auf gesellschaftlicher Ebene. Wer Agentic Commerce pilotiert, sollte die eigene Datenhoheit und Direktbeziehung zum Kunden bewusst absichern.

Metriken und Messung: AI-Referral-Traffic und neue GEO-Kennzahlen

KI-vermittelter Traffic gilt als kaufbereiter, weil der Agent bereits eine Bedarfsklärung vorgenommen hat. Diese Annahme lässt sich nur belegen, wenn der Traffic sauber erfasst wird. In GA4 lassen sich Verweise von ChatGPT, Perplexity, Gemini oder Copilot über Referral-Quellen und Regex-Filter isolieren und als eigene Kanalgruppe auswerten. Erst damit wird sichtbar, ob KI-Sitzungen tatsächlich besser konvertieren.

Darüber hinaus etablieren sich GEO-spezifische Kennzahlen jenseits klassischer Rankings:

• Share of Voice: Wie häufig wird die Marke in KI-Antworten zu relevanten Fragen genannt, relativ zum Wettbewerb.
• Citation Rate: In welchem Anteil der Antworten wird die eigene Quelle zitiert oder verlinkt.
• AI-attribuierte Orders: Bestellungen, die sich auf eine KI-Sitzung oder einen agentischen Checkout zurückführen lassen.

Diese Metriken sind noch jung und nicht standardisiert, bilden aber den Kern eines belastbaren Agentic-Commerce-Reportings. Wer sie früh aufsetzt, kann den Wert von KI-Sichtbarkeit gegenüber dem klassischen Funnel quantifizieren.

B2B und DACH-Spezifika: Beschaffung, Datenschutz, Reifegrad

Im B2B reicht agentisches Einkaufen über den Konsumentenbereich hinaus. Gartner prognostiziert, dass KI-Agenten bis 2028 mehr als 15 Billionen US-Dollar an B2B-Ausgaben vermitteln, und dass 90 Prozent aller B2B-Einkäufe innerhalb von drei Jahren über KI-Agenten abgewickelt werden. Diese Zahlen sind eine internationale Prognose, kein DACH-spezifischer Ist-Stand, markieren aber die Größenordnung des Umbruchs in der Beschaffung.

Zugleich bleibt der Mensch im B2B-Prozess zentral. Laut Gartner ziehen es 69 Prozent der B2B-Einkäufer vor, KI-generierte Erkenntnisse mit Vertriebsmitarbeitern zu validieren. Diese Umfrage nennt keine Region, ist also nicht als DACH-Befund belegt. Sie stützt aber die These, dass KI im B2B den Vertrieb ergänzt statt ersetzt: Menschliche Verkäufer wirken als vertrauenswürdige Validierer.

Für Österreich und den DACH-Raum kommen zwei Faktoren hinzu. Erstens der regulatorische Kontext: Datenschutz nach DSGVO und die Vorgaben des EU AI Act prägen, wie agentische Kaufprozesse Daten verarbeiten dürfen. Zweitens der Reifegrad: Die zentralen Plattform-Schaufenster starten in den USA, der DACH-Rollout folgt zeitversetzt. Österreichische Unternehmen haben damit ein Zeitfenster, um Datengrundlagen und Sichtbarkeit aufzubauen, bevor agentische Kaufstrecken lokal breit verfügbar sind. Hinweis: Die regulatorischen Ausführungen sind informativ und ersetzen keine Rechtsberatung.

Praktischer Massnahmenplan und Weiterführendes

Für DACH-Unternehmen ergibt sich eine pragmatische Reihenfolge. Erstens Sichtbarkeit in KI-Shopping aufbauen, indem Inhalte nach GEO-Prinzipien (Front-Loading, Answer Islands, belegte Zahlen, konsistente Brand Mentions) optimiert werden. Zweitens Feed-Hygiene herstellen, also Product-Schema, Merchant-Feeds und Preis- und Verfügbarkeitsattribute sauber halten und llms.txt bereitstellen. Drittens ACP und UCP gezielt pilotieren, sobald die Plattformen den DACH-Markt erreichen, beginnend mit risikoärmeren Sortimenten. Viertens Messung etablieren: KI-Referral-Traffic in GA4 isolieren und Share of Voice, Citation Rate sowie AI-attribuierte Orders verfolgen. Fünftens Risiken aktiv steuern, insbesondere Margendruck durch Rabattformate und Plattform-Abhängigkeit, und die Direktbeziehung zum Kunden absichern.

Agentic Commerce ist damit weniger ein einzelnes Werkzeug als eine Verschiebung der Schnittstelle. Die Unternehmen, die jetzt ihre Daten maschinenlesbar machen und in KI-Antworten präsent sind, schaffen die Grundlage dafür, in der nächsten Stufe des Online-Handels überhaupt vorzukommen.