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. Fuer 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 fuer oesterreichische und DACH-Unternehmen.

Warum Agentic Commerce jetzt relevant wird

Die Voraussetzung fuer agentisches Einkaufen ist schlicht: Menschen muessen KI-Systeme im Alltag nutzen. Genau das ist in der DACH-Region Realitaet 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 gegenueber dem Sommer 2024 (damals 40 Prozent). Unter den Nutzenden fuehrt 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 Chatoberflaeche 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 fuer 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 loest die Transaktion innerhalb der KI-Oberflaeche 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 moeglich, aber noch nicht flaechendeckend etabliert.

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

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

Auf der Oberflaeche werden diese Protokolle zu sichtbaren Schaufenstern. Im Google AI Mode erscheint mit den Direct Offers ein neues Werbeformat: Haendler koennen exklusive Angebote wie einen Rabatt von 20 Prozent direkt im AI Mode fuer 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 uebernimmt der Instant Checkout den Abschluss innerhalb von ChatGPT, bei Perplexity und Microsoft Copilot entstehen analoge kaufnahe Oberflaechen. Fuer den DACH-Markt ist entscheidend: Diese Pilotprogramme starten zunaechst in den USA mit ausgewaehlten Haendlern. Der oesterreichische 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-naehe 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 fuer Agentic Commerce:

• Front-Loading: Die entscheidende Information, also was das Produkt ist, fuer wen es taugt und was es kostet, gehoert in die ersten Saetze, nicht ans Ende. KI-Systeme extrahieren bevorzugt klare, fruehe Aussagen.
• Answer Islands: Eigenstaendige, in sich abgeschlossene Antwortbloecke, die eine konkrete Frage vollstaendig beantworten, lassen sich leichter zitieren als verteilte Information.
• Brand Mentions statt Backlinks: Fuer die Zitierfaehigkeit in KI-Antworten zaehlt die konsistente Erwaehnung der Marke im relevanten Kontext oft mehr als der klassische Backlink. Generative Systeme aggregieren Erwaehnungen ueber viele Quellen.
• Statistiken und Zitate: Belegte Zahlen und nachvollziehbare Aussagen erhoehen laut GEO-Forschung die Wahrscheinlichkeit, als Quelle herangezogen zu werden.

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

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

• Product-Schema sauber pflegen: Strukturierte Daten nach schema.org/Product mit Preis, Verfuegbarkeit, Marke und eindeutigen Identifikatoren (GTIN, MPN) geben dem Agenten verlaessliche Attribute statt geratener Werte.
• Merchant-Feeds aktuell halten: Produktfeeds muessen Preis- und Bestandsaenderungen zeitnah abbilden. Ein Agent, der ein nicht mehr verfuegbares Produkt empfiehlt, beschaedigt das Markenvertrauen sofort.
• Verfuegbarkeits- und Preisattribute konsistent halten: Widerspruechliche Preise zwischen Feed, Schema und Shop fuehren dazu, dass der Agent die Quelle als unzuverlaessig einstuft.
• llms.txt bereitstellen: Die Datei llms.txt im Wurzelverzeichnis dient als maschinenlesbarer Wegweiser fuer 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, gehoert aber zur Feed-Hygiene fuer maschinenlesbare Shops.

Fuer 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 dafuer, ueberhaupt in agentischen Kaufstrecken zu erscheinen.

Haeufige Fehler und die Vertrauensfrage

Der haeufigste strategische Fehler ist die Annahme, Konsument:innen wuerden 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 eigenstaendige 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 wuerden KI bei Haushaltsbedarf die Auswahl eingrenzen lassen, 28 Prozent bei persoenlicher Elektronik. Diese Werte stammen aus einer US-Befragung und sind nicht eins zu eins auf DACH uebertragbar, 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 naechste, kaufintensive Stufe optimiert, sollte zugleich auf die heute dominierende Vorauswahl-Stufe einzahlen.

Ein zweiter Fehler ist die Vernachlaessigung der Plattform-Abhaengigkeit. Wenn der Agent das Schaufenster kontrolliert, kontrolliert die Plattform die Konditionen. Rabattformate wie Direct Offers koennen Margendruck erzeugen, und die Abhaengigkeit von einem einzelnen Anbieter ist ein reales Risiko. Der Bitkom-Befund, dass 68 Prozent Deutschland zu abhaengig 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 Bedarfsklaerung vorgenommen hat. Diese Annahme laesst sich nur belegen, wenn der Traffic sauber erfasst wird. In GA4 lassen sich Verweise von ChatGPT, Perplexity, Gemini oder Copilot ueber Referral-Quellen und Regex-Filter isolieren und als eigene Kanalgruppe auswerten. Erst damit wird sichtbar, ob KI-Sitzungen tatsaechlich besser konvertieren.

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

• Share of Voice: Wie haeufig 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 zurueckfuehren lassen.

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

B2B und DACH-Spezifika: Beschaffung, Datenschutz, Reifegrad

Im B2B reicht agentisches Einkaufen ueber 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-Einkaeufe innerhalb von drei Jahren ueber KI-Agenten abgewickelt werden. Diese Zahlen sind eine internationale Prognose, kein DACH-spezifischer Ist-Stand, markieren aber die Groessenordnung des Umbruchs in der Beschaffung.

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

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

Praktischer Massnahmenplan und Weiterfuehrendes

Fuer 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 Verfuegbarkeitsattribute sauber halten und llms.txt bereitstellen. Drittens ACP und UCP gezielt pilotieren, sobald die Plattformen den DACH-Markt erreichen, beginnend mit risikoaermeren Sortimenten. Viertens Messung etablieren: KI-Referral-Traffic in GA4 isolieren und Share of Voice, Citation Rate sowie AI-attribuierte Orders verfolgen. Fuenftens Risiken aktiv steuern, insbesondere Margendruck durch Rabattformate und Plattform-Abhaengigkeit, 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 praesent sind, schaffen die Grundlage dafuer, in der naechsten Stufe des Online-Handels ueberhaupt vorzukommen.