Agentic Commerce 6/10: Sichtbarkeit – Datenqualität als Wettbewerbsvorteil

21. April 2026 / Von Heike Scholz / Lesedauer: 3 Minuten 58 Sekunden

KI-Agenten browsen keine Websites so, wie Menschen es tun. Sie lesen keine Produktbeschreibungen, lassen sich nicht von Bildern inspirieren und folgen keinem kuratierten Navigationspfad. Sie konsumieren strukturierte Daten – was dort fehlt oder falsch ist, existiert für sie schlicht nicht.

In einem Praxisaudit eines US-amerikanischen Shopify-Stores ignorierten KI-Shopping-Agenten über 40 Prozent des Sortiments, weil strukturierte Attribute und stabile Produktidentifikatoren fehlten. Die Produkte waren vorhanden, der Webshop lief. Nur für Agenten waren diese Produkte unsichtbar.

Was Agenten sehen – und was nicht

Menschengerichtete und agentengerichtete Produktdaten unterscheiden sich grundlegend:

	Mensch	KI-Agent
Format	Marketingtext, Bilder	JSON-LD, strukturierte Felder, APIs
Verarbeitung	Interpretiert visuellen Kontext	Parst Feldnamen und Werte mechanisch
Mindestfelder	5–8 ausreichend	30+ empfohlen
Aktualität	Tages- bis Wochentakt akzeptabel	Echtzeit-Sync binnen 15 Minuten nötig
Qualitätswirkung	Beeinflusst Conversion	Entscheidet über Aufnahme in Empfehlungsset

Visuelles Merchandising verliert im agentengesteuerten Kaufprozess seine Wirkung. Was zählt, ist die Vollständigkeit und Präzision der maschinenlesbaren Produktbeschreibung.

Die Felder, die über Aufnahme oder Ausschluss entscheiden

Nicht alle Datenfelder sind gleich kritisch. Agenten prüfen bei der Vorauswahl systematisch fünf Bereiche:

Produktidentifikation: Die Global Trade Item Number (GTIN) – in Deutschland als EAN verbreitet – ist der Schlüssel, mit dem Agenten dasselbe Produkt kanalübergreifend als identisch erkennen. Wenn ein Konsumenten-Agent nach dem besten Preis für ein bestimmtes Produkt sucht, gleicht er GTINs über Shops hinweg ab. Produkte ohne diesen Identifier fallen aus diesem Abgleich heraus. Im technischen Handel und bei Ersatzteilen ergänzt die MPN (Manufacturer Part Number) die GTIN, wenn Hersteller eigene Teilenummern vergeben.

Preis und Verfügbarkeit: Veraltete Preise oder falsche Lagerbestände führen dazu, dass Agenten Empfehlungen zurückziehen oder Kaufvorgänge abbrechen. Wenn der JSON-LD-Preis auf der Website von dem im Merchant-Center-Feed abweicht, stuft der Agent die Datenquelle als unzuverlässig ein.

Bewertungen: AggregateRating mit Durchschnittswert und Bewertungsanzahl ist für Agenten ein zentrales Vertrauenssignal. Bei gleicher Datenlage werden Produkte ohne Bewertungen systematisch nachrangig behandelt.

Produktspezifikationen: Maße, Gewicht, Material, Kompatibilität, Zertifizierungen. Je vollständiger, desto besser der Abgleich mit Kundenpräferenzen. Agenten können nur auf das reagieren, was explizit als Attribut vorhanden ist.

Richtlinien: Rückgabebedingungen, Lieferoptionen, Nachhaltigkeitslabels als strukturiertes Schema-Element, nicht als Fließtext. Google-Daten zeigen: Sichtbare Versandkostenfreiheit steigert die Conversion um 2 Prozent, vollständige Rückgabebedingungen um 3 Prozent.

Von der Produktbeschreibung zur semantischen Zusammenfassung

Strukturierte Attribute allein reichen nicht für komplexe Anfragen. Ein klassisch SEO-optimiertes Produkt wie „Wasserdichte Outdoorjacke Herren Größe L“ beantwortet keine Frage wie: „Ich reise im April durch Nordeuropa. Welche Jacke passt ins Handgepäck und hält Regen stand?“

Damit Agenten solche Anfragen mit einem konkreten Produkt beantworten können, benötigt die Beschreibung kontextuellen Mehrwert: „Hält leichtem Dauerregen stand, nicht für Starkregen ausgelegt. Lässt sich auf 30×20 cm zusammenfalten und passt in die Seitentasche eines Standardkabinentrolleys.“ Diese semantischen Ergänzungen sind kein Marketingtext, sondern eine maschinenlesbare Entscheidungsgrundlage.

PIM wird Pflichtinfrastruktur

Wer Produktdaten noch in Excel-Listen oder verteilt über mehrere Systeme pflegt, kann die Konsistenz und Aktualität nicht gewährleisten, die Agenten voraussetzen. PIM-Systeme (Product Information Management Systeme) liefern die einheitliche Datenbasis, aus der Feeds für Webshop, Marktplätze und KI-Agenten konsistent bespielt werden. Für den deutschen Mittelstand gibt es inzwischen ausgereifte Lösungen mit Open-Source-Option und europäischem Datenschutz (Beispiele: Akeneo, Pimcore). Im Enterprise-Segment gehen erste Anbieter dazu über, PIM-Daten direkt in Agenten-Ökosysteme einzuspeisen (Beispiel: Informatica).

Wer noch kein PIM betreibt, baut auf einem Fundament, das unter den Anforderungen des Agentic Commerce webrechen wird.

Drittquellen: Was Händler nicht direkt kontrollieren

Neben dem eigenen Produktfeed nutzen Agenten externe Signale: Testberichte, Fachmedien, Forenbeiträge, Vergleichsportale. Markenreputation und redaktionelle Glaubwürdigkeit fließen in die Empfehlung ein, auch wenn sie nicht im eigenen Datenfeed stehen.

Händler können diese Signale nicht direkt steuern, aber aktiv pflegen. Bewertungsmanagement, Präsenz in einschlägigen Testmedien und konsistente Markenkommunikation bleiben relevant, gerade weil Agenten sie als externe Vertrauenssignale auswerten.

Das widerspricht der oft gehörten These, Marken würden im Agentic Commerce bedeutungslos. Richtig ist: Starke Marken wirken weiterhin auf Menschen: durch Wiedererkennung, Vertrauen und emotionale Bindung. Was sich verändert, ist der Einstiegspunkt. Wer nur auf direkte Kundenansprache setzt und Testmedien, Bewertungsplattformen und redaktionelle Präsenz vernachlässigt, verliert genau dort an Boden, wo Agenten ihre Vorauswahl treffen.

Der Preisdruck, den saubere Daten erzeugen

Ein Effekt, der selten offen diskutiert wird: Je besser Agenten Produkte miteinander vergleichen können, desto direkter wird der Preiswettbewerb. Wenn ein Agent für eine klar definierte Anfrage zehn identisch beschriebene Produkte findet, wird der Preis zum dominanten Auswahlkriterium.

Händler, die differenzierte Attribute liefern – spezifische Zertifizierungen, besondere Serviceleistungen, nachgewiesene Nachhaltigkeit – schaffen Unterscheidbarkeit, die auch Agenten erfassen und weitergeben können. Wer sich ausschließlich über den Preis definiert, kennt diesen Druck bereits. Agenten verstärken ihn, weil sie Produkte schneller und vollständiger vergleichen als jede Preissuchmaschine zuvor.

Was jetzt zu tun ist

Bestandsaufnahme: Welche Produkte haben vollständiges Schema.org-Markup? Wo fehlen GTINs, Bewertungsstrukturen, Echtzeit-Preis- und Verfügbarkeitsdaten? Ein AI-Visibility-Audit liefert die Ausgangslage. Shopify gibt an, dass die meisten Onlineshops Baseline-Agent-Readiness in 90 Tagen erreichen können.

PIM einführen oder konsolidieren: Eine zentrale Produktdatenbasis, die alle Kanäle konsistent bespielt, ist die Voraussetzung für skalierbare Datenqualität.

Semantische Qualität verbessern: Produktbeschreibungen um Nutzungskontext, Einsatzszenarien und explizite Ausschlüsse ergänzen. Nicht für Suchmaschinen, sondern damit Agenten Antworten auf komplexe Kauffragen geben können.

Bewertungsinfrastruktur aufbauen: Systematisch nach Rezensionen fragen, strukturiert einbinden. Nicht als Marketingmaßnahme, sondern als maschinenlesbares Vertrauenssignal.

Fazit

Klassische Produktsuche wird zunehmend durch KI-Tools ersetzt. Für Händler bedeutet das: Wer in diesen Tools nicht auftaucht, findet schlicht nicht statt.