Agentic Commerce 8/10: Geschäftsmodelle im KI-Zeitalter: Wer überlebt?

Die Frage, wer im KI-Zeitalter überlebt, wird oft als Ressourcenfrage gestellt. Wer groß genug ist, kann investieren, wer investiert, hat eine Chance. Das stimmt, aber es reicht als Antwort nicht aus. Größe kauft Zeit und Handlungsspielraum. Sie schützt nicht vor dem Wandel selbst. Ein großer Händler mit lückenhaften Produktdaten und unklarem Profil verliert trotzdem Sichtbarkeit, sobald KI-Agenten filtern. Ein kleiner Spezialist mit sauberer Datenbasis und klar definierter Zielgruppe kann dagegen gewinnen. Entscheidend ist nicht, wie groß ein Unternehmen ist, sondern ob sein Geschäftsmodell für die Logik funktioniert, nach der Agenten künftig Kaufentscheidungen treffen.

Diese Logik belohnt weder Größe noch Tradition, sondern Datentiefe, Profilklarheit und Agentenkompatibilität. Und sie setzt sich schneller durch, als viele Händler*innen heute erwarten. Strategy& und PwC prognostizieren, dass KI-Agenten im deutschen E-Commerce bis 2030 bis zu 17 Milliarden Euro Umsatz erzielen werden. BCG rechnet damit, dass KI-generierter Traffic bis Ende 2026 bereits 25 Prozent des organischen Suchtraffics in Europa ausmacht, ausgehend von vier Prozent Anfang 2024. Wer glaubt, das betreffe nur Plattformen oder tech-affine Zielgruppen, unterschätzt, wie schnell sich Kaufgewohnheiten verschieben, sobald die Werkzeuge dafür bequem und verlässlich werden.

Die neue Selektionslogik

KI-Agenten suchen nicht. Sie filtern. Der Unterschied ist grundlegend, weil er die gesamte bisherige Logik von Sichtbarkeit, Reichweite und Werbedruck verändert.

Ein Mensch, der online nach einem Produkt sucht, sieht eine Ergebnisseite, scrollt, klickt, lässt sich von einer Formulierung überzeugen oder von einem Bild ansprechen. Ein KI-Agent liest strukturierte Daten, prüft Verfügbarkeit, vergleicht Preise, gleicht Bewertungen ab und trifft eine Vorauswahl nach den Präferenzen, die der Nutzende zuvor definiert hat. Was in diesem Datensatz fehlt oder unklar ist, fällt aus dem Ergebnis heraus. Nicht wegen eines schlechten Rankings, sondern weil der Agent es schlicht nicht verarbeiten kann.

Das betrifft Online-Händler und stationäre Händler*innen gleichermaßen. Der entscheidende Moment verlagert sich zunehmend auf die Phase vor dem Ladenbesuch. Kaufende entscheiden heute schon häufig, wohin sie gehen, bevor sie das Haus verlassen. Ein Agent, der Produktverfügbarkeit, Öffnungszeiten, Preise und Bewertungen prüft, filtert Fachgeschäfte genauso wie Online-Angebote. Wer keine gepflegten, maschinenlesbaren Daten bereitstellt, also kein aktuelles Google-Business-Profil, keine strukturierten Lagerbestands-Feeds, keine belastbare Bewertungsbasis, taucht in dieser Vorauswahl gar nicht auf. Laut Bitkom nutzen bereits 23 Prozent der deutschen Online-Händler KI-gestützte Empfehlungssysteme aktiv, weitere 31 Prozent planen den Einsatz. Im stationären Handel ist dieser Prozess noch kaum gestartet.

Dabei hat der stationäre Handel etwas, das keine Plattform replizieren kann: das physische Erlebnis, persönliche Beratung, Vertrauen durch direkten Kontakt. Das sind keine weichen Faktoren, sondern strukturelle Vorteile, die aber nur wirken, wenn der Weg dorthin digital vorbereitet ist. Ein Agent empfiehlt das beste Fachgeschäft im Umkreis nur dann, wenn er es kennt. Wer abwartet, bis Kund*innen von selbst vorbeikommen, überlässt anderen, was Kund*innen überhaupt noch zu sehen bekommen.

Vier Geschäftsmodelle im Stresstest

Nicht alle Modelle stehen vor denselben Herausforderungen. Wo die Agentenlogik für die einen strukturellen Druck erzeugt, schafft sie für andere neue Zugänge. Ein ehrlicher Vergleich zeigt, wo die Stärken liegen und wo die Schwachstellen.

Plattformen/Marktplätze

Amazon, Zalando und Otto haben die Datenmacht und investieren bereits in eigene Agenteninfrastrukturen. Das ist ihr struktureller Vorteil. Die eigentliche Frage ist, ob sie künftig noch Markenplattformen sind oder schlicht die Logistikschicht, über die Konsumentenagenten ihre Bestellungen abwickeln. Retail Media, heute das lukrativste Geschäftsfeld dieser Plattformen, steht dabei unter besonderem Druck. Im deutschen Markt summieren sich Search und Retail Media auf 11,1 Milliarden Euro und machen 53 Prozent aller digitalen Werbeausgaben aus. Dieses Modell funktioniert, solange Menschen suchen und klicken. Ein KI-Agent kauft aber keine Aufmerksamkeit. Er liest Produktdaten und trifft eine Entscheidung.

Markenhersteller und D2C-Anbieter

Marken stehen vor einem strukturellen Doppelproblem. Agenten priorisieren Preis und Verfügbarkeit. Markenstory und Atmosphäre wirken erst in späteren Entscheidungsphasen, wenn überhaupt noch eine menschliche Intervention stattfindet. Gleichzeitig verlieren Markenhersteller die direkte Sichtbarkeit beim Kaufenden, sobald ein Agent die Vorauswahl trifft. D2C-Modelle mit eigener Datenbasis und direktem Kundenkontakt haben einen Vorteil, sofern sie in Datenqualität und Maschinenlesbarkeit investieren. Wer das als IT-Aufgabe behandelt statt als strategische Ressource, gibt diesen Vorteil wieder ab.

Stationärer Fachhandel

Er hat einen Vorteil, den kein Algorithmus imitieren kann: direkte Fachkompetenz vor Ort, haptisches Erleben, Vertrauen durch Wiederholung. Das wirkt jedoch nur bei den Kaufenden, die den Laden überhaupt noch in ihre Überlegung einbeziehen. Wer in der digitalen Vorauswahl eines Agenten nicht auftaucht, weil Öffnungszeiten veraltet sind, Lagerbestände nicht maschinenlesbar hinterlegt sind oder Bewertungen fehlen, verliert Kundschaft, bevor das erste Gespräch stattfindet. Fachgeschäfte müssen keine Plattformen werden. Sie müssen für Agenten auffindbar und bewertbar sein, um ihre eigentliche Stärke überhaupt ausspielen zu können.

Nischen- und Spezialisierungsmodelle

Spezialisierte Anbieter mit klarem Profil und definierter Zielgruppe sind in der Agentenlogik besser positioniert, als es auf den ersten Blick scheint. Ein Agent, der für eine Nutzerin mit definierten Präferenzen sucht, findet einen spezialisierten Anbieter mit vollständigen Daten schneller als einen Generalisten mit Lücken. Die Schwachstelle liegt in der Datenbasis: Kleinere Anbieter haben oft weder die Ressourcen noch das Know-how, um Produktdaten agentenkompatibel aufzubereiten. Hier entstehen gerade neue Dienstleistungsmodelle, die genau diese Lücke schließen. Welche Strategien für lokale und spezialisierte Händler*innen konkret funktionieren, ist Thema von Artikel 9.

Retail Media: Wachstum jetzt, Strukturbruch danach

Retail Media ist das Geschäft, das heute noch funktioniert. In der DACH-Region wuchs der Markt 2025 um rund 17 Prozent und damit deutlich schneller als der digitale Werbemarkt insgesamt. Bis 2027 soll der deutsche Markt auf 4,43 Milliarden US-Dollar anwachsen. Diese Zahlen beschreiben den Status quo. Sie beschreiben nicht, was zukünftig erfolgreich sein wird.

Das Modell hinter Retail Media ist: Aufmerksamkeit gegen Geld. Marken zahlen für Sichtbarkeit im Feed, für Platzierungen in Suchergebnissen, für Sponsored Products, die beim Stöbern auffallen. Das funktioniert, weil Menschen stöbern. Ein KI-Agent stöbert nicht. Er ruft Daten ab, filtert nach definierten Kriterien und liefert eine Shortlist. Der klassische Sponsored-Search-Platz hat in diesem Prozess keine Funktion mehr. BCG und eMarketer benennen KI-Shopping-Agenten als die folgenreichste strukturelle Veränderung für Retail-Media-Erlösmodelle in den nächsten drei Jahren.

Was folgt, ist keine Abwicklung von Retail Media, sondern eine Neuausrichtung. Amazon mit Rufus und Walmart mit Spark zeigen bereits, wohin sich das Modell verschiebt: Marken zahlen künftig nicht mehr für Sichtbarkeit im Feed, sondern für Positionierung in der Agentenlogik. Kantar beschreibt das als Übergang von Ad-Impressions zu „Agent Optimization Spend“. Kroger macht in den USA vor, wie das konkret aussieht. Das Unternehmen betreibt mit 84.51° eine Datentochter, die Kaufverhalten von rund 60 Millionen Haushalten analysiert und KI-gestützte Optimierung mit einem nachweisbaren 1,3-fachen Lift im inkrementellen Return on Ad Spend verbindet. Kroger verkauft keine Werbeplätze mehr im klassischen Sinne, sondern Datenzugang und Agentenrelevanz. Europäische Händler*innen sind von einer vergleichbaren Infrastruktur noch ein gutes Stück entfernt. Wie sich das auf Werbewirkung und Markenbudgets im Detail auswirkt, ist Thema von Artikel 10.

Was Geschäftsmodelle zukunftsfähig macht

Kein Modelltyp ist per se verloren. Aber alle müssen an denselben Grundvoraussetzungen arbeiten, unabhängig davon, ob sie online, stationär oder als Marke aufgestellt sind.

Die wichtigste ist Datenhoheit. Vollständige, strukturierte und maschinenlesbare Produktdaten sind keine technische Pflichtübung, sondern die Voraussetzung dafür, dass ein Agent ein Angebot überhaupt in Betracht zieht. Das gilt für den Online-Händler mit 50.000 SKUs genauso wie für das Fachgeschäft mit 200 Artikeln im Sortiment. Wer hier Lücken hat, verliert Sichtbarkeit, bevor der erste Preis verglichen wird.

Die zweite Voraussetzung ist ein klar erkennbares Profil. Je präziser ein Anbieter positioniert ist, desto besser kann ein Agent einschätzen, ob das Angebot zu den Präferenzen einer Nutzerin oder eines Nutzers passt. Generalisten ohne erkennbare Stärke werden in einer Welt, in der Agenten aus Hunderten Optionen filtern, systematisch benachteiligt. Das ist keine neue Erkenntnis aus dem Marketing, aber die Agentenlogik zwingt nun zur Anpassung.

Die dritte Voraussetzung betrifft den direkten Kundenkontakt. Wer keine eigene Datenbasis aufbaut, wer nicht weiß, wie seine Kund*innen kaufen, was sie bevorzugen und wann sie abspringen, überlässt dieses Wissen Plattformen und Agenten. Für den stationären Handel bedeutet das konkret: Kundenbindungsprogramme, strukturierte Feedbackkanäle und digitale Touchpoints sind keine Extras, sondern die Grundlage dafür, die eigene Kundenbeziehung nicht vollständig an Dritte abzugeben.

Schließlich wird Vertrauen zum messbaren Wettbewerbsfaktor. Konsument*innen wollen wissen, warum ein Agent etwas empfiehlt. Händler, die ihre eigenen Agentenlogiken transparent machen und konfigurierbar gestalten, bauen eine Vertrauensbasis auf, die sich von der Blackbox großer Marktplätze unterscheidet. Das ist besonders für den Fachhandel eine reale Chance, weil Transparenz dort glaubwürdiger wirkt als bei einem anonymen Marktplatz.

Wer geht, wer bleibt

Mittelfristig unter Druck geraten Handelsunternehmen ohne differenziertes Profil, die auf Traffic und Laufkundschaft setzen, und Marken, die das Zusammenspiel zwischen Datenbasis und Agentenrelevanz noch nicht als strategische Aufgabe begriffen haben. Auch große Plattformen sind nicht automatisch sicher: Wer zwar Datenmacht hat, aber zu langsam auf die Verschiebung von Aufmerksamkeitswerbung zu Agentenrelevanz reagiert, gibt strategisches Terrain ab.

Im Vorteil sind Plattformen mit eigener Agenteninfrastruktur, spezialisierte Anbieter mit sauberem Datenprofil und klarer Zielgruppe sowie stationäre Handelsunternehmen, die ihr physisches Erlebnis mit digitaler Auffindbarkeit verbinden. Das sind keine drei verschiedenen Überlebensstrategien, sondern drei Ausprägungen derselben Grundlogik: Wer für Agenten relevant ist und für Menschen attraktiv bleibt, hat eine tragfähige Position.

Meine Einschätzung

Die eigentliche Verschiebung ist keine technologische, sondern eine strategische. KI-Agenten verändern nicht, was Menschen kaufen wollen. Sie verändern, wer in der Customer Journey noch sichtbar ist.

Die deutsche Reaktion auf solche Verschiebungen folgt oft einem vertrauten Muster: abwarten, beobachten, von erfolgreichen Vorreitern lernen und dann nachmachen. Das hat in vielen Transformationsprozessen funktioniert, weil solche Aufholjagden tatsächlich erfolgreich waren. Das ist nun anders.

Agenten lernen aus Verhalten. Je länger eine Marke oder ein Händler in den Datensätzen präsent ist, aus denen Agenten ihre Entscheidungen ableiten, desto mehr Kaufsignale, Bewertungen und Interaktionsdaten hat sie angesammelt. Wer später einsteigt, startet mit einer dünnen Datenbasis und kämpft gegen Anbieter, die bereits in den Präferenzprofilen der Nutzenden verankert sind. Das lässt sich nicht durch ein schnelles Daten-Update aufholen. Agenten empfehlen, was sich bewährt hat. Neue Anbieter müssen diese Bewährung erst erarbeiten, während andere sie längst haben.

Das ist der strukturelle Unterschied zur klassischen Aufholjagd. Wer im stationären Handel zu spät auf E-Commerce gesetzt hat, konnte mit Investitionen und gutem Willen den Rückstand verringern. Im Agentic Commerce gibt es keinen Schalter, den man umlegen kann. Die Entscheidungslogik der Agenten ist intransparent, sie verändert sich kontinuierlich, und sie bevorzugt systematisch, was bereits vorhanden und erprobt ist. Größe hilft dabei, weil sie Ressourcen und Zeit kauft. Aber sie ersetzt keine Entscheidung.

Wer jetzt abwartet, startet später nicht bei null. Er startet mit spürbarem Rückstand gegenüber Unternehmen, die in den Systemen bereits stattfinden, die über seine Kund*innen entscheiden.

Die Serie im Überblick

1. Die unsichtbare Disruption: Warum Amazon gegen Perplexity klagt
2. Maschinen als Käufer im digitalen Handel
3. Wenn KI die Beratung übernimmt
4. Verändertes Konsumverhalten durch KI-Agenten
5. Buyer Personas 2.0: Strategische Schlüsselressource
6. Sichtbarkeit im Agentic Commerce: Datenqualität als Wettbewerbsvorteil
7. Personalisierung neu gedacht: Mensch und Maschine im Zusammenspiel
8. Geschäftsmodelle im KI-Zeitalter: Wer überlebt?
9. Überlebensstrategien: lokal, nischig, community-getrieben
10. Werbung ohne Menschen: KI-Agenten gestalten den Markt neu