Im März 2026 positionierte OpenAI ChatGPT nicht mehr primär als Instant-Checkout-Oberfläche, sondern als Discovery- und Recommendation-Layer. Shopify öffnete mit Agentic Plan Produktkataloge für AI-Suche, und Google stellte UCP vor. Das gemeinsame Signal: AI baut die Handelskette um.
Der kurzfristige Engpass ist nicht Technik, sondern Vertrauen und Verantwortung. Nutzer wollen AI noch nicht frei Geld ausgeben lassen. Händler wollen den eigenen Shop nicht umgehen, weil dort Marke, Cross-Selling und Kundendaten entstehen.
Teilt man eine Transaktion in Discovery, Recommendation, Intent, Delegation, Policy, Cart, Payment und Fulfillment, dann wirkt AI heute vor allem in den ersten vier Phasen. Shopify meldete etwa 13x Wachstum bei AI-powered Search Orders und rund 2x bessere Conversion für AI-Katalogsuche.
Damit ist das erste Spielfeld nicht der Bezahlvorgang, sondern AI-Lesbarkeit. Marken müssen in AI-Antworten korrekt beschrieben und mit verlässlichen Gründen empfohlen werden. GEO ist der Start, aber ohne Schema, llms.txt, Product Feed und UCP Manifest bleibt es dünn.
UCP behandelt Discovery, ACP Checkout-Ausführung und AP2 Autorisierung. Der mittlere Bereich bleibt offen: Was wurde empfohlen, wie reagierte der Nutzer, was geschah im Shop? Genau dort entsteht der wirtschaftliche Nachweis.
Der Markt bewegt sich von L1 zu L2. AI empfiehlt, Menschen kaufen; Warenkörbe durch Agenten entstehen. Marken sollten nicht L5 planen, bevor sie in L1 sichtbar und empfehlenswert sind.
Praktisch bedeutet die Reife von Agentic Commerce und der Wettbewerb vor dem Checkout: Das Thema darf nicht als isolierte Content-Initiative behandelt werden. Produktdaten, AI-Antworten, Agent-Requests, Besuche, Verhalten und Bestellungen müssen als eine Beweiskette gelesen werden. Nur dann kann ein Team entscheiden, ob Budget, Datenarbeit oder technische Integration der nächste Engpass ist.
Genauso wichtig ist methodische Disziplin. AI Search und Agentic Commerce sind messbar, aber noch nicht reif wie klassische Paid-Media-Kanäle. Prompt Sampling, Referrer, Server Logs und Shopify Orders haben jeweils blinde Flecken. Gute Messung trennt deshalb harte Belege, plausible Assistenzsignale und reine Korrelation.
Ergänzung: Die Pre-Checkout-Kette als Operating Model
Für ein Commerce-Team ist die Kernfrage nicht, ob AI sofort bezahlen darf. Entscheidend ist, an welchen Stellen vor dem Checkout AI Belege liest, vergleicht und daraus Empfehlungen ableitet. In Deutschland, Österreich und der Schweiz sind Preisangaben, Lieferfähigkeit, Rückgaberecht, Händlervertrauen und Bewertungen besonders sensible Signale. Wenn diese Informationen nur für Menschen sichtbar, aber nicht maschinenlesbar sind, verliert die Marke schon vor dem Besuch des Shops.
Phase | Bedeutung | Wie AI eingreift |
|---|---|---|
1. Discovery | Der Nutzer entdeckt mögliche Produkte | AI Search, AI Answers, Vergleichsfragen |
2. Recommendation | AI nennt konkrete Marken oder Produkte | ChatGPT Shopping, Perplexity, Gemini-ähnliche Empfehlungen |
3. Intent | Der Nutzer grenzt den Bedarf ein | Preis, Einsatzfall, Reviews, Lieferzeit und Risiko werden verglichen |
4. Delegation | Der Nutzer übergibt eine begrenzte Aufgabe | Budget, Größe, Kompatibilität oder Deadline als Grenzen |
5. Policy | Preis, Bestand, Versand und Rückgabe werden geprüft | Schema, Feed, FAQ und Policy-Seiten liefern Belege |
6. Cart | Produkte und Mengen werden kombiniert | Agent erstellt einen Vorschlag, der Mensch bestätigt |
7. Payment | Die Zahlung wird abgeschlossen | Heute fast immer durch den Menschen |
8. Fulfillment | Lieferung, Rückgabe und Support | AI unterstützt Tracking und Service, kontrolliert aber nicht alles |
Kurzfristig liegt der Markt in L1 bis L2. Eine Marke sollte deshalb nicht auf vollautonome Einkäufe warten, sondern die Empfehlungsfähigkeit verbessern: vollständige Product-Daten, konsistente Preise, aktuelle Verfügbarkeit, maschinenlesbare Rückgabeinformationen und nachvollziehbare Reviews. Ohne diese Belege kann AI die Marke nicht sicher empfehlen, selbst wenn das Produkt stark ist.
Reifegrad | Praktische Bedeutung | Priorität für Marken |
|---|---|---|
L1 | AI empfiehlt, Menschen kaufen | AI-Antworten, Schema, Product Feed und Review-Belege verbessern |
L2 | AI baut Warenkorb, Mensch bestätigt | Varianten, Bestand, Versand und Rückgabe maschinenlesbar machen |
L3 | Agent erledigt begrenzte Aufgaben | Preisgrenzen, Use Cases, Kompatibilität und Ausschlüsse definieren |
L4 | Agent verwaltet Abo, Nachkauf oder Replenishment | Autorisierung, Frequenz, Kündigung und Ausnahmen regeln |
L5 | Agent prognostiziert Bedarf und erfüllt autonom | Als Zukunftsarchitektur behandeln, nicht als kurzfristigen KPI |
Die Messung muss diese Stufen widerspiegeln. AI kann Nachfrage erzeugen, ohne den letzten Klick zu besitzen. Deshalb braucht das Team Answer-, Request-, Visit-, Commerce- und Attribution-Signale getrennt. Erst dann lässt sich unterscheiden, ob ein Problem in Sichtbarkeit, Datenqualität, Website-Verhalten oder Umsatzzuordnung liegt.
Ergänzung: die Reife von Agentic Commerce als operative Entscheidung
In der Praxis darf die Reife von Agentic Commerce nicht als Trendtext behandelt werden. Es ist eine operative Entscheidung: Wer verantwortet Discovery, Recommendation, Intent und Delegation vor dem Checkout, welche Daten stützen die Aussage, und in welchem Rhythmus werden diese Daten aktualisiert? Ohne diese Klärung entsteht mehr Content, aber keine stabilere Beweislage für AI-Systeme.
Der erste Schritt ist die Trennung zwischen dem, was Menschen auf einer Seite verstehen, und dem, was Agenten maschinell prüfen können. Ein gutes Design hilft wenig, wenn strukturierte Daten, Feed, Policies, Reviews oder interne Verweise schwach sind. Umgekehrt kann eine Marke auch ohne laute Kampagne in Vergleichsfragen bestehen, wenn Produktdaten, Antwortbelege und Verhalten nach dem Besuch sauber gepflegt ist.
Die Messung muss dieselbe Disziplin haben. Wöchentlich sollten Exposition, Agent Requests, AI Visits, Verhalten im Shop und Order-Verbindung getrennt werden. Monatlich zählt nur Wachstum, das unter gleicher Definition vergleichbar ist. Ein Sprung nach einem neuen Tag oder Edge-Signal kann Messabdeckung sein, nicht Nachfragewachstum.
Die Reihenfolge der Arbeit ist klar: zuerst Fehlinterpretationen reduzieren, dann maschinenlesbare Daten vertiefen, anschließend die Landing Experience verbessern und zuletzt den Umsatzbezug stärken. Diese Reihenfolge verhindert, dass Teams Content, Datenqualität und Attribution durcheinanderwerfen.
Für DACH-Märkte ist zusätzlich wichtig, Vertrauen, Lieferzeit, Rückgabe und Preisangaben präzise zu halten. Käufer erwarten klare Bedingungen. AI-Systeme sind hier konservativ: Wenn ein Detail nicht prüfbar ist, sinkt die Empfehlungssicherheit.
FAQ
Q1: Was ist der Kernunterschied zu klassischem E-Commerce?
A: Zusätzlich zu B2C entsteht eine B2A-Schicht für maschinenlesbare Daten.
Q2: Warum steht Instant Checkout nicht im Zentrum?
A: Vertrauen, Haftung und Händlerinteressen sind noch nicht gelöst.
Q3: Was sollten Marken zuerst tun?
A: Schema, Product Feed und llms.txt prüfen und AI-Einfluss in AIAA-Schichten messen.
Q4: Wo steht der Markt?
A: Zwischen L1 und L2.