B2A-Infrastruktur macht Produkte für AI lesbar. Die wichtigere Frage lautet: Was passiert danach? Ein Nutzer fragt ChatGPT nach einem Produkt, AI ruft Kataloge ab, empfiehlt drei Marken, der Nutzer klickt, liest Bewertungen, legt in den Warenkorb und kauft über Shopify. Kein Beteiligter sieht die komplette Kette.
ChatGPT kennt die Empfehlung, aber nicht die Bestellung. Shopify kennt die Bestellung, aber nicht die AI-Empfehlung. GA4 sieht einige Referrer, aber nicht den Prompt, die Konkurrenz oder die Empfehlungserklärung. UCP sieht Katalogabfragen, aber kein Verhalten im Shop. Das ist der Evidence Gap.
Diese Lücke ist strukturell. Protokolle lösen Maschinen-Interoperabilität, nicht Messung. AI-Plattformen verfolgen ausgehenden Traffic nicht. Merchant Analytics versteht AI-Upstream nicht. Dadurch wirkt AI in Budget- und ROAS-Diskussionen kleiner, als es wirtschaftlich ist.
CitationGraph adressiert diese Mitte über AIAA: Answer, Request, Visit, Commerce, Attribution. Answer zeigt, ob AI die Marke nennt. Request zeigt Agent-Zugriffe. Visit zeigt AI-bedingte Ankünfte. Commerce zeigt Verhalten im Shop. Attribution verbindet Sessions mit Umsatz.
Marken sollten nicht auf perfekte Protokollreife warten. Beginnen Sie mit First-Party-JS für AI-Visits, ergänzen Sie Edge Lite für Server-Requests und bauen Sie anschließend Session-to-Order-Joins. Das ist pragmatischer als auf einen einheitlichen Standard zu hoffen.
Praktisch bedeutet der Evidence Gap zwischen AI-Empfehlung und Bestellung: 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.
FAQ
Q1: Was ist der Evidence Gap?
A: Die Messlücke zwischen AI-Empfehlung und kommerziellem Ergebnis.
Q2: Schließen UCP und ACP diese Lücke?
A: Nein. Sie sind Interoperabilitätsprotokolle, keine vollständige Messinfrastruktur.
Q3: Wo sollte eine Marke anfangen?
A: Bei Visit-Messung, dann Edge Lite, dann Session-to-Order-Join.
Q4: Warum ist das für Performance-Teams wichtig?
A: Sonst wird AI-Umsatz Direct oder Organic zugeschrieben und im Budget unterschätzt.