The Evidence Gap: Die Mitte der AI-Commerce-Kette gehört niemandem

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.

Ergänzung: Den Evidence Gap nach Prozessschritten zerlegen

Der Evidence Gap ist kein abstraktes Problem. Er entsteht, weil innerhalb einer einzigen Kaufreise jedes System nur ein Fragment sieht.

Ein perfektes Einheitslog ist unrealistisch. Sinnvoller ist eine Beweiskette mit klarer Beweisstärke. Answer zeigt Empfehlung, Request zeigt Agent-Zugriff, Visit zeigt Ankunft, Commerce zeigt Verhalten, Attribution verbindet mit Umsatz.

Wichtig ist methodische Ehrlichkeit. Eine AI-Erwähnung ist kein Kausalbeweis. Ein Referrer ist ein Besuchsbeleg, aber kein Umsatzbeleg. Ein Order Join ist stark, erklärt aber nicht allein den ursprünglichen Prompt. Gerade diese Trennung macht die Analyse für Budgetentscheidungen brauchbar.

Ergänzung: den Evidence Gap im AI Commerce als operative Entscheidung

In der Praxis darf den Evidence Gap im AI Commerce nicht als Trendtext behandelt werden. Es ist eine operative Entscheidung: Wer verantwortet die Fragmentierung von Empfehlung, Besuch, Verhalten und Bestellung, 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 Answer, Request, Visit, Commerce und Attribution 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 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.