Im vorherigen Artikel ging es darum, dass der erste Wettbewerb im Agentic Commerce nicht beim Checkout, sondern bei Discovery und Recommendation beginnt. Dafür braucht ein Händler eine B2A-Infrastruktur: Business-to-Agent. Die Produktseite muss nicht nur für Menschen gut aussehen, sondern auch für Maschinen überprüfbar sein.
Die erste Säule ist Schema.org. Ein einfaches Product-Markup mit Name und Preis reicht nicht mehr. AI-Agenten benötigen eine semantische Struktur aus Brand, Offer, Rating, ShippingDetails und ReturnPolicy. Nur dann kann ein Modell einschätzen, ob Preis, Verfügbarkeit, Versand und Rückgabe vertrauenswürdig sind.
Die zweite Säule ist llms.txt. Diese Datei ist kein Sitemap-Ersatz. Sie ist eine kuratierte Orientierung für AI-Systeme: Welche 20 bis 50 Seiten erklären Marke, Kernprodukte, Richtlinien und Kundenbelege am besten? Ohne Beschreibung pro Link bleibt die Datei schwach, denn AI nutzt diese Beschreibungen zur Priorisierung.
Die dritte Säule ist der Product Feed. Google Merchant Center, Shopify Agentic Storefronts und Produktdatenflüsse in Richtung OpenAI hängen von Feed-Qualität ab. Veraltete Preise, verspätete Lagerbestände, fehlende Varianten oder schwache Bilder reduzieren die Empfehlungssicherheit.
Die vierte Säule ist das UCP Manifest. Es erklärt Agenten, welche Transaktionsfähigkeiten ein Händler unterstützt: Katalogabfrage, Warenkorb, Rabatte, Checkout oder After-Sales. Für kleinere Marken ist es noch nicht der erste Hebel, aber größere Händler sollten die Entwicklung beobachten.
B2A macht eine Marke AI-lesbar, garantiert aber noch keine Empfehlung. Wettbewerbsdaten, Nutzerkontext, Plattformlogik und Markenbelege spielen ebenfalls eine Rolle. Trotzdem gilt: Ohne saubere B2A-Daten kann AI die Marke nicht verlässlich prüfen.
Gravitys AI Search Diagnostic prüft daher nicht nur, ob Schema existiert. Es prüft Tiefe, Konsistenz, Feed-Aktualität, llms.txt-Qualität, Agent-Requests und die Darstellung der Marke in AI-Antworten. Ziel ist eine belastbare Diagnose: Was sieht AI, was fehlt, und warum sinkt die Empfehlungswahrscheinlichkeit?
Praktisch bedeutet B2A-Dateninfrastruktur: 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 Unterschied zwischen B2A und B2C?
A: B2C optimiert die Erfahrung für Menschen. B2A optimiert Daten für AI-Agenten: strukturierte Formate, überprüfbare Fakten und Aktualität.
Q2: Welche Schema-Eigenschaften sind entscheidend?
A: Preis, Verfügbarkeit, Bewertungen, Versanddetails und Rückgaberichtlinien. Viele Shops fehlen gerade die letzten drei.
Q3: Hilft llms.txt bei Google AI Overview?
A: Nur begrenzt. Google stützt sich primär auf Schema und Merchant Center. llms.txt ist wichtiger für ChatGPT, Perplexity und Claude.
Q4: Reicht Shopify automatisch aus?
A: Nicht vollständig. Basis-Schema und Feed sind vorhanden, aber Versand, Retouren und llms.txt müssen meist ergänzt werden.
Q5: Was ist der ROI von B2A?
A: Höhere Empfehlungswahrscheinlichkeit, bessere Rich Results, bessere Feed-Qualität und Vorbereitung auf UCP/ACP.