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.
Ergänzung: B2A-Lücken werden zu Empfehlungsrisiken
B2A ist kein technisches Randthema. Es ist die Beweisschicht, anhand derer AI entscheidet, ob eine Empfehlung belastbar ist. Was für Menschen über Design, Bilder und Vertrauen funktioniert, muss für Agenten als strukturierte Tatsache vorliegen.
Typische Lücke | Folge für AI | Korrektur |
|---|---|---|
Product-Schema nur mit Name und Preis | Vertrauen, Versand, Rückgabe und Bewertungen bleiben unklar | Brand, Offer, Rating, ShippingDetails und ReturnPolicy verbinden |
Feed und Website zeigen unterschiedliche Preise oder Bestände | Empfehlung erzeugt Enttäuschung und Vertrauensverlust | Synchronisation, Update-Frequenz und Alerts einführen |
llms.txt kopiert nur die Sitemap | AI erkennt Prioritäten nicht | 20 bis 50 Kernseiten kuratieren und beschreiben |
Rückgabe steht nur in Bildern oder PDF | Policy ist maschinell nicht prüfbar | Konditionen in HTML und Schema veröffentlichen |
Reviews sind nicht strukturiert | Vergleichsbeleg fehlt | AggregateRating und Review-Zusammenfassung pflegen |
Die vier Säulen müssen gemeinsam betrieben werden. Schema beschreibt Fakten auf der Seite, llms.txt priorisiert Lesepfade, Product Feed hält Produktdaten aktuell, und UCP Manifest erklärt künftige Transaktionsfähigkeiten. Ein Team sollte diese Punkte wöchentlich als Datenqualität prüfen, nicht nur beim Relaunch.
Säule | AI-Situation | Prüffrage |
|---|---|---|
Schema.org | AI liest die Produktseite | Stimmen Preis, Bestand, Versand, Rückgabe und Rating mit der Realität überein? |
llms.txt | AI entscheidet, welche Seiten sie zuerst liest | Sind Links kuratiert und Beschreibungen konkret? |
Product Feed | AI vergleicht im Produktindex | Sind Preis, Bestand, Bilder, Varianten und IDs aktuell? |
UCP Manifest | Agent entdeckt unterstützte Fähigkeiten | Sind Katalog, Warenkorb, Rabatte und Checkout-Grenzen deklariert? |
B2A altert schnell. Preisaktionen, neue Varianten, geänderte Lieferzeiten oder Retourenregeln machen die Daten inkonsistent. Deshalb gehört AI-Lesbarkeit in den regulären Commerce-Betrieb und nicht in ein einmaliges SEO-Projekt.
Ergänzung: die B2A-Dateninfrastruktur als operative Entscheidung
In der Praxis darf die B2A-Dateninfrastruktur nicht als Trendtext behandelt werden. Es ist eine operative Entscheidung: Wer verantwortet Schema, llms.txt, Product Feed und UCP Manifest im Betrieb, 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 Datenfrische, Policies, Reviews und Lieferbedingungen 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 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.