AI Commerce bewegt sich in Richtung Protokolle. Google, Shopify, OpenAI und Stripe arbeiten an unterschiedlichen Bausteinen für agentic commerce. Das ist notwendig. Wenn AI Produkte finden, Warenkörbe vorbereiten, Zahlungen unterstützen und Käufe auslösen soll, braucht der Markt gemeinsame Schnittstellen.
Aber Protokolle lösen nicht automatisch das Messproblem. UCP, ACP und AP2 übernehmen wichtige Rollen. Keine dieser Schichten beantwortet allein, was AI empfohlen hat, wie viele Menschen daraus auf die Website kamen, was diese Menschen taten und welcher Umsatz belastbar zugeordnet werden kann.
Was die Protokolle abdecken
UCP liegt nah an Merchant Discovery und Capability Declaration. Händler machen maschinenlesbar, welche Fähigkeiten sie anbieten: Warenkorb, Checkout, Rabatte, Abos oder Katalogzugriff.
ACP liegt näher an Checkout-Ausführung und Handelsdaten. Es geht darum, wie ein Kauf in einer AI-Erfahrung mit Merchant- und Payment-Systemen verbunden werden kann.
AP2 adressiert Autorisierung und Vertrauen. Mandate und Credentials sollen erklären, was ein Nutzer erlaubt hat und in welchem Rahmen ein Agent handeln darf.
Alle drei Schichten sind sinnvoll. Sie sind aber keine vollständige Attribution-Kette.
Phase | Protokoll/Framework | Beobachtbarer Inhalt |
|---|---|---|
AI Discovery (Katalogabfrage) | UCP | Welche Produkte und Bedingungen ein Agent abgefragt hat |
AI Recommendation (Antwort) | AIAA Answer | Ob und wie AI die Marke erwähnt oder empfiehlt |
Agent Fetch (Informationsabruf) | AIAA Request | Welche Seiten ein Agent wie häufig und tief gelesen hat |
User Arrival (AI Referral) | AIAA Visit | Aus welcher AI der Nutzer kam, wo er landete, was er tat |
Commercial Intent | AIAA Commerce | Warenkorb, Vergleich, Checkout-Start |
AI Checkout (Transaktion) | ACP | Checkout-Details und Zahlungsstatus |
AI Authorization (Payment Trust) | AP2 | Autorisierungssignaturen und Audit Chain |
Revenue Attribution | AIAA Attribution | Ob Revenue auf AI zurückgeführt werden kann |
Diese Tabelle zeigt, warum Protokollschicht und Beweisschicht getrennt bleiben müssen. UCP kann Produkte maschinenlesbar machen, erklärt aber nicht automatisch, welche AI-Antwort eine Marke empfohlen hat. ACP kann Checkout strukturieren, erklärt aber nicht automatisch den vorherigen Discovery-Kontext. AP2 stärkt Autorisierung und Vertrauen, ersetzt aber keine Journey- und Revenue-Beweise.
Marken sollten deshalb eine Evidence-Basis aufbauen, die protokollunabhängig funktioniert: maschinenlesbare Produktdaten, Antwort-Monitoring, Agent-Request-Logs, AI-Referrer, Commerce Events, Orders und CRM-Verbindungen. Wenn später ein Protokoll dominiert, wird diese Basis nicht wertlos. Sie wird wichtiger, weil mehr AI-Handlungen auditierbar werden müssen.
Mit wachsender Standardisierung steigt die Messpflicht. Je näher Agents an Warenkorb, Zahlung und operative APIs rücken, desto mehr wollen Legal, Finance, Product und Marketing wissen, welche Handlung erlaubt war, welche Empfehlung vorherging und welcher Umsatz belastbar erklärt werden kann.
Deshalb ist die kurzfristige Priorität nicht, den Gewinner des Protokollkriegs vorherzusagen. Marken sollten Produktdaten, FAQ, Preise, Versand, Retouren und Use Cases maschinenlesbar machen. Sie sollten AI-Antworten, Agent-Requests, AI-Referrer und menschliche Visits getrennt beobachten. Und sie sollten Commerce Events, Orders, CRM und Paid-Media-Touchpoints verbinden. Diese Arbeit bleibt wertvoll, egal welches Protokoll sich durchsetzt.
Wenn UCP-ähnliche Standards dominieren, wird die Lesbarkeit wichtiger. Wenn ACP-ähnliche Standards dominieren, wird der Checkout-Kontext wichtiger. Wenn AP2-ähnliche Standards dominieren, wird Autorisierung auditierbarer. In allen drei Fällen bleibt die Frage nach Beweis und Beitrag offen: Welche Empfehlung führte zu welcher Handlung und welchem Umsatz?
Die Evidence Gap
Upstream sitzen GEO- und AI-Visibility-Tools. Sie messen, ob eine Marke in AI-Antworten sichtbar, korrekt beschrieben oder zitiert wird. Downstream sitzen klassische Attribution-Tools. Sie ordnen Umsatz Kanälen, Sessions oder CRM-Kontakten zu.
Die Lücke liegt dazwischen. Was passierte nach der AI-Erwähnung? Welche Seiten wurden von Agents gelesen? Welche Empfehlungen erzeugten menschliche Besuche? Welche Besuche wurden zu Commerce Events? Welche Orders lassen sich mit welchen Beweisen zurückführen?
Keine einzelne Partei besitzt diese ganze Sicht. AI-Plattformen kennen nicht alle Shop-Orders. Commerce-Plattformen kennen nicht den Inhalt jeder AI-Antwort. Payment-Protokolle kennen nicht den kompletten Discovery-Kontext. Genau deshalb braucht es eine unabhängige Evidence Layer.
AIAA ersetzt keine Protokolle
AIAA konkurriert nicht mit UCP, ACP oder AP2. Es ist die Messsprache zwischen ihnen. Answer, Request, Visit, Commerce und Attribution ordnen die Beweise von AI Discovery bis Revenue.
Marken sollten deshalb nicht warten, bis ein Protokoll gewinnt. AI liest, vergleicht und empfiehlt bereits heute. Die Aufgabe ist, Website-Fakten, Logs, AI-Referrer, Commerce Events, Orders und CRM so zu verbinden, dass die Wirkung nachvollziehbar wird.
Gravitys Sicht ist pragmatisch: Protokolle bauen die Straßen. AIAA schreibt auf, was auf diesen Straßen tatsächlich passiert. Ohne diese Aufzeichnung bleibt AI Commerce technisch möglich, aber wirtschaftlich schwer steuerbar.
FAQ
Q1: Wofür stehen UCP, ACP und AP2 grob?
A: UCP für Discovery und Capabilities, ACP für Checkout und Handelsdaten, AP2 für Autorisierung und Zahlungsvertrauen.
Q2: Lösen Protokolle Attribution?
A: Nein. Sie erleichtern Ausführung und Verbindung, liefern aber nicht die gesamte Beweiskette von AI-Empfehlung zu Umsatz.
Q3: Reichen GEO-Tools?
A: Nein. GEO zeigt Sichtbarkeit upstream. Commerce Events und Revenue Attribution benötigen zusätzliche Daten.
Q4: Was sollten Unternehmen jetzt tun?
A: Website-Evidence, Logs, AI-Referrer, Orders und CRM getrennt erfassen und später verbinden.
Q5: Wo passt AIAA hinein?
A: AIAA ordnet die Beweise zwischen AI Discovery, Agent Requests, menschlichen Visits, Commerce und Attribution.