Entscheidungsarchitektur im E-Commerce

Die bisherigen Artikel dieser Serie haben gezeigt, wo der klassische E-Commerce-Funnel an Erklärungskraft verliert, warum stabile KPIs zunehmend Intransparenz verdecken, wo Kaufentscheidungen vor dem messbaren Kontakt entstehen, an welchen Stellen Attribution technisch bricht und welche neuen Metriken unter diesen Bedingungen tragfähig sind. Dieser Artikel stellt die Frage, die sich aus diesen Befunden ergibt, nämlich wie ein E-Commerce-System gestaltet sein muss, um dennoch entscheidungswirksam zu bleiben, wenn es den Entscheidungsprozess nicht mehr vollständig abbilden kann.

Die Antwort führt von einem grundlegenden Perspektivwechsel aus, nämlich dem Übergang vom System als Beobachtungsinstrument zum System als Entscheidungsarchitektur.

Die veränderte Position des Systems im Entscheidungsprozess

Ein E-Commerce-System befindet sich heute in den meisten Fällen nicht mehr am Anfang der Kaufentscheidung. Der wachsende Anteil an Auswahl, Bewertung und Vorauswahl, der außerhalb des Systems stattfindet, bevor ein Nutzer überhaupt mit dem Shop interagiert, verschiebt seine Rolle grundlegend. Das System entscheidet immer weniger darüber, ob ein Produkt in Betracht gezogen wird. Es entscheidet zunehmend darüber, ob eine bereits getroffene Entscheidung bestätigt oder verworfen wird.

Diese Verschiebung lässt sich empirisch belegen. Eine nShift-Befragung von Anfang 2026 ergab, dass 58 Prozent der Konsumenten die klassische Suchmaschine für die Produktsuche bereits durch KI-gestützte Alternativen ersetzt haben.¹ Shopifys eigene Daten zeigen, dass KI-agentengestützte Bestellungen auf der Plattform 2025 um den Faktor 15 im Jahresvergleich gewachsen sind, während der KI-Referral-Traffic im gleichen Zeitraum lediglich um den Faktor 8 zunahm.² Die Differenz ist aufschlussreich. Agenten funktionieren nicht nur als Entdeckungskanal, sondern zunehmend als Kaufkanal, in dem die Entscheidung bereits vor dem Besuch des Shops strukturiert wurde.

Für die Gestaltung des Systems hat das eine klare Konsequenz. Mehr Tracking-Logik verbessert nicht die Entscheidungsrelevanz, wenn die entscheidenden Impulse außerhalb des Systems entstehen. Was stattdessen erforderlich ist, ist eine Architektur, die darauf ausgelegt ist, mit Unsicherheit umzugehen und dennoch gezielt Einfluss auf Entscheidungen zu nehmen, indem sie die wenigen Punkte, an denen sie wirksam wird, konsequent gestaltet.

Beobachtungssystem oder Entscheidungsarchitektur

Der entscheidende Unterschied liegt darin, ob ein System primär als Beobachtungsinstrument oder als Entscheidungsarchitektur verstanden wird.

Ein Beobachtungssystem versucht, Interaktionen möglichst lückenlos zu erfassen und daraus Optimierungsansätze abzuleiten. Seine Logik beruht auf der Annahme, dass vollständige Daten zu besseren Entscheidungen führen. Diese Annahme war so lange tragfähig, wie der überwiegende Teil des Entscheidungsprozesses innerhalb des Systems stattfand.

Eine Entscheidungsarchitektur hingegen ist darauf ausgelegt, die Bedingungen zu gestalten, unter denen Entscheidungen getroffen werden, unabhängig davon, ob jeder einzelne Einflussfaktor messbar ist. Sie fokussiert sich weniger auf die vollständige Rekonstruktion der Vergangenheit und stärker auf die gezielte Gestaltung von Wahrscheinlichkeit.

Das Konzept ist nicht neu. Richard Thaler und Cass Sunstein haben mit "Nudge" bereits 2008 den Begriff der Choice Architecture geprägt, die systematische Gestaltung von Entscheidungsumgebungen, um bestimmte Ergebnisse wahrscheinlicher zu machen, ohne die Wahlfreiheit einzuschränken.³ Was sich verändert hat, ist der Kontext. Im E-Commerce ging es bei Choice Architecture bislang primär um die Gestaltung von Produktseiten, Warenkorb und Checkout. Heute erstreckt sich die Aufgabe über das eigene System hinaus, weil die vorgelagerten Entscheidungsphasen zunehmend von externen Systemen geprägt werden.

Produktdaten als Voraussetzung für Sichtbarkeit im erweiterten Entscheidungsraum

Die Qualität und Struktur von Produktdaten war schon immer relevant. Neu ist, dass sie nicht mehr nur einen internen Optimierungsfaktor darstellen, sondern zur Voraussetzung für Sichtbarkeit in einem Entscheidungsraum werden, der über den eigenen Shop hinausgeht.

Ein Produkt, das in einem System klar strukturiert, semantisch eindeutig beschrieben und kontextuell eingebettet ist, hat eine höhere Wahrscheinlichkeit, in vorgelagerten Systemen korrekt interpretiert und in Entscheidungsprozesse einbezogen zu werden. Die Forschungslage hierzu wird zunehmend konkreter.

Eine AscentCore-Studie vom März 2026, die KI-Agenten-Kaufverhalten in simulierten Wettbewerbsumgebungen über fünf Produktkategorien hinweg untersuchte, kam zu einem bemerkenswerten Ergebnis. Wenn KI-Agenten ausschließlich auf Basis öffentlich verfügbarer Produktbeschreibungen entschieden (ohne Zugang zu internen Qualitätsdaten), wählten sie in 52,6 Prozent der Fälle ein suboptimales Produkt.⁴ Die Ursache lag nicht in der Qualität der Produkte, sondern in der Qualität ihrer Beschreibung. Ein einzelner mehrdeutiger Satz in einer Dienstleistungsbeschreibung führte dazu, dass der Agent die günstigste geeignete Option verwarf und eine Alternative empfahl, die 67 Prozent teurer war.

Auf der technischen Ebene zeichnet sich ab, welche Datenformate für KI-Agenten entscheidend sind. JSON-LD, das auf Schema.org basierende strukturierte Datenformat, hat laut einer Alhena-Analyse einen Marktanteil von 89,4 Prozent unter strukturierten Datenformaten erreicht.⁵ Seiten mit strukturierten Daten werden in Google AI Overviews 3,1-mal häufiger als Quelle herangezogen. 71 Prozent der von ChatGPT zitierten Seiten und 65 Prozent der von Google AI Mode zitierten Seiten enthalten strukturierte Daten.⁵ Die Umkehrung ist ebenso deutlich. Seiten ohne strukturierte Daten werden mit signifikant geringerer Wahrscheinlichkeit als Informationsquelle durch KI-Systeme ausgewählt.

Ein Audit eines US-amerikanischen Shopify-Shops ergab, dass KI-Shopping-Assistenten über 40 Prozent des Inventars ignorierten, weil dem Produktfeed strukturierte Attribute und stabile Identifikatoren fehlten.⁶ Kein noch so überzeugender Marketing-Text kann kompensieren, was auf struktureller Ebene nicht vorhanden ist.

Google selbst hat diese Entwicklung auf der NRF 2026 mit konkreten Empfehlungen unterstrichen. Dazu gehören Produkttitel ab 30 Zeichen, Beschreibungen ab 500 Zeichen, mindestens drei zusätzliche Produktbilder in 1500x1500 Pixeln Mindestauflösung, vollständige Logistikattribute (Versand, Rückgabebedingungen, Lieferzeiten) und sogenannte "Conversational Commerce"-Attribute wie kompatibles Zubehör und Alternativprodukte.⁷ Der Shopping Graph enthält mittlerweile über 50 Milliarden Produktlistings mit mehr als 2 Milliarden Updates pro Stunde, und er bildet das Rückgrat der Produktempfehlungen in Google AI Mode, AI Overviews und der Gemini-App.⁷

Der Identifikator als stiller Gatekeeper

Ein Aspekt, der in der strategischen Diskussion regelmäßig unterschätzt wird, betrifft die Vollständigkeit von Produktidentifikatoren. GTINs (Global Trade Item Numbers) und MPNs (Manufacturer Part Numbers) sind die Schlüssel, mit denen KI-Agenten identische Produkte plattformübergreifend abgleichen. Wenn ein Nutzer ChatGPT fragt, wo er ein bestimmtes Produkt am günstigsten findet, nutzt der Agent GTINs, um identische Artikel über mehrere Shops hinweg zu identifizieren. Produkte ohne GTINs werden aus diesem Abgleichprozess systematisch ausgeschlossen.⁵

Ebenso kritisch ist die Datenkonsistenz. Wenn der JSON-LD-Markup auf der eigenen Website einen Preis von 39,80 Euro ausweist, der Merchant-Center-Feed aber 42,80 Euro listet, senkt diese Diskrepanz den Vertrauenswert des KI-Agenten und führt zum Ausschluss aus den Empfehlungslisten.⁵ Die Konsequenz ist unspektakulär, aber folgenreich. Datenqualität auf Attributebene entscheidet zunehmend darüber, ob ein Produkt überhaupt in den Entscheidungsraum eines KI-Systems gelangt.

Von der Spezifikation zum semantischen Kontext

Strukturierte Daten allein reichen jedoch nicht aus. Damit KI-Agenten komplexe Verbraucheranfragen beantworten können, benötigen sie kontextuelle Information, die über reine Spezifikationen hinausgeht.

Eine klassisch SEO-optimierte Produktbeschreibung ("Wasserdichte Leichtgewichts-Outdoorjacke Herren Größe L") deckt Attribute ab, kann aber eine Anfrage wie "Ich reise im April nach Europa, kannst du mir eine Jacke empfehlen, die bei Regen funktioniert und ins Handgepäck passt?" nicht beantworten. Damit ein KI-Agent ein Produkt für diese Anfrage empfehlen kann, sind Beschreibungen erforderlich wie "Hält leichtem Dauerregen stand, ist aber nicht für starken Niederschlag ausgelegt" und "Faltet sich auf 30x20 cm zusammen und passt in die Seitentasche eines Standard-Handgepäckstücks".⁵

SAP CX hat diesen Ansatz konzeptionell so formuliert, dass Produkte nach "Problemen, die sie lösen" organisiert werden müssen statt nach Kategorien.⁵ Es ergeben sich drei entscheidende Fragen. Für wen ist dieses Produkt? In welchen Situationen wird es eingesetzt? Für wen und welche Situationen ist es nicht geeignet? Semantische Zusammenfassungen, die diese drei Punkte adressieren, sind der entscheidende Faktor für die Empfehlungsgenauigkeit von KI-Agenten.

PIM als Infrastruktur für den erweiterten Entscheidungsraum

Wenn Produktdaten nicht mehr nur interne Katalogverwaltung bedienen, sondern die Grundlage dafür bilden, ob ein Produkt in den Empfehlungsraum von KI-Agenten gelangt, verändert sich auch die Rolle des PIM-Systems (Product Information Management) grundlegend. Die traditionelle Funktion, nämlich akkurate Produktinformation an verschiedene Vertriebskanäle zu verteilen, wird um eine neue Dimension erweitert, denn das PIM entwickelt sich zur Wissensquelle für KI-Agenten.

Informatica hat für diese Entwicklung den Begriff "Agentic AI PIM" vorgeschlagen, in dem KI-Agenten die Extraktion, Klassifikation, Anreicherung und Validierung von Produktinformationen eigenständig ausführen.⁸ Globale Produkteinführungen, die zuvor Wochen in Anspruch nahmen, könnten damit in Stunden abgeschlossen werden. Im März 2026 hat Pimly auf der Salesforce AgentExchange eine Product-Intelligence-Lösung vorgestellt, die Produktdaten-Governance und -Aktivierung über Agentforce vereinheitlicht und damit illustriert, dass PIM zur Kerninfrastruktur innerhalb des KI-Agenten-Ökosystems wird.⁹

Die Implikation für E-Commerce-Entscheider ist konkret. Die Investition in PIM-Qualität ist nicht mehr primär eine Frage der internen Effizienz, sondern eine Frage der externen Auffindbarkeit. Ein Shop mit sauber gepflegtem PIM, vollständigen Identifikatoren und semantisch angereicherten Beschreibungen hat eine strukturell höhere Wahrscheinlichkeit, in KI-gestützten Empfehlungsprozessen berücksichtigt zu werden, als ein Shop, dessen Produktdaten auf Marketing-Texte und visuelle Inszenierung optimiert sind.

Nutzerführung unter veränderten Vorzeichen

Wenn ein Nutzer mit einer bereits geformten Präferenz in den Shop eintritt, besteht die Aufgabe nicht mehr darin, ihn durch einen offenen Entscheidungsprozess zu führen. Die Aufgabe verschiebt sich, denn das System muss die bestehende Entscheidung validieren, präzisieren oder, in seltenen Fällen, bewusst irritieren.

Die Forschung zu KI-Nudging liefert hierzu erste empirische Hinweise. Eine randomisierte experimentelle Studie, die Anfang 2026 in Decision Support Systems veröffentlicht wurde, untersuchte den Einfluss von KI-gestütztem Nudging auf die Entscheidungsqualität in Online-Empfehlungsumgebungen.¹⁰ Die Ergebnisse zeigen, dass kontextuelle, situativ angepasste Interventionen die Entscheidungsqualität verbessern können, allerdings nur unter bestimmten Bedingungen und mit klar begrenzter Wirkung.

Für die Gestaltung von E-Commerce-Systemen bedeutet das konkret, weniger zu erklären und mehr zu bestätigen, weniger zu überzeugen und mehr abzusichern. Ein Nutzer, der über eine KI-Empfehlung auf eine Produktseite gelangt, benötigt keine Persuasion, sondern Bestätigung, dass seine bereits getroffene Vorauswahl korrekt ist. Rezensionen, Vergleichsdaten, Verfügbarkeitsinformation und transparente Rückgabebedingungen werden in diesem Kontext wichtiger als Storytelling oder emotionale Inszenierung.

Gleichzeitig existieren Momente, in denen eine bewusste Unterbrechung der bestehenden Entscheidung sinnvoll ist, etwa wenn ein Nutzer ein Produkt gewählt hat, zu dem ein kompatibleres oder passenderes Alternativprodukt existiert. Die Kunst liegt darin, diese Intervention so zu gestalten, dass sie als Hilfe wahrgenommen wird und nicht als Ablenkung. Die Checkout-Optimierungsforschung bestätigt diesen Befund. Jeder Reibungspunkt, der im Checkout eliminiert wird, wirkt sich direkt auf den Umsatz aus, weil der Nutzer in dieser Phase nicht mehr offen für neue Entscheidungen ist, sondern seine bestehende Entscheidung abschließen möchte.¹¹

Die Grenze der Entscheidungsarchitektur

Diese Verschiebung hat klare Grenzen. Eine Entscheidungsarchitektur kann die Bedingungen gestalten, unter denen Entscheidungen getroffen werden. Sie kann die Qualität der Information erhöhen, die in den Entscheidungsprozess einfließt. Sie kann Reibung reduzieren und Vertrauen stärken. Was sie nicht kann, ist den vorgelagerten Prozess kontrollieren, in dem die eigentliche Vorauswahl stattfindet.

Die Punkte, an denen ein E-Commerce-System heute entscheidungswirksam wird, sind klar begrenzt. Sie liegen in der Qualität und Struktur von Produktinformationen, in der Konsistenz von Marken- und Vertrauenssignalen, in der Fähigkeit, Kontext schnell verständlich zu machen, und in der Reduktion von Komplexität an den Stellen, an denen der Nutzer noch offen für Anpassungen ist. Sie liegen nicht in der lückenlosen Erfassung jedes einzelnen Touchpoints.

Konsequenzen für Systementscheidungen

Damit verschiebt sich auch die Perspektive auf Systementscheidungen im E-Commerce. Die Auswahl einer Plattform, die Gestaltung von Datenmodellen oder die Integration von Tools kann nicht mehr ausschließlich unter dem Gesichtspunkt erfolgen, wie gut ein System messen und optimieren kann. Sie muss sich daran orientieren, wie gut ein System in der Lage ist, Entscheidungsprozesse zu unterstützen, die teilweise außerhalb seines direkten Einflussbereichs entstehen.

Shopify ist in dieser Hinsicht am weitesten vorgerückt. Mit dem Rollout der Agentic Storefronts sind rund 5,6 Millionen Shops standardmäßig mit ChatGPT, Gemini und Microsoft Copilot verbunden.² Der Shopify-Katalog-API führt täglich 40 Millionen LLM-Inferenzen (etwa 16 Milliarden Tokens) durch, um Kategorisierung, Attributextraktion und Variantenkonsolidierung zu automatisieren.² BigCommerce verfolgt einen ähnlichen Ansatz über seine API-First-Architektur, erfordert aber eine manuelle Registrierung im OpenAI Merchant Program. Selbst Shopifys "Agentic Plan" ermöglicht es Händlern auf Magento, Salesforce Commerce Cloud oder Custom-Stacks, ihre Produktdaten im Shopify-Katalog zu registrieren und damit in die Empfehlungslisten von KI-Agenten aufgenommen zu werden, ohne ihre E-Commerce-Infrastruktur zu migrieren.²

Ein System wird damit nicht mehr an seiner Fähigkeit gemessen, die Vergangenheit zu erklären, sondern an seiner Fähigkeit, zukünftige Entscheidungen wahrscheinlicher zu machen. Das ist eine andere Kategorie von Anforderung, und sie markiert den Übergang von einem E-Commerce, der sich über Tracking definiert, zu einem E-Commerce, der sich über Entscheidungsarchitektur organisiert.

Was das für die nächsten 12 bis 24 Monate bedeutet

Gartner prognostiziert, dass bis 2030 rund 20 Prozent aller Transaktionen über KI-Plattformen abgewickelt werden.² Morgan Stanley geht davon aus, dass fast die Hälfte aller Online-Käufer bis dahin KI-Shopping-Agenten nutzen wird.¹² Shopify empfiehlt einen 90-Tage-Sprint zur Herstellung einer Baseline an Agent-Readiness. In den ersten 30 Tagen steht ein Produktdaten-Audit an, in den Tagen 31 bis 60 die Implementierung strukturierter Daten (Product, Offer, AggregateRating Schemas, GTINs, semantische Zusammenfassungen), in den Tagen 61 bis 90 der Aufbau von Echtzeit-Synchronisation und Share-of-Model-Monitoring.²

Die strategische Frage ist dabei nicht, ob sich diese Verschiebung vollzieht, sondern wie schnell. Der frühe Teil der Kurve, in dem Wettbewerbsvorteile aufgebaut werden, hat bereits begonnen. Der abschließende Artikel dieser Serie, Strategische Konsequenzen für Händler im Agentic Commerce, übersetzt diese Befunde in handwerkliche Maßnahmen für die nächsten zwölf bis vierundzwanzig Monate.

Dieser Artikel ist Teil der Serie Decision Journey Analytics, die untersucht, wie sich E-Commerce-Entscheidungen jenseits des klassischen Funnels entwickeln.

Wie sich Sichtbarkeit in KI-gestützten Suchsystemen neu organisiert, analysiert unser Artikel zur Generative Engine Optimization. Und wie Shopify mit dem Agentic Plan bereits heute eine konkrete Dateninfrastruktur für KI-basierte Discovery aufbaut, zeigt unser Artikel zum Shopify Agentic Plan.

Glossar

Entscheidungsarchitektur (Choice Architecture) Systematische Gestaltung von Entscheidungsumgebungen mit dem Ziel, bestimmte Ergebnisse wahrscheinlicher zu machen, ohne die Wahlfreiheit einzuschränken. Im E-Commerce-Kontext bezeichnet der Begriff die Gestaltung von Produktseiten, Datenstrukturen und Nutzerführung so, dass bereits vorgeformte Kaufentscheidungen bestätigt und abgeschlossen werden können.

Agent-Ready Product Data Produktdaten, die so aufbereitet sind, dass KI-Agenten sie ohne menschliche Vermittlung lesen, interpretieren und in Empfehlungsprozesse einbeziehen können. Erfordert strukturierte Formate (JSON-LD), vollständige Identifikatoren (GTINs) und semantische Kontextinformation.

JSON-LD (JavaScript Object Notation for Linked Data) Standardformat für die Einbettung strukturierter Daten in Webseiten auf Basis von Schema.org-Vokabular. Wird von KI-Agenten bevorzugt verarbeitet, weil es ohne HTML-Traversierung geparst werden kann.

Shopping Graph Googles Wissensgraph für Produktdaten, der über 50 Milliarden Listings umfasst und die Grundlage für Produktempfehlungen in Google AI Mode, AI Overviews und der Gemini-App bildet.

PIM (Product Information Management) System zur zentralen Verwaltung und Verteilung von Produktinformationen über verschiedene Vertriebskanäle. Entwickelt sich zunehmend von einem internen Datenverwaltungstool zu einer Wissensquelle für externe KI-Agenten.

Nudging Verhaltensökonomisches Konzept, bei dem die Gestaltung der Entscheidungsumgebung (nicht der Optionen selbst) dazu genutzt wird, bestimmte Entscheidungen wahrscheinlicher zu machen. Im E-Commerce relevant für die Gestaltung von Produktseiten und Checkout-Prozessen.

GTIN (Global Trade Item Number) Weltweit eindeutiger Produktidentifikator, den KI-Agenten für den plattformübergreifenden Produktabgleich verwenden. Produkte ohne GTIN werden aus Vergleichsprozessen systematisch ausgeschlossen.

Quellen

¹ nShift Consumer Survey, Anfang 2026: "58% of consumers have replaced traditional search with AI for product discovery." Zitiert in Digital Applied: "E-Commerce AI Agent Readiness Assessment 2026."

² Shopify Enterprise Blog: "Agentic-Ready Product Data: How to Get It & the Cost of Inaction," 2026. Stellagent: "Agent-Ready Product Data," April 2026.

³ Richard H. Thaler, Cass R. Sunstein: "Nudge: Improving Decisions About Health, Wealth, and Happiness," 2008.

⁴ AscentCore: "The Shift to Business-to-Agent (B2A) Commerce: Why Your Product Descriptions Are Now Your Most Critical Sales Asset," Research Report, März 2026.

⁵ Alhena: "Schema Markup and AI Search for E-Commerce," 2026. Stellagent: "Agent-Ready Product Data," April 2026.

⁶ Toolient: "Product Feed Optimization for AI Agents," März 2026.

⁷ Google: NRF 2026 Merchant Center Guidelines. Dataiads: "Google Merchant Center Product Highlights: 2026 Complete Guide."

⁸ Informatica: "Agentic AI PIM: The Next Evolution in Digital Commerce," 2026.

⁹ Pimly / Salesforce AgentExchange: "Product Intelligence Launch," März 2026.

¹⁰ Yuxiao Luo, Nanda Kumar, Adel Yazdanmehr: "AI nudging and decision quality: Evidence from randomized experiments in online recommendation setting," Decision Support Systems, Volume 200, Januar 2026.

¹¹ Digital Applied: "eCommerce Checkout Optimization: UX Guide 2026."

¹² Morgan Stanley: Prognose zur Nutzung von KI-Shopping-Agenten, zitiert in Adfinite: "Optimize Your Shopify Product Data for AI Agent Discovery," 2026.