Strategische Konsequenzen für Händler im Agentic Commerce

Die vorangegangenen sechs Artikel dieser Serie haben den strukturellen Wandel der Entscheidungsreise im digitalen Handel beschrieben. Der klassische Funnel verliert an Erklärungskraft, stabile KPIs verdecken zunehmende Intransparenz, ein wachsender Teil der Kaufentscheidung entsteht außerhalb messbarer Systeme, klassische Attribution erreicht ihre technischen Grenzen, neue Metriken müssen den Anspruch auf Eindeutigkeit aufgeben, und das eigene System verschiebt seine Rolle vom Beobachtungsinstrument zur Entscheidungsarchitektur.

Daraus ergibt sich nun eine operative Frage. Was bedeuten diese Befunde im Tagesgeschäft eines Händlers, der heute Entscheidungen über Investitionen, Roadmaps und Organisationsstruktur treffen muss?

Dieser abschließende Artikel der Serie übersetzt die strategischen Konsequenzen in operative Maßnahmen. Er ist bewusst nicht als Universallösung formuliert. Die Reihenfolge der Empfehlungen folgt dabei dem Aufbau der Serie, weil sich die Konsequenzen aus den Befunden ableiten und kein abstraktes Reifegradmodell zugrunde liegt.

1. Vom Kanal zur Anschlussfähigkeit

Der erste Befund der Serie betraf den Zerfall des Funnels. Die Konsequenz daraus liegt nicht in einer Reparatur des Funnels. Sie liegt in einer Verschiebung der Steuerungslogik. Solange Marketing- und Commerce-Organisationen entlang von Kanälen denken, optimieren sie etwas, das in der Entscheidungsbildung des Nutzers eine immer geringere Rolle spielt. Die relevante Frage lautet heute, unter welchen Bedingungen die eigenen Angebote überhaupt Teil einer maschinellen Vorauswahl werden. Der Weg in den Funnel eines bestimmten Kanals tritt demgegenüber zurück.

Operativ bedeutet das einen kontrollierten Bruch mit drei tief verankerten Annahmen. Die erste Annahme ist, dass Sichtbarkeit gleichbedeutend mit Reichweite sei. In agentischen Systemen wird Sichtbarkeit durch strukturelle Anschlussfähigkeit ersetzt. Die zweite Annahme ist, dass jede zusätzliche Plattform einen weiteren Kanal darstellt. In Wirklichkeit definiert jede Plattform ein eigenes Set an Anforderungen an Datenstruktur, Identifikatoren und Schnittstellen, die selektiv bedient werden müssen. Die dritte Annahme ist, dass Kampagnenoptimierung der Hebel ist, an dem sich Wachstum erzeugen lässt. Wachstum entsteht heute zunehmend an einer Schicht, die der Kampagne vorgelagert ist.

Konkret heißt das, dass Marketingteams beginnen müssen, einen Teil ihrer Aufmerksamkeit von Kanalbudgets in Richtung Datenanschluss zu verschieben. Ein erster konkreter Schritt ist eine Bestandsaufnahme darüber, welche Plattformen heute bereits agentisch zugreifen. Dazu gehören mindestens der Google Shopping Graph mit über 50 Milliarden Listings als Backbone von AI Overviews und Gemini, das OpenAI-Merchant-Programm mit der Agentic Commerce Protocol Spezifikation,¹ das Perplexity Merchant Program,² sowie die Catalog-MCP-Schnittstelle von Shopify.³ Eine zweite Maßnahme ist eine bewusste Entscheidung darüber, welche dieser Plattformen für die jeweilige Kategorie tatsächlich entscheidungsrelevant sind und welche bewusst nicht bedient werden, weil ihre operative Relevanz die Komplexität nicht rechtfertigt.

Diese Entscheidung lässt sich heute mit drei reproduzierbaren Methoden vorbereiten, die jeweils einen anderen Blickwinkel auf Plattformrelevanz erlauben.

Erstens, ein systematisches Mapping des AI-Referral-Traffics. In GA4 lässt sich ein eigener Channel "AI Assistants" anlegen, der Hostnames wie chatgpt.com, perplexity.ai, gemini.google.com, copilot.microsoft.com und claude.ai als Referrer-Quellen gruppiert.¹⁴ Da viele AI-Plattformen keine standardkonformen Referrer-Header senden und mobile App-Traffic häufig in der Direct-Kategorie landet, sollte dieses Mapping um eine quartalsweise Auswertung des sogenannten Dark Traffic auf Produktdetailseiten ergänzt werden.¹⁰ Eine signifikante Verschiebung des Anteils direkter Zugriffe mit klarer Produktintention auf Kategorien, die in agentischen Systemen häufig empfohlen werden, ist ein belastbarer Indikator dafür, dass eine Plattform für die jeweilige Sortimentslogik tatsächlich Volumen erzeugt.

Zweitens, ein kategoriebezogener Share-of-Model-Test. Dabei wird ein Set von 30 bis 50 typischen Kaufintention-Prompts für die eigene Kategorie definiert und über die drei bis fünf relevantesten LLM-Systeme regelmäßig abgefragt. Gemessen wird, wie oft die eigene Marke sowie die wesentlichen Wettbewerber genannt werden und in welcher Position innerhalb der Antwort.¹⁵ Die Methodik orientiert sich an etablierten Branchen-Benchmarks aus 2026, in denen der durchschnittliche Share of Model für Kategorienführer bei rund 31 Prozent liegt und die Top-3-Marken etwa 67 Prozent aller Nennungen auf sich vereinen.¹⁶ Plattformen, in denen die eigene Kategorie strukturell unterrepräsentiert ist, etwa weil sie kaum produktnahe Anfragen bedient, lassen sich auf dieser Grundlage frühzeitig deselektieren.

Drittens, eine kontrollierte Konvertierungs- und Nachfrageprüfung. Plattformen, die in den ersten beiden Schritten Relevanz zeigen, sollten in einem definierten Zeitraum von üblicherweise sechs bis zwölf Wochen mit eindeutigen UTM-Parametern auf den eigenen Anschlusspunkten versehen und gegen die übrigen Kanäle auf Conversion-Rate, durchschnittlichen Bestellwert und Wiederkaufquote verglichen werden.¹⁷ Diese Daten machen sichtbar, ob agentischer Traffic in der jeweiligen Kategorie als unterstützender Recherche- oder als abschließender Kaufkanal wirkt, was wiederum bestimmt, mit welcher Tiefe in die Anbindung investiert werden sollte.¹⁸

2. Die Datenbasis als Entscheidungsgrundlage

Der zweite und dritte Befund der Serie betrafen die Illusion der Messbarkeit und die unsichtbare Phase der Kaufentscheidung. Die operative Konsequenz liegt im Umbau der eigenen Produktdatenbasis. Weitere Tracking-Systeme aufzubauen führt in dieser Lage nicht weiter. Wenn ein wachsender Teil der Entscheidung außerhalb messbarer Systeme entsteht, dann verschiebt sich der Hebel auf die Frage, mit welcher Qualität die eigenen Angebote überhaupt in diese externen Entscheidungsprozesse einfließen können.

Die Spezifikationen, die hier zählen, sind inzwischen dokumentiert. Die Agentic Commerce Protocol Feed Specification von OpenAI definiert ein eigenes Pflicht- und Optionsschema für Felder wie Identifikatoren, Preise, Verfügbarkeiten, Versandbedingungen, Rückgabeoptionen und kontextuelle Attribute. Sie wird als vollständiger Snapshot-Feed mit empfohlener täglicher Lieferung erwartet.¹ Die Klarna Agentic Product Protocol Spezifikation, die im Dezember 2025 vorgestellt wurde, beschreibt einen vergleichbaren Ansatz für rund 100 Millionen Produkte über das Klarna-Netzwerk.⁴ Auf der semantischen Ebene hat sich JSON-LD nach Schema.org als faktischer Standard etabliert, mit einem Marktanteil von rund 89 Prozent unter den eingesetzten strukturierten Datenformaten und einer 3,1-fach höheren Wahrscheinlichkeit der Zitation in Google AI Overviews.⁵

Daraus folgen drei operative Anforderungen. Erstens braucht jeder Artikel im Sortiment einen stabilen, eindeutigen GTIN oder MPN. Produkte ohne diese Identifikatoren werden im plattformübergreifenden Abgleich systematisch ausgeschlossen, weil agentische Systeme darauf angewiesen sind, identische Artikel über mehrere Quellen hinweg eindeutig zuordnen zu können.⁵ Zweitens müssen Preis-, Bestands- und Versandinformationen über alle eigenen Datenquellen hinweg konsistent gehalten werden. Eine Diskrepanz zwischen JSON-LD-Markup auf der Detailseite und dem Merchant-Feed reicht aus, um den Vertrauenswert eines Agenten zu reduzieren und das Produkt aus Empfehlungssets zu entfernen.⁵ Drittens benötigen Produktbeschreibungen eine semantische Anreicherung, die über klassische SEO-Optimierung hinausgeht. Eine AscentCore-Studie aus dem März 2026 zeigt, dass Agenten bei rein attribut-orientierten Beschreibungen in 52,6 Prozent der Fälle ein suboptimales Produkt wählen, weil ein einzelner mehrdeutiger Satz ausreicht, um eine geeignete Option zu verwerfen.⁶

Praktisch bedeutet das, ein PIM- oder Produktdaten-Audit nach maschineller Interpretierbarkeit zu führen statt nach Vollständigkeit der Felder. Die entscheidende Frage lautet, ob ein Agent ein Feld ohne menschliche Vermittlung korrekt deuten kann. Ein gefülltes Feld allein reicht dafür nicht aus.

Drei dokumentierte Fälle aus dem europäischen Handel verdeutlichen, was maschinelle Interpretierbarkeit operativ bedeutet. Zalando hat bereits 2024 ein internes Werkzeug namens Content Creation Copilot etabliert, das mithilfe großer Sprachmodelle strukturierte Produktattribute direkt aus Lieferantenrohdaten, Bildern und Freitexten extrahiert. Damit entsteht maschinelle Interpretierbarkeit bereits an der Eingangsschwelle zur Onboarding-Pipeline, lange bevor ein Artikel im Sortiment sichtbar wird.⁷ Otto hat im hauseigenen Tech-Blog beschrieben, wie die klassische produktnahe Suche an Schreibvarianten und unscharfen Anfragen scheiterte und durch eine semantische Repräsentation ersetzt wurde, in der Artikel nach gemeinten Bedeutungen organisiert sind. Produkte werden über eine Vektorrepräsentation den Problemen zugeordnet, für die sie gedacht sind, sodass auch unsauber formulierte Anfragen zu sinnvollen Treffern führen.¹⁹ IKEA wiederum betreibt einen Knowledge Graph, in dem Differenzierungsmerkmale wie Funktion, Material und Raumkontext explizit modelliert sind und Empfehlungen entlang erklärbarer Pfade entstehen. Die KGC-Präsentation aus 2023 zeigt im Detail, wie Differenzierungsmerkmale aus Marketingtexten in eine maschinell auswertbare Struktur überführt wurden, sodass Empfehlungen für externe Systeme nachvollziehbar bleiben.²⁰

Diese Form der Investition wird in den nächsten zwei Jahren von einer Optimierungsmaßnahme zu einer infrastrukturellen Voraussetzung. Sie bestimmt, ob die eigene Produktdatenbasis als Ausgangspunkt für agentische Empfehlungen taugt oder ob sie für maschinelle Interpretation strukturell unsichtbar bleibt.

3. Selektive Anschlussfähigkeit statt vollständiger Integration

Aus den Befunden zur Attribution und zu neuen Entscheidungsmetriken ergibt sich eine weitere strategische Verschiebung, nämlich der Verzicht auf umfassende Integration zugunsten gezielter Anschlussfähigkeit. Die Reflexreaktion vieler Organisationen auf eine wachsende Zahl agentischer Systeme besteht darin, möglichst viele Plattformen, Protokolle und Schnittstellen gleichzeitig bedienen zu wollen. Diese Strategie erzeugt operative Last, ohne ihre Relevanz belegen zu können.

Die belastbare Alternative ist eine Architektur, die mit einer einheitlichen Basisschicht arbeitet und diese gezielt um spezifische Integrationen ergänzt. Die Basisschicht besteht aus drei Bestandteilen, die heute bereits stabil dokumentiert sind. Erstens ein vollständiges, sauber gepflegtes Schema.org/Product Markup auf allen Produktdetailseiten in JSON-LD, einschließlich Preis, Verfügbarkeit, Versandbedingungen und Bewertungsdaten.⁵ Zweitens ein konsistenter Produktfeed im Google-Merchant-Center-Format als Lingua franca, der von zahlreichen agentischen Systemen entweder direkt oder mit minimalen Anpassungen verarbeitet werden kann.⁸ Drittens eine llms.txt im Wurzelverzeichnis, die KI-Crawlern eine kuratierte Übersicht über die für sie relevanten Inhalte gibt und damit einen ergänzenden Hinweis liefert, ohne den robots.txt-Mechanismus zu ersetzen.⁹

Auf dieser Basis lassen sich spezifische Plattformen gezielt anschließen. Wer in den US-Markt verkauft und für ein modeaffines Sortiment eine Rolle spielt, wird das OpenAI Merchant Program priorisieren, weil ChatGPT dort bereits transaktional an Bedeutung gewinnt.¹ Wer im DACH-Raum mit hochpreisigem oder beratungsintensivem Sortiment arbeitet, wird Perplexity ergänzend prüfen, weil dort die Such-zu-Kauf-Distanz strukturell kürzer ist.² Wer auf Shopify oder einem mit Shopify Catalog kompatiblen Stack betreibt, kann den Catalog MCP Server nutzen, um direkt in die Discovery-Schicht von Agenten einzuspeisen.³

Eine operative Faustregel lautet, jede neue Plattformanbindung an eine vorab definierte Schwelle zu koppeln, etwa an einen messbaren Anteil agentischen Traffics in der eigenen Kategorie oder an einen dokumentierten Direktreferral aus dem jeweiligen System. Plattformen, die diese Schwelle nicht erreichen, bleiben auf einer beobachteten Liste, ohne sofort Integrationsaufwand auszulösen.

4. Von Attribution zu Indikation

Der vierte und fünfte Befund der Serie betrafen den Verlust der Attribution und die Notwendigkeit neuer Entscheidungsmetriken. Die operative Konsequenz besteht darin, klassische Attributionsmodelle in ihrer Funktion zu verschieben statt sie weiter zu verfeinern. Sie liefern weiterhin nützliche Hinweise über Teile der Customer Journey, aber sie verlieren ihre Rolle als zentraler Steuerungsmaßstab.

An ihre Stelle tritt ein Set von Indikatoren, die Hinweise auf Verschiebungen in der Entscheidungsbildung geben, ohne sie vollständig abzubilden. Mehrere Studien aus 2025 und Anfang 2026 dokumentieren dabei drei Phänomene, die in jedem GA4- oder Adobe-Analytics-Setup heute sichtbar werden sollten. Erstens nimmt der Anteil sogenannten Dark Traffic zu, also unattribuierbarer Direktzugriffe, weil viele AI-Referrer wie ChatGPT, Claude oder Gemini in GA4 ohne korrekten Referrer landen und automatisch der Direct-Kategorie zugeordnet werden.¹⁰ Zweitens sinken Klickraten auf klassische organische Treffer in Bereichen, in denen Google AI Overviews ausgespielt werden, in mehreren agenturweiten Auswertungen messbar.¹¹ Drittens steigen Conversion-Raten bei direktem Traffic mit klarer Produktintention, was als indirektes Signal für agentisch vorgefilterten Traffic interpretiert werden kann.¹⁰

Drei konkrete Maßnahmen lassen sich heute umsetzen. Erstens sollte der Anteil sogenannter Dark Traffic systematisch quartalsweise ausgewiesen werden, gegliedert nach Sub-Channels, damit Verschiebungen früh sichtbar werden. Zweitens lohnt der Aufbau eines Share-of-Model-Indikators, also einer regelmäßigen Erhebung darüber, wie häufig die eigenen Produkte in den drei bis fünf relevantesten LLM-Systemen für die eigenen Kernanfragen genannt werden. Wie sich diese Erhebung methodisch belastbar aufsetzen lässt, ist in Abschnitt 6 ausführlich beschrieben.¹² Drittens sollten interne Reportings explizit zwischen messbarer Attribution und interpretativer Indikation trennen, um die Erwartung an Eindeutigkeit dort zu reduzieren, wo sie nicht mehr leistbar ist.

5. Die Schnittstelle als Produkt

Mit den agentischen Protokollen verschiebt sich auch die Definition dessen, was als Produkt eines E-Commerce-Unternehmens nach außen sichtbar wird. Bislang war das Produkt im engeren Sinne der Online-Shop, ergänzt um App, Marktplatzpräsenzen und gegebenenfalls eigene Marken-Touchpoints. In einer agentischen Architektur tritt eine zusätzliche Schicht hinzu, nämlich die Schnittstelle, über die Produktdaten und Transaktionsfähigkeiten an externe Systeme bereitgestellt werden. Die Verschiebung vom Tracking zur Entscheidungsarchitektur und die Einordnung headless-orientierter Architekturen liefern dazu den strukturellen Hintergrund.

Klarna hat im Dezember 2025 mit dem Agentic Product Protocol einen offenen Standard vorgestellt, der genau diese Schnittstellenebene adressiert und über 100 Millionen Produkte aus dem Klarna-Netzwerk für Agenten zugänglich macht.⁴ Shopify hat mit dem Catalog MCP Server einen ähnlichen Ansatz für rund 5,6 Millionen Shops umgesetzt, die per Default in Agentic Storefronts überführt werden und damit ohne weitere Konfiguration in ChatGPT, Gemini und Microsoft Copilot erscheinen.³ Die OpenAI Agentic Commerce Protocol Spezifikation beschreibt parallel dazu den Lieferweg, über den Händler ihre Feeds an OpenAI übergeben.¹

Für Händler, die nicht auf Shopify laufen, ergeben sich daraus zwei operative Konsequenzen. Erstens lohnt sich eine systematische Beobachtung der dominierenden Protokollstandards. UCP, ACP und MCP zeichnen sich als die aktuell relevantesten Spezifikationen ab, und ihre Konvergenz oder Divergenz wird in den nächsten zwölf Monaten den weiteren Investitionsbedarf maßgeblich bestimmen. Zweitens sollte die eigene Produktdatenarchitektur so gestaltet sein, dass sie ohne grundlegenden Umbau in mehrere dieser Protokolle exportiert werden kann. Ein PIM, das ausschließlich für die eigene Webseite optimiert ist, wird in einem agentischen Umfeld zur Engstelle.

6. Markenrolle in agentischer Discovery

Eine häufig unterschätzte Konsequenz agentischer Discovery betrifft die Rolle der Marke. Wenn ein wachsender Teil der Vorauswahl außerhalb der eigenen Sphäre stattfindet, verändert sich die Funktion von Markenkommunikation. Sie wirkt zunehmend auf das Bild, das ein Agent über eine Marke aus öffentlich verfügbaren Quellen rekonstruiert, und nur noch in geringerem Maße direkt auf den Käufer. Diese Rekonstruktion entsteht aus einer Kombination von strukturierten Produktdaten, redaktionellen Quellen, Bewertungen und semantischen Hinweisen auf der eigenen Webseite. Wie sich Sichtbarkeit jenseits klassischer Suchmaschinen neu organisiert, beschreibt der Beitrag zur Generative Engine Optimization.

Mango hat im Juli 2025 mit dem Mango Stylist eine eigene konversationelle Schnittstelle eingeführt, die im eigenen Shop für Stilberatung eingesetzt wird, gleichzeitig aber als kontrollierter Datenpunkt für externe Agenten fungiert.¹³ Die Logik dahinter zielt auf eine eigene markenkonforme Interpretationsebene, die auch dann eine Rolle spielt, wenn die eigentliche Beratung in einem fremden System stattfindet. Ein weiterer Chatbot war erklärtermaßen nicht das Ziel.

Daraus ergeben sich drei operative Leitlinien. Erstens sollte jede Marke regelmäßig prüfen, wie sie in den drei bis fünf relevantesten LLM-Systemen beschrieben wird, weil diese Beschreibungen einen wachsenden Anteil an der initialen Wahrnehmung tragen. Zweitens sollten Bewertungs- und Reputationsdaten als strategische Datenquelle behandelt werden und nicht länger nur als Marketingmaßnahme gelten, weil Agenten sie strukturiert auslesen und in Empfehlungslogiken einbeziehen. Drittens sollten redaktionelle Inhalte auf der eigenen Webseite, etwa Ratgeber oder Hintergrundseiten, in einer Form gestaltet sein, die agentisch lesbar ist, also klar strukturiert, semantisch eindeutig und mit klarer Zuordnung zu Produktkontexten.

Die erste dieser Leitlinien verdient eine kurze methodische Vertiefung. Sie wird in der Praxis häufig unterschätzt und mit ungeeigneten Werkzeugen verfolgt, was regelmäßig zu Fehlinterpretationen führt. Inzwischen liegt eine ausreichend dokumentierte Methodik vor, um die Frage aus dem Bereich der Intuition in die Reichweite reproduzierbarer Messung zu rücken.

Der Ausgangspunkt ist eine statistische Eigenschaft generativer Antwortsysteme. Eine identische Anfrage erzeugt in ChatGPT, Perplexity, Claude oder Gemini bei wiederholter Ausführung unterschiedliche Antworten, weil Modelltemperatur, Retrieval-Zeitpunkt und interne Konfidenzschwellen variieren. Eine Auswertung von SearchAtlas aus dem Sommer 2025 hat die monatliche Zitations-Drift gemessen und bei Perplexity einen Anteil von 40,5 Prozent neuer oder veränderter Quellen festgestellt, bei Google AI Overviews 59,3 Prozent.²¹ Eine Einzelmessung ist unter diesen Bedingungen statistisch wertlos. Sie hat eine Fehlerspanne, die größer ist als das Signal, das sie zu erfassen versucht.

Daraus folgt eine Methodik, die sich an der Logik politischer Meinungsforschung orientiert. Pro Prompt und pro Plattform werden mindestens dreissig Sampling-Läufe ausgeführt, idealerweise verteilt über sieben bis vierzehn Tage, um zeitliche Variation einzufangen. Aus den Ergebnissen lassen sich ein Punktwert für den Share of Model und ein Konfidenzintervall berechnen, das bei dreissig Läufen typischerweise eine Spannweite von rund sechzehn Prozentpunkten hat und bei hundert Läufen auf etwa neun Prozentpunkte schrumpft. Erst die Angabe des Konfidenzintervalls macht die Messung interpretierbar, weil sie die übliche Verwechslung von kurzfristigem Rauschen mit struktureller Verschiebung verhindert.²²

Die Plattformen unterscheiden sich dabei strukturell so stark, dass eine zusammengefasste Mittelwertbildung in die Irre führt. Eine Auswertung von Qwairy über 118.000 KI-Antworten im dritten Quartal 2025 zeigt, dass Perplexity im Durchschnitt 21,87 Quellen pro Antwort zitiert, ChatGPT dagegen nur 7,92. Bei den zitierten Domains überlappen beide Systeme nur zu elf Prozent, ChatGPT bezieht 47,9 Prozent seiner Zitationen aus Wikipedia, Perplexity wiederum 46,7 Prozent aus Reddit.²³ Eine plattformübergreifende Sammelkennzahl verdeckt also genau das, was operativ entscheidend wäre. Jede Plattform definiert eine eigene Wettbewerbsarena, mit eigener Quellenlogik und eigenem Verdrängungsmuster.

Praktisch lässt sich daraus ein wiederholbares Audit-Verfahren ableiten, das auch ohne spezialisierte Tools auskommt. Den Ablauf beschreiben mehrere unabhängige Quellen aus dem Frühjahr 2026 in vergleichbarer Form. Zuerst wird ein kategorierelevantes Prompt-Set kuratiert, üblicherweise dreissig bis fünfzig Prompts, gegliedert in Awareness-, Consideration- und Buying-Intent-Anfragen. Dann werden drei bis fünf Modelle ausgewählt, im EU-Kontext meist ChatGPT, Perplexity, Claude, Gemini und Copilot, die jeweils mindestens dreissig Mal abgefragt werden. Die Antworten werden kodiert nach Erwähnung, Position, Sentiment und zitierten Quellen, anschliessend werden die wichtigsten Wettbewerber im selben Set gemessen. Die Erhebung wird monatlich rollierend wiederholt, mit Dreissig-Tage-Mittelwerten und Zwei-Sigma-Schwellen für Anomalien, um echte Verschiebungen von statistischem Rauschen zu trennen.²⁴

Spezialisierte Anbieter haben dieses Vorgehen produktisiert. Profound, im Februar 2026 mit einer Series-B-Finanzierung über 96 Millionen US-Dollar dotiert, hat das Verfahren entlang B2B-Discovery durchdekliniert, ergänzt um eine gemeinsame Studie mit Bain zur Rolle generativer Systeme im Buyer-Intent-Kanal.²⁵ Vergleichbare Werkzeuge bieten Peec.ai, Otterly.AI und Promptwatch, jeweils mit unterschiedlichen Schwerpunkten zwischen Mention-Tracking, Citation-Analyse und Prompt-Set-Verwaltung.²⁶ Für Mid-Market-Organisationen empfiehlt sich in der Regel ein gestaffelter Einstieg. In den ersten beiden Monaten genügt eine manuelle Erhebung mit zwanzig bis dreissig kritischen Prompts, um die eigene Methodik zu validieren. Erst danach lohnt eine schrittweise Automatisierung über die Modell-APIs, mit typischen Kosten zwischen 90 und 450 US-Dollar pro Monat für ein Setup mit hundert Prompts und drei Plattformen.

Diese Methodik bleibt ein Indikator, kein Beweis. Sie zeigt, in welchem Bild eine Marke in maschinellen Vorauswahlen erscheint und wie stabil dieses Bild über Plattformen, Zeit und Wettbewerb hinweg ist. Sie ersetzt keine Reichweitenmessung und keine Conversion-Analyse, sie ergänzt beide um eine Schicht, die in den meisten Reportings heute schlicht fehlt.

7. Organisation und Entscheidungslogik

Die vielleicht weitreichendste Konsequenz der gesamten Serie betrifft weniger die Technologie als die Organisation. Wenn ein wachsender Teil der Entscheidungslogik außerhalb direkter Kontrolle stattfindet, verschiebt sich die interne Aufgabe von Unternehmen. Es geht weniger darum, Prozesse weiter zu verfeinern, als darum, unter Unsicherheit konsistent entscheiden zu können.

Praktisch bedeutet das eine veränderte Arbeitsteilung. Marketing, E-Commerce, IT und Produktdatenmanagement müssen enger zusammenarbeiten, weil die Hebel für Sichtbarkeit, Conversion und Margenqualität nicht mehr in einer einzelnen Funktion liegen. Wie diese Zusammenarbeit organisatorisch verankert wird, hängt stark von Grösse und Reifegrad der Organisation ab. In der dokumentierten Praxis lassen sich drei Modelle unterscheiden, die für unterschiedliche Kontexte passen.

Das in Mid-Market-Organisationen mit Abstand häufigste Modell ist ein hybrider Ansatz. Eine Gartner-Erhebung unter mehr als 1.800 Führungskräften zeigt, dass 55 Prozent der Organisationen mittlerweile eine Form von AI-Oversight-Gremium etabliert haben, und in der Regel besetzt mit bestehenden Funktionsträgern aus Operations, IT, Recht, Finanzen und Compliance, die diese Aufgabe als zusätzliche Rolle übernehmen, nicht als neu geschaffene Vollzeitstelle.²⁷ Eine Auswertung zur AI-Governance im Mid-Market (1.000 bis 10.000 Mitarbeiter) aus dem März 2026 beschreibt das Muster explizit: Mid-Market-Unternehmen verfügen typischerweise nicht über die Ressourcen für einen Chief AI Officer und ein eigenes AI-Stab-Team, sondern verteilen die Aufgabe über bestehende Führungsebenen, mit einem Governance Lead aus Operations oder COO-Office als Eigentümer, ergänzt um Initiative Owner aus den betroffenen Geschäftsbereichen.²⁸ Eine Auswertung zu AI-Teamstrukturen im Handel zeigt, dass 52 Prozent aller Retailer und 63 Prozent der Retailer mit mehr als 500 Millionen US-Dollar Jahresumsatz dieses hybride Modell präferieren, in dem ein kleiner Kern aus Strategie und Governance mit eingebetteten Spezialisten in den Fachbereichen zusammenarbeitet.²⁹

Reine Centers of Excellence mit eigens dafür eingestellten Mitarbeitern finden sich vor allem bei sehr grossen Organisationen. Walmart hat ein solches AI Center of Excellence mit eigener Stabsstruktur und direkter Executive-Anbindung etabliert, dokumentiert als Vorlage für Konzerne mit mehreren tausend bis mehreren hunderttausend Mitarbeitern.³⁰ Für Mid-Market-Kontexte ist dies in den dokumentierten Fällen nicht das übliche Muster. Eingebettete Modelle, in denen AI-Spezialisten direkt in die Geschäftsbereiche berichten, eignen sich umgekehrt erst ab einer gewissen Grösse und AI-Reife, die in Mid-Market-Strukturen selten gegeben ist.

Für die hier beschriebene Aufgabe einer agentischen Anschlussfähigkeit folgt daraus ein klares Bild. Im Mid-Market handelt es sich in der Regel nicht um zwei bis vier neu zu schaffende Vollzeitstellen, sondern um ein kleines, funktionsübergreifendes Gremium von typischerweise zwei bis vier Personen aus bestehenden Funktionen, die diese Aufgabe als zusätzliche Verantwortung tragen, mit einem geschätzten Zeitanteil zwischen zehn und zwanzig Prozent ihrer regulären Arbeitszeit. Ein interner Eigentümer aus dem E-Commerce- oder Operations-Bereich übernimmt die Koordination, ergänzt um benannte Ansprechpartner aus IT, Produktdatenmanagement und Marketing. Eine eigens dafür eingestellte Position lässt sich erst dann rechtfertigen, wenn der dokumentierte Anteil agentischen Traffics in der eigenen Kategorie eine Schwelle überschreitet, an der die Koordinationskosten den Umfang einer Teilzeit-Rolle übersteigen. Diese Schwelle wird in den meisten Mid-Market-Organisationen erst in den nächsten zwölf bis vierundzwanzig Monaten relevant, wenn überhaupt.

Das Gremium verantwortet drei Aufgaben dauerhaft. Es pflegt eine aktuelle Übersicht über die relevanten Plattformen und Protokolle. Es überwacht die Qualität der eigenen Produktdaten gegen die wichtigsten externen Spezifikationen. Und es stellt eine quartalsweise Berichterstattung über die genannten Indikatoren zur Verfügung.

Diese Einheit ersetzt keine bestehende Funktion. Sie ergänzt die klassische Channel- und Performance-Arbeit um eine Schicht, die in den meisten Organisationen heute strukturell unterbesetzt ist und damit zur stillen Engstelle wird, ohne dass dies sofort sichtbar ist.

8. Realistische Investitionslogik

Eine letzte Konsequenz betrifft die Investitionslogik. Die Versuchung in einer Phase struktureller Verschiebung besteht darin, entweder zu früh zu groß oder zu spät zu klein zu investieren. Beide Extreme erzeugen vermeidbare Kosten.

Die belastbare Alternative besteht in einer gestaffelten Logik, die sich an drei Größen orientiert. Erstens am Anteil agentischen Traffics in der eigenen Kategorie, gemessen über die zuvor genannten Indikatoren. Zweitens am dokumentierten Volumen über die jeweilige Plattform, etwa über Direktreferrals, Conversion-Daten oder qualitative Hinweise aus Kundenservice und Vertrieb. Drittens am Reifegrad des jeweiligen Protokolls, weil Investitionen in noch nicht stabilisierte Spezifikationen ein höheres Anpassungsrisiko tragen.

Eine pragmatische Faustregel lautet, in den nächsten zwölf Monaten zwischen fünf und zehn Prozent des bestehenden Marketing- und E-Commerce-Budgets in agentische Anschlussfähigkeit umzuschichten, schwerpunktmäßig in Produktdatenqualität, Schnittstellenarchitektur und interne Befähigung. Diese Größenordnung reicht in den meisten Mid-Market-Kontexten aus, um eine belastbare Basis aufzubauen, ohne in eine vorschnelle Vollintegration aller Systeme zu investieren. Sie ist gleichzeitig hoch genug, um einen messbaren Effekt zu erzielen, und niedrig genug, um Fehlinvestitionen begrenzbar zu halten.

Schluss: Entscheidung als Architekturproblem

Die zentrale Konsequenz dieser Serie besteht darin, dass Entscheidungen im digitalen Handel heute über das reine Treffen hinaus auch in ihren Bedingungen gestaltet werden müssen. Gemeint sind dabei die Strukturen, unter denen Entscheidungen entstehen, weniger die einzelnen Kaufentscheidungen selbst.

Damit wird Entscheidungsfähigkeit zu einer architektonischen Frage. Sie betrifft Datenmodelle, Schnittstellen, Organisation und Investitionslogik gleichermaßen. Unternehmen, die diese Perspektive einnehmen, schaffen Strukturen, die auch unter reduzierter Sichtbarkeit handlungsfähig bleiben. Der Versuch, verlorene Transparenz zurückzugewinnen, führt erfahrungsgemäß in eine Sackgasse.

Wer weiterhin daran festhält, Entscheidungsprozesse vollständig messen und kontrollieren zu wollen, operiert zunehmend an den Grenzen eines Modells, das sich bereits auflöst. Die strategische Aufgabe für die nächsten zwölf bis vierundzwanzig Monate besteht darin, eine tragfähige Architektur für die Zeit nach der Erosion dieses Modells zu entwickeln.

Damit endet diese Serie weniger mit einer Empfehlung als mit einer Verschiebung des Bezugsrahmens. Wer den digitalen Handel weiterhin als Funnel denkt, wird Phänomene erklären müssen, die der Funnel nicht mehr abbildet. Wer ihn als Architektur versteht, kann beginnen, an den wenigen Stellen wirksam zu werden, an denen die eigene Organisation heute noch unmittelbar Einfluss nimmt.

Dieser Artikel ist der abschließende Teil der Serie Decision Journey Analytics, die untersucht, wie sich Kaufentscheidungen jenseits des klassischen Funnels neu strukturieren.

Glossar

Agentic Commerce Protocol (ACP) Eine von OpenAI gepflegte Spezifikation für die strukturierte Übergabe von Produktdaten an ChatGPT-basierte Shopping-Funktionen. Beschreibt verpflichtende und optionale Felder eines Produktfeeds, dessen Lieferweg sowie die zulässigen Datentypen.

Catalog MCP Server Die von Shopify bereitgestellte Schnittstelle, über die KI-Agenten den Shopify-Katalog durchsuchen und Produktdaten abrufen können. Folgt dem Model Context Protocol (MCP) und wird in Richtung der UCP-Spezifikation weiterentwickelt.

Universal Commerce Protocol (UCP) Eine sich entwickelnde, anbieterübergreifende Spezifikation für die Interaktion zwischen Agenten und Commerce-Systemen, die Discovery, Checkout und Payment-Funktionen abdeckt.

llms.txt Eine im Wurzelverzeichnis hinterlegte Textdatei, die KI-Systemen eine kuratierte Übersicht über die für sie relevanten Inhalte einer Webseite liefert. Ergänzt robots.txt, ohne ihn zu ersetzen.

Share of Model Eine Indikatormetrik, die misst, wie häufig die eigenen Produkte oder die eigene Marke in einer definierten Auswahl an LLM-Systemen für die eigenen Kernanfragen genannt werden. Ergänzt klassische Sichtbarkeitsmetriken.

Dark Traffic Anteil von Besuchern, die in Webanalyse-Systemen ohne korrekten Referrer ankommen und automatisch als Direktzugriff erfasst werden. Wächst durch agentische Systeme strukturell an, weil viele AI-Referrer keine standardkonformen Referrer-Header senden.

Agentic Storefront Eine Storefront-Konfiguration, in der ein Shop standardmäßig in agentischen Discovery-Systemen wie ChatGPT, Gemini oder Microsoft Copilot präsent ist, ohne dass eine separate Anbindung notwendig wäre.

Quellen

¹ OpenAI Developers: "Agentic Commerce, Products Feed Specification" und "Get Started Guide," 2025/2026. Verfügbar unter developers.openai.com/commerce.

² WebFX: "The 5-Minute Guide to Perplexity's Merchant Program," 2025. Hashmeta: "Perplexity Merchant Program: How to Get Your Products Featured in AI Search Results."

³ Shopify Developers: "Catalog MCP Server," 2025/2026. Shopify Enterprise Blog: "Agentic-Ready Product Data: How to Get It & the Cost of Inaction," 2026.

⁴ Klarna Investor Relations: "Klarna Launches Agentic Product Protocol: The Open Standard That Makes 100M+ Products Instantly Discoverable by AI Agents," 15. Dezember 2025.

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

⁶ AscentCore: "The Shift to Business-to-Agent (B2A) Commerce: Why Your Product Descriptions Are Now Your Most Critical Sales Asset," Research Report, März 2026.

⁷ Zalando Engineering Blog: "Content Creation Copilot, AI-assisted product onboarding," September 2024.

⁸ Skuanalyzer: "Is Your Product Feed Ready for Agentic Commerce? A Merchant Center UCP Checklist," 2025.

⁹ Aurora Commerce: "Aurora Commerce adds support for the LLMs.txt standard," 2025. AgentReadyHQ: "How to Implement LLMs.txt for E-Commerce," 2025/2026.

¹⁰ Loamly: "What Google Analytics Gets Wrong About AI Traffic," November 2025. Out Of The Blue: "Vanishing Clicks: Why 15 to 40 percent of Your Paid Traffic Is Going Dark in GA4," Juni 2025.

¹¹ SiteGrade: "Google AI Overviews 2026: Real Organic Traffic Impact," 2026. The Digital Bloom: "Organic Traffic Crisis Report, 2026 Update."

¹² Presence AI: "2026 GEO Benchmarks: AI Search Traffic Up 527% While Traditional Organic Drops 40%," 2026.

¹³ Digital Commerce 360: "Mango launches new Stylist assistant with conversational AI," 8. Juli 2025. Mango Fashion Group Pressroom: "Mango launches Mango Stylist," 2. Juli 2025.

¹⁴ Authority Tech: "AI Traffic Attribution: How to Track Visitors from ChatGPT, Perplexity & Gemini," Januar 2026. Surfacelocal: "Track ChatGPT Traffic: UTM Parameters Guide," 2026.

¹⁵ Aether AI: "Share of Model Benchmarking: How to Measure Your AI Visibility Against Competitors," 2026. CiteCompass: "Share of Model: The AI Era's Answer to Market Share."

¹⁶ KnewSearch: "2026 AI Search Visibility Benchmark Report." Loamly: "AI Visibility Benchmark 2026: 2,014 Companies Across ChatGPT, Claude, Gemini, and Perplexity," 25. Januar 2026.

¹⁷ AgentSurge: "How to Track ChatGPT and AI Referral Traffic All the Way to Revenue," 21. Februar 2026. Hikmah AI: "How to Track AI Traffic in Google Analytics 4, 2026 Setup Guide."

¹⁸ Wislr: "Your AI Channel Is a Consumer Research Engine, Assisting with the Final Sale." Smartersorting: "How We Tested 5 AI Shopping Assistants Across 2,500 Interactions," 28. Januar 2026.

¹⁹ Otto Tech Blog: "Rethinking semantic product search: a new approach to queries with unusual spelling variations," 2024/2025. Verfügbar unter otto.de/jobs/en/technology/techblog.

²⁰ Metaphacts: "Building explainable and trustworthy recommendation systems: What we learned from IKEA at KGC 2023," 2023. Knowledge Graph Conference 2023, IKEA-Vortrag zu Produktdaten-Knowledge-Graph und erklärbaren Empfehlungen.

²¹ SearchAtlas: "Why Do AI Search Results Keep Changing? Citation Drift Across Platforms, June to July 2025," 2025. Verfügbar unter searchatlas.com/blog/why-do-ai-search-results-keep-changing.

²² MaximusLabs AI (Krishna Kaanth): "AI Share of Voice: How to Measure Brand Visibility in AI Search, The 30-Sample Methodology for Reliable SOV Data," März 2026. Verfügbar unter maximuslabs.ai/ai-search-101/geo/measurement/share-of-voice.

²³ Qwairy: "Perplexity vs ChatGPT Citation Study: An Analysis of 118,000 AI-Generated Answers," Q3 2025.

²⁴ Pulsar: "How to Monitor Your Brand in ChatGPT, Perplexity and Gemini," April 2026. SearchSeal: "How to Audit Your Brand Across AI Agents in One Day," 2026. Senso.ai: "The Complete Guide to Tracking Your Brand in ChatGPT, Claude and Perplexity," 2026.

²⁵ The DataStory (Justin Evans): "Case Study: It's Profound, Profound raised 96M USD in February 2026," April 2026. Bain x Profound: "Influence Orchestration in the GenAI Era: How LLMs Are Reshaping B2B Discovery," 2026.

²⁶ Surferstack: "AI Visibility Platforms in 2026: Promptwatch, Profound, Peec AI and Otterly.AI Compared," April 2026. AllAboutAI: "12 Top Tools for Tracking Brand Visibility on GPT and AI Search," 2026.

²⁷ Gartner: "AI Ethics, Governance, and Compliance," Umfrage unter mehr als 1.800 Führungskräften, 2025/2026. Verfügbar unter gartner.com/en/articles/ai-ethics-governance-and-compliance.

²⁸ Assembly (AI Assembly Lines): "How Do Companies Structure AI Governance? A Framework for Mid-Market Leaders," 17. März 2026. Verfügbar unter aiassemblylines.com/post/how-do-companies-structure-ai-governance-framework.

²⁹ Dialzara (Adam Stewart): "How Do Retailers Structure Cross-Functional Teams for AI Product Work?," Januar 2026 (Aktualisierung). Bezugnahme auf Harvard Business School-Forschung zu cross-funktionalen AI-Teams.

³⁰ The CDO TIMES (Carsten Krause): "Walmart Case Study: Best Practices for Setting Up an AI Center of Excellence (CoE) in Retail," 7. Juni 2024.

Wer die strategische Linie dieser Serie auf konkrete Plattformfragen übertragen möchte, findet im Artikel zum Shopify Agentic Plan eine vertiefende Analyse der dort beschriebenen Datenarchitektur. Eine ergänzende Einordnung zur operativen Reifegradfrage bietet der Agentic Commerce Realitätscheck, eine Vertiefung zur Protokollebene der Beitrag zu UCP versus ACP, und für die diskursive Einordnung empfiehlt sich die Rezension von Tim Boettners Buch zu Agentic Commerce.