Die Datenlage, die der Agentic-Commerce nicht ignorieren kann

Künstliche Intelligenz-Agenten haben den Schritt von Suchassistenten zu autonomen Käufern gemacht. Die größten Plattformen sind jetzt im Wettlauf, um diese Transaktionslage zu besitzen, und Amazons neuester Schritt macht das konkreter. Alexa für Shopping, das aus der Fusion von Rufus und Alexa+ entstanden ist, verfolgt Preise und erinnert sich an den Kontext über Geräte hinweg. Dann kann es mit Auto-Buy einen Kauf tätigen, sobald ein Produkt den Zielpreis erreicht, ohne dass eine Überprüfung des Warenkorbs oder eine manuelle Abwicklung erforderlich ist.

Agentic-Shopping ist ein Markt, der voraussichtlich 5 Billionen US-Dollar an globalen Handelsvolumen bis 2030 erreichen wird. Amazon ist bei dem Versuch, sich einen Teil dieses Sektors zu sichern, nicht allein. Google, OpenAI und Perplexity haben alle aggressiv in den agentischen Handel investiert. Dieser Schub erhöht auch das Vertrauen der Verbraucher in die Teilnahme von KI an ihren Kaufentscheidungen, wobei der von KI-getriebene Verkehr auf US-amerikanischen Einzelhandels-Websites im ersten Quartal 2026 um 393% im Vergleich zum Vorjahr gestiegen ist.

Die Verbrauchererfahrung ist leicht zu verstehen. Was weniger sichtbar ist, ist die Infrastruktur, die sie ermöglicht. Wenn ein KI-Agent autonom transagiert, vertraut er den Produktinformationen vollständig. Kein Mensch markiert die falsche Variante oder das falsch klassifizierte Produkt. Das macht die Datenlage zum konsequentesten Teil des agentischen Handels.

Die Grundlage für Agentic-Commerce

Die Diskussion über agentischen Handel dreht sich hauptsächlich um den Agenten – das Modell, die Schnittstelle oder die Erfahrung. Aber der eigentliche Erfolgsfaktor ist nicht der Agent selbst, sondern die Datenlage, die den E-Commerce unterstützt.

Wenn ein Verbraucher einen Agenten auffordert, Waschmittel nachzubestellen oder das günstigste HDMI-Kabel zu kaufen, das morgen ankommen kann, erscheint die Transaktion einfach. Im Hintergrund jedoch muss der Agent eine Reihe von Entscheidungen treffen. Er muss das genaue Produkt identifizieren, das Produktmerkmal und die Verfügbarkeit überprüfen, Optionen über mehrere Plattformen vergleichen und den Kauf mit dem richtigen Lager und dem richtigen Versandnetzwerk verbinden.

Im Gegensatz zu einem menschlichen Einkäufer kann ein KI-Agent nicht auf Intuition zurückgreifen, um Lücken zu füllen oder Inkonsistenzen zu lösen. Jeder Schritt in der Transaktion muss durch Daten unterstützt werden, die strukturiert und konsistent über alle beteiligten Systeme sind. Wenn ein Teil dieser Grundlage fehlt oder fragmentiert ist, pausiert der Agent nicht, um zu untersuchen. Stattdessen arbeitet er mit dem, was er hat, und transagiert trotzdem oder bricht die Transaktion ganz ab, was zu inkonsistenten und oft unzuverlässigen Benutzeroberflächen führt.

Wo die Datenlage zusammenbricht

Laut Mirakl entsprechen weniger als 1% der Produktseiten im E-Commerce derzeit den Mindestanforderungen für eine Empfehlung durch KI-Agenten. Produktkennungen variieren zwischen Lieferantensystemen und internen Systemen, während der Lagerbestand hinter der Realität zurückbleibt. Auch die Standortdaten fehlen an Standardisierung über das Versandnetzwerk hinweg.

Wenn Menschen in der Schleife sind, ist schlechte Datenqualität handhabbar. Ein Käufer bemerkt die falsche Variante oder ein Lagerverwalter weiß, dass das Lagerverwaltungssystem hinter der Realität zurückbleibt. Menschen füllen die Lücken aus Erfahrung; das Problem ist, dass ein KI-Agent keine solche Intuition hat. Er liest die Daten, die er erhält, und transagiert oder bricht die Transaktion ganz ab.

Wenn die Daten falsch sind, ist die Transaktion falsch. Ein abgeschlossener Kauf des falschen Produkts, an die falsche Adresse geliefert, zum falschen Preis. Der Agent hat genau so gehandelt, wie er konzipiert wurde; es waren die Daten darunter, die nicht stimmen.

Die Identitätsebene, auf die jeder Agent angewiesen ist

Eine schlechte Datenqualität kostet Organisationen durchschnittlich 12,9 Millionen US-Dollar pro Jahr. Diese Zahl stammt aus Umgebungen, in denen Menschen noch in der Schleife sind. Im agentischen Handel wächst diese Zahl nur. Jede automatisierte Transaktion, die der Agent falsch ausführt, erhöht die Kosten.

Ein Paar Laufschuhe, das auf einer Plattform als “Trail-Runner” und auf einer anderen Plattform als “All-Terrain-Sneaker” gelistet ist, ist das gleiche Produkt, aber ein KI-Agent kann das ohne eine universelle Kennung nicht bestätigen.

Das ist das, was die Produktkennung in einer UPC-Strichcode helfen kann zu lösen. Diese scannbaren Signale können ein GTIN (Global Trade Item Number) tragen, das Teil eines globalen Standards ist, der von mehr als 2 Millionen Unternehmen verwendet wird, um Produkte in der globalen Lieferkette eindeutig zu identifizieren. Scannbare GTINs geben Produkten eine einzige, verifizierte Identität über jeden Händler, Lager und Plattform hinweg, die sie berühren. Wenn ein Agent Preise auf diesen Schuhen über Amazon und Target vergleicht, ist es die GTIN, die bestätigt, dass es sich tatsächlich um das gleiche Produkt handelt.

Standards wie die von GS1 US bieten eine gemeinsame Sprache für die Identifizierung von Produkten, Standorten und Entitäten, die gleiche Sprache, die KI-Agenten benötigen, um zu kommunizieren, zu koordinieren und genaue Entscheidungen zu treffen. Wenn mehr KI-Agenten in die Lieferkette eintreten – einer, der Beschaffung verwaltet, ein anderer, der den Lagerbestand überwacht, ein dritter, der Logistik verfolgt – müssen sie Daten über Systeme hinweg teilen, die von verschiedenen Unternehmen gebaut wurden. Standardisierte Kennungen machen das möglich.

GTINs sind Teil dieses umfassenderen Rahmens. Für KI-Agenten ist die gemeinsame Sprache, die sie bieten, der Unterschied zwischen einer Transaktion, die genau abgeschlossen wird, und einer, die nicht.

Unvollständige Produktinformationen können dazu führen, dass ein Produkt ganz aus dem Auswahlset des Agents entfernt wird. Für kleinere Marken ist das ein existenzielles Sichtbarkeitsproblem.

Agentenbereite Daten im Vergleich zu dem, was die meisten Unternehmen haben

Die Erreichung agentenbereiter Daten bedeutet, dass jedes Produkt in einem Katalog eine verifizierte, global eindeutige Kennung haben muss. Es bedeutet, dass Attribute vollständig und konsistent über alle Systeme sind, die ein Handelspartner berührt. Es bedeutet auch, dass Lager- und Preisinformationen in Echtzeit synchronisiert sind, nicht in Batches aktualisiert. Daten, die für menschliches Browsen erstellt wurden, erfüllen diese Anforderungen nicht.

Die Schichtung von mehr KI auf fragmentierte Daten produziert schnellere, selbstbewusstere falsche Antworten. Die Grundlage muss zuerst stimmen.

Gartner prognostiziert, dass mehr als 40% der agentischen KI-Projekte bis 2027 abgesagt werden, und nennt als Gründe steigende Kosten, unklare ROI und unzureichende Risikokontrollen. Die Qualität der Dateninfrastruktur ist ein direkter Input für alle drei. Unternehmen, die auf agentischen Handel zusteuern, ohne die Datenlage zu überprüfen, lösen das falsche Problem.

Wo Händler und Marken beginnen sollten

1. Produktkennungen über alle Systeme hinweg überprüfen. Jedes Produkt in einem Katalog benötigt eine verifizierte, global eindeutige Kennung. Fehlende oder duplizierte Kennungen sind der häufigste Grund, warum Agenten Produkte ganz übergehen.
2. Attributkennungen standardisieren. Größe, Gewicht, Variante und Verfügbarkeit müssen über alle Systeme hinweg, die ein Handelspartner berührt, dieselbe Bedeutung haben. Inkonsistente Kennungen sind für Menschen unsichtbar und für Agenten fatal.
3. Daten über Handelspartner in Echtzeit synchronisieren. Die meisten Unternehmen aktualisieren Lager- und Preisinformationen mit Verzögerung – stündlich, täglich, manuell. Ein Agent, der einen Kauf ausführt, wartet nicht auf die nächste Aktualisierung.
4. Datenbereitschaft als Voraussetzung für jede agentische KI-Investition behandeln. Unternehmen, die auf agentischen Handel zusteuern, ohne die Datenlage zu überprüfen, lösen das falsche Problem. Denken Sie daran, dass der Agent das Letzte ist, was optimiert werden muss; die Datenlage muss zuerst stimmen.

Die Händler und Marken, die in diese Grundlage investieren, werden für die Agenten, die Kaufentscheidungen im Auftrag der Verbraucher treffen, auffindbarer und transaktionsfähiger. Diejenigen, die warten, werden um Sichtbarkeit in einem System konkurrieren, das nie dazu gebaut wurde, sie zu finden. Der Agent ist der sichtbare Teil. Die wichtigere Frage ist, ob die Daten darunter bereit sind.