Vordenker
Handel durch KI-Agenten wiederholt einen alten Fehler mit Unternehmensdaten

Wichtige PunkteAgentic Commerce erfordert strukturierte Produktdaten, über die Maschinen logisch…
Mehr anzeigen
- Agentic Commerce erfordert strukturierte Produktdaten, über die Maschinen logisch schlussfolgern können, nicht nur menschenlesbare Inhalte.
- Im B2B-Commerce müssen semantische Produktschichten aufgebaut werden, die Regeln, Beziehungen und Einschränkungen explizit kodieren.
- Unternehmen, die Produktdaten als Infrastruktur behandeln, werden für KI-Agenten verständlich und erlangen einen Wettbewerbsvorteil.
Lange Zeit beruhte der B2B-Handel auf einer einfachen Annahme: Menschen sehen sich die Informationen an.
Sie lesen Produktseiten, überfliegen Datenblätter und nehmen vage Formulierungen hin, weil sie wissen, wie sie nachfragen können. Ist etwas unklar, schreiben sie einem Vertriebsmitarbeiter. Versteckt sich eine Regel in einer Fußnote, schließt Erfahrung die Lücke.
B2B-Produktdaten entwickelten sich vollständig um dieses Verhalten herum. Sie mussten nie für sich allein ausreichen, sondern nur von einem Menschen interpretierbar sein. Mit KI gilt diese Annahme nicht mehr.
Bei Unternehmensdaten haben wir das schon erlebt
Wenn Ihnen das bekannt vorkommt, hat das einen Grund. Vor zehn Jahren führten Unternehmen eine sehr ähnliche Diskussion über Daten. Data Warehouses waren voll, Data Lakes quollen über, und letztlich exportierte jedes System irgendetwas. Auf dem Papier waren die Unternehmen reich an Daten. In der Praxis ging nichts schnell voran, weil Fachanwender grundlegende Fragen nicht ohne Analysten als Übersetzer beantworten konnten. SQL wurde zum Engpass.
Unternehmensdaten waren danach organisiert, wie Systeme Informationen speicherten, nicht danach, wie Menschen über das Geschäft nachdachten. Zeilen und Spalten waren vorhanden, Begriffe jedoch nicht. Umsatzdaten lagen in drei Tabellen. Kunde bedeutete fünf verschiedene Dinge, je nachdem, wen man wann fragte. Über Kennzahlen wurde endlos gestritten, weil niemand sie klar definiert hatte.
Der Durchbruch bei Unternehmensdaten kam dadurch, dass man Komplexität akzeptierte und beherrschbar machte. Semantische Schichten sind ein Beispiel, waren aber Teil eines umfassenderen Wandels. Unternehmen hörten auf, so zu tun, als seien Rohdaten automatisch nutzbar, und bauten Übersetzungsschichten, die der tatsächlichen Denk- und Arbeitsweise des Unternehmens entsprachen.
Kennzahlenmodelle erreichten dies, indem sie Berechnungen einmal definierten, statt sie in jedem Bericht neu herzuleiten. Umsatz bedeutete überall dasselbe, weil sich jemand die Zeit genommen hatte, seine Definition zu kodieren. Datenmodelle und dimensionale Schemata leisteten strukturell dasselbe. Sie verwandelten operative Tabellen in Begriffe wie Kunde, Produkt, Bestellung und Zeit. Fachanwender mussten nicht mehr verstehen, wie viele Tabellenverknüpfungen zur Beantwortung einer einfachen Frage nötig waren. Die Beziehungen waren bereits definiert.
Datenkataloge und Definitionen unter geregelter Governance lösten einen anderen Teil des Problems. Sie hielten Bedeutungen fest, die zuvor nur in den Köpfen von Menschen existiert hatten. Wofür steht dieses Feld? Wann sollte es verwendet werden? Welche Einschränkungen hat es? Kontext war nicht länger informelles Wissen eines kleinen Kreises, sondern Teil des Systems.
Gemeinsam nahmen diese Schichten die Komplexität auf und machten sie handhabbar. Sie schufen stabile Abstraktionen, mit denen mehr Menschen — und mehr Systeme — korrekt schlussfolgern konnten, ohne jedes Mal die Welt von Grund auf neu zu interpretieren. Genau das fehlt dem B2B-Handel heute.
Die Produktsuche durch Agenten erzwingt dieselbe Neubewertung
Handel durch KI-Agenten stellt B2B-Produktdaten auf dieselbe Probe. Herstellern und Distributoren mangelt es nicht an Produktinformationen. Sie speichern bereits enorme Mengen: von Spezifikationen und Konfigurationen über Preislogik bis zu vertraglichen Einschränkungen.
Das Problem ist, dass fast alle diese Daten für Menschen strukturiert wurden. Spezifikationen stehen in PDFs. Regeln werden in einem gedruckten Produktkatalog erklärt, der nie online ging. Ausnahmen werden in den administrativen Vertriebsabläufen vorausgesetzt, statt kodiert zu sein. Viel zu viel hängt vom Gedächtnis der Organisation ab, wenn Kontext nur in den Köpfen der Vertriebsteams existiert.
Ein KI-Agent überfliegt keine PDF und versteht dann ungefähr, was gemeint ist. Er weiß nicht, welcher Satz eine zwingende Einschränkung ausdrückt und welcher Vertriebssprache ist. Er kann Regeln nicht sicher aus Formatierung oder Tonfall ableiten. Ist die Bedeutung nicht ausdrücklich angegeben, behandelt der Agent sie als unbekannt.
Es geht nicht darum, dass unstrukturierte Daten schlecht wären
Eines muss klar sein: Unstrukturierte Daten sind nicht der Feind. Das waren sie nie.
In der Unternehmensanalyse verschwanden unstrukturierte Daten nicht mit dem Aufkommen semantischer Schichten. Sie wurden als Ebene über die Struktur gelegt. Die Struktur übernahm Regeln und Beziehungen. Unstrukturierte Inhalte übernahmen Nuancen, Erklärungen und Kontext.
Dasselbe Muster gilt hier.
Agenten brauchen Struktur, um Schlussfolgerungen zu ziehen. Sie brauchen ausdrückliche Regeln, Beziehungen, Einschränkungen und Zustände. Sie müssen wissen, was kompatibel ist, was konfiguriert werden kann, was erlaubt ist und unter welchen Bedingungen etwas gilt. Unstrukturierte Inhalte allein können das nicht zuverlässig vermitteln.
Doch auch Struktur allein genügt nicht. Agenten rufen nicht bloß Attribute ab. Sie vergleichen Optionen und wägen Zielkonflikte ab. Sie entscheiden sowohl, was etwas ist, als auch, wann es empfohlen werden sollte.
Erläuternde Inhalte sind die Schicht, die Absicht, Positionierung und Anwendungsfälle erklärt. Sie machen den Unterschied zwischen „dieses Produkt existiert“ und „in dieser Situation sollten Sie es wählen“. In der Welt der Unternehmensdaten zeigte sich das in Definitionen, Dokumentation und Geschäftskontext. Hier zeigt es sich als Erklärung auf Produktebene, aus der Agenten lernen können. Strukturierte Produktdaten sagen dem Agenten, was wahr ist; erläuternde Inhalte helfen ihm zu entscheiden, was wichtig ist.
Der Handel wurde für die Darstellung optimiert, nicht für Schlussfolgerungen
Das ist der unangenehme Teil. Die Handelsinfrastruktur hat nie wirklich den Sprung vollzogen, den Unternehmensdaten vollzogen haben. Wir bauten bessere Produktinformationsmanagementsysteme, also PIMs, reichhaltigere Kataloge und schönere Produktseiten. Aber wir bauten nie eine echte semantische Schicht für Produkte; wir optimierten die Darstellung.
Solange Menschen B2B-Käufe vermittelten, war das in Ordnung. Vertriebsmitarbeiter erklärten Sonderfälle. Käufer nahmen Mehrdeutigkeit hin, und alle wussten, wie sie die Schwächen des Systems umgehen konnten.
Agenten beseitigen diesen Puffer. Im B2B-Handel werden die Risse sofort sichtbar. Preise variieren je nach Kundenkonto. Verfügbarkeit verändert sich je nach Region. Kompatibilität hängt von der Konfiguration ab. Verträge haben Vorrang vor Standardbedingungen. Zugewiesene Rechte sind wichtig. Nichts davon lässt sich gefahrlos erraten.
Wenn ein Agent ein Produkt bewertet, beeindruckt ihn keine gut geschriebene Beschreibung. Er will wissen, was passt, was erlaubt ist, was kompatibel ist und was als Nächstes passiert. Sind diese Informationen nicht ausdrücklich angegeben, bittet er nicht um Klärung, sondern geht einfach weiter.
Was Handelsunternehmen jetzt tun müssen
Das ist der Wendepunkt. Handelsunternehmen können Produktdaten weiterhin als Inhalte behandeln, die Menschen interpretieren. Oder sie können sie als Infrastruktur behandeln, auf deren Grundlage Maschinen Schlussfolgerungen ziehen.
Das bedeutet: Spezifikationen müssen zu Attributen mit definierter Bedeutung werden. Kompatibilität muss als Beziehungen kodiert werden, statt in Absätzen erklärt zu werden. Die Preisgestaltung muss als Logik ausgedrückt werden. Zugewiesene Rechte müssen ausdrücklich festgehalten sein. Verfügbarkeit muss durch präzise Zustandsinformationen dargestellt werden.
Genau diesen Schritt mussten Unternehmen auch in der Analyse gehen. Als Rohdaten und Tabellen nicht genügten, musste Bedeutung definiert werden. Sobald dieser strukturierte Kern existiert, sind erläuternde Inhalte nicht mehr die einzige Wahrheitsquelle für KI. Sie werden zur Schicht, die Agenten lehrt, diese Wahrheit in realen Situationen anzuwenden.
Hersteller und Distributoren, die das tun, werden für Agenten verständlich. Ihre Produkte lassen sich leichter bewerten und empfehlen, und es fällt leichter, ihnen zu vertrauen. Die anderen werden weiterhin Daten haben, doch diese werden wie alte Unternehmens-Data-Warehouses funktionieren: technisch vorhanden, praktisch unbrauchbar.
Das Muster ist alt, die Folgen sind neu
Nichts davon ist spekulativ. Wir haben bereits gesehen, wie Unternehmensdaten genau diesen Zyklus durchlaufen. Der einzige Unterschied ist jetzt der Nutzer. An die Stelle von Geschäftsanalysten treten autonome Agenten. An die Stelle von Dashboards treten Empfehlungen. An die Stelle langsamer Entscheidungen tritt der sofortige Ausschluss.
Handel durch KI-Agenten legt ein jahrzehntealtes Problem mit Unternehmensdaten offen. Unternehmen, die das erkennen und Produktdaten so behandeln, wie Unternehmen operative Daten zu behandeln gelernt haben, werden sich schnell anpassen. Die anderen werden weiter PDFs hinzufügen, Beschreibungen umschreiben und sich fragen, warum Agenten sie scheinbar nie auswählen.
Die Geschichte wiederholt sich. Diesmal sind es die Maschinen, die aufmerksam hinschauen.












