Im Onlinehandel zeichnen sich derzeit zwei Entwicklungen ab, die zusammengehören. Auf der Betreiberseite übernehmen KI-Agenten – also Softwarebausteine, die Aufgaben eigenständig planen und ausführen – operative Routinen im Shop. Auf der Kundenseite treten dieselben Mechanismen als Einkaufsberater auf, die Produkte vergleichen und perspektivisch auch den Kauf selbst abwickeln.

Das deutsche Startup Shop Agentic steht für die erste Richtung. Nach eigener Darstellung soll ein Großteil der täglichen Arbeit im Onlinehandel von rund 60 KI-Agenten erledigt werden. Gegründet wurde das Unternehmen von vier Personen mit langjähriger Erfahrung im Umfeld des E-Commerce. Welche Aufgaben die einzelnen Agenten im Detail abdecken und wie weit die Automatisierung im Alltag tatsächlich trägt, lässt sich aus der bisherigen Berichterstattung nicht abschließend beurteilen.

Die zweite Richtung betrifft den Einkaufsprozess selbst. Agentic AI kann im Onlinehandel künftig eine Reihe von Aufgaben übernehmen, die bislang Menschen vor dem Bildschirm erledigt haben: vom Produktvergleich bis zur Kaufabwicklung. Die technologischen Voraussetzungen dafür sind in weiten Teilen vorhanden – zum vollständig autonomen Onlineshopping fehlen aber noch Bausteine. Genau diese Lücke ist für Shopbetreiber die relevante Größe, denn sie bestimmt, wie viel Zeit für Vorbereitung bleibt.

Warum beide Entwicklungen dieselbe Technikbasis brauchen

Ob ein Agent auf Betreiberseite Bestände pflegt oder ein Agent auf Kundenseite Angebote vergleicht: Beide greifen nicht auf das zu, was Menschen sehen, sondern auf das, was ein System maschinenlesbar bereitstellt. Eine optisch gelungene Produktseite nützt einem Agenten wenig, wenn Varianten, Verfügbarkeiten, Lieferzeiten oder Rückgabebedingungen nur als Fließtext oder Grafik vorliegen.

Damit verschiebt sich der Schwerpunkt vieler Shopprojekte. Jahrelang lag der Fokus auf Conversion-Optimierung an der Oberfläche – Layout, Checkout-Strecke, Kaufargumente. Agentenfähigkeit entsteht dagegen eine Ebene darunter: in der Datenqualität, in sauberen Schnittstellen und in nachvollziehbaren Regeln für Preise, Rabatte und Versandkosten.

Woran es im Alltag meist scheitert

Erfahrungsgemäß sind es weniger die KI-Modelle als die gewachsenen Systemlandschaften, die solche Vorhaben ausbremsen. Typische Problemstellen sind:

  • Verstreute Produktdaten: Attribute liegen parallel im Shop, im ERP und in Tabellen, ohne dass eine Quelle als führend definiert ist.
  • Unvollständige Attribute: Maße, Materialien oder Kompatibilitäten fehlen genau dort, wo ein Vergleichsagent sie auswerten würde.
  • Schnittstellen ohne Verträge: APIs existieren, sind aber nicht dokumentiert, nicht versioniert und ändern sich ohne Ankündigung.
  • Unklare Rechteverteilung: Es ist nicht geregelt, welche Automatisierung welche Aktion auslösen darf – etwa Preise ändern oder Bestellungen stornieren.
  • Fehlende Protokollierung: Ohne saubere Logs lässt sich im Nachhinein nicht klären, welcher Prozess eine Änderung ausgelöst hat.

Diese Punkte sind keine KI-Themen. Sie sind klassische Architektur- und Datenfragen, die durch Agenten lediglich schmerzhafter sichtbar werden.

Agenten im Shopbetrieb: realistische Erwartungen

Dass ein Startup den Shop-Alltag weitgehend an Agenten übergibt, ist ein Signal, aber kein Betriebsmodell für jedes Unternehmen. Sinnvoll ist ein gestufter Zugang: zuerst eng umrissene, wiederkehrende Aufgaben mit klarer Erfolgskontrolle, etwa die Anreicherung von Produkttexten, die Vorsortierung von Serviceanfragen oder die Prüfung von Datenbeständen auf Lücken.

Entscheidend ist dabei die Frage, wo ein Mensch zustimmen muss. Vorschlagende Agenten, deren Ergebnisse vor der Veröffentlichung freigegeben werden, lassen sich deutlich leichter verantworten als Agenten mit direktem Schreibzugriff auf Preise oder Bestände. Dieser Freigabeschritt kann später reduziert werden, wenn Qualität und Fehlerbilder bekannt sind.

Wenn der Kunde ein Agent ist

Sollte sich agentisches Einkaufen durchsetzen, verändert das die Logik der Sichtbarkeit. Ein Agent bewertet Angebote anhand strukturierter Kriterien und nicht anhand von Gestaltung oder Markenerlebnis im klassischen Sinn. Für Shopbetreiber ergeben sich daraus Fragen, die heute beantwortet werden sollten:

  1. Welche Daten stellt der Shop maschinenlesbar bereit – und sind sie korrekt und aktuell?
  2. Wie werden automatisierte Zugriffe erkannt und unterschieden: erwünschte Einkaufsagenten gegenüber Scraping oder Missbrauch?
  3. Wie lassen sich Bestellungen absichern, die nicht von einem Menschen im Checkout ausgelöst werden – von Authentifizierung über Zahlungsfreigabe bis zur Widerrufsabwicklung?
  4. Welche Informationen braucht ein Agent, um Zusatzleistungen, Garantien oder Servicequalität überhaupt bewerten zu können?

Gerade der Punkt der Absicherung dürfte zu den Bausteinen gehören, die zum vollständig autonomen Shopping noch fehlen. Technisch möglich ist vieles; rechtlich, vertraglich und organisatorisch sind viele Abläufe weiterhin auf eine handelnde Person ausgelegt.

Ein pragmatischer Fahrplan

Für mittelständische Händler empfiehlt sich weniger ein Großprojekt als eine Reihenfolge. Zuerst der Datenbestand: eine führende Quelle je Attribut, messbare Vollständigkeit, regelmäßige Prüfung. Danach die Schnittstellen: dokumentiert, versioniert, mit klaren Zugriffsrechten und Protokollierung. Erst dann die Agenten – zunächst intern, in abgegrenzten Aufgabenfeldern, mit definierten Abbruchkriterien.

Dieser Weg hat einen angenehmen Nebeneffekt: Saubere Produktdaten und belastbare Schnittstellen zahlen sich auch dann aus, wenn sich agentisches Shopping langsamer entwickelt als derzeit erwartet. Sie verbessern Suche, Filter, Feeds und Marktplatzanbindungen unabhängig von jeder KI-Strategie.

Einordnung für Web- und Softwareprojekte

Für Web- und Softwareprojekte verschiebt sich der Investitionsschwerpunkt von der Oberfläche zur Struktur: Datenmodell, Schnittstellen, Rechte und Nachvollziehbarkeit entscheiden darüber, ob Automatisierung später überhaupt möglich ist. Wer jetzt in führende Datenquellen und dokumentierte APIs investiert, hält sich beide Optionen offen – den internen Einsatz von Agenten und die Anbindung externer Einkaufsagenten. Projekte sollten deshalb so geschnitten werden, dass jeder Schritt auch ohne KI einen messbaren Nutzen bringt.

Quellen