Vom Keyword-Commerce zum Agentic Commerce
Der Kommentar von James Taylor beschreibt eine strukturelle Veränderung in der Art und Weise, wie Einzelhandelsentdeckung und Monetisierung aufgebaut werden: vom Keyword-gesteuerten, seitenorientierten E-Commerce zum Agentic Commerce, bei dem KI-Systeme im Namen der Benutzer agieren und direkt mit Produktdaten und kommerzieller Logik interagieren.
Die Kernthese lautet, dass Personalisierung und Entdeckung auf Amazon-Niveau keine Budgets im Amazon-Maßstab mehr erfordern. Stattdessen können Einzelhändler einen modularen Stack zusammenstellen, der sich auf transformerbasierte semantische Suche, eine Entscheidungsebene, die Relevanz und Monetisierung steuert, und Model Context Protocol (MCP) als Standardmethode zur Verbindung von KI-Modellen mit First-Party-Katalogen, Feeds und Tools konzentriert. In dieser Architektur werden Anzeigen in der KI-Suche zu funktionalen Einkaufserlebnissen, und die Governance-Ebene des Einzelhändlers – nicht ein Drittanbietermodell – entscheidet, was zu welchen Bedingungen und mit welchem wirtschaftlichen Ergebnis angezeigt wird.
Diese Vision erscheint vor einem breiteren Hintergrund: Große KI-Anbieter bewegen sich in Richtung werkzeugnutzender, „agentischer“ Modelle, die externe APIs aufrufen, Transaktionen durchführen und auf die Absicht des Benutzers optimieren können und nicht auf isolierten Abfragen. In Branchengesprächen werden Produktkataloge, Retail Media Netzwerke und MCP-ähnliche Schnittstellen zunehmend als die primäre Oberfläche behandelt, über die der E-Commerce diesen Agenten zugänglich gemacht wird. Die Debatte verlagert sich von „Wie bekomme ich Traffic von der KI-Suche“ zu „Wie kontrolliere ich, was KI-Agenten mit meinem Inventar und meinen Margen tun können“.
Warum der Wandel wichtig ist: Absicht vor Keywords
Die traditionelle E-Commerce-Suche wurde um eine exakte oder sehr ähnliche Keyword-Logik herum aufgebaut. Taylor weist darauf hin, dass diese Architektur systematisch die Absicht verfehlt: Eine Anfrage wie „Wie man Falten reduziert“ passt möglicherweise nicht zu Produkttiteln oder -attributen, obwohl sie sich eindeutig auf Anti-Aging-Hautpflege bezieht. Seiner Schätzung nach verfehlen exakte Keywords etwa drei Viertel der tatsächlichen Absicht.
Agentic Commerce geht von einer anderen Grundvoraussetzung aus: dem semantischen Verständnis der Benutzerziele. Transformerbasierte, Vektor-Suchmodelle ordnen Anfragen und Kataloge demselben Einbettungsraum zu, sodass sie erkennen können, dass „Anti-Aging-Creme“, „Alterungscreme“ und „Falten reduzieren“ auf sich überschneidende Lösungssets verweisen, selbst wenn die Formulierung unterschiedlich ist.
Gleichzeitig verlagern sich Empfehlungen von segmentbasierten Heuristiken auf Verhaltensabsichten. Anstatt davon auszugehen, dass alle Käufer in einer demografischen Kohorte ähnliche Dinge wollen, betrachtet das System Signale auf Session-Ebene: Suchbegriffe, angesehene Produkte, Reihenfolge der Interaktionen vor dem Hinzufügen zum Warenkorb und das nachgelagerte Verhalten vergleichbarer Benutzer. Collaborative Filtering und Echtzeit-Event-Streams ermöglichen es dem System, auf „Was diese Person gerade versucht“ zu reagieren, nicht auf „Wer diese Person im Allgemeinen ist“.
Diese Änderung ist für KI-Agenten von entscheidender Bedeutung. Agenten interpretieren freie Benutzeranweisungen („Finden Sie für mich eine tierversuchsfreie Anti-Falten-Routine unter 100 US-Dollar“, „Erstellen Sie meine Laufausrüstung für einen Marathon in einem kalten Klima neu“) und erwarten, dass die zugrunde liegende Commerce-Ebene diese in tatsächliche Artikel und Angebote auflöst. Die exakte Suche kann keine robuste Abdeckung für solche offenen, Long-Tail-Anforderungen liefern; die transformerbasierte semantische Suche kann dies, vorausgesetzt, die zugrunde liegenden Daten und die Governance sind vorhanden.
MCP als Bindegewebe zwischen KI und Commerce
Ein zentrales Element in Taylors Argumentation ist das Model Context Protocol (MCP), das als Open-Source-Standard für die Verbindung von KI-Modellen mit externen Tools und Datenquellen beschrieben wird. In der Praxis spielt MCP drei Rollen:
- Es definiert, wie Large Language Models (LLMs) externe Fähigkeiten („Apps“) wie Suche, Preisgestaltung, Inventar oder Warenkorb-APIs entdecken, authentifizieren und aufrufen.
- Es strukturiert, wie Produktdaten, Attribute und kommerzielle Regeln KI-Systemen auf kontrollierte, maschinenlesbare Weise zugänglich gemacht werden.
- Es standardisiert einen „Handshake“ – eine sichere, prüfbare Verhandlung darüber, worauf das Modell im Namen eines Benutzers zugreifen und was es tun darf.
Durch den Aufbau von MCP-konformen Integrationen können Einzelhändler KI-Suchoberflächen ermöglichen, was im Wesentlichen interaktive Shopfronts und keine statischen Anzeigen öffnet. Eine „Anzeige“ in einer KI-Umgebung wird zu einem eingebetteten Einkaufsablauf: Die MCP-App des Einzelhändlers aufrufen, eine transformerbasierte Suche mit Governance-Regeln durchführen, Optionen anzeigen und potenziell Transaktionen durchführen, ohne die KI-Oberfläche zu verlassen.
Entscheidend ist, dass Taylor betont, dass Einzelhändler diese Ebene selbst besitzen sollten. Wenn ein Einzelhändler einfach einen Produkt-Feed in ein LLM eines Drittanbieters ohne eine dazwischen liegende Decision Engine einfügt, wird das Modell – und die Plattform, die es betreibt – faktisch zum Auktionator. In diesem Szenario ist der Katalog des Einzelhändlers nur ein weiteres Stück Inventar, das um Aufmerksamkeit auf dem Marktplatz eines anderen bietet. Das Eigentum an der MCP-Ebene bedeutet, dass jede KI-initiierte Entdeckung oder Transaktion immer noch über die eigene Relevanz-, Merchandising- und Margenlogik des Einzelhändlers läuft.
Die Entscheidungsebene: Governance für KI-basierte Entdeckung
Transformer und Vektorsuche verbessern die Relevanz, aber sie bringen die Ergebnisse nicht von selbst mit der kommerziellen Strategie in Einklang. Taylor positioniert die Decisioning-Ebene als das fehlende Glied: eine Governance-Oberfläche, die mehrere Logikströme kombiniert:
- Semantisches Ranking und Abruf, basierend auf Transformer-Embeddings.
- Merchandising-Regeln (Boosting, Anheften, Ausschluss, saisonale Logik).
- Margin- und Yield-Betrachtungen (Priorisierung von Artikeln mit höherer Marge, wenn die Relevanz vergleichbar ist).
- Gesponserte Platzierungen und Retail-Media-Kampagnen.
- Personalisierungssignale, die aus dem Benutzerverhalten und -kontext abgeleitet werden.
In der Praxis bedeutet dies, dass jede KI-gesteuerte Anfrage eine ranglistengerechte Produktliste generiert, die sowohl von der Benutzerabsicht als auch von den Geschäftsregeln geprägt ist. Die daraus resultierende „Relevanzkurve“ muss robust genug sein, um der KI-Prüfung standzuhalten, da Agenten die Ergebnisse über viele Sitzungen und Benutzer hinweg testen und vergleichen und auf ihre eigenen Ziele wie Preis, Qualität oder Lieferzeit optimieren.
Die gleiche Ebene untermauert Retail Media. Keyword-Bidding in seiner manuellen Form wird unhaltbar, wenn Abfragen frei, mit mehreren Einschränkungen und Long-Tail sind. Taylor zitiert einen Test, bei dem ein australisches Einzelhandelsmediennetzwerk für Tierbedarf das manuelle Keyword-Bidding durch transformergesteuertes Such-Bidding ersetzte; der Anteil der „performanten“ Suchanfragen mit Monetarisierungsabdeckung stieg Berichten zufolge um das Vierfache. Dies deutet darauf hin, dass die semantische Suche monetisierbare Absichten viel breiter erfassen kann als menschlich gepflegte Keyword-Listen.
Auswirkungen auf Produkt-Feeds und Katalogstandards
Der Agentic Commerce Stack geht davon aus, dass Produktdaten sowohl maschinenlesbar als auch semantisch reichhaltig sind. MCP kann nur das abbilden, was sich in den Systemen des Einzelhändlers befindet, und die Transformer-Suche kann nur das interpretieren, was im Katalog codiert ist. Dies hat mehrere konkrete Auswirkungen auf die Content-Infrastruktur:
Die Attributqualität wird grundlegend. Deskriptive, normalisierte Attribute – Inhaltsstoffe, Materialien, Größen, Passform, Funktion, Anwendungsfälle, Zertifizierungen, Kompatibilität usw. – ermöglichen es Modellen, Produkte in Einbettungsräume abzubilden, die reale Eigenschaften widerspiegeln. Sparsame, inkonsistente Attribute schränken die Fähigkeit des Modells ein, komplexe Abfragen abzugleichen oder Einschränkungen zu berücksichtigen (z. B. „duftstofffreie, parabenfreie Feuchtigkeitscreme“).
Taxonomie- und Ontologie-Design sind wichtiger denn je. Kategoriebäume, Produkttypen und Beziehungsstrukturen (Varianten, Bundles, Zubehör, Ersatzprodukte) müssen kohärent und stabil sein. Während Transformer Inkonsistenzen bei der Namensgebung ausgleichen können, können sie keine Hierarchie erfinden, die nicht vorhanden ist.
Unstrukturierte Inhalte benötigen Struktur. Beschreibungen, FAQs und Rezensionen enthalten reichhaltige Signale, sind aber oft verrauscht. Einzelhändler verwenden zunehmend KI, um Attribute zu extrahieren und Terminologie aus diesen Inhalten in strukturierte Felder zu normalisieren, die dann die semantische Suche und MCP-Apps speisen.
Medien-Assets werden Teil der semantischen Ebene. Bilder und Videos werden jetzt routinemäßig von multimodal Modellen eingebettet; eindeutiger Alt-Text, Bildunterschriften und Tagging erhöhen ihren Nutzen für die Suche und Empfehlungen sowie für Agenten, die visuelle Aspekte von Produkten überprüfen möchten. In der Praxis geht es bei der Investition in Katalogstandards weniger um SEO im engen, Seiten-Ranking-Sinn und mehr darum, den Katalog einem wachsenden Ökosystem von KI-Agenten verständlich zu machen. Die gleichen strukturierten Feeds, die Anzeigen und Marktplätze antreiben, müssen nun in der Lage sein, konversationelle, aufgabenorientierte Interaktionen zu unterstützen.
Produkt-Cards: Vollständigkeit als Voraussetzung für die Prognose
Taylor formuliert Personalisierung als „nur eine gute Vorhersage“. Damit die Vorhersage im großen Maßstab funktioniert, müssen Produkt-Cards vollständig, konsistent und auf dem neuesten Stand sein. Der Druck hier ist zweiseitig:
Auf der Entdeckungsseite verringern fehlende Attribute, veraltete Bilder oder mehrdeutige Titel die Wahrscheinlichkeit, dass die semantische Suche das Produkt für relevante Abfragen abruft. Wenn das System nicht zwischen ähnlichen Artikeln unterscheiden kann, greift es möglicherweise auf sicherere, besser beschriebene Alternativen zurück.
Auf der Monetarisierungsseite schwächt unvollständige kommerzielle Metadaten – Marge, Werbestatus, Kooperationsförderungsfähigkeit, Lagerbestandschwellen – die Entscheidungsebene. Die Engine kann keine optimalen Kandidaten für gesponserte oder margenstarke Platzierungen zuverlässig identifizieren.
Agentic Commerce fügt eine zusätzliche Einschränkung hinzu: KI-Agenten werden die Ergebnisse zunehmend über Quellen hinweg vergleichen. Wenn ein Einzelhändler systematisch klarere, umfassendere Produktdarstellungen anbietet – Inhaltsstofflisten, Größenangaben, Kompatibilitätsdaten, Umwelt- oder ethische Indikatoren – verfügen Agenten über mehr Hinweise, um die Empfehlung seines Inventars zu rechtfertigen. Dünne oder vorlagenbasierte Inhalte, einst ein tolerierbarer Kompromiss, werden zu einer Wettbewerbshaftung.
Diese Dynamik verstärkt die Investitionen in Content-Operationen: automatisierte Attributanreicherung aus Lieferantendaten, groß angelegte Bildstandardisierung, KI-gestütztes Texten mit menschlicher Überprüfung und kontinuierliche Qualitätsüberwachung. Das Ziel ist nicht nur, „eine Produktseite zu haben“, sondern eine maschinell optimierte Darstellung zu erstellen, die eine zuverlässige Inferenz unterstützt.
Markteinführungsgeschwindigkeit: Automatisierung über den Produktkataloglebenszyklus
Der Artikel hebt indirekt einen weiteren Effekt von Agentic Commerce hervor: Die Geschwindigkeit der Sortimentserweiterung wird durch den langsamsten manuellen Schritt in der Katalog-Pipeline eingeschränkt. Um die Transformer-Suche und MCP-Integrationen voll auszunutzen, müssen neue Produkte mit hochwertigen Daten vom ersten Tag an an Bord genommen werden.
Einzelhändler überarbeiten daher Katalog-Workflows rund um die Automatisierung:
Lieferanten-Feeds werden automatisch normalisiert und validiert, wobei KI-Modelle unterschiedliche Attributschemata in ein einheitliches Schema abbilden.
Lücken in obligatorischen Attributen werden in Echtzeit für Lieferanten oder interne Teams gekennzeichnet, oft mit vorgeschlagenen Werten, die aus Verpackungsbildern, Spezifikationsblättern oder ähnlichen Artikeln generiert werden.
Erste Titel, Aufzählungspunkte und Beschreibungen werden von Modellen entworfen und von Redakteuren überprüft, wodurch die Veröffentlichungszeit verkürzt und die redaktionelle Aufsicht beibehalten wird.
Die Kategorienzuordnung und die Variantengruppierung werden mithilfe von Clustering- und Ähnlichkeitsmodellen teilautomatisiert, wodurch Fehlklassifizierungen und verwaiste Produkte reduziert werden.
Wenn solche Pipelines vorhanden sind, können MCP-exponierte Apps sofort neue SKUs in die KI-basierte Entdeckung und Werbung integrieren. Ohne sie gibt es eine Verzögerung, in der der eigene Katalog des Einzelhändlers für viele hochintensive Abfragen für Agenten unsichtbar ist – ein direkter Verlust von Umsatz und Trainingssignal. Um zu verstehen, wie man die Produktinformationen richtig vorbereitet und hochlädt, können Sie unseren Artikel „So laden Sie Produkt-Cards hoch“ (/blog/how-to-upload-product-cards/) lesen.
No-Code, KI und die Demokratisierung der Retail-Media-Architektur
Taylor betont, dass die Personalisierung im „Amazon-Stil“ für Einzelhändler ohne Budgets im Amazon-Niveau verfügbar ist, vorausgesetzt, sie übernehmen modulare Retail-Media-Plattformen und Standards wie MCP. Dies spiegelt einen breiteren Trend wider: Viele Komponenten des Agentic Commerce Stacks sind jetzt als Services oder No-Code-Module und nicht als maßgeschneiderte Eigenentwicklungen zugänglich.
In der Praxis bedeutet dies:
Vektorsuch- und Empfehlungs-Engines können über APIs integriert und durch Konfiguration anstelle von kundenspezifischer Recherche optimiert werden.
MCP-Adapter und -Konnektoren können einmal implementiert und in mehreren KI-Partnern wiederverwendet werden, wodurch der Integrationsaufwand reduziert wird.
Business-Teams können Merchandising-Regeln, Margenprioritäten und Kampagnenlogik über grafische Oberflächen definieren, wobei Änderungen ohne Code-Deployments an die Entscheidungsebene weitergegeben werden.
Vorhersagebasiertes Bidding und Budgetzuweisung für Retail Media können mithilfe von Modellen automatisiert werden, die auf ROAS oder andere KPIs optimieren, wodurch sich Spezialisten auf Strategie und Kreativität konzentrieren können.
Die Einschränkung verlagert sich von der Engineering-Kapazität auf die Datendisziplin und die Governance. Einzelhändler, die saubere Feeds, kohärente Taxonomien und klare Geschäftsregeln verwalten können, können sich mit relativ geringem technischem Aufwand in Agentic-Ökosysteme einklinken. Diejenigen, die dies nicht können, werden feststellen, dass kein noch so großes No-Code-Tooling schlechte zugrunde liegende Daten kompensieren kann.
Strategische Implikationen für E-Commerce und Content-Infrastruktur
Zusammenfassend skizzieren die in Taylors Artikel beschriebenen Entwicklungen eine neue Referenzarchitektur für den E-Commerce im KI-Zeitalter:
- Die Entdeckung wird durch Transformer und Agenten vermittelt und nicht durch statische SERPs und exakte Suchfelder.
- Das primäre Asset des Einzelhändlers ist nicht nur das Inventar, sondern die Entscheidungsebene, die steuert, wie dieses Inventar KI-Systemen zugänglich gemacht wird.
- Produktdaten und -inhalte werden als Eingaben für die Maschinenprädiktion neu definiert, nicht nur als für Menschen lesbare Marketingmaterialien.
- Retail Media wird untrennbar mit der Suche und Empfehlung verbunden; Monetarisierungslogik ist direkt in die Relevanzalgorithmen eingebettet.
- Standards wie MCP stellen sicher, dass Einzelhändler sich beim Anstieg von KI-Schnittstellen einmal verbinden und viele Male verteilen können, ohne die Kontrolle abzugeben.
Für Content- und Katalog-Teams wird hier die Messlatte höher gelegt. Ihre Arbeit untermauert jetzt nicht nur das Markenerlebnis und die Konversion, sondern auch die Fähigkeit des Einzelhändlers, von einer wachsenden Klasse autonomer Agenten „verstanden“ – und ausgewählt – zu werden. In diesem Umfeld ist die Investition in strukturierte Daten, semantische Suche und eine robuste Entscheidungsebene weniger eine Optimierung und mehr eine Betriebsanforderung, um überhaupt am Agentic Commerce teilnehmen zu können.
Die in dem Artikel hervorgehobene Verlagerung hin zum Agentic Commerce unterstreicht die entscheidende Bedeutung hochwertiger, strukturierter Produktdaten. Wir bei NotPIM erkennen dies als die Grundlage für den Erfolg in der sich entwickelnden E-Commerce-Landschaft. Unsere Plattform ermöglicht es Einzelhändlern, sich diesen Herausforderungen direkt zu stellen, indem sie die Datentransformation, -anreicherung und -katalogverwaltung rationalisiert – und es ihnen ermöglicht, KI-Agenten die detaillierten, konsistenten Produktinformationen bereitzustellen, die sie benötigen, um Entdeckung und Umsatz effektiv voranzutreiben.