AI verändert grundlegend die Funktionsweise von Retail Media und verschiebt die Branche von suchwortgestützter Suche und traditionellen gesponserten Platzierungen hin zu absichtsbasierter Entdeckung, die durch autonome Shopping-Agents und Konversationsschnittstellen ermöglicht wird. Diese Transformation stellt mehr als nur ein inkrementelles Upgrade bestehender Werbemodelle dar – sie signalisiert eine umfassende Neugestaltung, wie Einzelhändler die Entdeckung monetarisieren, wie Marken Verbraucher erreichen und wie Produktinformationen strukturiert sein müssen, um in einem KI-vermittelten Marktplatz sichtbar und wettbewerbsfähig zu bleiben.[1][2]
Der Wandel ist bereits im Gange. Da Verbraucher zunehmend Shopping-Entscheidungen an KI-Agents und Konversations-Commerce-Plattformen delegieren, werden die Mechanismen von Retail Media grundlegend gestört. Wo gesponserte Produkteinträge einst die E-Commerce-Werbung dominierten, bereiten sich Einzelhändler nun auf eine Zukunft vor, in der die Sichtbarkeit innerhalb von KI-Empfehlungsflüssen zum Hauptschlachtfeld für die Markenaufmerksamkeit wird. Dies bedeutet, dass die Auktionsdynamik von Retail Media – die Bidsysteme, Platzierungshierarchien und Preismodelle, die den Bereich im letzten Jahrzehnt definiert haben – für eine Ära neu kalibriert werden, in der Kontext, Absicht und konversationelle Relevanz mehr zählen als Suchwortanpassung oder historische Click-Through-Rates.[1]
Der Zusammenbruch der suchwortzentrierten Entdeckung
Traditionelles Retail Media hat sich auf eine relativ einfache Aussage verlassen: Marken bieten auf Suchwörter, konkurrieren um Platzierungen über oder neben Suchergebnissen und zahlen, wenn ihre Anzeigen auf Klicks oder Conversions führen. Dieses Modell hat für Einzelhändler einen enormen Wert generiert – die Ausgaben für Retail Media in den USA werden bis 2025 voraussichtlich 60 Milliarden US-Dollar erreichen und bis 2028 100 Milliarden US-Dollar übersteigen, was fünfmal schneller wächst als die gesamten Ausgaben für digitale Werbung.[2] Doch die zugrunde liegende Annahme – dass Verbraucher aktiv nach Produkten mit bestimmten Begriffen suchen – wird durch den Aufstieg des agentenorientierten Commerce in Frage gestellt.
Wenn ein Verbraucher eine Kaufentscheidung an einen KI-Agenten delegiert, gibt er keine Suchwörter mehr ein. Stattdessen drückt er seine Absicht durch natürliche Sprachabfragen, Verhaltenshistorie und kontextbezogene Signale aus. Ein autonomer Shopping-Agent könnte eine Anweisung wie "Finde mir einen professionellen Laptop, der sich für die Videobearbeitung eignet" erhalten, Daten über das Budget, die technischen Anforderungen und die bisherigen Einkäufe des Verbrauchers verarbeiten und dann autonom Einzelhandelskataloge durchsuchen, um geeignete Optionen zu identifizieren. In diesem Szenario werden traditionelle Gebote für Suchwörter irrelevant. Entscheidend ist stattdessen, ob die zugrunde liegenden Daten eines Produkts – seine Spezifikationen, Attribute, Leistungsmerkmale – so reichhaltig strukturiert sind, dass die KI seine Relevanz für die Absicht des Käufers versteht.
Dies stellt eine tiefgreifende Veränderung dar, wie Produktinformationen organisiert und gepflegt werden müssen. Einzelhändler und Marken können sich nicht mehr auf dünne Produkteinträge mit minimalen Attributen verlassen. Die KI-Agents, die im Auftrag der Verbraucher Kaufempfehlungen aussprechen, benötigen umfassende, genaue und kontextuell reichhaltige Produktdaten, um effektiv zu funktionieren. Das bedeutet, dass Produktfeeds, Katalogstrukturen und Inhaltsstandards nicht nur für E-Commerce-Operationen, sondern auch für die Lebensfähigkeit von Retail Media selbst zu kritischer Infrastruktur werden.
Retail Media im agentenorientierten Zeitalter
Das Monetarisierungsmodell für Retail Media in einem agentenorientierten Marktplatz wird wahrscheinlich Mustern folgen, die bereits in anderen KI-vermittelten Umgebungen etabliert sind. So wie Marken um Sichtbarkeit in Google Shopping-Feeds oder Suchergebnisrankings bieten, werden Einzelhändler Marken schließlich in die Lage versetzen, um Prominenz innerhalb von KI-Agent-Empfehlungsflüssen zu bieten. Die Natur dieser Platzierungen wird sich jedoch erheblich von den aktuellen Modellen für gesponserte Produkte unterscheiden.
In der heutigen Retail-Media-Landschaft korreliert die Sichtbarkeit einer Marke oft mit dem Gebotspreis und historischen Leistungskennzahlen wie Click-Through-Rates und Conversion-Rates. In einer agentenorientierten Ära wird die Sichtbarkeit zunehmend von Relevanzsignalen abhängen, die KI-Systeme interpretieren können: Produkt-Markt-Fit für bestimmte Kundensegmente, Genauigkeit der Produktattribute, Kundenzufriedenheitskennzahlen, Lagerverfügbarkeit und Übereinstimmung mit den geäußerten oder abgeleiteten Bedürfnissen des Kunden.
Dieser Wandel hat tiefgreifende Auswirkungen darauf, wie Einzelhändler ihre Mediennetzwerke strukturieren und wie Marken Produktmarketing angehen. Eine Marke kann nicht mehr einfach die Konkurrenz überbieten und Sichtbarkeit garantieren. Stattdessen müssen sie sicherstellen, dass ihre Produktdaten umfassend, genau und für die KI-Interpretation optimiert sind. Dies führt zu neuen Wettbewerbsdimensionen in Retail Media – nicht nur zu einem Wettlauf, um am höchsten zu bieten, sondern zu einem Wettlauf, um die vertrauenswürdigsten, reichhaltigsten Produktinformationen bereitzustellen.
Das Gebot für Produktinhalte
Die Grundlage für effektives Retail Media in einem KI-gesteuerten Marktplatz ist die Qualität und Vollständigkeit der Produktdaten. Autonome Shopping-Agents, die im Auftrag der Verbraucher Empfehlungen aussprechen, müssen zwischen Produkten auf der Grundlage von Hunderten von Attributen, Spezifikationen und kontextbezogenen Signalen unterscheiden. Die Prozessor-Generation, die RAM-Konfiguration, die Bildschirmauflösung, das Gewicht, die Akkulaufzeit, die Garantiebedingungen und die Kompatibilität mit bestimmter Software eines Laptops sind alle wichtig, wenn ein Agent Produkte auf die Kundenabsicht abstimmt. Ebenso wichtig sind Informationen über Nachhaltigkeit, Herstellung, Transparenz der Lieferkette und Markenreputation.
Dies schafft einen beispiellosen Bedarf an reichhaltigen Produktkatalogen. Einzelhändler und Marken, die in der Vergangenheit Investitionen in Produktinhalte minimiert haben – stattdessen auf Kundenbewertungen, nutzergenerierte Inhalte oder minimale Herstellerspezifikationen vertraut haben – stehen nun unter Druck, die Breite und Tiefe ihrer Produktinformationsinfrastruktur drastisch auszubauen.
Die Auswirkungen erstrecken sich auf die Katalogverwaltung und die Pflege der Produktfeeds. Während Einzelhändler früher gelegentliche Dateninkonsistenzen, fehlende Attribute oder verspätete Aktualisierungen von Produktinformationen tolerierten, erfordert ein KI-vermittelter Marktplatz nahezu perfekte Genauigkeit und Vollständigkeit. Ein autonomer Shopping-Agent, der ein Produkt mit ungenauen Spezifikationen oder fehlenden wichtigen Informationen empfiehlt, schädigt nicht nur diese spezifische Transaktion, sondern untergräbt auch das Vertrauen der Verbraucher in den Agenten selbst, was breitere Folgen für das Media-Geschäft des Einzelhändlers hat.
Ebenso wichtig wird die Geschwindigkeit, mit der Einzelhändler neue Produkte auf den Markt bringen können. In den aktuellen Retail-Media-Modellen kann ein neues Produkt mit minimalen Informationen eingeführt werden und durch bezahlte Werbeaktionen an Sichtbarkeit gewinnen. In einem agentenorientierten Marktplatz kann ein neuer Product Feed mit unvollständigen oder schlecht strukturierten Daten für KI-Empfehlungssysteme unsichtbar sein, bis seine Kataloginformationen vollständig ausgereift sind. Dies erzeugt Druck, schnellere, effizientere Produkt-Onboarding-Prozesse zu entwickeln, die die Inhaltsqualität in den Vordergrund stellen, anstatt sie als eine Überlegung nach dem Start zu behandeln.
No-Code- und KI-Tools in der Content-Infrastruktur
Die Komplexität der Verwaltung reichhaltiger Produktkataloge in großem Maßstab hat die Einführung von No-Code- und KI-gestützten Tools im Produkt Content Management vorangetrieben. Einzelhändler und Marken verlassen sich zunehmend auf Automatisierung, um Produktbeschreibungen zu erstellen, Attribute zu extrahieren und zu standardisieren, Inhalte in mehrere Sprachen zu übersetzen und die Datenqualität über verschiedene Produktkategorien und globale Märkte hinweg zu erhalten.
KI wird auf verschiedene Weise zu einem wesentlichen Bestandteil dieser Infrastruktur. Generative KI-Tools können die Erstellung von Produktbeschreibungen, technischen Spezifikationen und Marketingtexten beschleunigen, die auf verschiedene Kanäle und Zielgruppen zugeschnitten sind. Modelle des maschinellen Lernens können fehlende oder inkonsistente Daten über Produktfeeds hinweg identifizieren, potenzielle Fehler kennzeichnen und Korrekturen vorschlagen. Die Verarbeitung natürlicher Sprache kann strukturierte Attribute aus unstrukturierten Inhalten extrahieren und Produktinformationen in standardisierte Formate umwandeln, die mit verschiedenen Einzelhandels- und Werbeplattformen kompatibel sind.
Die No-Code-Bewegung hat den Zugang zu diesen Tools demokratisiert und es kleineren Einzelhändlern und Marken ermöglicht, komplexe Produktkataloge zu verwalten, ohne kundenspezifische Software-Engineering-Infrastruktur aufzubauen. Dies ist wichtig, da die Eintrittsbarriere in einen agentenorientierten Retail-Media-Marktplatz nicht die Fähigkeit sein sollte, in kundenspezifische Technologie zu investieren. Tools, die die technische Komplexität abstrahieren – sodass Merchandising- und Marketingteams Produktdaten über visuelle Oberflächen anstelle von Code verwalten können – machen es für verschiedene Einzelhändler und Marken machbar, die Datenqualitätsstandards zu erfüllen, die KI-Agents benötigen.
Standardisierung und Dateninteroperabilität
Der Wandel hin zum agentenorientierten Commerce erzeugt einen erneuerten Druck auf die Standardisierung von Produktdaten. Wenn KI-Agents über mehrere Einzelhändler und Plattformen hinweg agieren, benötigen sie konsistente, vorhersehbare Möglichkeiten, Produktinformationen zu interpretieren. Die Bildschirmauflösung eines Laptops muss dasselbe bedeuten, egal ob die Daten von einem proprietären Katalogsystem des Einzelhändlers, einer Product-Information-Management-Plattform (PIM) einer Marke oder einem Datenaggregator eines Drittanbieters stammen.
Dies lenkt die Aufmerksamkeit erneut auf Datenstandards und Schema-Frameworks, die es im E-Commerce schon lange gibt, aber oft inkonsistent implementiert wurden. Standards wie Global Trade Item Number (GTIN), ICECAT und strukturierte Datenmarkierungen (Schema.org) werden weniger optional und wichtiger. Einzelhändler und Marken, die ihre Produktdaten zuverlässig nach weithin anerkannten Standards strukturieren können, verschaffen sich Vorteile bei der Sichtbarkeit innerhalb von KI-Systemen, da diese Daten für KI-Agents leichter zu interpretieren und zu vertrauen sind.
Die Implikation ist, dass die Teilnahme an agentenorientiertem Retail Media wahrscheinlich die Einhaltung strengerer Datenstandards erfordern wird, als viele Einzelhändler und Marken derzeit pflegen. Dies stellt eine Form der Standardisierungsdruck dar, die sich von den regulatorischen Anforderungen unterscheidet – sie ergibt sich aus der technischen Notwendigkeit und nicht aus den gesetzlichen Bestimmungen, wird sich aber wahrscheinlich als ebenso folgenschwer erweisen.
Die kurzfristige operative Herausforderung
Für Einzelhändler, die diesen Übergang verwalten, besteht die unmittelbare Herausforderung darin, zwei Retail-Media-Modelle gleichzeitig zu verwalten. Das suchwortgesteuerte, suchbasierte Modell für gesponserte Platzierungen bleibt dominant und sehr rentabel. Retail-Media-Netzwerke, die auf gesponserten Produkten, gesponserten Marken und Display-Werbung basieren, generieren erhebliche zusätzliche Umsätze für große Einzelhändler. Gleichzeitig müssen Einzelhändler in die Produktdateninfrastruktur, die Katalogstandardisierung und die agentenorientierten Schnittstellen investieren, die die nächste Generation von Retail Media antreiben werden.
Dieses duale Betriebsmodell schafft Herausforderungen bei der Ressourcenallokation. Sollte ein Einzelhändler die Optimierung seines bestehenden Retail-Media-Geschäfts priorisieren, das derzeit Milliarden an Umsatz generiert, oder stark in die Infrastruktur für eine agentenorientierte Zukunft investieren, die teilweise unsicher ist? Die Antwort lautet zunehmend: beides. Einzelhändler können es sich nicht leisten, die aktuelle Retail-Media-Performance zu vernachlässigen, aber sie können auch die Investition in die Produktdaten- und Kataloginfrastruktur, die der agentenorientierte Commerce erfordern wird, nicht verzögern.
Der Zeitplan für diesen Übergang ist von Bedeutung. Wenn der agentenorientierte Commerce innerhalb von drei bis fünf Jahren einen wesentlichen Teil der E-Commerce-Transaktionen ausmacht – ein plausibles Szenario angesichts der aktuellen Trends bei der Verbraucherakzeptanz von KI-gestütztem Shopping – dann werden sich Einzelhändler, die Investitionen in die Katalogqualität und Datenstandardisierung verzögern, einem großen Wettbewerbsnachteil gegenübersehen. Marken, die jetzt beginnen, in reichhaltigere Produktdaten, standardisierte Attribute und KI-kompatible Content-Infrastruktur zu investieren, werden erhebliche Vorteile haben, wenn sich Retail Media weiterentwickelt.
Fazit: Vorbereitung und Dringlichkeit
Das Podcast-Gespräch, das diese Transformation hervorhebt, unterstreicht einen kritischen Punkt für die Einzelhandels- und E-Commerce-Branche: Der Wandel hin zum agentenorientierten Commerce ist kein fernes Zukunftsszenario, sondern eine aufstrebende Realität, die eine sofortige strategische Reaktion erfordert. Einzelhändler müssen jetzt damit beginnen, ihre Produktdateninfrastruktur zu bewerten, die Einhaltung der sich abzeichnenden Datenstandards zu beurteilen und in Tools und Prozesse zu investieren, die es ihnen ermöglichen, in einer Retail-Media-Landschaft zu konkurrieren, die von KI-Agents anstelle von Suchwortsuchen vermittelt wird.
Dies ist nicht nur ein technologisches Upgrade, sondern eine grundlegende Umgestaltung der Beziehung zwischen Einzelhändlern, Marken und Verbrauchern im Handel. Die Einzelhändler und Marken, die sich schnell anpassen – die in Produktinhalte investieren, ihre Daten standardisieren und ihre Infrastruktur für einen KI-vermittelten Marktplatz vorbereiten –, werden in der Lage sein, erfolgreich zu sein. Diejenigen, die sich verzögern, drohen, von agileren Wettbewerbern an den Rand gedrängt zu werden, da der agentenorientierte Commerce Mainstream wird.
Da sich die Branche auf die KI-gesteuerte Produktentdeckung ausrichtet, sind die Qualität und Zugänglichkeit der Produktdaten von größter Bedeutung. Wir bei NotPIM erkennen diesen Wandel und bieten eine No-Code-Lösung, die das Produktdatenmanagement vereinfacht. Unsere Plattform ermöglicht es Unternehmen, Produktinformationen anzureichern, zu standardisieren und zu optimieren, um sicherzustellen, dass sie den Anforderungen von KI-Agents gerecht werden und im sich entwickelnden E-Commerce-Umfeld wettbewerbsfähig bleiben. Wir sehen eine starke Nachfrage nach Tools, die bei der Strukturierung von Produktdaten helfen, und NotPIM wurde genau dafür entwickelt.