Wie funktioniert Agentic Commerce?

Hinter Agentic Commerce steckt ein komplexes Zusammenspiel aus KI-Modellen, Protokollen, APIs und Payment-Systemen. Dieser Artikel erklärt die technische Funktionsweise — vom Auftrag des Nutzers bis zur abgeschlossenen Transaktion.

Der typische Ablauf in 6 Schritten

1. Auftrag: Der Nutzer beschreibt in natürlicher Sprache, was er braucht. "Finde mir ein Geburtstagsgeschenk für meine Schwester — sie mag Tee und Keramik, Budget maximal 50 Euro."
2. Planung: Der KI-Agent analysiert den Auftrag, identifiziert relevante Produktkategorien und erstellt einen Suchplan: Welche Shops durchsuchen? Welche Kriterien priorisieren? Welche Informationen noch fehlen?
3. Recherche: Der Agent durchsucht Product Feeds und Produktkataloge mehrerer Shops über standardisierte Schnittstellen (ACP, UCP, MCP). Er filtert, vergleicht Preise, prüft Bewertungen und Verfügbarkeit.
4. Empfehlung: Der Agent präsentiert dem Nutzer eine kuratierte Auswahl — mit Begründung, warum jedes Produkt passt. "Ich habe drei Optionen gefunden: Ein handgefertigtes Teeservice für 45 €, eine japanische Teekanne für 38 €…"
5. Bestätigung: Der Nutzer wählt ein Produkt und bestätigt den Kauf. Der Agent erstellt eine Checkout-Session beim Händler, zeigt die finale Zusammenfassung (Preis, Versand, Lieferzeit) und wartet auf die Kauffreigabe.
6. Transaktion: Der Agent schließt den Kauf ab — inklusive tokenisierter Bezahlung — und liefert die Bestellbestätigung. Der Nutzer hat den Chat nie verlassen.

Technische Schichten

Agentic Commerce baut auf mehreren technologischen Schichten auf, die zusammenwirken:

Schicht 1 ist die bestehende E-Commerce-Infrastruktur: Online-Shops, Warenwirtschaft, Payment-Provider, Logistik. Diese Schicht verändert sich nicht grundlegend.

Schicht 2 sind die neuen Protokolle — ACP, UCP, AP2, MCP. Sie standardisieren, wie die Schichten darüber mit der Commerce-Infrastruktur kommunizieren.

Schicht 3 ist Tool-Use: Die Fähigkeit moderner LLMs, über Function Calling externe APIs aufzurufen. Ein LLM "weiß", dass es eine Checkout-API gibt, welche Parameter nötig sind und wie es die Antwort interpretieren muss.

Schicht 4 ist der Agent selbst — ein LLM mit Planung, Gedächtnis und Entscheidungsfähigkeit. Er orchestriert den gesamten Kaufprozess und entscheidet, welche Tools er in welcher Reihenfolge einsetzt.

Schicht 5 ist das Interface zum Nutzer — aktuell primär Chat (ChatGPT, Google Gemini), perspektivisch auch Sprachassistenten oder eingebettete Agenten in anderen Anwendungen.

Strukturierte Daten als Fundament

Agenten lesen kein HTML. Sie brauchen maschinenlesbare Daten. Die wichtigsten Formate:

• Schema.org / JSON-LD: Standardisierte Produktinformationen, die in jede Website eingebettet werden können. Bereits heute von Google genutzt — für Agentic Commerce wird es zur Pflicht.
• Product Feeds: Strukturierte Produktkataloge im ACP- oder UCP-Format. Ähnlich wie Google Shopping Feeds, aber spezifisch für KI-Agenten.
• API-Endpunkte: REST- oder GraphQL-Schnittstellen, über die Agenten Produktdaten abfragen und Aktionen ausführen können.

Shops, die keine strukturierten Daten bereitstellen, sind für KI-Agenten unsichtbar. Das ist der fundamentale Unterschied zu klassischem SEO: Google konnte Webseiten auch ohne Schema.org indexieren — ein KI-Agent kann ohne maschinenlesbare Daten nicht einkaufen.

MCP: Der USB-Anschluss für KI

Das Model Context Protocol (MCP) von Anthropic spielt eine besondere Rolle in der Agentic Commerce-Architektur. MCP ist kein Commerce-Protokoll — es ist die Infrastrukturschicht, die KI-Modelle mit der Außenwelt verbindet.

Die USB-Metapher erklärt es am besten: So wie USB als universeller Anschluss verschiedene Geräte mit einem Computer verbindet, verbindet MCP verschiedene Tools und Datenquellen mit einem KI-Modell. Ein Shop stellt einen MCP-Server bereit — jeder MCP-kompatible Agent kann ihn nutzen, unabhängig vom verwendeten LLM.

Shopify nutzt MCP bereits: Der Shopify MCP-Server gibt Agenten Zugriff auf Produktkataloge, Checkout und Bestellmanagement. Für Händler bedeutet das: Eine Integration, erreichbar für jedes KI-System.

Multi-Agent-Systeme

Perspektivisch wird Agentic Commerce nicht von einem einzelnen Agenten abgewickelt, sondern von spezialisierten Agenten, die zusammenarbeiten:

• Research Agent: Durchsucht Produktkataloge und sammelt Optionen
• Comparison Agent: Vergleicht Preise, Bewertungen und Features systematisch
• Negotiation Agent: Sucht nach Gutscheinen, verhandelt (bei B2B) Konditionen
• Checkout Agent: Wickelt die Transaktion über ACP oder UCP ab
• Monitor Agent: Überwacht Preise nach dem Kauf und meldet Preissenkungen

Googles Agent-to-Agent-Protokoll (A2A) und das UCP berücksichtigen diese Multi-Agent-Architektur bereits in ihrem Design.

Agenten lernen: Reinforcement & Feedback

KI-Agenten werden mit der Zeit besser — nicht durch einmaliges Training, sondern durch Erfahrung:

• Implizites Feedback: Welche Empfehlungen akzeptiert der Nutzer? Welche lehnt er ab? Der Agent lernt Präferenzen.
• Qualitätssignale: Welche Shops liefern zuverlässig? Wo gibt es Probleme? Agenten könnten Shop-Bewertungen aus eigener Erfahrung aufbauen.
• Kollektives Lernen: Anonymisierte Daten von Millionen Transaktionen helfen, die besten Produkte und Shops zu identifizieren.

Für Händler bedeutet das: Zuverlässigkeit und Datenqualität werden direkt belohnt. Ein Shop, der korrekte Preise, schnelle Lieferung und problemlose Retouren bietet, wird häufiger empfohlen.

Generative Engine Optimization (GEO)

Während SEO Inhalte für Suchmaschinen-Rankings optimiert, zielt GEO (Generative Engine Optimization) darauf ab, von KI-Systemen als Quelle genutzt und für Empfehlungen herangezogen zu werden.

Praktisch bedeutet GEO:

• Klare, zitierbare Definitionen: Erste Absätze, die ein LLM direkt als Antwort verwenden kann
• Strukturierte Daten: Schema.org, JSON-LD, Product Feeds — maschinenlesbar, nicht nur menschenlesbar
• Faktische Korrektheit: LLMs bevorzugen Quellen, die konsistent und verifizierbar sind
• Autorität: Backlinks, Erwähnungen in Fachmedien und konsistente Informationen über mehrere Quellen erhöhen die Wahrscheinlichkeit, zitiert zu werden

Für Händler wird GEO zur zweiten Optimierungsdisziplin neben SEO. Wer in den Empfehlungen von ChatGPT, Gemini oder Claude erscheinen will, muss seine Produktdaten für KI-Systeme optimieren.

Beispiel: Ein konkreter Kaufvorgang

So könnte ein typischer Agentic Commerce-Vorgang in der Praxis aussehen:

Gesamtdauer: unter 2 Minuten. Kein Tab-Wechsel, kein Checkout-Formular, keine Kontoerstellung.