Agentic Commerce scheitert an den Produktdaten, nicht am Modell

Agentic Commerce scheitert an den Produktdaten, nicht am Modell. Ein Agent, der Produkte sucht, vergleicht oder empfiehlt, kann nur auf den Attributen handeln, die er lesen kann, und diese Attribute müssen geprüft und aktuell sein. Fehlt ein Pflichtfeld oder ist es veraltet, ist der sichere Schritt anzuhalten und zu eskalieren, nicht zu raten. Das ist das Argument von Tarun Chandrasekhar, President und Chief Product Officer bei Syndigo, in You're Not Deploying an Agent. You're Deploying a Liability., veröffentlicht am 10. November 2026. Er bezieht sich auf die Prognose von Gartner, wonach bis Ende 2027 mehr als 40 % der Projekte zu agentischer KI abgebrochen werden, und stellt fest, dass die von Gartner genannten Ursachen (steigende Kosten, unklarer Geschäftsnutzen und schwache Risikokontrollen) auf ein Problem bei Daten und Verantwortlichkeit hinweisen, nicht auf ein Modellproblem.

Die Unterscheidung, die er trifft, ist praktisch. Generative KI erstellt einen Entwurf, und ein Mensch kann den Text prüfen, bevor etwas veröffentlicht wird. Agentische Systeme rufen andere Systeme ab, treffen eine Entscheidung und lösen nachgelagerte Abläufe aus. Bis jemand einen Fehler bemerkt, kann die Entscheidung bereits ausgeführt sein. Einen Prüfschritt nachträglich einzufügen ist etwas anderes, als von vornherein zu begrenzen, was der Agent entscheiden darf. Im Commerce, schreibt Chandrasekhar, heißt das: Ein Agent sollte nur auf geprüften und aktuellen Produktattributen handeln und eskalieren, wenn ein Pflichtfeld fehlt oder veraltet ist. In den eigenen Bewertungen von Syndigo verfügen weniger als ein Viertel der Marken über Produktdaten, die die Schwelle erreichen, damit ein Agent ihre Produkte mit Vertrauen empfehlen kann, und die meisten dieser Marken gingen davon aus, dass sie dafür bereit seien. Er warnt außerdem davor, sich ändernde Fakten wie Spezifikationen, Allergene und das Sortiment in die Gewichte eines Modells einzubacken, weil diese Werte veralten; aktuelle Fakten müssen in dem Moment abgerufen werden, in dem der Agent handelt.

Zwei Aufgaben, die denselben Katalog teilen

Im Pimberly-Leitfaden zu Agentic PIM von Noemy Miyamoto, veröffentlicht am 12. Oktober und aktualisiert am 3. November 2026, werden zwei Aufgaben getrennt, die oft dasselbe Wort verwenden. Agentic PIM ist die Arbeit im Katalog: Agenten erkennen Lücken, schlagen eine Korrektur vor oder führen sie innerhalb festgelegter Berechtigungen aus und hinterlassen einen Prüfpfad. Agentic Commerce ist die Arbeit auf der anderen Seite dieses Katalogs: Agenten suchen, vergleichen und kaufen in manchen Fällen im Auftrag von Kundinnen, Kunden oder Unternehmen, und zwar auf Grundlage der Produktdaten, die Sie bereitstellen. MCP ist in keinem der beiden Fälle selbst ein Agent. Es ist ein Weg, über den ein Agent sich mit den Daten und Aktionen eines Systems verbindet, sei es das PIM oder ein Storefront.

Die verbindende Linie ist der Datensatz selbst. Shopping-Agenten arbeiten nur so gut wie die Daten, die sie lesen können, und Agentic PIM ist ein Weg, diese Daten in Form zu halten, bevor sie den Katalog verlassen. Unsere Beiträge zu DwyerOmegas produktivem Einsatz von Akeneo MCP und zu KI-Leitplanken und Decision Lineage behandeln Berechtigungen, Prüfung und Nachweise auf der Katalogseite. Dieser Beitrag betrachtet, was geschieht, wenn ein externer Agent dem veröffentlichten Ergebnis vertrauen muss.

Zuversicht ist nicht dasselbe wie Bereitschaft

Diese Lücke zwischen Annahme und Nachweis ist inzwischen ein veröffentlichter Vergleichswert, nicht nur die Beobachtung eines Anbieters. Der Product Data Maturity Index 2026 von inriver, vorgestellt im PIMTalk zum Product Data Paradox, hat 405 industrielle Hersteller und technische Großhändler in den Vereinigten Staaten und Europa untersucht. Von den 117 Organisationen, die angaben, für Agentic Commerce vollständig bereit zu sein, erreichte bei der Prüfung an operationalen Nachweisen keine die Schwelle. Der Index bewertet den Betrieb anhand von Nachweisen wie Automatisierung beim Produktstart, der Publikationsreife von SKUs, Integrationsfehlern und der Messung von Inhalten, nicht anhand selbsteingeschätzter Zuversicht. Nur 13,6 % verfügten über eine durchgängige Automatisierung mit Prüfpfad, und nur rund ein Drittel hatte zu einem gegebenen Zeitpunkt 85 % oder mehr der aktiven SKUs publikationsreif.

Das Ergebnis stützt Chandrasekhars Punkt, dass Agenten Lücken nicht so schließen wie ein Mensch, der eine Produktseite liest. Ein unvollständiges Allergenfeld, ein widersprüchliches Attribut oder eine Spezifikation, die für menschliche Besucher formuliert ist, ist kein kleines Content-Problem, sobald ein Agent auf dieser Grundlage im großen Maßstab arbeitet. Unser Leitfaden zu Produktdatenqualität und Governance beschreibt die Verantwortlichkeiten und die Vollständigkeit, auf der das aufbaut, und Trends in PIM, Teil 2 zur KI-Governance behandelt die Rechte hinter jedem Agenten, der anschließend handeln darf.

Die Arbeit liegt im Produktdatenfluss

Die ShoppingTomorrow-Expertengruppe PIM und KI kommt zur selben Schlussfolgerung, allerdings aus der operativen Kette und nicht aus einem Bereitschaftswert. In Agentic commerce starts with product data. Not with AI., veröffentlicht am 8. Oktober 2026, argumentiert Arnout Schutte von ConnectingTheDots, das die Gruppe gemeinsam mit Truvio ausrichtet und wobei Squadra den Vorsitz hat, dass ein Agent nur mit Produktinformationen arbeiten kann, die er finden, verstehen und prüfen kann. Fehlen Informationen, widersprechen sich Quellen oder lässt sich eine Aussage nicht belegen, wird das Produkt schwerer vergleichbar und kann aus der Empfehlung herausfallen. Die zentrale Schlussfolgerung des Bluepapers lautet, bei den Daten und Prozessen zu beginnen, denen ein Agent vertrauen muss: Produktinformationen, die vollständig, korrekt, aktuell, konsistent und nachvollziehbar sind, vom Onboarding der Lieferanten über Anreicherung und Veröffentlichung bis zu Webshops, Marktplätzen und KI-Kanälen.

Die Fälle in diesem Bluepaper zeigen die Arbeit als Fluss, nicht als Modellwahl. Azerty, eine der beschriebenen Organisationen, verarbeitet täglich rund 20 Millionen Datensätze aus etwa 100 Datenquellen. Produktdaten für mehr als 400.000 Produkte werden zentral verarbeitet und an Webshops, ERP, ein Data Lake und Marktplätze verteilt, und ein neues Produkt kann innerhalb von zehn Minuten mit den richtigen Spezifikationen live stehen. Das Ziel in diesem Bericht ist nicht, einen weiteren Assistenten hinzuzufügen. Es geht darum, die Produktdaten fließen zu lassen. Schuttes Maßstab gilt für einen Shopping-Agenten ebenso wie für einen internen Agenten: Was ein KI-Agent nicht sieht, existiert nicht.

Was ein Shopping-Agent tatsächlich liest

Für die meisten Käuferinnen und Käufer bedeutet diese Sichtbarkeit noch vor allem Recherche, keinen abgeschlossenen Kauf. Der Black-Friday-2026-Leitfaden von Pimberly zu Agentic Commerce, veröffentlicht am 6. November 2026, beschreibt das heutige Muster klar: Die meisten KI-Werkzeuge kaufen noch nicht. Sie lesen Produktseiten und Feeds und teilen Käufern mit, was sie gefunden haben. Eine dort zitierte BCG-Umfrage ergab, dass nur 4 % der Verbraucherinnen und Verbraucher einen Agenten den Kauf selbst abschließen lassen würden. Was heute stimmen muss, sind die Daten, die diese Werkzeuge lesen. Preis, Bestand, Identifikatoren, Versand und Retouren müssen auf der Produktseite, im Feed und in der strukturierten Auszeichnung übereinstimmen. Ein Aktionspreis auf der Seite, der vom Feed abweicht, eine nicht prüfbare GTIN oder ein Bestandstatus, der dem Lager nicht gefolgt ist, ist genau die Art von Unklarheit, die ein Agent nicht mit menschlichem Urteil ausgleicht.

Die Protokolle, die sich rund um den Checkout bilden, ändern diese Eingabe nicht. Im Händlerleitfaden von WISEPIM zum Universal Commerce Protocol ist UCP der offene Standard von Google, angekündigt im Januar 2026, für Katalog, Warenkorb, Checkout, Identität und Bestellungen. ACP von OpenAI und Stripe deckt den Checkout in ChatGPT ab. AP2 regelt die Zahlungsautorisierung, und MCP kann Katalog- oder Checkout-Fähigkeiten als Transport tragen. UCP und ACP stehen beim Checkout im Wettbewerb; MCP und AP2 tun das nicht. Beide Checkout-Protokolle brauchen weiterhin einen Katalog, den eine Maschine lesen kann, ohne zu raten: stabile Produkt- und Varianten-IDs, Beschreibungen in reinem Text, Barcodes mit einem Typ, Preise, Verfügbarkeit und ausdrückliche Optionen wie Größe und Farbe. Unser Leitfaden zu KI-fähigen Produktdaten für Shopping-Agenten behandelt die Identifikatoren, Feeds und strukturierten Werte, auf denen das aufbaut.

Der erste Agent ist nicht der schwierige Teil

Derselbe Datensatz muss anschließend standhalten, wenn mehr als ein Agent daran arbeitet. Im Akeneo-Beitrag von Casey Paxton, Your First AI Agent Is the Easy Part: What Happens After the Pilot?, veröffentlicht am 26. Oktober 2026, ist Snowleader das gelungene erste Beispiel. Der Outdoor-Händler verwaltet rund 450.000 SKUs von mehr als 400 Marken, mit bis zu 17.000 neuen Produkten bei einem Saisonstart. Beschreibungen werden aus strukturierten Produktdaten erzeugt, mit Prompts je Produktfamilie und Markenton, und das Content-Team prüft das Ergebnis. Snowleader berichtet, dass sich der Zeitaufwand für das Schreiben von Beschreibungen dadurch um rund 20 % verringert hat. Das ist ein echter Gewinn, und es bleibt ein Pilot für eine einzelne Aufgabe.

Danach kommen die nächsten Fragen rasch: ein Agent, der Lieferantendateien onboardet, einer, der fehlende Attribute ergänzt, ein Qualitätsagent, der ein Ergebnis prüft, bevor ein Content-Agent schreibt, ein Lokalisierungsagent, der freigegebene Texte für jeden Markt vorbereitet. Sobald mehrere Agenten am selben Produktdatensatz arbeiten, brauchen sie eine gemeinsame, kontrollierte Quelle, eine klare Reihenfolge und einen Weg, zu sehen, welche Quelle verwendet wurde, was vorgeschlagen, wer freigegeben und was geändert wurde. Ohne das kann ein Agent eine Spezifikation aktualisieren, während ein anderer Text aus einem älteren Wert schreibt, oder eine Übersetzung kann erscheinen, bevor die Änderung stromaufwärts freigegeben ist. Chandrasekhars zwei Fragen gelten auch dann: was "korrekt" für die Daten bedeutet, über die der Agent urteilt, und wer verantwortlich ist, wenn das nicht zutrifft. Die Organisationen, die Agenten weiterhin produktiv betreiben, schreibt er, werden jene sein, die geprüfte Daten und klare Verantwortlichkeit zuerst eingerichtet haben, bevor sie einen Agenten handeln ließen.