Ihr Kunde hat ChatGPT gerade gebeten, die beste Kaffeemaschine unter 200 $ zu finden.
Innerhalb von Sekunden hat die KI 47 Produkte bei 12 Händlern gescannt, 2.300 Bewertungen verglichen, aktuelle Lagerbestände geprüft und drei Finalisten mit Vor- und Nachteilen sowie einer klaren Empfehlung präsentiert.
Ihre dynamische Preisregel – die drei Wochen Aufwand gekostet hat und einmal täglich um 2 Uhr nachts ausgeführt wird? Sie hatte keine Chance, das vorherzusehen.
Willkommen im Agentic Commerce, wo KI-Agenten für Käufer einkaufen, während KI-Agenten für Verkäufer Preise festlegen. Und wenn Sie glauben, das klingt nach Science-Fiction, sagen die Daten etwas anderes: 4.400 Menschen suchen jeden Monat nach „Agentic Commerce", und diese Zahl verdoppelt sich jedes Quartal.
Das ist kein fernes Zukunftsszenario. Amazons Rufus hilft bereits Millionen von Käufern. Googles Shopping-KI vergleicht Produkte in Echtzeit. Und Einzelhandels-Preisstrategien, die für menschliche Käufer entwickelt wurden? Sie stehen kurz davor, spektakulär veraltet zu sein.
Agentic Commerce bezeichnet das Phänomen, wenn KI-Agenten autonom im Namen von Käufern handeln. Nicht nur Fragen beantworten oder Suchergebnisse filtern – sondern tatsächlich Kaufentscheidungen treffen.
Stellen Sie es sich so vor: Traditioneller E-Commerce bedeutet, Sie suchen, klicken, vergleichen, lesen Bewertungen und kaufen. Agentic Commerce bedeutet, Sie sagen einer KI „Ich brauche Laufschuhe für meinen ersten Marathon, Budget 150 $", und sie erledigt alles von der Recherche bis zum Checkout.
Der Wandel ist wichtig wegen Skalierung und Geschwindigkeit. Ein Mensch vergleicht vielleicht 5–10 Produkte bei 2–3 Händlern. Ein KI-Agent vergleicht 100+ Produkte bei 20+ Händlern in unter 10 Sekunden.
Hier ist ein reales Szenario, das sich heute abspielt:
Menschliches Einkaufen (Traditionell):
KI-Agenten-Einkauf (Agentic Commerce):
Der Unterschied? Agenten-Shopping ist schneller, umfassender und gnadenlos effizient. Es interessiert sich nicht für Ihre Markenstory, Ihr Homepage-Layout oder das gesponserte Listing, für das Sie 4,50 $ bezahlt haben. Es interessiert sich für Daten: Spezifikationen, Preise, Bewertungen und Verfügbarkeit.
Nicht alle Shopping-Agenten funktionieren auf dieselbe Weise. Das Verständnis der drei Haupttypen hilft Ihnen, sich auf das Kommende vorzubereiten.
Diese Agenten helfen Käufern bei Entscheidungen, schließen aber keine Käufe ab.
Beispiele:
Was sie tun: Fragen Sie ChatGPT: „Was ist die beste kabellose Tastatur für einen Mac-Nutzer mit kleinen Händen?" und es recherchiert Optionen, vergleicht Funktionen, liest Bewertungen und präsentiert Empfehlungen. Aber Sie klicken immer noch selbst zum Kauf durch.
Auswirkungen auf den Handel: Moderat. Sie verändern Traffic-Muster – weniger Google-Suchen, mehr direkte Weiterleitungen von KI-Plattformen. Ihre Produktdaten und Bewertungen sind wichtiger als Ihr Paid-Search-Budget.
Diese Agenten vergleichen aktiv Produkte bei verschiedenen Händlern und erstellen detaillierte Übersichten.
Beispiele:
Was sie tun: Sie suchen nicht nur Produkte – sie erstellen Vergleichstabellen. „Zeig mir geräuschunterdrückende Kopfhörer unter 300 $" generiert einen strukturierten Vergleich: Sony WH-1000XM5 vs. Bose QuietComfort vs. Apple AirPods Max, mit Akkulaufzeit, Geräuschunterdrückungswerten, Bewertungen und Preisen, die gleichzeitig bei mehreren Händlern geprüft werden.
Auswirkungen auf den Handel: Hoch. Preise werden sofort bei allen Mitbewerbern transparent. Funktionale Differenzierung gewinnt an Bedeutung. Strukturierte Daten gewinnen.
Diese Agenten treffen Kaufentscheidungen und schließen Transaktionen mit vorheriger Genehmigung ab.
Beispiele:
Was sie tun: Sie sagen dem Agenten: „Ich brauche Bio-Kaffeebohnen, mittlere Röstung, alle zwei Wochen geliefert, Kosten unter 18 $/Pfund." Er findet Optionen, wählt basierend auf Ihren Präferenzen und Preisvorstellungen aus, schließt Käufe ab und passt sich automatisch an, wenn sich die Preise ändern.
Auswirkungen auf den Handel: Extrem. Menschliche Entscheidungsfindung wird bei Standardkäufen weitgehend ausgeschaltet. Preisoptimierung muss in Echtzeit erfolgen. Statische Preisgestaltung stirbt vollständig aus.
<| Agententyp | Marktdurchdringung | Kaufabschluss | Entscheidungsgeschwindigkeit | Primäre Datenquellen | Erfolgsfaktoren |
| Autonome Käufer | <5% (stark wachsend) | Ja (vorab genehmigt) | Sehr schnell (1–10 Sekunden) | Direkte Händler-APIs, Echtzeit-Bestandsdaten | Echtzeit-Preisgestaltung, Bestandsgenauigkeit, reibungsloser Checkout |
| Vergleichsmaschinen | 15–20 % der Online-Käufer | Nein (aber stark beeinflussend) | Schnell (10–30 Sekunden) | Strukturierte Daten, APIs, Web-Scraping | Wettbewerbsfähige Preise, strukturierte Produktdaten, API-Zugang |
| Recherche-Assistenten | 30–40 % der Online-Käufer | Nein (Mensch schließt ab) | Mittel (2–5 Minuten) | Websuche, Bewertungen, Produktseiten | Hochwertige Inhalte, starke Bewertungen, klare Spezifikationen |
Eines ist klar: Agentischer Handel ist großartig für Käufer. Sie erhalten bessere Preise, schnellere Entscheidungen und umfassendere Vergleiche. Die Frage ist, ob Verkäufer sich anpassen können, bevor sie verdrängt werden.
BCGs Black-Friday-Verbraucherstudie 2025 – mit mehr als 10.000 Befragten aus 10 Ländern – ergab, dass 46 % der Verbraucher GenAI bereits zum Produktvergleich nutzen, 44 % damit die besten Angebote finden und 42 % es für technische Produktinformationen verwenden. Adobe hat beobachtet, wie sich das in der Praxis auswirkt: Der KI-gesteuerte Traffic auf Einzelhandelsseiten stieg im Vorfeld des Black Friday 2025 um 805 % im Jahresvergleich. Im Klartext: Käufer sehen mehr Optionen in kürzerer Zeit und vergleichen Sie mit Wettbewerbern, von denen Sie noch nicht einmal wussten, dass sie existieren.
Drei Faktoren sind für Shopping-Agenten entscheidend:
Menschliche Käufer verzeihen unübersichtliche Produktbeschreibungen. Agenten nicht. Wenn Ihre Produktspezifikationen in Fließtext statt in strukturierten Attributen hinterlegt sind, überspringt der Agent Sie einfach.
Schlecht (für Agenten):
Gut (für Agenten):
Agenten prüfen Preise bei mehreren Händlern gleichzeitig. Wenn Sie bei identischen Spezifikationen und langsamerer Lieferung 8 % teurer sind als Amazon, sind Sie unsichtbar.
Die Geschwindigkeit spielt eine entscheidende Rolle. Herkömmliches Wettbewerbs-Monitoring läuft täglich oder wöchentlich. Agenten-Shopping geschieht in Millisekunden. Bis Ihr Preis-Dashboard morgen früh aktualisiert wird, hat der Agent bereits 50 Kunden zu anderen Anbietern weitergeleitet.
Nichts zerstört eine Agenten-Empfehlung schneller als „nicht vorrätig". Agenten bevorzugen Händler mit Echtzeit-Bestandsdaten und präzisen Verfügbarkeitsinformationen. Wenn Ihre Website „auf Lager" anzeigt, die Lieferung aber tatsächlich 5–7 Tage dauert, verliert der Agent das Vertrauen in Sie.
So arbeiten die meisten Händler derzeit:
So arbeiten Shopping-Agenten:
Sehen Sie das Problem? Ihre Preisstrategie wird in Stunden gemessen. Agenten-Shopping wird in Millisekunden gemessen.
Genau hier kommt agentische Preisgestaltung ins Spiel.
Laut einer McKinsey-Umfrage unter mehr als 400 Pricing-Verantwortlichen und Entscheidungsträgern erwarten 65–85 % der Unternehmen, in den nächsten ein bis drei Jahren generative KI oder agentische KI in der Preisgestaltung einzusetzen – gegenüber heute lediglich 10–30 %.
Traditionelle dynamische Preisgestaltung wurde für menschliches Kaufverhalten entwickelt. Agentische Preisgestaltung wurde für Bot-Kaufverhalten entwickelt.
Agentische Preisgestaltung setzt KI-Agenten auf Verkäuferseite ein, um Märkte zu beobachten, Wettbewerberbewegungen zu analysieren und Preisstrategien in Echtzeit anzupassen. Doch es handelt sich nicht nur um schnellere dynamische Preisgestaltung – sie ist grundlegend anders.
Logik der dynamischen Preisgestaltung:
Logik der agentischen Preisgestaltung:
Der Unterschied? Dynamische Preisgestaltung reagiert. Agentische Preisgestaltung denkt.
Statt komplexe Regelwerke aufzubauen, stellen Sie einfach Fragen: „Warum verlieren wir Marktanteile in der Kategorie Kaffeemaschinen?" Der Agent analysiert Wettbewerberpreise, Funktionsvergleiche, Bewertungstendenzen und Aktionskalender, erklärt dann, was passiert, und empfiehlt Maßnahmen.
Das ist entscheidend, wenn Shopping-Agenten beginnen, Sie zu vergleichen. Wenn der Agent eines Käufers feststellt, dass Ihr Wettbewerber kostenlosen Versand ab 50 $ anbietet, während Sie 75 $ verlangen, sollte Ihr Pricing-Agent dies erkennen und eine Reaktion empfehlen, bevor Sie nennenswerten Traffic verlieren.
Shopping-Agenten bewerten 15–20 Faktoren gleichzeitig (Preis, Versand, Bewertungen, Funktionen, Markenreputation, Rückgaberecht, Liefergeschwindigkeit). Ihre Preisstrategie muss dieselben Faktoren berücksichtigen.
Beispiel: Ihre Kaffeemaschine ist 10 $ teurer als die von Amazon, aber Sie bieten:
Entscheidung: Monoprice bei $10,99 mit einem Mehrwert-Ansatz angleichen (Abholung im Geschäft in 2 Stunden, was der Käufer-Agent bei der Lieferzeitvergleich berücksichtigt).
Ergebnis: Best Buy gewinnt diese Agent-Empfehlung in 40% der Fälle (wenn der Käufer Geschwindigkeit + Preis schätzt) gegenüber 60% für Amazon (wenn der Käufer die Anzahl der Bewertungen + Prime-Versand schätzt).
Wichtige Erkenntnis: Bei Commodity-Produkten ist eine Preiskonvergenz unvermeidlich. Differenzierung entsteht durch Liefergeschwindigkeit und Rückgabekomfort – Faktoren, die Shopping-Agenten zunehmend berücksichtigen.
Aufgabe des Käufer-Agenten: „Beste Küchenmaschine für jemanden, der wöchentlich Brot backt, Budget $400"
Was der Agent tut:
Preischeck:
Antwort des Verkäufer-Agenten:
Das agentische Preissystem von Williams-Sonoma analysiert:
Entscheidung: Basispreis auf $429 reduzieren, $50 Geschenkgutschein beibehalten. Effektiver Preis: $379, entspricht Amazon, jedoch mit Geschenkgutschein für Folgegeschäfte. Hält 28% Marge aufrecht (akzeptabel für die Gewinnung hochwertiger Kunden).
Ergebnis: Der Käufer-Agent präsentiert beide Optionen (Amazon bei $379, Williams-Sonoma bei $429 mit $50 Geschenkgutschein). Der Nutzer wählt Williams-Sonoma in 65% der Fälle (der Geschenkgutschein bietet zukünftigen Wert + Ruf für Premium-Service).
Wichtige Erkenntnis: Bei überlegten Käufen schlagen strukturierte Mehrwertangebote den reinen Preiswettbewerb. Agentisches Pricing hilft dabei, die minimal notwendige Preisanpassung zu identifizieren und gleichzeitig die Marge durch gebündelte Werte zu erhalten.
Aufgabe des Käufer-Agenten: „Bio-Kaffeebohnen-Abonnement aufrechterhalten, mittlere Röstung, monatliche Kosten unter $40 halten, auf Qualität optimieren"
Was der Agent tut:
Antwort des Verkäufer-Agenten:
Das agentische Preissystem eines Spezialitätenkaffeerösters erkennt:
Entscheidung: Einen Preisschutz von $35/Monat bei einer 6-monatigen Bindung anbieten. Sichert die Kundenbindung, verhindert, dass der Agent wechselt, und erhält positive Stückökonomie ($35 x 6 = $210 Umsatz gegenüber $45 Akquisitionskosten + $126 COGS = $39 Gewinn über 6 Monate).
Alternative Entscheidung (ohne agentisches Pricing): Statischer Preis von $38 verliert den Kunden an den $34-Mitbewerber. Kosten für Neugewinnung: $45. Nettoergebnis: -$45 gegenüber +$39 (ein Unterschied von $84 pro Kunde).
Wichtige Erkenntnis: Autonome Käufer-Agenten erzeugen konstanten Preisdruck. Agentisches Pricing muss die Ökonomie der Kundenbindung gegen die Akquisitionskosten abwägen und Entscheidungen auf individueller Kundenebene treffen.
Die meisten Einzelhändler sind auf den agentengesteuerten Einkauf spektakulär schlecht vorbereitet. Hier ist, was wirklich zählt:
☑ Strukturierte Produktdaten
Jedes Produkt benötigt maschinenlesbare Attribute. Keine Absätze – strukturierte Felder.
Pflichtfelder:
☑ Echtzeit-Lagergenauigkeit
Agenten vertrauen Einzelhändlern mit genauer Lagerbestandsangabe. Wenn Sie „auf Lager" angeben, aber tatsächlich 3–5 Werktage für den Versand benötigen, lernen Agenten, Sie zu übergehen.
Mindeststandard: 95%+ Lagergenauigkeit, alle 15 Minuten aktualisiert.
☑ API-Zugang für Shopping-Agenten
Vorausschauende Einzelhändler bauen API-Endpunkte speziell für Shopping-Agenten auf. Stellen Sie sich das als direkte Leitung vor: Anstatt dass Agenten Ihre Website scrapen (langsam, unzuverlässig), fragen sie Ihre API ab (schnell, strukturiert).
Was offenzulegen ist:
☑ Echtzeit-Mitbewerberverfolgung
Tägliche Preischecks reichen nicht mehr aus. Sie benötigen eine kontinuierliche Überwachung von:
KI-gestützte Wettbewerbsanalyse macht dies ohne große Analystenteams möglich.
☑ Analyse des Shopping-Agenten-Traffics
Beginnen Sie damit, Bot-Traffic in Ihren Analysen zu identifizieren. Achten Sie auf:
Zu verstehen, wie Agenten Ihre Website durchsuchen, zeigt Optimierungsmöglichkeiten auf.
☑ Regelbasiertes Pricing hinter sich lassen
Wenn Ihre Preislogik immer noch so aussieht: „WENN Mitbewerberpreis < mein Preis, DANN angleichen", arbeiten Sie auf dem Stand von 2015.
Agentische Pricing-Systeme berücksichtigen mehrere Faktoren:
Agenten berücksichtigen die Reaktionsfähigkeit des Verkäufers bei der Bewertung der Zuverlässigkeit.
Lassen Sie uns direkt sein: Agentischen Commerce zu ignorieren ist keine tragfähige Strategie.
Preisvergleichsmaschinen wie Google Shopping treiben bereits 30-40% des Produktentdeckungs-Traffics für viele Einzelhändler an. Da diese sich zu vollständigen Shopping-Agenten weiterentwickeln, verschieben sich die Traffic-Muster dramatisch.
Aktueller Stand (2024-2025):
Zukunft des agentischen Commerce (2026-2027):
Ein Händler, der statische oder langsam aktualisierende Preise beibehält, während Wettbewerber agentisches Pricing einführen, wird Folgendes erleben:
Monat 1-3: Minimale Auswirkungen (agentisches Shopping noch <10% der Transaktionen)
Monat 4-9: Zunehmende Verluste (agentisches Shopping erreicht 20-25%)
Monat 10-18: Kritische Masse (agentisches Shopping erreicht 40-50%)
18+ Monate: Potenzielle Irrelevanz
Für einen Händler mit $50M Umsatz könnte eine 18-monatige Verzögerung bei der Einführung agentischer Commerce-Strategien bedeuten: