Amazon 2026: Vom Marktplatz zur KI-gesteuerten Handelsinfrastruktur

Amazon optimiert nicht länger nur seinen Marktplatz – es ersetzt die klassische Such- und Kauflogik durch eine KI-gesteuerte Entscheidungsarchitektur. Sichtbarkeit entsteht zunehmend nicht mehr über Rankings, sondern über algorithmisch kuratierte Empfehlungen. Der Klick verliert an Bedeutung – der KI-Agent priorisiert, selektiert und trifft Vorentscheidungen.

Diese Transformation erfolgt aus einer Position struktureller Dominanz: Mit 45,9 Milliarden US-Dollar Umsatz in Deutschland im Geschäftsjahr 2025, rund 60 % Marktanteil im deutschen E-Commerce und über 60 Verteilzentren allein in Deutschland verfügt Amazon über die infrastrukturelle Basis, um den gesamten Shopping-Funnel systematisch auf Künstliche Intelligenz umzustellen. Mit dem KI-Assistenten Rufus, der autonomen Kauffunktion „Buy for Me“ und dem Konzept des Agentic Commerce entsteht eine neue Handelsarchitektur – und damit eine Verschiebung der Kontrolle zwischen Plattform, Hersteller und Konsument.

Amazon Rufus: Vom Suchalgorithmus zum KI-gestützten Einkaufsberater

Mit Rufus hat Amazon einen KI-gestützten Shopping-Assistenten eingeführt, der die Art und Weise, wie Konsumenten Produkte entdecken und kaufen, fundamental verändert. Die Zahlen sprechen für sich: Innerhalb von weniger als zwei Jahren nach dem Beta-Launch im Februar 2024 hat Rufus über 300 Millionen Nutzer erreicht und laut Amazons Q4-2025-Ergebnissen nahezu 12 Milliarden US-Dollar an inkrementellem Jahresumsatz generiert. Kunden, die Rufus während ihrer Shopping-Journey nutzen, konvertieren laut Amazon mit einer um über 60 % höheren Rate als Kunden ohne KI-Unterstützung. Während des Black Friday 2025 entfielen bereits rund 40 % des Traffics auf Rufus-gestützte Sessions – und diese generierten etwa 66 % aller Käufe mit einer 3,5-fach höheren Conversion-Rate.

Rufus funktioniert grundlegend anders als die klassische Amazon-Suche. Statt auf Keyword-Matching zu setzen, versteht der Assistent semantische Zusammenhänge und Kaufintentionen. Kunden können natürlichsprachliche Anfragen stellen wie „Ich fange wieder mit dem Laufen an, hilf mir die richtigen Schuhe zu finden“ und erhalten kontextbezogene, kuratierte Empfehlungen (vgl. Abbildung 1). Rufus greift dabei nicht nur auf Produktdaten zurück, sondern wertet auch Kundenbewertungen, Q&A-Sektionen und sogar externe redaktionelle Inhalte aus. Besonders bemerkenswert: Amazon zeigt mittlerweile „Researched by AI“-Sektionen oberhalb der klassischen Produktlistings an, die Inhalte von Drittanbieter-Publikationen priorisieren – noch vor den eigentlichen Produkt-Ergebnissen.

Abbildung 1: Amazon Rufus als konversationaler Shopping-Assistent – natürlichsprachliche Produktentdeckung mit kuratierten Empfehlungen (Quelle: Amazon, 2026)

Darüber hinaus hat Amazon 2025 mehr als 50 technische Erweiterungen an Rufus vorgenommen. Dazu gehören ein Account-Gedächtnis, das vergangene Käufe und Präferenzen über Sessions hinweg speichert, visuelle Suchfunktionen per Kamera, ein 30- und 90-Tage-Preistracker sowie die Integration über verschiedene Amazon-Dienste hinweg – von Kindle über Prime Video bis Audible. Rufus entwickelt sich damit von einem reinen Produktsuche-Tool zu einem umfassenden, personalisierten Einkaufsberater, der den gesamten Kaufentscheidungsprozess begleitet. Die monatlich aktiven Nutzer stiegen im Jahresvergleich um 140 %, die Interaktionen sogar um 210 %.

„Buy for Me“: Wenn Amazon auf fremden Websites einkauft

Noch radikaler als Rufus ist die Funktion „Buy for Me“, welche Amazon seit April 2025 im Beta-Betrieb testet. Das Konzept: Wenn ein Kunde in der Amazon-App nach einem Produkt sucht, das Amazon selbst nicht führt, kann der KI-Agent das Produkt auf der Website des jeweiligen Herstellers oder Händlers eigenständig kaufen – und zwar ohne, dass der Kunde die Amazon-App verlässt. Amazon übermittelt dabei verschlüsselte Zahlungs- und Adressdaten an den Drittanbieter-Shop und wickelt den gesamten Checkout-Prozess autonom ab, angetrieben durch die Foundation Models Amazon Nova und Anthropics Claude auf der Bedrock-Plattform. Abbildung 2 zeigt die Nutzeroberfläche: In den Suchergebnissen erscheint neben den regulären Amazon-Angeboten ein separater Bereich „Shop brand sites directly“, in dem externe Produkte mit einem „Buy for Me“-Button angezeigt werden.

Abbildung 2: Amazon App zeigt Suchergebnisse für „Brand women’s leggings“ mit regulären Amazon-Produkten oben und darunter „Shop brand sites directly“ Bereich mit externen Brand-Produkten und Buy for Me Button. (Quelle: Amazon, 2026)

Die Dimension ist beachtlich: Von anfänglich 65.000 Produkten beim Launch ist das „Buy for Me“-Sortiment bis Ende 2025 auf über 500.000 Artikel angewachsen. Ergänzend bietet Amazon die „Auto-Buy“-Funktion, bei der Prime-Mitglieder Preisalarme für bestimmte Produkte setzen können – erreicht das Produkt den Zielpreis, kauft Rufus automatisch, mit einer kostenlosen 24-Stunden-Stornierungsfrist. Laut Amazon sparen Kunden damit durchschnittlich 20 % pro Kauf.

Doch was für Konsumenten bequem klingt, hat für Händler und Hersteller eine kontroverse Kehrseite. Zahlreiche Marken und kleine Online-Händler berichten, dass ihre Produkte ohne ausdrückliche Zustimmung auf Amazon gelistet wurden. Betroffen sind insbesondere Shopify-, WooCommerce- und SquareSpace-Shops, deren Produktkataloge – teilweise mit Tausenden von SKUs – automatisch in Amazons „Buy for Me“-Ergebnisse integriert wurden. Berichte zeigen Fälle, in denen nicht mehr verfügbare Produkte gelistet, falsche Produktbilder angezeigt oder Bestellungen für längst ausverkaufte Artikel ausgelöst wurden. Für Marken, die bewusst nicht auf Amazon verkaufen, um Preishoheit und Markenerlebnis zu wahren, bedeutet dies einen massiven Kontrollverlust. Hinzu kommen operative Probleme: Tracking-Informationen synchronisieren sich häufig nicht korrekt, was zu erhöhtem Kundenservice-Aufwand führt. Besonders brisant: Während Amazon selbst externe KI-Agenten wie Perplexity mit einer Unterlassungserklärung vom Scraping seiner eigenen Website abgehalten hat, scrapt „Buy for Me“ im Umkehrschluss die Websites unabhängiger Händler.

Was das konkret für Hersteller und Händler bedeutet

Amazon verändert nicht nur einzelne Features – es verschiebt die Logik des digitalen Handels. Statt Suchanfragen zu beantworten, beginnen KI-Agenten Kaufentscheidungen vorab zu strukturieren. Sichtbarkeit entsteht nicht mehr primär durch Ranking-Positionen, sondern durch algorithmische Auswahlprozesse. Der klassische Funnel: Search – Listing – Vergleich – Kauf, wird durch eine agentengetriebene Entscheidungsarchitektur ersetzt.

Für Hersteller und Händler bedeutet das eine fundamentale Neugewichtung von Sichtbarkeit, Conversion, Pricing-Kontrolle und Werbemechanik.

Von Keyword-Ranking zu KI-Selektion: Sichtbarkeit wird algorithmisch vorentschieden
Das klassische Amazon-SEO – geprägt von Keyword-Dichte, Backend-Optimierung und A9-Logik – verliert strategische Dominanz. Rufus bewertet nicht primär Keywords, sondern semantische Vollständigkeit, Problemlösungsrelevanz und Vertrauenssignale aus Bewertungen und Q&A. Entscheidend ist nicht mehr, ob ein Produkt „rankt“, sondern ob es vom KI-Agenten als kontextuell relevant priorisiert wird. Damit verschiebt sich die Sichtbarkeitslogik von technischer Optimierung hin zu inhaltlicher Autorität. Externe redaktionelle Erwähnungen oder hochwertige Reviews können stärker gewichtet werden als ein formal perfekt optimiertes Listing.

Von Conversion-Optimierung zur Agenten-Optimierung: Der Kaufprozess entkoppelt sich vom Listing
Mit „Buy for Me“ und „Auto-Buy“ kann der Kauf vollständig autonom erfolgen, ohne dass ein Nutzer jemals eine klassische Produktdetailseite aktiv analysiert. Der KI-Agent aggregiert Bewertungen, Preisverläufe, externe Signale und historische Präferenzen – und trifft eine Vorauswahl. Damit verschiebt sich die Optimierungslogik: Nicht mehr die visuelle Inszenierung der PDP entscheidet, sondern die maschinenlesbare Qualität der Datenstruktur. A+ Content bleibt relevant für den Endnutzer, verliert jedoch an strategischer Exklusivität, wenn der Agent die Entscheidung bereits vorbereitet hat.
Die neue Kernfrage lautet: Wie hoch ist die Wahrscheinlichkeit, dass mein Produkt vom Agenten selektiert wird?

Von Distributionskontrolle zu Plattform-Intervention: Preis- und Markenhoheit geraten unter Druck
Mit „Buy for Me“ greift Amazon erstmals systematisch auf externe Sortimente zu – auch ohne direkte vertragliche Einbindung. Für Hersteller mit selektiver Distributionsstrategie entsteht ein strukturelles Risiko: Produkte können über Amazon-Kanäle verkauft werden, ohne dass Pricing-Logiken oder Markeninszenierung konsistent steuerbar sind. Die Preishoheit wird indirekt unterminiert, wenn Amazon als Intermediär auf Konditionen zugreift, die nicht für diesen Vertriebskanal vorgesehen waren. Gleichzeitig steigt das Risiko von Inkonsistenzen bei Verfügbarkeit, Bildmaterial oder Produktinformationen – mit direkten Auswirkungen auf Markenwahrnehmung und Serviceaufwand.

Von Sponsored Products zu KI-Embedded Ads: Das Werbe-Ökosystem wird agentengetrieben
Amazons Advertising-Geschäft wuchs zuletzt um 22 % auf 17,6 Milliarden US-Dollar im dritten Quartal 2025. Mit Rufus entsteht nun eine neue Monetarisierungslogik: Werbung wird nicht mehr nur in Suchergebnissen ausgespielt, sondern in KI-generierte Empfehlungen integriert. Interne Dokumente deuten darauf hin, dass Rufus 2025 bereits über 700 Millionen US-Dollar operativen Gewinn durch eingebettete Werbung generiert hat – mit einem internen Ziel von 1,2 Milliarden US-Dollar bis 2027. Für Hersteller bedeutet das: Die Wettbewerbsarena verlagert sich von der Suchergebnisseite in die Empfehlungsarchitektur. Sichtbarkeit wird nicht mehr nur erste Position im Grid – sie wird Bestandteil eines kuratierten Antwortsystems.

Wie Hersteller und Marken jetzt reagieren sollten

Die zentrale Frage lautet nicht mehr, ob KI relevant wird – sondern wie schnell Unternehmen ihre Strukturen an eine agentengetriebene Entscheidungslogik anpassen. Aus der neuen Architektur ergeben sich fünf unmittelbare Prioritäten:

1. Von Keyword-Optimierung zu semantischer Entscheidungsrelevanz
Produktseiten müssen von reiner Keyword-Optimierung auf semantische Klarheit umgestellt werden. Entscheidend ist nicht mehr, einzelne Suchbegriffe zu bedienen, sondern Nutzungsszenarien, Differenzierungsmerkmale und Problemlösungen verständlich darzustellen. Bewertungen und Q&A gewinnen zusätzlich an Gewicht, da KI-Systeme diese als glaubwürdige Informationsquellen priorisieren.

2. Off-Amazon-Autorität als strategischen Sichtbarkeitshebel etablieren
Wenn KI-gestützte Systeme redaktionelle Inhalte und Testberichte in Empfehlungen integrieren, wird Off-Amazon-Content strategisch relevant. Fachpublikationen, unabhängige Reviews und hochwertige redaktionelle Beiträge werden Teil der Sichtbarkeitslogik. Content-Strategie und Amazon-Strategie lassen sich künftig nicht mehr getrennt denken.

3. Distributions- und Pricing-Kontrolle aktiv absichern
Mit „Buy for Me“ erweitert Amazon seinen Zugriff auf externe Sortimente. Hersteller sollten aktiv prüfen, wie ihre Produkte innerhalb dieser Mechanik erscheinen und welche Steuerungsoptionen bestehen. Parallel wird eine diversifizierte Multi-Channel-Strategie wichtiger, um Abhängigkeiten zu reduzieren.

4. Werbebudgets entlang der Empfehlungsarchitektur neu ausrichten
Wenn Empfehlungen zunehmend dialogbasiert entstehen, verschiebt sich auch die Logik von Werbung. Sichtbarkeit in KI-generierten Shortlists wird zur neuen Kernkompetenz. Klassische Keyword-Strategien müssen um kontextuelle und semantische Ansätze ergänzt werden.

5. Organisation auf Agentic Commerce ausrichten
Agentic Commerce erfordert neue Kompetenzen – von KI-Verständnis über datengetriebene Performance-Analysen bis hin zu integrierter Content- und Distributionssteuerung. Unternehmen, die diese Fähigkeiten frühzeitig aufbauen, sichern sich strukturelle Vorteile, bevor sich die neue Logik vollständig etabliert.

Der Wandel ist strukturell – nicht inkrementell

Rufus, „Buy for Me“ und Agentic Commerce sind keine isolierten Features. Sie markieren einen Paradigmenwechsel: Amazon entwickelt sich vom Marktplatz zur KI-gesteuerten Handelsinfrastruktur. Sichtbarkeit entsteht nicht mehr primär über Suchergebnisse, sondern über Empfehlungen. Kontrolle verschiebt sich vom Klick zur Konversation.

Für Hersteller bedeutet das: Wer weiterhin ausschließlich in Rankings denkt, wird an Relevanz verlieren. Wer die neue Logik versteht und aktiv gestaltet, kann sich strategisch positionieren, bevor Agentic Commerce zum Standard wird.

Genau diese Fragestellungen stehen im Mittelpunkt unseres Events „Amazon Next-Level Playbook 2026“ am 24.03.2026 in Stuttgart. Dort analysieren wir im Detail, wie sich Rufus, KI-gestützte Empfehlungen und neue Distributionsmechaniken auf Pricing, Sichtbarkeit und Profitabilität auswirken – und welche strategischen Optionen sich daraus für Hersteller und Marken ergeben.

ChatGPT wird zur Werbeplattform: Was OpenAIs Schritt strategisch bedeutet

ChatGPT öffnet sich für Werbung – und verändert damit die Art und Weise, wie Kunden Produkte entdecken und kaufen. Für Händler bedeutet das: neue Chancen, neue Herausforderungen.

Doch was passiert konkret? OpenAI läutet die nächste Entwicklungsstufe von ChatGPT ein: Werbung kommt – allerdings nicht für alle. Konkret soll OpenAI bei den Tarifen Free und Go künftig Anzeigen ausspielen, während Plus, Pro, Business und Enterprise ausdrücklich werbefrei bleiben. Das Werbeformat ist dabei bewusst so gestaltet, dass es das Kernversprechen von ChatGPT nicht direkt angreift: Anzeigen sollen am Ende der Antworten erscheinen, klar gekennzeichnet sein („Sponsored“) und vom eigentlichen Antwortinhalt getrennt bleiben. Zusätzlich gelten Schutzmechanismen: unter 18 Jahren keine Werbung, außerdem Restriktionen für sensible Themenfelder wie Gesundheit oder Politik.

Hinter diesem Schritt steckt weniger ein kurzfristiger Monetarisierungstest – sondern ein struktureller Hebel. OpenAI muss massiv in Computer-, GPU- und Rechenzentrumskapazitäten investieren, um die wachsende Nutzung und die nächsten Modellgenerationen zu stemmen. Werbung wird damit zur zweiten großen Erlössäule neben Subscriptions: Einnahmequellen diversifizieren, Free-Zugänge finanzieren, Infrastrukturkosten abfedern.

Und: Der Zeitpunkt ist nicht zufällig. ChatGPT entwickelt sich längst zu einem Commerce-Interface – und beginnt messbar Traffic in Richtung Online-Händler zu schicken. Abbildung 1 zeigt eindrücklich, wie stark diese Weiterleitungen innerhalb eines Jahres gewachsen sind. Gleichzeitig wird sichtbar, dass bislang vor allem große Plattformen (insb. Amazon) überproportional von diesen Redirects profitieren. Genau hier entstehen neue strategische Spannungsfelder im Handel: Wird ChatGPT zu einem weiteren Gatekeeper, der Sichtbarkeit verteilt – oder eröffnet es Marken perspektivisch die Chance auf direktere Kundenansprache, Brand Loyalty und eine neue Form der Visibility-Sicherung jenseits klassischer Search- und Marketplace-Logiken?

Abbildung 1: Entwicklung und Verteilung von ChatGPT-Weiterleitungen zu Online-Händlern (Okt. 2024 vs. Okt. 2025) (Quelle: FOSTEC Research, Similarweb)

Wie könnte Werbung in ChatGPT konkret aussehen?

Wie Werbung in ChatGPT künftig konkret aussehen wird, ist derzeit noch nicht abschließend bestätigt. OpenAI hat zwar kommuniziert, dass Anzeigen klar gekennzeichnet und vom eigentlichen Antwortinhalt getrennt integriert werden sollen – wie genau diese Werbeflächen aber gestaltet sind, welche Interaktionslogiken dahinterstehen und welche Formate zum Start tatsächlich ausgerollt werden, bleibt offen. Genau deshalb lohnt sich ein Blick auf mögliche Umsetzungsmodelle, die aktuell in der Diskussion sind und bereits heute aus anderen Plattform-Logiken bekannt sind.

Im Kern lassen sich fünf denkbare Werbeformate unterscheiden:

• Kontextbezogene Anzeigen: dezente, inhaltlich passende Einblendungen innerhalb der textlichen Antwort („Sponsored“)
• Eingebettete Anzeigen: klassische Sponsored Links vor oder nach der Antwort – ähnlich zu Search-Ads oder Copilot-Anzeigen
• Gesponserte Sitzung: Nutzer erhalten Zusatzfunktionen (z. B. mehr Tokens/Deep Research) im Austausch gegen das Ansehen von Werbung
• Karussell-Formate: visuelle Produkt- oder Händlerkacheln, besonders relevant für lokale Anfragen und E-Commerce-Use-Cases
• Premium-Feature-Sitzung: Werbung als „Unlock-Mechanik“, um Features aus höheren Plänen temporär freizuschalten

Wie das visuell wirken könnte, zeigt Abbildung 2 exemplarisch: Die Antwort bleibt unverändert in ihrer eigentlichen Logik, während darunter ein separater Sponsored-Block (mit Titel, Beschreibung und Call-to-Action) erscheint. Genau diese Trennung ist strategisch zentral – und gleichzeitig das Spannungsfeld: Je stärker ChatGPT zur Interface-Schicht für Kaufentscheidungen wird, desto wertvoller wird die Frage, wer unter der Antwort erscheint – und wer eben nicht.

Abbildung 2: Beispielhafte Darstellung von Sponsored Content in ChatGPT (Quelle: OpenAI)

Auswirkungen für Händler und Hersteller im E-Commerce

Für Händler und Hersteller ist die Einführung von Werbung in ChatGPT mehr als ein neues Ad-Produkt – sie markiert den Übergang zu einem neuen Mechanismus der Sichtbarkeit im E-Commerce. Denn ChatGPT ist nicht nur ein zusätzlicher Traffic-Kanal, sondern zunehmend eine Entscheidungsinstanz: Nutzer lassen sich beraten, vergleichen Alternativen, priorisieren Kriterien und bauen sich im Chat eine Shortlist – bevor sie überhaupt eine klassische Suchmaschine öffnen oder einen Marketplace besuchen. Damit verschiebt sich ein zentraler Teil der Wertschöpfung im Funnel: Discovery undx Consideration werden dialogbasiert, und Sichtbarkeit entsteht nicht mehr primär über Keyword-Rankings, sondern über Share of Recommendation (Anteil der Empfehlungen, die eine Marke im Chat erhält).

Dass dieser Shift nicht nur ein UX-Trend ist, sondern zunehmend performance-relevant wird, zeigt Abbildung 3: Retail-Visits aus KI-Suchanfragen steigen massiv an, während KI-vermittelter Traffic bereits nahezu das Conversion-Niveau klassischer Kanäle erreicht. Ergänzend sprechen die Qualitätsindikatoren – höhere Verweildauer, mehr Seitenaufrufe und geringere Absprungraten – für eine überdurchschnittliche Nutzerintention.

Abbildung 3: KI-vermittelter Retail-Traffic wächst stark und erreicht nahezu das Conversion-Niveau klassischer Kanäle (Quelle: Adobe)

Gerade für Marken birgt das Chancen und Risiken zugleich. Einerseits kann ChatGPT zu einer Art „digitalem Category Advisor“ werden, der Kaufentscheidungen massiv vorprägt – was den Wettbewerb um Top-Platzierungen weiter verschärft und eine neue Gatekeeper-Rolle schafft. Andererseits ergibt sich die Chance, sich aus der reinen Plattform-Abhängigkeit zu lösen: Wenn ChatGPT künftig nicht nur auf Amazon & Co. verweist, sondern vermehrt direkte Brand-Touchpoints integriert, entstehen neue Möglichkeiten für Direct Traffic, Brand Loyalty und höhere Margen durch die Umgehung von Marketplace-Fees.

Operativ verschärft das die Anforderungen: Wer in ChatGPT „empfohlen“ werden will, muss maschinenlesbar überzeugend sein – mit sauberen Produktdaten, klarer Value Proposition, konsistenten Claims, starken Reviews sowie hochwertigem Vergleichs-Content (FAQs, Buying Guides, „Best for“-Argumentation). Zusätzlich wird Performance-Messung zur neuen Disziplin: Da Beratung und Conversion in getrennten Umgebungen stattfinden, werden Attribution, Tracking und Incrementality-Tests entscheidend, um ChatGPT als Kanal sauber zu steuern – und nicht als Black Box zu akzeptieren (Attribution sagt, wo ein Kauf gemessen wurde. Incrementality sagt, ob der Kauf wegen der Maßnahme passiert ist.).

Monetarisierung & strategische Implikationen: Was Unternehmen jetzt tun sollten

Mit der Einführung von Werbung entsteht nicht nur ein neuer Kanal – es entsteht ein neues Spielfeld für Monetarisierung im Commerce. Perspektivisch ist davon auszugehen, dass ChatGPT sich ähnlich wie Google und Amazon in Richtung eines vollwertigen AI-Advertising-Ökosystems entwickelt: von Sponsored Placements bis hin zu produktnahen Karussells, Partnerintegrationen oder sogar affiliate-basierten Abrechnungslogiken. Für Händler und Hersteller heißt das: Budgets werden sich mittelfristig neu verteilen – und zwar dorthin, wo Kaufentscheidungen vorbereitet werden. Wer im Dialog früh sichtbar ist, beeinflusst nicht nur Klicks, sondern die gesamte Shortlist – und damit den Abverkauf.

Entscheidend ist dabei die Frage, wie sich ChatGPT als „AI-Layer“ zwischen Kunde und Shop positioniert: Wird es ein weiterer Gatekeeper, der Sichtbarkeit bepreist? Oder eröffnet es Marken den Weg zu einer direkteren Kundenbeziehung – inklusive First-Party-Daten, CRM-Aufbau und nachhaltiger Brand Loyalty? In beiden Fällen gilt: Die Gewinner werden jene sein, die früh lernen, wie man in diesem System auffindbar und bevorzugt wird.

Für Unternehmen empfiehlt sich daher ein strukturierter Vorbereitungs- und Pilotansatz:

1. AI Discovery Readiness schaffen: Produktdaten, Attribute, Content-Struktur, FAQ-/Guide-Logik, Trust-Signale
2. Intent-Cluster priorisieren: Für welche Use Cases (Probleme, Kategorien, Kaufanlässe) soll die Marke „Top of Mind“ werden?
3. Pilotierung & KPI-System: Tracking-Setup, Landingpages, Promo-Codes, Inkrementalitätslogik statt reiner Last-Click-Denke
4. Skalierung: Budgetsteuerung, Targeting, Sortiment, Internationalisierung – und Integration ins bestehende Retail-Media-Setup

Der Kernpunkt: ChatGPT wird vom Informations- zum Transaktions-Interface. Wer sich jetzt vorbereitet, kann nicht nur Sichtbarkeit sichern – sondern sich früh in einem neuen Wachstums- und Effizienzkanal positionieren, bevor sich dieser Markt konsolidiert.

Jedoch ist Werbung in ChatGPT ist nur der erste Schritt: Mittelfristig werden KI-Assistenten und Agenten nicht nur beraten, sondern aktiv Käufe vorbereiten – bis hin zur (teil-)autonomen Bestellung. Unternehmen müssen sich daher nicht nur auf neue Ad-Formate, sondern auf eine neue Form des digitalen Vertriebs im KI-Zeitalter vorbereiten.

Wie KI-Agenten den digitalen Vertrieb künftig fundamental verändern werden, zeigen wir in unserem neusten Blog-Post zum Thema Agentic Commerce.

Warum KI-Effizienzprogramme im E-Commerce zum entscheidenden Wettbewerbsfaktor werden

Der E-Commerce steht erneut an einem strukturellen Wendepunkt. Künstliche Intelligenz entwickelt sich vom Innovationsthema zum operativen Standard. Nicht, weil KI „nice to have“ wäre, sondern weil sie zunehmend zur Voraussetzung wird, um Produktivität, Service-Level und Margen in einem immer komplexeren Handelsumfeld zu sichern. Der globale Markt für KI im E-Commerce wächst derzeit mit rund 19–22 % CAGR und soll bis 2030 über 20 Mrd. EUR erreichen. Parallel steigen die Erwartungen auf Kundenseite deutlich: Bereits heute erwarten über 70 % der Konsumenten personalisierte Produktempfehlungen und Angebote entlang der gesamten Customer Journey.

Diese Dynamik spiegelt sich auch in der tatsächlichen Nutzung. Während 2021 KI in vielen Handelsunternehmen noch überwiegend getestet wurde, befindet sich inzwischen jedes zweite Handelsunternehmen bereits im operativen Einsatz oder in der Implementierung. Gleichzeitig zeigt sich ein klarer Shift in Richtung Umsetzung statt Planung: Der Anteil der Unternehmen, die KI bereits produktiv einsetzen, hat sich gegenüber 2021 mehr als verdreifacht (vgl. Abbildung 1). Damit wird KI im E-Commerce zunehmend vom „Innovationshebel“ zur notwendigen Basiskompetenz, um wettbewerbsfähig zu bleiben, insbesondere dort wo Effizienzgewinne in Marketing und Customer Service Produktivitätssteigerungen von 20–40 % je Use Case ermöglichen.

Abbildung 1: Anteil der Handelsunternehmen mit KI-Nutzung – Planung vs. operativer Einsatz 2021–2025 (Quelle: FOSTEC Research (2025), HDE (2025))

Diese Entwicklung ist mehr als ein technologischer Trend, sie markiert einen strukturellen Wandel im digitalen Handel. KI wird zunehmend zum „Betriebssystem“ des E-Commerce und verändert nicht nur einzelne Touchpoints, sondern komplette Wertschöpfungsprozesse: von Content- und Kampagnenproduktion über Service bis hin zu Pricing, Supply Chain und Operations. Damit verschiebt sich der Fokus von isolierten Piloten hin zur zentralen Managementfrage, wie KI skalierbar in Prozesse, Datenarchitektur und Operating Model integriert werden kann – und so messbare Produktivitäts- und Margeneffekte erzielt.

KI-Anwendungen im E-Commerce: Automatisierung als Einstieg – nächste Effizienzwellen im Fokus

Der Blick in die Praxis zeigt: Unternehmen starten ihre KI-Reise im E-Commerce selten mit radikalen Geschäftsmodellinnovationen, sondern mit klaren Effizienzhebeln, vor allem dort, wo Prozesse stark repetitiv sind, hohe Volumina bestehen und manuelle Aufwände die Skalierbarkeit begrenzen. Genau das bestätigt auch die aktuelle Verbreitung von KI-Anwendungsfällen im Handel: Marketing-Automation ist mit 49 % der am weitesten verbreitete Use Case, gefolgt von virtuellen Agenten/Chatbots (31 %) sowie Datenanalyse (29 %) (vgl. Abbildung 2).

Damit ist die strategische Stoßrichtung eindeutig: Der initiale Fokus vieler Unternehmen liegt auf automatisierter Kundenkommunikation und der Optimierung von Customer-Facing-Prozessen, bevor KI stärker in analytische oder operative Back-End-Bereiche hinein skaliert. Gleichzeitig wird sichtbar, wo die nächsten Effizienzwellen entstehen: Use Cases wie Muster-/Bild- und Spracherkennung sind heute noch vergleichsweise weniger verbreitet, bieten jedoch bei steigendem Reifegrad signifikantes Potenzial für weiterführende Automatisierung und Qualitätssteigerung.

Abbildung 2: Verbreitung von KI-Anwendungsfällen im Einzelhandel 2025 (Anteil Unternehmen in %) (Quelle: FOSTEC Research (2025), SellersCommerce (2025))

Um die Hebelwirkung greifbarer zu machen, lohnt der Blick auf zwei konkrete Use Cases, die exemplarisch zeigen, wie KI operative Exzellenz in zentralen Funktionsbereichen messbar steigert: automatisierter Kundensupport (Zendesk) sowie KI-gestützte Marketingeffizienz im Performance-Ökosystem (Amazon).

Use Case 1: Zendesk – KI-gestützter Customer Service

In vielen Handelsunternehmen verursachen hohe Ticketvolumina und repetitive Standardanfragen (z. B. FAQ, Status, Retouren) hohe Supportkosten und lange Lösungszeiten. Zendesk automatisiert zentrale Teile der Support Journey über Chatbots & Messaging, Self-Service-Wissensdatenbanken sowie KI-gestütztes Ticket-Routing und Copilot-Funktionen für Service-Agenten. Dadurch reduzieren sich Bearbeitungszeiten und Supportkosten deutlich, während menschliche Experten sich stärker auf komplexe und wertschöpfungsintensive Fälle konzentrieren können.

Use Case 2: Amazon – KI-Effizienz im Performance Marketing

Performance Marketing ist häufig durch hohen manuellen Aufwand in Kampagnenplanung und Setup, fehlende Klarheit darüber, welche Maßnahmen tatsächlich den größten Performance-Beitrag leisten, sowie ineffiziente Budget- und Frequenzsteuerung geprägt. Amazon setzt KI ein, um Marketingprozesse entlang der gesamten Kette zu automatisieren – von der Content-Erstellung über die Kampagnenplanung bis hin zu Zielgruppen-Targeting und Echtzeit-Budgetoptimierung. Das ermöglicht eine schnellere Aktivierung und bessere Skalierbarkeit über Produkte und Märkte hinweg, während Media-Spend dynamisch in die performanten Touchpoints verschoben und Streuverluste reduziert werden.

Technische Voraussetzungen: Warum KI-Projekte ohne Daten- und Plattform-Fundament im ROI stecken bleiben

In der Praxis scheitern KI-Initiativen im E-Commerce selten an den verfügbaren Modellen oder Tools, sondern an der fehlenden Skalierungsfähigkeit im Unternehmen. Viele Organisationen investieren aktuell vor allem in sichtbare, schnell greifbare Themen wie GenAI-Copiloten, Chat-Interfaces oder einzelne Business-Applikationen, weil diese vergleichsweise leicht zu pilotieren und zu finanzieren sind. Genau hier entsteht jedoch häufig die „Pilot-Falle“: KI funktioniert punktuell in isolierten Use Cases – liefert aber keinen unternehmensweiten ROI, weil die strukturellen Blockaden unbehandelt bleiben. Die eigentlichen Ursachen liegen typischerweise „unter der Oberfläche“ und betreffen vor allem Daten, Plattformen und Operating Model.

Der zentrale Engpass lässt sich damit klar beschreiben: Nicht Tools, sondern Daten und Plattformen bestimmen Skalierbarkeit und ROI. Vier Ursachen sind hierbei besonders häufig ausschlaggebend:

• Datenqualität & Integration limitieren KI-Anwendungen, wenn Datenquellen fragmentiert sind, Formate inkonsistent vorliegen oder Context-/Retrieval-Infrastrukturen fehlen.
• Plattformen & Infrastruktur werden zum Bottleneck, wenn zentrale Bausteine wie Data-Lakes, Vektor-Datenbanken oder durchgängige Integrationsschichten (API-Gateways) nicht vorhanden sind und Legacy-Systeme nicht KI-fähig ausgelegt sind.
• Governance & Sicherheit bremsen Skalierung, wenn Ownership für den KI-Lifecycle unklar ist, Monitoring fehlt oder Compliance/Datenschutz nur nachgelagert betrachtet werden.
• Geschäftsprozesse & Zuständigkeiten verhindern Produktivsetzung, wenn KI nicht in operative Kernprozesse eingebettet ist und keine kontinuierlichen Lern- und Optimierungsschleifen etabliert werden.

Um diese Blockaden aufzulösen, braucht es neben klarer Governance vor allem eine skalierbare Commerce-Architektur als technische Foundation. Hier setzt der MACH-Ansatz an, der eine modulare Plattformlogik ermöglicht und damit die schnelle Integration von KI-Services unterstützt. MACH steht für Microservices (modularisierte Funktionalitäten), API-first (durchgängige Schnittstellenlogik), Cloud-native (skalierbare Infrastruktur) und Headless (entkoppelte Frontends). Diese Architekturprinzipien stellen sicher, dass KI-Anwendungen nicht als Insellösungen in einzelnen Tools verbleiben, sondern über APIs in Kernsysteme (z. B. ERP, PIM, CRM) eingebettet und unternehmensweit über alle Kanäle skaliert werden können (vgl. Abbildung 3).

Abbildung 3: KI-fähige MACH E-Commerce-Architektur als Basis für Skalierung (Quelle: FOSTEC Research (2025))

Weiterführende Inhalte

Für vertiefende Einblicke steht unser Dossier „Next-Gen E-Commerce: Mit KI zu operativer Exzellenz“ zum kostenlosen Download bereit. Darin analysieren wir zusätzlich die Buy-vs.-Build-Logik, präsentieren Use Cases entlang der E-Commerce-Wertschöpfungskette und zeigen einen detaillierten Projektansatz zur Skalierung von KI im Unternehmen.

Hier das Dossier kostenlos herunterladen.

Für einen Blick in die nächste Evolutionsstufe des digitalen Handels empfehlen wir unseren Blog-Post zu Agentic Commerce. Wir zeigen, warum sich Kaufentscheidungen zunehmend von klassischen Touchpoints entkoppeln – und warum Unternehmen schon heute strategisch sicherstellen sollten, dass sie für agentische Journeys „kompatibel“ werden.

Hier geht es zum Agentic Commerce Blog-Post.

Der strukturelle Wandel im globalen Commerce

Der globale Handel befindet sich an einem historischen Wendepunkt. Nach zwei Jahrzehnten digitaler Transformation – von klassischem E‑Commerce über Mobile Commerce bis hin zu datengetriebenen Recommendation Engines – entsteht nun ein neues Paradigma: Agentic Commerce. Dieser Ansatz verschiebt die Wertschöpfungslogik grundlegend, indem autonome KI‑Agenten die Rolle aktiver Entscheidungsträger im Kaufprozess einnehmen. Sie agieren nicht länger nur unterstützend, sondern orchestrieren End-to-End-Prozesse eigenständig. Diese strukturelle Veränderung wird von drei makroökonomischen Kräften getrieben: der breiten Akzeptanz generativer KI, der technologischen Reife autonom agierender Modelle und der zunehmenden Standardisierung von Schnittstellen, Protokollen und Zugriffsmechanismen.

Abbildung 1: Wachstum des globalen E-Commerce-Marktes und des Agentic-Commerce-Potenzials bis 2030 (FOSTEC Research; commercetools, 2025)

Prognosen für das Marktpotenzial unterstreichen die Tragweite dieses Wandels: Bis 2030 könnte Agentic Commerce ein globales Volumen von über 3–5 Billionen USD erreichen, was 31 Prozent des Online-Handels ausmachen wird. Abbildung 1 zeigt eindrucksvoll, dass nicht nur der globale E-Commerce-Markt weiter wächst (CAGR 6,9 %), sondern dass sich parallel ein eigenständiges Hochdynamik-Segment formt: Agentic Commerce skaliert von einem heute noch marginalen Markt auf mehr als 2,5 Billionen EUR – mit über 400 % CAGR. Diese exponentielle Kurve markiert eine strukturelle Verlagerung der Wertschöpfung hin zu KI-gesteuerten Kaufprozessen.

Gleichzeitig verändert sich das Konsumentenverhalten rapide: Bis 2030 werden über 75 % aller Kaufentscheidungen KI-beeinflusst sein. Schon heute nutzen mehr als 1 Milliarde Menschen täglich generative AI-Tools wie Gemini, ChatGPT oder Perplexity – ein klarer Indikator dafür, dass KI-Agenten in den Kaufprozess hineinwachsen und diesen zunehmend dominieren.

Für Unternehmen entsteht daraus eine signifikante Early-Mover-Opportunity: Wer frühzeitig agentische Schnittstellen, Datenstrukturen und Prozesse etabliert, kann sich einen überproportionalen Anteil AI-getriebener Transaktionen sichern. Unternehmen, die die in Abbildung 1 gezeigte Entwicklung strategisch antizipieren, realisieren somit nicht nur bessere Conversion-Raten und geringere Cost-to-Serve, sondern sichern sich langfristig Relevanz in einem Markt, der sich radikal in Richtung autonomer, KI-orchestrierter Kaufentscheidungen verschiebt.

Wie sich die Customer Journey neu organisiert – Von SEO und Inbound zu Intent-Driven Commerce

Abbildung 2: Agentic Commerce Customer Journey

Agentic Commerce markiert das Ende traditioneller Customer Journeys, die auf Suchverhalten, manueller Navigation, Vergleichslogiken und bewussten Kaufentscheidungen basieren. Die in der Abbildung gezeigte neue Journey verdeutlicht den Paradigmenwechsel: Anstelle eines sequenziellen Funnels – „Traffic – Awareness – Consideration – Selection“ – übernimmt ein autonomer KI-Agent die vollständige Orchestrierung. Der Nutzer formuliert lediglich seine Intention, etwa „Kaufe regelmäßig Bio-Kaffee“ oder „Finde eine wetterfeste Arbeitsjacke unter 150 Euro“, und der Agent steuert sämtliche Schritte – von der Bedarfserkennung über die Produktrecherche bis zur Transaktion und After-Sales-Interaktion.

Gleichzeitig verschiebt sich die Logik der Sichtbarkeit fundamental. Im klassischen E-Commerce entsteht Nachfrage durch SEO, SEA, Content-Marketing und Retargeting, die den Nutzer in den Funnel ziehen sollen. Die neue Journey setzt genau dort an: In einer agentischen Welt interagieren KI-Agenten nicht mit Werbebannern, organischem Ranking oder visuellen Stimuli, sondern ausschließlich mit strukturierten Produktinformationen und logischen Parametern. Abbildung 2 zeigt dies explizit: Jede Phase – von Inbound Traffic bis Loyalty – wird datengetrieben, regelbasiert und ohne menschlichen Input vom Agenten ausgeführt. Sichtbarkeit entsteht somit nicht mehr durch Traffic, Kampagnen und ästhetische Gestaltung, sondern durch Datenqualität, semantische Klarheit, produktlogische Konsistenz und die Fähigkeit, agentenoptimierte Kataloge bereitzustellen.

Die Konsequenzen für Marken sind erheblich: Die Kontrolle über die frühen Kontaktpunkte geht verloren, weil der Agent als Filter und Entscheidungsträger die Rolle des Konsumenten übernimmt. Differenzierung entsteht daher weniger über Branding und Storytelling, sondern primär über Produktrelevanz, Preisattraktivität, Lieferfähigkeit und die technische Lesbarkeit der Produktdaten. Die neue Customer Journey zeigt damit nicht nur einen Prozesswandel, sondern eine strukturelle Neuordnung der Kräfteverhältnisse zwischen Konsumenten, Marken und Plattformen.

Model Context Protocol (MCP) – Die Grundlage für Agentic Commerce

Das Model Context Protocol (MCP) spielt eine Schlüsselrolle in der Entstehung agentischer Commerce-Ökosysteme, da es erstmals einen globalen Standard schafft, über den KI-Agenten mit Tools, Plattformen und Transaktionssystemen nicht nur kommunizieren, sondern auch zuverlässig handeln können. In traditionellen E-Commerce-Architekturen existiert kein gemeinsamer Kontextlayer, der Nutzerintentionen, Systemregeln und Transaktionslogiken konsistent miteinander verbindet.

Abbildung 3: Model Context Protocol (MCP)

MCP schließt genau diese Lücke: Es übersetzt die Instruktionen eines Large Language Models in ein strukturiertes, maschinenlesbares Format, das externe Systeme eindeutig interpretieren können – und ermöglicht dadurch echte End-to-End-Automatisierung. Die Abbildung 3 zeigt diesen Ablauf klar: Während die LLM-Orchestrierung die Nutzerintention in ausführbare Schritte zerlegt, transformiert MCP diese Schritte in standardisierte Protokolle und macht sie für APIs, Buchungs- und Zahlungssysteme unmittelbar umsetzbar. Erst diese Übersetzungsschicht ermöglicht, dass ein KI-Agent autonom Preise prüft, Verfügbarkeiten abfragt, Buchungen auslöst oder Bestellungen durchführt.

Für den Handel bedeutet dies einen fundamentalen Shift: Produkte, Services, Preise und Lieferinformationen müssen so strukturiert, versioniert und API-fähig bereitgestellt werden, dass Agenten sie in Echtzeit verarbeiten können. Gleichzeitig wird deutlich, dass MCP zwar die technische „Grammatik“ agentischer Systeme bereitstellt, aber allein nicht ausreicht, um vollwertigen Agentic Commerce zu realisieren. Unternehmen benötigen darüber hinaus moderne MACH-Architekturen, konsistente Datenmodelle, klare interne Verantwortlichkeiten und resilienten Governance-Rahmen, damit agentische Workflows skalierbar, sicher und zuverlässig funktionieren. MCP bildet somit den zentralen Enabler – doch erst durch tiefgreifende technische und organisatorische Veränderungen wird es möglich, Agentic Commerce operativ im Handel zu verankern und wettbewerbsfähig auszuschöpfen.

Was Unternehmen jetzt für Agentic Commerce benötigen

Die Einführung von Agentic Commerce erfordert, dass Unternehmen ihr technisches, datenbezogenes und organisatorisches Fundament konsequent weiterentwickeln. Die in Abbildung 4 dargestellten Kategorien zeigen die vier Bereiche, in denen Voraussetzungen geschaffen werden müssen.

Erstens braucht es eine „agentenfähige“ Datenbasis: Nur vollständig strukturierte, standardisierte und kontextreiche Produktdaten – von GTIN über Attribute bis zu Lieferzeiten – ermöglichen es KI-Agenten, Produkte korrekt zu identifizieren, zu vergleichen und als valide Option zu berücksichtigen. Fehlende oder inkonsistente Daten führen in agentischen Umgebungen unmittelbar zu Sichtbarkeitsverlusten.

Zweitens müssen Systemzugang und technische Erreichbarkeit sichergestellt werden. Dazu gehört, dass Katalog-, Preis- und Bestandsdaten über APIs und Feeds in Echtzeit abrufbar sind und dass Integrationen wie MCP den Austausch zwischen Agenten und Commerce-Systemen ermöglichen. Plattformen wie ChatGPT, Perplexity oder Google AI Mode greifen dann direkt auf diese Daten zu – was eine moderne, MACH-basierte Architektur zur Voraussetzung macht.

Drittens ist Vertrauen und Governance entscheidend, um agentische Prozesse sicher zu betreiben. Unternehmen benötigen klare Leitplanken für Kaufprozesse, Freigaben oder Rückgaben sowie ein zentrales Monitoring, das Aktivitäten, Kosten und potenzielle Fehlverhalten von Agenten sichtbar macht. Nur so lassen sich Risiken kontrollieren und Compliance sicherstellen.

Viertens erfordert Agentic Commerce einen organisatorischen Wandel. Cross-funktionale Teams müssen gemeinsam neue Betriebsmodelle entwickeln; Pilotprojekte mit klaren KPIs ermöglichen schnelle Lernzyklen; und Prozesse sowie Verantwortlichkeiten sind so anzupassen, dass agentische Workflows skalierbar betrieben werden können. Für Unternehmen im E-Commerce entsteht damit ein neuer Wettbewerbsfaktor: Datenqualität, technische Offenheit und organisatorische Anpassungsfähigkeit entscheiden künftig darüber, ob Agentic Commerce zum Wachstumshebel wird.

Konkrete Use Cases die mit Agentic Commerce möglich werden

Agentic Commerce eröffnet ein breites Spektrum an Use Cases, die sich sowohl im B2C- als auch im B2B-Umfeld fundamental von bisherigen digitalen Interaktionen unterscheiden. Im B2C-Bereich steht vor allem die Customer Experience im Fokus: Agenten übernehmen Replenishment-Aufgaben („Buy for me“), agieren als persönlicher Stil- und Bedarfsberater, orchestrieren conversational Checkouts in Chat-basierten Interfaces und steuern After-Sales-Prozesse wie Retouren, Garantieabwicklungen oder Lieferstatusanfragen autonom.

Im B2B-Markt hingegen rücken Umsatzsicherung und Effizienzgewinne in den Vordergrund: Agenten übernehmen MRO-Bestellungen, prüfen Rahmenverträge, legen Warenkörbe an und holen Freigaben ein; agentische Preis- und Lieferverhandlungen zwischen Unternehmen entwickeln sich zu einem ernstzunehmenden Forschungs- und Pilotfeld; und Vertriebsorganisationen nutzen KI-gestützte Playbooks, um Besuchsplanung, Sortimentslücken oder Promotion-Empfehlungen datengetrieben vorzubereiten. Diese Use Cases zeigen, dass Agentic Commerce kein einzelner Prozess ist, sondern ein neues Betriebsmodell entlang der gesamten Wertschöpfungskette.

Abbildung 5: ChatGPT als vollwertiger Shopping-Assistent (OpenAI, 2025)

Wie weit dieser Wandel bereits fortgeschritten ist, verdeutlichen aktuelle Praxisbeispiele. Das in der Abbildung 5 gezeigte ChatGPT-Shopping-Erlebnis demonstriert erstmals einen vollständig autonom orchestrierten Kaufprozess: Von der Bedarfsermittlung („Finde ein Geschenk…“) über Produktrecherche, Bewertung und Preistransparenz bis hin zum Checkout und der Zahlungsabwicklung läuft der gesamte Commerce-Flow innerhalb eines Agenten – ohne, dass der Nutzer eine Website aufrufen muss.

Ähnliche Konzepte entstehen parallel bei führenden Plattformen:

• Amazon Rufus: beantwortet Einkaufsfragen, vergleicht Kategorien und hilft beim Entscheiden – direkt in der Amazon-App
• Check24 AI Assistent Sophie: beantwortet Fragen, vergleicht Tarife und Angebote und hilft beim Entscheiden – direkt in der Check24-App
• Perplexity + PayPal: Kauf, Tickets & Reisen direkt im Chat bezahlen (PayPal/Venmo)
• Google AI Mode: Beschreibe dein Kauf-Szenario und Google schlägt passende Produkte vor. Ausgebaut mit Features wie Price Tracker und einem virtuellen Anprobier Service (“try-it-on”) für Fashion Artikel

Jede dieser Lösungen demonstriert, wie sich Nutzerinteraktionen vom klassischen Browsing hin zu dialog- und intentbasierten agentischen Kaufprozessen verlagern.

Was bleibt: Die Kernbotschaften des Agentic-Commerce-Wandels

Agentic Commerce ist keine Zukunftsvision, sondern ein sich rasant entwickeltes Marktmodell. Unternehmen sollten daher früh die Grundlagen schaffen, damit KI-Agenten überhaupt mit ihren Systemen interagieren können – von strukturiertem, crawlbarem Content über klare Zugriffswege bis zu sauberen Tech-SEO-Standards. Ebenso wichtig ist die Auseinandersetzung mit Protokollen wie dem Model Context Protocol und die Entscheidung, welche Daten, Inhalte und Prozesse Agenten zur Verfügung stehen sollen. Der zentrale Hebel bleibt jedoch die Data-Readiness: Nur Unternehmen, die vollständige und konsistente Daten bereitstellen, bleiben in agentischen Ökosystemen sichtbar und wettbewerbsfähig.

Wenn Sie besser verstehen möchten, wie agentisch Ihr Unternehmen heute bereits aufgestellt ist – und welche Potenziale, Lücken und konkreten nächsten Schritte sich daraus ergeben –, unterstützen wir Sie gerne mit einer fundierten Agentic-Commerce-Diagnose. Kontaktieren Sie uns für ein unverbindliches Erstgespräch.