In Onlineshops kommen inzwischen zwei Arten von Besuchern an. Die eine klickt, scrollt und vergleicht mit den Augen. Die andere ruft die Seite ab, zerlegt sie in Text und sucht nach harten Fakten: Preis, Variante, Lieferzeit, Rückgaberecht. Der KI-getriebene Traffic auf US-Retail-Sites lag im ersten Quartal 2026 um 393 Prozent (Adobe Analytics) über dem Vorjahreswert. Bemerkenswerter als diese Wachstumsrate ist aber, was nach der Ankunft passiert: Aus einem Kanal, der vor einem Jahr noch deutlich schlechter abschloss als der Rest, ist der am besten vorqualifizierte Traffic vieler Shops geworden. Das ist eine gute Nachricht — vorausgesetzt, die Seite, auf der dieser Traffic landet, kann antworten.
Die zweite Besuchergruppe im Shop
Adobe wertet für seinen Quartalsbericht Transaktionsdaten von über einer Billion Besuchen (Adobe Analytics) auf US-Retail-Sites aus. Für das erste Quartal 2026 weist die Auswertung ein Plus von 393 Prozent (Adobe Analytics) beim Traffic aus generativen KI-Quellen aus; im März 2026 allein waren es 269 Prozent (Adobe Analytics) gegenüber dem Vorjahresmonat. Der Spitzenwert stammt aus dem Weihnachtsgeschäft: In November und Dezember 2025 stieg der Traffic von generativen KI-Werkzeugen auf Retail-Sites um 693,4 Prozent (Adobe Analytics) gegenüber dem Vorjahreszeitraum.
Diese Zahlen beschreiben einen US-Markt, und sie beschreiben Wachstum von einer kleinen Basis aus. Beides gehört zur Einordnung: Ein Plus von mehreren hundert Prozent klingt dramatischer, als es der absolute Anteil am Gesamt-Traffic heute ist. Für einen mittelständischen Shop in Deutschland bedeutet das nicht, dass morgen die Hälfte der Bestellungen von Agenten kommt. Es bedeutet, dass eine Verkehrsart entsteht, die es vor zwei Jahren praktisch nicht gab, die schneller wächst als alles andere im Kanalmix — und die andere Anforderungen an die Seite stellt als ein Mensch mit einer Maus.
Was hier mit KI-Traffic gemeint ist
Die Conversion hat gedreht
Der eigentliche Befund steckt nicht im Volumen, sondern in der Qualität. Im März 2025 konvertierte KI-getriebener Traffic noch 38 Prozent schlechter (Adobe Analytics) als andere Kanäle. Zwölf Monate später, im März 2026, lag er 42 Prozent besser (Adobe Analytics) — nach Adobes Angaben ein neuer Höchstwert. Parallel dazu drehte der Umsatz pro Besuch: Er lag im März 2026 um 37 Prozent höher (Adobe Analytics) als bei Nicht-KI-Traffic, während ein Jahr zuvor umgekehrt der nicht KI-getriebene Traffic noch um 128 Prozent (Adobe Analytics) wertvoller war.
Diese Umkehr innerhalb eines Jahres ist erklärungsbedürftig, und die Erklärung ist unspektakulär: Vorqualifizierung. Wer über einen Assistenten kommt, hat die Auswahl schon hinter sich. Die Frage „Welche Waschmaschine passt in eine Nische von 60 Zentimetern und ist bis Freitag da?“ ist beim Klick auf den Shop-Link bereits weitgehend beantwortet. Die Messwerte stützen das: Besucher aus KI-Quellen zeigen eine um 12 Prozent höhere (Adobe Analytics) Engagement-Rate, bleiben 48 Prozent länger (Adobe Analytics) auf der Website und sehen sich 13 Prozent mehr Seiten (Adobe Analytics) pro Besuch an.
Im Weihnachtsgeschäft war derselbe Effekt zu beobachten: KI-Referrals konvertierten 31 Prozent besser (Adobe Analytics) als andere Quellen, an Thanksgiving lag der Vorsprung bei 54 Prozent (Adobe Analytics), am Black Friday bei 38 Prozent (Adobe Analytics). In einer Befragung von über 5.000 US-Verbrauchern (Adobe Analytics) gaben 39 Prozent (Adobe Analytics) an, KI beim Onlineshopping zu nutzen; 85 Prozent (Adobe Analytics) von ihnen sagten, das habe ihr Einkaufserlebnis verbessert.
Der Kern in einem Satz
Ein Viertel Ihrer Inhalte ist unsichtbar
Der zweite Teil des Adobe-Berichts ist der unbequeme. Adobe hat erstmals gemessen, wie gut Retail-Seiten für Sprachmodelle lesbar sind. Im Durchschnitt des US-Retail-Sektors erreichen Startseiten 75 Prozent (Adobe Analytics) maschinenlesbare Sichtbarkeit, Kategorieseiten 74 Prozent (Adobe Analytics) und einzelne Produktseiten nur 66 Prozent (Adobe Analytics). Rund ein Viertel der Startseiten-Inhalte und rund ein Drittel der Produktseiten-Inhalte ist für Modelle also nicht erfassbar.
Die Spannweite ist dabei größer, als der Durchschnitt vermuten lässt: Die stärksten US-Retail-Startseiten kommen auf 82,5 Prozent (Adobe Analytics), die schwächsten auf 54,2 Prozent (Adobe Analytics). Ausgerechnet die Produktseite — die Seite, auf der ein Agent die Antwort sucht — schneidet am schlechtesten ab. Das ist kein Zufall: Produktseiten sind in vielen Shops die am stärksten dynamisch zusammengesetzten Seiten, mit tausenden Artikelnummern, Varianten-Widgets und nachgeladenen Bausteinen.
Woran es konkret liegt, ist selten exotisch. Typische Ursachen in Projekten (Projekterfahrung): Preise, die erst per JavaScript nachgeladen werden; Varianten und Größen, die nur in einem interaktiven Widget existieren; Lieferzeiten in einem Tooltip; Versandkosten ausschließlich im Warenkorb; technische Daten in einem PDF-Datenblatt; und Texte, die als Bild ausgeliefert werden. Für einen Menschen ist all das sichtbar. Für ein Modell, das die ausgelieferte Seite liest, ist es schlicht nicht vorhanden.
| Seitentyp | Maschinenlesbare Sichtbarkeit | Was typischerweise fehlt |
|---|---|---|
| Startseite | 75 Prozent im Schnitt (Adobe Analytics) | Sortimentsüberblick, Einordnung des Anbieters, Navigationstiefe |
| Kategorieseite | 74 Prozent im Schnitt (Adobe Analytics) | Filterlogik, Abgrenzung der Produktgruppen, Sortierkriterien |
| Produktseite | 66 Prozent im Schnitt (Adobe Analytics) | Varianten, Preisdetails, Lieferzeit, Versandkosten, Rückgabe |
| Bestwert Startseite | 82,5 Prozent (Adobe Analytics) | Auch dort bleibt rund ein Sechstel der Seite unlesbar |
| Schwächster Wert | 54,2 Prozent (Adobe Analytics) | Fast die Hälfte der Seite existiert für Modelle nicht |
Welche Daten Agenten wirklich brauchen
Ein Agent, der im Auftrag eines Menschen recherchiert, hat eine kurze Liste von Fragen — und er beantwortet sie notfalls durch Schätzen, wenn die Seite schweigt. Genau darin liegt das Risiko. Die folgenden sechs Datenpunkte entscheiden in der Praxis darüber, ob ein Angebot korrekt eingeordnet oder aus der Auswahl genommen wird.
Varianten und Verfügbarkeit
Welche Größen, Farben und Ausführungen gibt es, und welche davon sind jetzt lieferbar? Wer die Variantenmatrix nicht lesen kann, empfiehlt entweder nichts oder das Falsche.
Preis mit Kontext
Brutto oder netto, mit welcher Mehrwertsteuer, in welcher Währung, ab welcher Menge? Ein Preis ohne Kontext ist für eine Maschine kein Preis, sondern eine Zahl.
Versandkosten und Lieferzeit
Beides gehört zur Kaufentscheidung, und beides steht oft erst im Warenkorb. Was dort nicht gefunden wird, fehlt im Vergleich — oder wird geschätzt.
Rücksendungen und Fristen
Widerrufsfrist, Rücksendekosten, Zustand der Ware: Beim Vergleich mehrerer Anbieter ist das häufig das Zünglein an der Waage.
Belastbare Produktattribute
Maße, Gewicht, Material, Kompatibilität, Normen. Was nur im PDF steht, existiert für das Modell nicht. Was im Fließtext steht, existiert.
Identität und Verbindlichkeit
Wer ist der Verkäufer, welche Zahlungsarten gibt es, was gilt rechtlich? Angebote, die sich eindeutig zuordnen lassen, haben es leichter.
Warum Widersprüche teuer werden
Ein Mensch, der auf der Produktseite „2 bis 3 Tage“ liest und im Warenkorb „5 bis 7 Werktage“, stutzt und fragt nach. Ein Agent tut das in der Regel nicht. Er nimmt den Wert, den er zuerst und am klarsten findet, und trägt ihn weiter — in einen Vergleich, in eine Empfehlung, unter Umständen in eine Aussage gegenüber dem Nutzer. Der Widerspruch verschwindet damit nicht, er wandert nur an eine Stelle, an der er teurer wird.
Dass die Verantwortung dafür beim Betreiber bleibt, ist inzwischen nicht mehr nur eine kaufmännische Frage. Das Oberlandesgericht Hamm hat im Mai 2026 entschieden, dass ein KI-Chatbot kein Dritter ist, sondern ein technisches Mittel des Unternehmens (OLG Hamm, Az. 4 UKl 3/25); was er sagt, sagt das Unternehmen. Das Urteil ist nicht rechtskräftig, die Revision zum Bundesgerichtshof wurde zugelassen (Legal Tribune Online). Die Entscheidung betrifft unmittelbar den eigenen Chat — die Logik dahinter, dass sich niemand hinter der Unvorhersehbarkeit eines Modells versteckt, verdient aber auch dort Beachtung, wo fremde Agenten Angaben aus Ihrer Seite ziehen. Das Urteil und seine Folgen haben wir im Beitrag zur Haftung für Chatbot-Aussagen ausführlich eingeordnet.
Praktisch heißt das: eine einzige gepflegte Quelle je Aussage. Wenn Lieferzeit, Preis und Versandkosten an drei Stellen gepflegt werden, entstehen früher oder später drei Wahrheiten — und eine davon landet in einer Empfehlung. Wo diese Quelle liegt, ist eine Architekturfrage; dazu gehört, wie ein Assistent an vorhandene Systeme angebunden wird und aus welchem System er seine Zahlen zieht.
Offene Standards für den Agenten-Checkout
Parallel zur Traffic-Entwicklung entstehen technische Standards dafür, wie ein Agent nicht nur liest, sondern abschließt. Das Agentic Commerce Protocol wurde am 29. September 2025 unter der Apache-2.0-Lizenz als offene Spezifikation veröffentlicht (Agentic Commerce Protocol). Es beschreibt drei Bausteine: eine Spezifikation für Produktdaten, eine für den agentengesteuerten Checkout und eine für delegierte Zahlungen (Agentic Commerce Protocol). Der Kerngedanke: Der Agent sammelt die Zahlungsauswahl des Käufers ein und übergibt dem Händler ein eng begrenztes Token; der Händler belastet dieses Token über seinen eigenen Zahlungsdienstleister und bleibt dabei Vertragspartner (Agentic Commerce Protocol).
Der Internationale Währungsfonds hat dieselbe Frage aus Sicht der Zahlungssysteme untersucht und dabei eine Spannung benannt, die den ganzen Bereich prägt: Zahlungsinfrastrukturen sind auf deterministischer Logik gebaut, agentische KI arbeitet probabilistisch und kann unter ähnlichen Bedingungen unterschiedliche Ergebnisse produzieren (IMF Notes 2026/004). Der Vorschlag der Autoren ist ein Modell aus drei Schichten: Absicht und Orchestrierung oben, wo probabilistisch geplant und verglichen wird; Kontrolle und Autorisierung in der Mitte, wo Mandate mit Umfang, Grenzen und Identität deterministisch geprüft werden; Abwicklung unten, wo Zahlungen mit rechtlicher Endgültigkeit ausgeführt werden (IMF Notes 2026/004).
Agentische KI-Systeme arbeiten andersherum: Sie stützen sich auf probabilistisches Schließen und adaptive Entscheidungsfindung, die unter ansonsten ähnlichen Bedingungen unterschiedliche Ergebnisse hervorbringen können.
Für einen mittelständischen Shop ist die Botschaft dieser Debatte weniger technisch, als sie klingt. Die Standards sind jung, und die Zuständigkeiten für Einwilligung, Authentifizierung, Autorisierung und Streitfälle werden gerade erst geklärt (Forrester). Sich heute auf eine bestimmte Spezifikation festzulegen, wäre verfrüht. Die Vorarbeit, die in jedem Szenario nützt, ist eine andere: eindeutige, widerspruchsfreie, maschinenlesbare Produktdaten. Sie sind die Voraussetzung für jedes dieser Protokolle — und sie zahlen sich unabhängig davon aus, welches sich durchsetzt.
Zwei Ebenen sauber trennen
In der Praxis werden zwei Dinge ständig vermischt, die getrennt gehören. Die eine Ebene liegt außerhalb Ihres Shops: Fremde Agenten lesen Ihre Inhalte, vergleichen sie und entscheiden, ob Ihr Angebot in der Empfehlung vorkommt. Darauf haben Sie nur mittelbaren Einfluss — über die Qualität dessen, was Sie ausliefern. Die andere Ebene liegt in Ihrem Shop: Was passiert, wenn der so vorqualifizierte Besucher ankommt? Beide Ebenen brauchen Arbeit, aber unterschiedliche.
| Aspekt | Ebene 1: außerhalb des Shops | Ebene 2: im eigenen Shop |
|---|---|---|
| Wer handelt | Fremde Agenten im Auftrag von Nutzern | Ihr eigener Assistent im Auftrag Ihres Shops |
| Ziel | Korrekt gelesen und richtig eingeordnet werden | Die vorqualifizierte Frage beantworten und zum Abschluss führen |
| Hebel | Struktur, Eindeutigkeit und Vollständigkeit der Daten | Beratung, Produktboxen, Warenkorb, Übergabe an Menschen |
| Messgröße | Maschinenlesbare Sichtbarkeit, Erwähnungen, Referrals | Conversion, Umsatz pro Besuch, Abbruchquote |
| Kontrolle | Mittelbar: Sie liefern, andere entscheiden | Unmittelbar: Sie legen Regeln und Grenzen fest |
| Zeithorizont | Laufende Datenpflege, wirkt langsam | Wirkt, sobald der Besucher da ist |
Der eigene Assistent als Abschlussebene
Die zweite Ebene wird unterschätzt. Ein Besucher, der über einen Assistenten kommt, hat gerade ein Gespräch geführt. Er hat Fragen gestellt und Antworten bekommen. Dann landet er auf einer Produktseite, die schweigt. Der Bruch ist spürbar, und die Zahlen legen nahe, dass genau hier Potenzial liegt: Wer 48 Prozent länger (Adobe Analytics) bleibt und 13 Prozent mehr Seiten (Adobe Analytics) ansieht, sucht sichtbar weiter — meistens nach genau der einen Angabe, die im Gespräch offengeblieben ist.
Ein Assistent im eigenen Shop schließt diese Lücke, wenn er drei Dinge kann: aus einer gepflegten Wissensbasis statt aus allgemeinem Modellwissen antworten, Produkte als Produktboxen mit Bild, Preis und Kauf-Button direkt im Gespräch zeigen und den Warenkorb im Chat befüllen, ohne den Nutzer aus dem Gespräch zu werfen. Wie sich das auf konkrete Beratungsfragen auswirkt, haben wir am Beispiel der Kaufberatung im Chat beschrieben.
Wichtig ist die Grenze. Ein Assistent, der verkauft, trifft Aussagen über Preise, Fristen und Verfügbarkeiten. Genau dort gehören harte Regeln hin: Was aus der Wissensbasis kommt, wird gesagt; was nicht darin steht, wird nicht vermutet, sondern an einen Menschen übergeben. Dass eine solche Grenze vor dem Livegang belegbar sein sollte, ist kein Formalismus — welche Testfälle dafür taugen, zeigt unser Beitrag zur Abnahme eines KI-Assistenten vor dem Livegang.
Der Teil, der ohnehin schon Geld kostet, bleibt daneben bestehen: Ein erheblicher Teil der Warenkörbe wird nicht abgeschlossen. Wie sich Abbrecher im Gespräch statt per Mailstrecke zurückholen lassen, steht im Beitrag zu Warenkorbabbrüchen im Chat; die branchenspezifische Sicht fassen wir auf der Seite zum Assistenten für Onlineshops zusammen.
Agenten-Traffic auswerten, nicht wegfiltern
Wenn ein Kanal 42 Prozent besser (Adobe Analytics) konvertiert, sollte man ihn sehen können. In vielen Setups sieht man ihn nicht — weil er in „Direkt“ oder „Sonstige“ landet oder weil eine Bot-Erkennung ihn aussortiert. Die Trennung, auf die es ankommt, verläuft nicht zwischen Mensch und Maschine, sondern zwischen Kaufabsicht und keiner Kaufabsicht.
- Trennen Sie Referral-Traffic aus KI-Anwendungen von Crawlern, die Inhalte einsammeln — hinter dem einen steht ein Kunde, hinter dem anderen nicht.
- Prüfen Sie, ob Ihre Bot-Filter Besuche mit Kaufabsicht mit aussortieren; ein weggefilterter Kanal lässt sich nicht optimieren.
- Messen Sie für diesen Kanal separat: Conversion, Umsatz pro Besuch, Verweildauer, Seiten pro Besuch.
- Sehen Sie sich die Einstiegsseiten an: Landen Besucher aus KI-Quellen auf Produktseiten oder auf der Startseite?
- Werten Sie aus, welche Fragen im eigenen Chat nach dem Einstieg gestellt werden — dort steht, was auf der Seite fehlt.
- Behandeln Sie das als laufenden Prozess: Die Kurve hat sich in zwölf Monaten gedreht, sie kann sich wieder drehen.
Der vorletzte Punkt ist der wertvollste und der am seltensten genutzte. Die Fragen, die Besucher Ihrem eigenen Assistenten stellen, sind eine Liste der Lücken Ihrer Produktseiten — geschrieben von Ihren Kunden, ohne Umfrage und ohne Interpretation. Wie sich das systematisch auswerten lässt, beschreibt unsere Seite zur Gesprächsanalyse.
Wie reif das wirklich ist
Zum ehrlichen Bild gehört die Gegenzahl. Forrester hat im April 2026 Online-Erwachsene in den USA, Großbritannien und Kanada befragt: Drei Vierteln (Forrester) von ihnen ist es unangenehm, einen KI-Agenten einen Kauf abschließen und bezahlen zu lassen — selbst dann, wenn sie vorher Ausgabengrenzen und Regeln festlegen könnten. Genannt werden vier Gründe: Kontrollverlust, Fehler und Haftungsfragen, Misstrauen gegenüber agentischen Entscheidungen sowie Datensicherheit und Privatsphäre (Forrester).
Forrester ordnet den Stand Mitte 2026 nüchtern ein: Die meisten agentischen Erlebnisse seien weiterhin konversationell. Entdeckung und Vergleich per Chat sind verbreitet, Entscheidung und Checkout bleiben in den meisten Fällen beim Menschen. Echte Autonomie sei selten, und der Hype laufe dem tatsächlichen Verhalten voraus (Forrester). Autonome Agentenzahlungen dürften zuerst im B2B Fuß fassen, wo Abläufe stark wiederholbar sind (Forrester).
Beides zusammen ergibt ein klares Bild, und es ist nicht das aus den Schlagzeilen. Der Agent, der vollautomatisch bestellt, ist heute die Ausnahme. Der Agent, der recherchiert, vergleicht und einen Menschen zu einem Shop-Link führt, ist bereits Alltag — und er ist derjenige, der die 393 Prozent (Adobe Analytics) und die 42 Prozent (Adobe Analytics) erzeugt. Die Arbeit, die sich heute lohnt, richtet sich an diesen zweiten Fall. Sie besteht aus lesbaren Daten und einer Seite, die antwortet, nicht aus einer Protokoll-Integration.
Was das für die Planung heißt
Was jetzt konkret ansteht
Der Einstieg ist unspektakulär und dauert einen Nachmittag. Nehmen Sie Ihre drei umsatzstärksten Produktseiten und prüfen Sie, welche Fakten im ausgelieferten Text tatsächlich stehen — nicht, was ein Mensch im Browser sieht.
- Öffnen Sie den Quelltext Ihrer wichtigsten Produktseite: Stehen Preis, Variante und Lieferzeit als Text darin?
- Prüfen Sie auf Widersprüche: Nennt die Produktseite dieselbe Lieferzeit wie der Warenkorb?
- Suchen Sie Angaben, die nur im PDF, im Bild oder im Tooltip existieren — und holen Sie sie in den Text.
- Klären Sie je Aussagetyp, wo die eine gepflegte Quelle liegt: Preis, Versand, Rücksendung, Verfügbarkeit.
- Sehen Sie in der Auswertung nach, ob Referrals aus KI-Anwendungen als eigener Kanal sichtbar sind.
- Testen Sie Ihren eigenen Chat mit der naheliegendsten Frage Ihres Sortiments und lesen Sie die Antwort wörtlich.
- Legen Sie fest, was passiert, wenn die Wissensbasis nichts hergibt — eine Vermutung ist die falsche Antwort.
- Entscheiden Sie, ob der Chat Produkte zeigen und in den Warenkorb legen darf, und mit welchen Grenzen.
Wenn dabei mehr als zwei Punkte offenbleiben, ist das kein Grund für ein Projekt mit Protokoll-Fahrplan. Es ist ein Grund, die Datenlage zu klären, bevor die nächste Wachstumsstufe kommt. Wo Ihre Daten dabei liegen und wer sie verarbeitet, beantwortet unsere Seite zu Datenschutz und Hosting. Und wenn Sie wissen wollen, was Ihr Sortiment im Chat konkret hergibt, sprechen Sie uns an — die Prüfung dauert kürzer als die Diskussion darüber.
Quellen und Studien