Kommentar von Tobias Göbbel, Accenture Wenn KI einkauft, zählen keine Markenwerte – nur Datenpunkte

KI-Agenten übernehmen im Kaufprozess zunehmend operative Aufgaben: Von Preisvergleichen über die Produktauswahl bis hin zu Kaufabschlüssen. Was lange als Zukunftsszenario galt, wird messbar und verändert die Wettbewerbslogik im Handel grundlegend.

Die Accenture-Studie Consumer Pulse 2026* beschreibt eine Verschiebung, die bereits begonnen hat: 61 Prozent der deutschen Verbraucher zeigen sich offen dafür, dass ein KI-Agent ihre Einkäufe übernimmt. 59 Prozent würden einem solchen Agenten beim stellvertretenden Kauf sogar mehr vertrauen als ihren besten Freundinnen und Freunden. Für Unternehmen stellt sich damit eine Frage, die längst über das klassische Marketing hinausgeht: Was bewertet ein KI-Agent – und auf welcher Grundlage tut er das?

Grundsätzlich wertet ein Agent Datenpunkte aus: Preis, Verfügbarkeit, Lieferzeit, Produktspezifikationen, Bewertungen. Er besitzt in der Regel keine Affinität zu einer Marke, keine Gewohnheit, keine Erinnerung an eine Kampagne. Markenwerte fließen in seine Entscheidung nur dann ein, wenn sie als Datenpunkte vorliegen, beispielsweise in Form von Bewertungen, Zertifikaten, Nachhaltigkeitsnachweisen oder verifizierten Qualitätsmerkmalen. Doch was nicht strukturiert und maschinenlesbar ist, existiert für den Agenten nicht.

Schlechte Daten sind ein unsichtbarer Wettbewerbsnachteil

Welche Produkte im Auswahlprozess überzeugen, entscheidet sich für KI-Agenten maßgeblich an der Qualität der verfügbaren Informationen. Dabei spielen verschiedene Qualitätsmerkmale eine entscheidende Rolle. Sie beeinflussen, ob ein Produkt überhaupt in die Auswahl gelangt, wie zuverlässig es bewertet werden kann und welchen Platz es im Vergleich zu alternativen Angeboten einnimmt.

Korrektheit und Datenverfügbarkeit sind dabei Grundvoraussetzungen. Ein Preis, der im Produktkatalog anders ausgewiesen ist als auf dem Marktplatz oder nicht verfügbar ist, löst Inkonsistenzen aus, die ein Agent nicht auflösen kann. Die Folge: Er überspringt das Angebot.

Auch die Vollständigkeit der Daten ist essenziell. Fehlen Angaben zu Lieferzeiten, Nachhaltigkeitszertifikaten oder technischen Spezifikationen, kann der Agent keine vollständige Bewertung vornehmen. Mögliche Lücken werden nicht zugunsten der Marke interpretiert, sondern führen zum Ausschluss aus dem Vergleich.

Neben Korrektheit und Vollständigkeit ist auch die Konsistenz der Daten ausschlaggebend. Für KI-Agenten ist entscheidend, dass Informationen über sämtliche Kanäle und Systeme kohärent sind und ein verlässliches Gesamtbild ergeben. Fragmentierte Produktkataloge aus historisch gewachsenen ERP-Landschaften sind in den meisten Handels- und Herstellerunternehmen Alltag. Was intern als bekanntes Problem gilt, wird im KI-gestützten Kaufprozess zur direkten Konversionsbremse.

Kommentar von Marcus Worbs, PwC

GEO – so werden Unternehmen in LLM-Chats sichtbar

Zudem ist Aktualität besonders kritisch in Kategorien mit volatilen Preisen oder saisonal schwankenden Lagerbeständen. Veraltete Verfügbarkeitsdaten, die zu nicht erfüllbaren Bestellungen führen, beschädigen das Vertrauen in den gesamten Prozess.

Ein mit am häufigsten unterschätzter Faktor in der Praxis ist die Eindeutigkeit. Wenn dasselbe Produkt unter verschiedenen SKUs oder mit abweichenden Bezeichnungen geführt wird, kann ein Agent es nicht zuverlässig identifizieren – das Produkt existiert, aber für den Agenten ist es nicht greifbar.

Verfügbarkeit schließt die Kette: Selbst wer Korrektheit, Vollständigkeit und Aktualität im Griff hat, verliert, wenn die Daten nicht abrufbar sind. Fehlende APIs, geschlossene Pipelines oder nicht standardisierte Schnittstellen machen ein Angebot technisch unsichtbar – unabhängig von seiner tatsächlichen Qualität.

Wo Datenpipelines versagen, scheitert KI

Die technischen Ursachen für schlechte Datenqualität sind selten auf einzelne Systemfehler zurückzuführen. Viele Unternehmen betreiben Datenpipelines, die für Batch-Verarbeitung ausgelegt wurden. Produktdaten werden etwa über nächtliche Updates oder periodische Katalogpflege aktualisiert, während KI-Agenten in Echtzeit auf Informationen zugreifen und Entscheidungen treffen. Die Diskrepanz zwischen Batch-Logik und Echtzeit-Anforderung ist eine der häufigsten Ursachen dafür, dass Agenten auf veralteten Zuständen operieren.

Hinzu kommen unpräzise Verhaltensdaten aus digitalen Kanälen. Bot-Traffic, Session-Abbrüche, falsch attribuierte Conversions und fehlende Consent-Signale erschweren eine verlässliche Auswertung des Nutzerverhaltens. KI-Systeme arbeiten auf einer verzerrten Informationsgrundlage. Personalisierungslogiken, die im A/B-Test funktionierten, versagen unter den stringenteren Anforderungen agentischer Systeme. Feature Engineering, die Aufbereitung von Rohdaten zu maschinenlesbaren Merkmalen, ist in vielen Organisationen oftmals unterfinanziert. Wer Rohdaten ohne Strukturierung in ein Modell schickt, erhält keine besseren, sondern schnellere schlechte Entscheidungen.

Die Consumer Pulse Studie zeigt, dass 37 Prozent der verhaltensbasiert markentreuen Konsumenten bereit wären, ihren Agenten eine bessere Alternative auswählen zu lassen. Diese Bereitschaft ist keine Bedrohung durch die KI – sie ist eine Konsequenz der Datenrealität. Unternehmen verlieren dann nicht, weil ihre Produkte schlechter sind. Sie verlieren, weil ihre Produkte für den Agenten schlechter dargestellt sind. Wenn KI den Vergleich übernimmt, entsteht Loyalität nicht mehr aus Gewohnheit oder emotionaler Bindung, sondern aus nachweisbarer Leistung, überprüfbaren Versprechen und verlässlicher Umsetzung. Ihre Angebote müssen für Maschinen lesbar, vergleichbar und validierbar sein, sprich genau dort, wo die KI Entscheidungen trifft. Lesbar, vergleichbar, validierbar: Das sind Datenqualitätskriterien, keine Marketingbegriffe.

Data Governance ist kein Projekt, sondern eine Betriebsbedingung

Wer die Anforderungen agentischer KI-Systeme ernst nimmt, kommt an einem strukturierten Data-Governance-Rahmen nicht vorbei. Das bedeutet: klare Ownership für Datendomänen, definierte Qualitätsstandards, automatisierte Monitoring-Prozesse und ein Eskalationspfad für Qualitätsverstöße. In vielen Unternehmen fehlt häufig genau das. Daten entstehen in Silos, beispielsweise pflegt der Einkauf den Produktkatalog, Marketing überschreibt Beschreibungstexte, der Onlineshop hat eigene Preislogiken und der Marktplatz-Feed wird halbautomatisch befüllt. Das Ergebnis ist eine fragmentierte Datenlandschaft, die nach innen als komplex gilt und nach außen, gegenüber dem Agenten, als unzuverlässig erscheint.

Data Governance löst dieses Problem nicht durch ein einmaliges Bereinigungsprojekt. Unternehmen müssen kontinuierliche Prozesse etablieren. Dazu gehören etwa Datenqualitäts-Checks als Teil jeder Produktanlage, eine Versionierung, eine automatisierte Konsistenzprüfung zwischen Quellsystemen und Ausgabekanälen sowie definierte SLAs für Aktualität. Unternehmen, die Lagerbestände, Preise und Lieferkapazitäten in Echtzeit spiegeln können, werden von agentischen Systemen bevorzugt, denn die Gefahr von Diskrepanzen zwischen Angebot und Lieferung ist messbar geringer.

Was jetzt auf der Agenda stehen muss

Bei dieser Mammutaufgabe ist eine ehrliche Bestandsaufnahme der eigenen Datenqualität in der Regel der sinnvollste Startpunkt. Wie vollständig sind Produktinformationen? Wie konsistent sind Preise und Verfügbarkeiten über alle Kanäle? Diese Analyse sollte als kontinuierliches Monitoring mit automatisierten Qualitäts-Dashboards und definierten Interventionsschwellen etabliert werden, nicht als einmaliges Projekt.

In einem zweiten Schritt kann dann die Konsolidierung des Product Information Managements erfolgen. Fragmentierte Produktkataloge müssen in einer konsistenten, maschinenlesbaren Struktur zusammengeführt werden – mit standardisierten Attributen, eindeutigen Produktidentifikatoren und verbindlichen Datenmodellen. Ohne diese Grundlage bleibt jede KI-Anbindung strukturell instabil.

Erst dann sollten Unternehmen im nächsten Schritt die Datenpipeline-Architektur modernisieren. Batch-Prozesse, die Produktdaten nur periodisch aktualisieren, sind für agentische Systeme nicht ausreichend. Preise, Lagerbestände und Lieferzeiten müssen auf Echtzeit-Streaming-Fähigkeit geprüft werden.

Marketing im Jahr 2030

KI-Agenten verändern Markenkommunikation grundlegend

An vierter Stelle rückt dann die Einführung von Data-Ownership-Strukturen in den Fokus. Solange unklar ist, wer für die Qualität welcher Daten verantwortlich ist, werden Qualitätsprobleme systemisch reproduziert. Data Stewards pro Domäne, verbindliche SLAs und ein Eskalationsprozess sind keine IT-Kür, sondern organisatorische Voraussetzungen.

Fünftens: Unternehmen müssen ihre API-Strategie überprüfen. KI-Agenten greifen auf Produktdaten über maschinenlesbare Schnittstellen zu. Gut strukturierte, stabile und vollständig dokumentierte Produktdaten-APIs werden zur Grundvoraussetzung für Sichtbarkeit im agentischen Commerce.

Die fünf Schritte sind kein Transformationsprogramm. Sie sind die Grundvoraussetzung dafür, im maschinellen Vergleich überhaupt sichtbar zu sein. KI-Agenten fragen nicht, welche Marke jahrelang in Awareness investiert hat. Sie fragen, welches Angebot im Moment der Entscheidung die verlässlichste Datenbasis liefert. Wer diese Frage nicht beantworten kann, verliert – nicht, weil das Produkt schlechter ist, sondern weil der Agent es nicht bewerten konnte.

GEO-Studie B2B Mittelstand 2026

Unsichtbar für KI, unsichtbar im B2B-Einkauf

* Die Consumer Pulse Erhebung von Accenture basiert auf einer Befragung von 25.590 Konsumentinnen und Konsumenten in 16 Ländern, darunter 2.005 in Deutschland.

(ID:50902438)