„Ich frag die KI — kaufen tu ich dann aber selbst”
Dass Leute ChatGPT oder Claude fragen, welches Produkt sie nehmen sollen, ist ja längst keine Nachricht mehr. Machen alle.
Aber das ist halt immer noch die Stufe „hilf mir mal beim Vergleichen”. Du kriegst die engere Auswahl, den Rest machst du selbst. Ging mir am Anfang genauso — meistens abends um elf, meistens für irgendwas, das ich eh nicht brauche.
Nur: Der nächste Schritt heißt nicht mehr vergleichen. Er heißt auswählen und kaufen. Und ab dem Moment ist gar nicht mehr klar, wer hier eigentlich der Käufer ist.
Heißt, du optimierst dann nicht mehr nur die Anzeige und das schöne Produktfoto. Du optimierst den Eingang zum Kauf selbst.
Und wie nah ist das Ganze eigentlich? Da haben sich ein paar Leute mal die Zahlen angeschaut.
Noch entscheidet der Mensch — aber die engere Auswahl macht schon die KI
PwC sammelt in seinem Rückblick auf die ShopTalk 2026 die Prognosen ein. Und das Spannende ist: Sie widersprechen sich gegenseitig.
eMarketer rechnet damit, dass 2029 8,8 % der E-Commerce-Transaktionen über KI-Agenten laufen. Merkle geht deutlich weiter: bis zu 50 %, sobald ein Agent mitmischt — oder eins dieser KI-Werkzeuge, die dir statt zehn blauer Links gleich die fertige Antwort hinlegen. heißen die inzwischen. Strategy& liegt dazwischen: bis zu 15 % der europäischen Onlinehandels-Ausgaben — und das Ganze setzt sich bis zu viermal schneller durch als seinerzeit der klassische Onlinehandel.
Nimm die kleinste Zahl, und es ist ein Kanal, für den du halt jemanden abstellst. Nimm die größte, und es ist der Kanal. Welche davon stimmt, weiß heute wohl keiner.
Wohlgemerkt: Der Branchenkonsens sagt gerade nicht „die Maschine kauft alles”. Er sagt deutlich weniger. 60 % der Verbraucher, die eine Empfehlung bekommen, recherchieren trotzdem noch selbst nach. Die Modelle sind bisher also vor allem Entdeckungs- und Recherchewerkzeug, kein Kaufen-Button.
Sprich: Die Antwortmaschinen haben sich die erste Hälfte des Kaufs geschnappt, nicht den ganzen. Klingt erst mal nach wenig, oder? Ist es aber nicht. Denn in dieser ersten Hälfte entsteht die engere Auswahl — und einen Vergleich, in dem du gar nicht erst auftauchst, kannst du eben auch nicht gewinnen.
Was sich wirklich ändert: Käufer und Nutzer fallen auseinander
Stefano Puntoni von der Wharton School bringt einen Punkt, der ungefähr vier Sekunden lang banal klingt und dann eben nicht mehr. Marketing ist doch immer stillschweigend davon ausgegangen, dass der, der kauft, und der, der nutzt, dieselbe Person sind. Mit Agenten stimmt das nicht mehr.
Nennen wir es die . Genutzt wird das Produkt weiter von einem Menschen. Aber wenn das Modell den Eingang kontrolliert — Vergleichen, Vorsortieren —, dann schuldest du zwei sehr verschiedenen Adressaten gleichzeitig eine Erklärung.
Und die wollen unterschiedliche Dinge. Eine Botschaft, die nur den Menschen emotional abholt, fliegt im Maschinenvergleich raus, weil es da schlicht nichts zu vergleichen gibt. Eine, die nur für die Maschine geschrieben ist, liest sich wie ein Datenblatt und verliert den Menschen.
Für wen schreibst du also deine Produktseite?
Das ist der eigentliche Wettbewerbsplatz der nächsten Jahre — und du löst ihn nicht, indem du dich für eine Seite entscheidest.
Anderes Modell, andere Marken
Und jetzt der Teil, der mich echt umgehauen hat. Kamruzzaman, Nguyen und Kim haben auf der EMNLP 2024 Markenempfehlungen verglichen — bei GPT-4o, Llama-3-8B, Gemma-7B und Mistral-7B. Gleiche Aufgabe, vier Modelle. Und was kam raus? Ein ziemlich eindeutiges Muster:
- Bei Fragen zu einkommensstarken Ländern empfahlen die Modelle in 88 bis 100 % der Fälle Luxusmarken.
- Bei einkommensschwachen Ländern in 84 bis 98 % der Fälle Nicht-Luxusmarken.
- Gemma-7B kam bei einkommensstarken Ländern über alle Kategorien hinweg auf 100 % Luxusempfehlungen.
Das ist schon eine Ansage. Darüber sitzt dann noch ein zweiter Bias: Laurito und Kollegen haben 2025 in PNAS gezeigt, dass Modelle Texte von Modellen lieber mögen als Texte von Menschen — nennen sie das. GPT-4 bevorzugte KI-geschriebene Produktbeschreibungen zu 89 %, menschliche Bewerter nur zu 36 %.
Heißt, die Agenten-Ära ist kein einzelnes Regal mit einem einzigen Ranking, sondern eher ein Bewerbungsgespräch, bei dem der Interviewer wechselt — und mit ihm die Kriterien.
Mit den Reflexen aus der Zeit, als alle nur Google gefragt haben, liest sich das nicht mehr sauber.
Fazit: Bau ein Regal für die Maschine und eins für den Menschen
Wenn sich Agenten die erste Hälfte des Kaufs holen, dann braucht deine Marke mehr als eine gute emotionale Geschichte. Sie braucht Informationen, die ein Modell vergleichen kann. Der Fehler, vor dem ich dich am meisten warnen würde: beides in eine Seite mischen, die dann weder berührt noch vergleichbar ist.
Fang erst mal mit dem Billigsten an. Schick jede Woche dieselbe Kauffrage an ChatGPT, Claude und Gemini und notier, welche Marken kommen und mit welcher Begründung. Nach vier Wochen ist die Schieflage je Modell keine Theorie mehr, sondern eine Tabelle.
Und dann das andere: Auf die Produktseite gehören die harten Fakten sichtbar hin — Preis, Spezifikationen, Rückgabebedingungen, Nutzungsbedingungen —, im Klartext ausgeschrieben statt über ein Lifestyle-Foto angedeutet. Der Mensch überfliegt sie, das Modell zitiert sie. Eine Seite, zwei Leser.
Womit du anfängst, hängt davon ab, was du verkaufst — der Effekt ist nämlich nicht über den ganzen Katalog gleich. Welche Kategorien beim KI-Traffic wirklich etwas bringen, hab ich mir hier genauer angeschaut.
Welche Marken die Modelle nennen, lässt sich messen — und erst was du misst, kannst du überhaupt angehen.
Quellen
- Puntoni, S., „AI Is Upending Marketing on Two Fronts”, Harvard Business Review, 2026-02-23, hbr.org
- PwC, „AI Commerce Is Here: Key Takeaways from ShopTalk 2026”, 2026-03, pwc.com
- Kamruzzaman, M., Nguyen, H.M. & Kim, G.L., „Global is Good, Local is Bad?: Understanding Brand Bias in LLMs”, EMNLP 2024, aclanthology.org
- Laurito, W. et al., „AI-AI bias: Large language models favor communications generated by large language models”, PNAS, Bd. 122(31), 2025, pnas.org
