„Einkaufen macht künftig wohl die KI”
Einer sagt den Satz in der Runde, alle nicken, weiter zum nächsten Punkt.
Eine Woche später kommt dann die eigentliche Frage — gut, und was ändern wir jetzt konkret im Regal? — und es wird still. In dieser Stille saß ich auch schon. Eine Antwort hatte ich ebenfalls nicht.
Das ganze Handwerk, das wir für Menschen aufgebaut haben (Bewertungen hochziehen, die Preisdarstellung sauber machen, Platzierung einkaufen), war nie an einem Käufer getestet worden, der eine JSON-Liste liest und keine Augen hat. Ob davon überhaupt irgendetwas überträgt, hatte bis dahin schlicht mal niemand nachgeprüft.
Ich hab mal einem Modell eine Überschrift hingelegt, auf die ich ziemlich stolz war, geschrieben zum Mitfühlen — und durfte zusehen, wie sie komplett ignoriert wurde.
Jemand hat einen künstlichen Marktplatz gebaut und die Sache ordentlich vermessen. Schauen wir uns an, was dabei rauskam.
Woran macht ein KI-Einkaufsagent seine Wahl fest?
An der Platzierung, an Sponsoring-Labels und am Empfehlungssiegel der Plattform selbst. Auf alle drei reagiert er kräftig.
Im simulierten Marktplatz senkte das Label „Gesponsert” 2025 die Wahrscheinlichkeit, gewählt zu werden, während das plattformeigene „Top-Empfehlung”-Siegel sie deutlich nach oben zog (die Studie, Allouah, Besbes u. a., arXiv:2508.02630). Die Autoren verteilen sich auf MyCustomAI, die Columbia University Graduate School of Business und die Yale University.
Ein Teil dessen, was uns Werbung für Menschen beigebracht hat, läuft hier eben andersherum. Sprich: Das Signal „hierfür hat jemand bezahlt, damit du es siehst” ist genau das Signal, das ein Agent wieder abzieht.
Der Aufkleber, für den du zahlst, arbeitet beim Agenten gegen dich.
Beim Platz hilft das gewohnte Werbe-Gespür nicht
Der Versuch lief auf einem simulierten Marktplatz, den die Autoren selbst gebaut haben und ACES nennen. Platzierung, Labels, Preis und Bewertungen wurden zufällig durchgewürfelt, und dabei wurde gemessen, was das mit der Auswahlwahrscheinlichkeit jedes Produkts macht. Eingekauft haben mehrere Spitzenmodelle, darunter GPT-4.1, GPT-5.1, Gemini und Claude.
Der Positions-Bias war stark, und seine Richtung unterscheidet sich je nach Anbieter und sogar je nach Modellversion. Zwischen GPT-4.1 und GPT-5.1 hat sich der bevorzugte Platz nahezu umgedreht.
Und ohne Bilder? In der „headless”-Bedingung, also mit einer reinen JSON-Liste, taucht derselbe Bias wieder auf. Das ist demnach eine Eigenschaft des Modells und nicht der Art, wie es ein Seitenlayout verarbeitet.
Die ausdrückliche Ansage „ignoriere die Position” hat kaum etwas gebracht. Was sich über die Formulierung des Prompts reparieren lässt, hat also eine Decke — gut zu wissen, bevor das jemand im Team als Lösung vorschlägt.
Wegformulieren lässt sich der Platz-Reflex des Modells eben nicht.
Einmal neu geschrieben, und der Anteil bewegte sich
Das ist der Versuch, zu dem ich immer wieder zurückkomme. Die Autoren ließen einen KI-Verkaufsagenten die Verkaufsdaten der Konkurrenz lesen und die eigene Produktbeschreibung genau einmal neu schreiben — und maßen die Wirkung gegen sechs verschiedene KI-Käufer.
| Kaufendes Modell | Zuwachs beim Anteil |
|---|---|
| Gemini 3 Pro Preview | +0,32 Pkt. |
| Claude Sonnet 4 | +3,66 Pkt. |
| Claude Opus 4.5 | +7,38 Pkt. |
| GPT-4.1 | +8,37 Pkt. |
| Gemini 2.5 Flash | +14,79 Pkt. |
| GPT-5.1 | +14,89 Pkt. |
Bei fünf von sechs war der Zuwachs statistisch signifikant. Über alle Durchläufe hinweg brachten 33 % der Experimente einen signifikanten Anstieg — durch dieses eine Umschreiben.
Ein Absatz neu geschrieben, und bei GPT-5.1 bewegen sich 14,89 Punkte Anteil.
Ein „wirkt immer” ist das nicht. Aber ein Hebel, der in einem von drei Fällen zieht und einen umgeschriebenen Absatz kostet, ist für Marketing-Verhältnisse ausgesprochen billig.
Was diese Zahlen nicht abdecken
Vier Grenzen, und ich würde alle vier aussprechen, bevor die Tabelle in irgendeine Folie wandert.
Es ist ein simulierter Marktplatz. Wie groß der Effekt in einem echten Shop mit echtem Sortiment und echten Käufern ausfällt, kann woanders liegen.
Nur 33 % der Experimente erreichten Signifikanz; in der Mehrheit war also keine sichtbare Bewegung.
Der Positions-Bias dreht zwischen Modellgenerationen die Richtung. Der Platz, der heute trägt, ist zu gar nichts verpflichtet, was nächsten Monat angeht (ungefähr so haltbar wie einmal das Tageshoroskop lesen und danach das Jahrzehnt planen).
Und zwei der fünf Autoren arbeiten bei MyCustomAI, einem Anbieter von E-Commerce-Optimierung für KI-Agenten. „Schreib die Beschreibungen um, dann steigt dein Anteil” ist genau die Schlussfolgerung, die dieses Produkt verkauft. Den Befund nehmen, die Schlagseite abziehen.
Schreib die Produkttexte für einen Leser ohne Augen
Fang bei den Texten deiner wichtigsten Produkte an. Lies sie einmal so, wie ein Modell sie liest: Steht der Preis da? Stehen die technischen Daten da? Sind die Vergleichsfragen, die ein Käufer stellen würde, in klaren Worten beantwortet? Denn Platzierung und gesponserte Plätze einzukaufen ist halt der ältere Reflex, und nach diesen Daten trägt er allein nicht mehr weit.
Beim Sponsoring-Label ist besondere Vorsicht angebracht. Das Kennzeichen selbst drückte in diesem Versuch die Auswahlwahrscheinlichkeit nach unten. Heißt, den Platz zu kaufen und die Wörter darunter so zu lassen, reicht hier nicht — das Kennzeichen arbeitet dann gegen die eigene Anzeige.
Und weil der Positions-Bias mit jeder Modellversion wandert, gehört das in einen festen Turnus über mehrere KIs hinweg statt einmalig abgehakt. So merkst du schon im laufenden Quartal, dass dir gerade jemand das Regal umräumt.
Quellen
- Amine Allouah (MyCustomAI), Omar Besbes (Columbia University Graduate School of Business), Josué D. Figueroa (MyCustomAI), Yash Kanoria (Columbia University Graduate School of Business), Akshit Kumar (Yale University), „What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce”, arXiv:2508.02630, 2025-12-17, arxiv.org (Die Versuche liefen auf ACES, einem von den Autoren gebauten simulierten Marktplatz, mit zufällig variierter Platzierung, Labels, Preis und Bewertung. Das Label „Gesponsert” senkte die Auswahlwahrscheinlichkeit, das Empfehlungssiegel der Plattform hob sie deutlich an. Der Positions-Bias war stark, seine Richtung unterschied sich nach Anbieter und Modellversion — zwischen GPT-4.1 und GPT-5.1 nahezu umgekehrt —, er wurde in einer reinen JSON-Bedingung ohne Bilder reproduziert und ließ sich durch die Anweisung, die Position zu ignorieren, kaum verringern. Ließ man einen KI-Verkaufsagenten die Produktbeschreibung einmal neu schreiben, ergaben sich bei fünf von sechs kaufenden Modellen statistisch signifikante Anteilsgewinne: Gemini 3 Pro Preview +0,32 Pkt., Claude Sonnet 4 +3,66 Pkt., Claude Opus 4.5 +7,38 Pkt., GPT-4.1 +8,37 Pkt., Gemini 2.5 Flash +14,79 Pkt., GPT-5.1 +14,89 Pkt.; 33 % aller Experimente zeigten einen signifikanten Anstieg. Simulierte Umgebung, die Effektgrößen können im echten E-Commerce abweichen; zwei der fünf Autoren sind bei MyCustomAI beschäftigt, einem Anbieter von E-Commerce-Optimierung für KI-Agenten.)
