Es gibt eine neue Art, Ihre Produkte nicht zu finden. Früher hieß sie Seite zwei der Suchergebnisse – heute heißt sie: Der Shopping-Agent hat Sie nie in Betracht gezogen. Wenn ChatGPT, Google AI Mode oder ein Einkaufs-Agent eine Produktempfehlung zusammenstellt, vergleicht er strukturierte Daten: Attribute, Verfügbarkeiten, Kompatibilitäten, beantwortete Produktfragen. Was er nicht versteht, existiert für ihn nicht.
Der Kanal, der gerade entsteht
Die Infrastruktur dafür wird derzeit im Wochentakt ausgebaut: Google hat mit Partnern wie Shopify, Target und Walmart das Universal Commerce Protocol etabliert – einen offenen Standard, über den KI-Agenten Produkte finden, vergleichen und kaufen. Parallel kündigt Google Dutzende neue Datenattribute im Merchant Center an: Antworten auf Produktfragen, kompatibles Zubehör, Ersatzprodukte. Die Logik dahinter formuliert Feedonomics deutlich: Ohne angereicherte, maschinenlesbare Daten können AI-Tools Listings falsch interpretieren – oder komplett übersehen.
Die Agent-Readiness-Checkliste
- Attribut-Vollständigkeit: Sind die kaufentscheidenden Attribute je Kategorie definiert und flächendeckend befüllt – oder stehen sie im Fließtext?
- Strukturierte Daten: Tragen Produktseiten vollständiges Product-Schema (Preis, Verfügbarkeit, Bewertungen, GTIN)?
- Feed-Qualität: Sind Merchant-Center- und Marktplatz-Feeds fehlerfrei und nutzen sie die neuen Attribut-Felder?
- Anwendungsattribute: Ist erfasst, wofür ein Produkt geeignet ist – nicht nur, was es ist?
- Kompatibilitäten: Sind Zubehör-, Ersatzteil- und Passt-zu-Beziehungen als Daten modelliert?
- Produkt-Q&A: Sind die häufigsten Kundenfragen je Produkt strukturiert beantwortet?
- Bilddaten: Erfüllen Bilder die Kanalvorgaben und tragen sie beschreibende Metadaten?
- Konsistenz: Erzählen Shop, Feed und Marktplatz dieselben Fakten – oder widersprechen sich die Kanäle?
Wer bei zwei oder mehr Punkten passen muss, hat kein Ranking-Problem, sondern ein Datenproblem – und das lässt sich systematisch lösen: KI-gestützte Anreicherung füllt die Lücken schneller, als sie entstanden sind, sofern das Attributmodell steht.
Was das kostet – in beide Richtungen
Die Kostenrechnung der Untätigkeit ist unbequem, weil sie unsichtbar ist: Der Agent, der Sie nicht empfiehlt, hinterlässt keine Absprungrate. Sichtbar wird sie erst im Marktanteil derer, deren Daten vollständig sind. Umgekehrt ist der Einstieg überschaubar: Ein Data-Readiness-Audit inventarisiert die acht Punkte, priorisiert die Lücken nach Umsatzrelevanz und liefert die Roadmap – bei uns ab 8.000 €, mit der Enrichment-Pipeline als definiertem nächsten Schritt.
Die Prüfpunkte, Pakete und unser Vorgehen im Detail: PIM-Agentur – KI-gestütztes Produktdatenmanagement. Zur agentischen Grundlogik: Was ist Agentic AI?.
