FAQ

Strukturierte Daten — Schema.org-Markup in Form von JSON-LD — sind die primäre Sprache, mit der KI-Agenten einen Onlineshop interpretieren. Ohne Product-, Offer-, BreadcrumbList-, FAQPage- und AggregateRating-Markup können Agenten nicht zuverlässig verstehen, was Sie verkaufen, zu welchem Preis, mit welcher Verfügbarkeit und mit welchen Vertrauenssignalen. Ein visuell ansprechender Shop ohne strukturierte Datenschicht ist auf Maschinenebene praktisch unsichtbar.

Das Universal Commerce Protocol (UCP), gemeinsam von Google und Shopify entwickelt und auf der NRF im Januar 2026 eingeführt, erfordert, dass Händler eine ucp.json-Manifestdatei veröffentlichen. Diese Datei ist eine Fähigkeitserklärung — sie teilt KI-Agenten mit, was Ihr Shop unterstützt: nur Discovery, Warenkorb-Management, Checkout, Identity Linking und so weiter. Ohne diese Datei können Agenten, die UCP nutzen, Ihren Shop nicht als transaktionsfähig identifizieren. Sie finden möglicherweise Ihre Produkte, können aber keinen Kauf einleiten oder abschließen.

Das hängt von der Agenten-Plattform und der Nutzerkonfiguration ab. ChatGPTs Shopping-Agent mit ACP-Integration kann Käufe vollständig ohne menschliche Interaktion abwickeln — im Rahmen vorab autorisierter Ausgabenlimits des Nutzers. Andere Agenten arbeiten im Empfehlungs- und Übergabemodus: Sie ermitteln die beste Option und präsentieren sie zur Bestätigung mit einem Tap. Die Infrastrukturanforderungen sind in beiden Fällen identisch: Ihr Shop muss strukturierte Daten, UCP-Fähigkeiten und ACP-Transaktions-Endpunkte bereitstellen.

Agent-Native-Architektur ist eine Commerce-Infrastruktur, die von Grund auf für die Interaktion mit KI-Agenten konzipiert wurde — nicht nachträglich ergänzt. Ein Agent-Native-Shop stellt vollständiges Schema.org-Markup auf allen Produkt- und Kategorieseiten bereit, veröffentlicht ein UCP-Manifest mit seinen Transaktionsfähigkeiten, unterstützt ACP für autonome Käufe, hält API-Antwortzeiten unter 200 ms auf allen agentenzugänglichen Endpunkten ein und liefert maschinenlesbare Vertrauenssignale — darunter Review Schema, strukturierte Richtlinien und Organization JSON-LD. Es entspricht Level 4 des B2X Agentic Readiness Framework™.

Der Agentic Readiness Score ist eine zusammengesetzte Kennzahl von 0 bis 100, die durch das B2X Agentic Readiness Framework™ ermittelt wird. Jede der vier Schichten trägt mit einem gewichteten Score bei: Data Layer 35 %, Execution Layer 30 %, Performance Layer 20 %, Trust Layer 15 %. Die Gewichtungen spiegeln den relativen Einfluss jeder Schicht auf das tatsächliche Agentenverhalten wider. Ein Score von 0–25 bedeutet Agent-Invisible. 26–50 ist Agent-Discoverable. 51–75 ist Agent-Readable. 76–90 ist Agent-Transactable. 91–100 ist Agent-Native.

Agent-Invisible bedeutet, dass Ihr Shop in KI-Agenten-Gesprächen überhaupt nicht vorkommt. Wenn ein Verbraucher ChatGPT, Gemini oder Perplexity bittet, ein Produkt in Ihrer Kategorie zu finden und zu kaufen, wird Ihr Shop weder bewertet, noch empfohlen, noch kommt es zu einer Transaktion. Da KI-gesteuerte Bestellungen auf Shopify seit Januar 2025 um das 15-Fache gestiegen sind und der durchschnittliche Bestellwert aus KI-Traffic konstant höher ist als aus direktem Site-Traffic, stellt der Agent-Invisible-Status eine sich verstärkende Umsatzlücke dar, die mit dem Wachstum des Agentic Commerce größer wird.

Agent-Discoverable (ARS 26–50) bedeutet, dass Agenten Ihren Shop finden, ihn aber nicht zuverlässig bewerten oder mit ihm transagieren können. Partielles Schema-Markup ist vorhanden, MCP ist möglicherweise aktiv, aber die Datenqualität reicht nicht für eine sichere Agenteninterpretation aus. Agent-Transactable (ARS 76–90) bedeutet, dass vollständige Protokollunterstützung aktiv ist — Agenten können autonom entdecken, bewerten und Käufe abschließen. Die Lücke zwischen diesen beiden Zuständen liegt primär im Execution Layer: UCP-Manifest, ACP-Integration und saubere Echtzeit-Daten hinter Ihrem MCP-Endpunkt.

Der Agentic Readiness Audit liefert einen bewerteten PDF-Bericht mit: Ihrem zusammengesetzten Agentic Readiness Score (0–100), Einzelbewertungen für jede der vier Schichten, einer Gap-Analyse mit Zuordnung zu spezifischen Kriterien innerhalb jeder Schicht sowie einer priorisierten Maßnahmen-Roadmap mit Aufwands- und Impact-Schätzungen. Der Audit umfasst Schema.org-Validierung, Katalogvollständigkeitsprüfung, MCP-Endpunkt-Datenqualitätstests, UCP- und ACP-Kompatibilitätsbewertung, API-Performance-Benchmarking und Trust-Signal-Review. Es ist ein eigenständiges Ergebnis — Sie besitzen die Erkenntnisse und die Roadmap, unabhängig von weiteren Schritten.

Der einfachste erste Test: Öffnen Sie ChatGPT, Gemini oder Perplexity und bitten Sie sie, Shops oder Produkte in Ihrer Kategorie zu empfehlen — zum Beispiel: 'Finde mir die besten [Ihre Produktkategorie]-Shops in Deutschland.' Erscheint Ihr Shop nicht, ist er bestenfalls Agent-Invisible oder Agent-Discoverable. Eine fundiertere Diagnose erfordert einen strukturierten Agentic Readiness Audit — mit Bewertung von Schema-Vollständigkeit, MCP-Datenqualität, UCP- und ACP-Unterstützung sowie Trust-Layer-Signalen auf Ihrer tatsächlichen Plattform.

KI-Systeme bevorzugen Quellen mit klaren Definitionen, benannten Frameworks, strukturierten Erklärungen, quantifizierten Datenpunkten und FAQPage-Schema. Für Commerce-Shops sind die wichtigsten Signale: vollständiges und korrektes Schema.org-Markup, Review- und AggregateRating-Daten, strukturierte Knowledge-Base-Inhalte, die Produktfragen direkt beantworten, maschinenlesbare Richtlinien und konsistente Entity-Assoziationen über Plattformen hinweg. Generische Marketing-Texte tragen nichts zur LLM-Zitierwahrscheinlichkeit bei.

Die Ranking- und Empfehlungslogik von KI-Agenten wird häufig aktualisiert — eher im Wochen- als im Monatsrhythmus. Protokollanforderungen entwickeln sich weiter, während UCP- und ACP-Adoption wächst. Die Schema.org-Interpretation verschiebt sich, wenn Modelle neu trainiert werden. Inhalte, die heute gut optimiert sind, müssen möglicherweise innerhalb eines Quartals angepasst werden. Das ist der Kerngrund für laufende Agent Performance Retainer-Engagements statt einmaliger Optimierung: Die Infrastruktur ist vorhanden, aber die Kalibrierung erfordert kontinuierliches Monitoring und Anpassung.

Ja — wenn er korrekt aufgebaut ist. Ein Headless-Shop mit gut konzipierter API-Schicht, vollständigem Schema.org-Markup und sauberen Datenmodellen kann den Agent-Native-Status zuverlässiger erreichen als ein Standard-Shopify-Shop, der auf Liquid-Rendering angewiesen ist. Headless-Architektur ist jedoch nicht von Natur aus agent-bereit — sie erfordert durchdachte Datenarchitektur, strukturiertes API-Design und Konfiguration auf Protokollebene. Headless-Shops, die ohne diese Grundlagen aufgebaut wurden, können im B2X Agentic Readiness Framework™ schlechter abschneiden als optimierte Shopify-Shops.

Shopify Hydrogen ist Shopifys offizielles React-basiertes Headless-Framework, das auf der Shopify Storefront API aufbaut und für Performance sowie Shopify-Ökosystem-Integration optimiert ist. Es ist der schnellste Weg zu einem Headless-Shopify-Storefront mit erhaltener MCP-Kompatibilität. Ein vollständig individueller Headless-Stack — typischerweise Next.js kombiniert mit einem Headless-CMS wie Sanity oder Contentful und einer Commerce-Engine wie Commercetools — bietet mehr Flexibilität für komplexe Geschäftslogik, Multi-Plattform-Daten und individuelle KI-Integrationen, auf Kosten höherer Engineering-Komplexität und längerer Build-Zeiträume.

Ja. Viele unserer Projekte beinhalten die Integration von Agentic-Readiness-Infrastruktur mit bestehenden ERP-, PIM- und Legacy-Backend-Systemen — darunter Microsoft Business Central, Salesforce und individuell entwickelte Lagerverwaltungssysteme. Der Audit-Prozess kartiert Ihre aktuellen Datenflüsse und identifiziert, wo Schema-, API- und Protokolllücken relativ zu Ihrem tatsächlichen Stack bestehen. Die Integrationsarchitektur wird um Ihre bestehenden Systeme herum konzipiert — nicht mit dem Ziel, sie zu ersetzen.

Beides. Audits und Optimierungsprojekte werden als Fixed-Scope-Engagements mit definiertem Ergebnis und Zeitplan durchgeführt. Der Agent Performance Retainer ist ein laufendes monatliches Engagement, das KI-Sichtbarkeits-Monitoring, Content-Updates, SEO- und GEO-Pflege sowie monatliches Reporting umfasst. Viele Kunden beginnen mit einem Projektengagement und wechseln nach Ablieferung zum Retainer. Der Retainer ist auch als eigenständiger Service für Marken verfügbar, die bereits initiale Optimierungsarbeit abgeschlossen haben.

Ja — und das ist der empfohlene Einstiegspunkt. Der Agentic Readiness Audit ist ein eigenständiges Ergebnis. Er liefert einen bewerteten Bericht mit Ihrem ARS, einer schichtweisen Gap-Analyse und einer priorisierten Maßnahmen-Roadmap. Es besteht keine Verpflichtung, nach dem Audit mit B2X weiterzumachen. Der Bericht gibt Ihnen eine vollständige Diagnose, auf deren Basis Sie unabhängig handeln oder die als Briefing für jeden Implementierungspartner nutzen können. Die meisten Kunden entscheiden sich, mit uns fortzufahren, weil der Audit den Umfang präzise definiert.

Ja. Wir arbeiten mit B2B-, B2C- und hybriden B2B2C-Architekturen. Agentic Commerce ist besonders bedeutsam für B2B-Beschaffungskontexte — KI-Agenten werden zunehmend für automatisierte Lieferantensuche, Katalogbewertung und Bestellausführung in unternehmensinternen Beschaffungsworkflows eingesetzt. Wir haben B2B-Commerce-Infrastruktur geliefert, darunter individuelle Preislogik, Kundenrollen-Management, ERP-Integration und Multi-Store-Architekturen auf Shopify Plus und Custom Stacks.