Der E-Commerce steht vor einem fundamentalen Wandel – und die meisten Onlineshops haben ihn noch nicht bemerkt.
Jan Otto, Founder von JANO Consulting, beschreibt in seinem Gastbeitrag im E-Commerce Magazin den Übergang zu Agentic Search – einem Ansatz, bei dem nicht mehr Keywords, sondern Kaufabsichten das Suchergebnis steuern. Dieser Ansatz wird im Shop als Agentic Shopping Assistant erlebbar und ermöglicht eine Form der AI Product Discovery, die klassische Filterkategorien und Stichwortsuchen ersetzt. Als konkretes Praxisbeispiel nennt Jan Otto aginity.ai.
Das Ende der Keyword-Ära: Warum Nutzer nicht mehr wie Suchmaschinen denken
Generative KI hat das Nutzerverhalten grundlegend verändert. Kunden tippen heute natürlichsprachliche Anfragen mit Kontext, Budget und Zweck – und erwarten, dass das System sie versteht.
Millennials bevorzugen dialogbasierte Suche
67 % der Millennials bevorzugen eine dialogbasierte, kontextuelle Suche gegenüber klassischer Stichwortsuche.
Höhere Kaufwahrscheinlichkeit
Nutzer, die in natürlicher Sprache suchen, haben eine um 35 % höhere Kaufwahrscheinlichkeit.
Mobile Suchanfragen > 5 Wörter
43 % aller E-Commerce-Suchanfragen auf mobilen Endgeräten enthalten heute mehr als 5 Wörter.
Warum klassische Produktsuche an ihre Grenzen stößt
Traditionelle Suchlösungen sind auf Keyword-Matches ausgelegt – nicht auf Kaufabsichten. Das führt in der Praxis zu drei gravierenden Problemen.
Zero-Result-Problem
Über 70 % der Nutzer verlassen den Shop sofort, wenn keine Treffer angezeigt werden – obwohl das Produkt im Katalog vorhanden wäre.
Relevanzproblem bei komplexen Anfragen
Je mehr Kontext eine Anfrage enthält – Verwendungszweck, Budget, Körpergröße – desto schlechter werden klassische Suchsysteme.
Retourenproblem durch schlechte Trefferqualität
Fehlkäufe durch unpassende Suchtreffer verursachen Retouren. Jede Retoure kostet 17–25 Euro – unabhängig vom Produktpreis.
Generative KI als neue Infrastruktur der Produktsuche
Agentic Search analysiert die Kaufabsicht, extrahiert relevante Produktattribute und gleicht diese direkt mit dem Produktkatalog ab – strukturiert, nachvollziehbar und begründet. Einen ausführlichen technischen Vergleich findest du im Artikel Was ist Agentic Search?.
RAG vs. Agentic Search im Vergleich
| Ansatz | RAG (klassisch) | Agentic Search |
|---|---|---|
| Datenbasis | Vektorindex aus Produkttexten | Strukturierte Produktdaten im Katalog |
| Abfragelogik | Ähnlichkeitssuche | Attributbasiertes Intent-Matching |
| Halluzinationsrisiko | Erhöht (generative Ausgabe) | Deutlich minimiert (strukturierte Produktdaten) |
| Erklärbarkeit | Gering | Hoch / Attributbasiert nachvollziehbar |
| Aktualisierungsaufwand | Hoch (Re-Indexierung) | Niedrig (live Katalog) |
Agentic Commerce: Wenn jedes Produkt ein Experte wird
In klassischen Systemen ist der Produktkatalog passiv. Im agentischen Modell wird jedes Produkt aktiv: Es bekommt einen eigenen KI-Agenten, der eigenständig auf Anfragen reagiert. Für Kunden wird dieser Ansatz als Agentic Shopping Assistant erlebbar.
Schritt 1 – Katalog-Analyse
Ein Agent-Generator analysiert den gesamten Produktkatalog. Für jede SKU werden alle relevanten Attribute erfasst, gewichtet und strukturiert.
Schritt 2 – Intent-Extraktion
Ein Intent-Modul analysiert die Anfrage und extrahiert die Kaufabsicht: Was sucht der Nutzer? Welche Attribute sind wichtig?
Schritt 3 – Agenten-Aktivierung
Auf Basis des erkannten Intents aktivieren sich nur die Produkt-Agenten, deren Produkte potenziell relevant sind.
Schritt 4 – AI Product Discovery mit Begründung
Jedes Suchergebnis kommt mit einer Begründung auf Attribut-Ebene – transparent und nachvollziehbar.
aginity.ai: Das konkrete Beispiel aus dem E-Commerce Magazin
Jan Otto nennt aginity.ai explizit als Beispiel dafür, wie Agentic Commerce heute bereits in der Praxis funktioniert. aginity.ai arbeitet mit strukturierten Produktdaten und attributbasierter direkter Katalogabfrage – nachvollziehbar statt rein probabilistisch.
Minimiertes Halluzinationsrisiko
Da Empfehlungen auf katalogbasierten Produktattributen aufbauen, ist das Risiko von Fehlinformationen deutlich geringer als bei rein generativen RAG-Ansätzen.
Direkte Katalogabfrage auf Attribut-Ebene
aginity.ai arbeitet mit strukturierten Produktdaten und attributbasierter direkter Katalogabfrage – nachvollziehbar statt rein probabilistisch.
DSGVO-konform in der EU
Hosting im Rechenzentrum Frankfurt/Main – für AI-Act-Anforderungen ausgelegt.
Gemessene Ergebnisse aus laufenden Projekten
Strategische Einordnung: Warum der Zeitpunkt jetzt entscheidend ist
Unternehmen, die jetzt nicht in intelligente Produktsuche investieren, werden den Anschluss verlieren – nicht in fünf Jahren, sondern in zwei.
Erwartungshaltung steigt schnell
Kunden, die ChatGPT, Perplexity oder Google AI Overviews kennen, haben eine neue Benchmark für „gute Suche".
Wettbewerber holen auf
Große E-Commerce-Player investieren massiv in KI-gestützte Suche. Für mittelständische Händler ist Agentic Search die realistischste Möglichkeit, mitzuhalten.
Integrationsfenster ist jetzt offen
Systeme wie aginity.ai lassen sich über eine API in bestehende Shopsysteme integrieren. Der Aufwand beträgt heute 7 Tage.
Fazit
Agentic Commerce ist keine Science-Fiction – es ist eine in der Praxis bewährte Technologie, die in sieben Tagen live gehen kann: DSGVO-konform, mit minimiertem Halluzinationsrisiko durch strukturierte Produktdaten und messbaren Ergebnissen ab dem ersten Tag.
Häufige Fragen
Was ist Agentic Search?▾
Agentic Search analysiert die Kaufabsicht hinter einer Anfrage, gleicht relevante Produktattribute im Katalog ab und liefert begründete Empfehlungen auf Attribut-Ebene. Das verbessert die Nachvollziehbarkeit und minimiert Halluzinationsrisiken im Vergleich zu rein generativen RAG-Ansätzen.
Was ist AI Product Discovery?▾
AI Product Discovery beschreibt die Fähigkeit, aus einer natürlichsprachlichen Anfrage den tatsächlichen Use Case des Käufers zu erkennen und passende Produkte aus dem gesamten Katalog zu finden – intent-basiert, auf Attribut-Ebene, mit erklärbaren Ergebnissen.
Was ist der Unterschied zwischen Agentic Search und RAG?▾
RAG-Systeme generieren Antworten auf Basis abgerufener Textpassagen aus Vektordatenbanken. Agentic Search arbeitet mit strukturierten Produktdaten und attributbasiertem Matching – erklärbarer und mit deutlich minimiertem Halluzinationsrisiko.
Was ist der Unterschied zwischen einem KI-Shopping-Assistenten und einem Chatbot?▾
Ein Chatbot führt offene Gespräche. Ein Agentic Shopping Assistant liefert präzise Produktergebnisse aus dem echten Katalog – attributbasiert begründet, keine freie Konversation.
Brauche ich für Agentic Search einen Shopsystemwechsel?▾
Nein. aginity.ai integriert sich als API-Schicht in bestehende Systeme. Shopify, Shopware und Magento werden nativ unterstützt.
Wie lange dauert die Integration?▾
Bei einem typischen Produktkatalog mit 1.000–50.000 SKUs beträgt die Integrationszeit 7 Werktage – inklusive Setup, Testing und Go-live.
Werden Kundendaten gespeichert oder für das Training genutzt?▾
Nein. Suchanfragen werden pseudonymisiert verarbeitet. Keine Kundendaten verlassen das EU-Rechenzentrum in Frankfurt/Main.
Was kostet der Einsatz?▾
aginity.ai bietet drei monatliche Pakete: Agentic Chat (ab 750 /Mo), Agentic Search (ab 1.000 /Mo) und die Agentic Suite (ab 1.500 /Mo) – jeweils in der Landeswährung zzgl. MwSt. Alle Pakete beinhalten 10.000 Produkte und 10.000 Anfragen/Monat.
Weiterführende Inhalte
Über den Autor
Jan Otto ist Founder von JANO Consulting und berät mittelständische Handelsunternehmen bei der digitalen Transformation. Sein Fokus liegt auf datengetriebenen Strategien für E-Commerce, Omnichannel und KI-Integration. Der vorliegende Text erschien ursprünglich als Gastbeitrag im E-Commerce Magazin (02.02.2026).