Am 24. März 2026 schaltete OpenAI Instant Checkout ab, die Funktion, mit der Nutzer Produkte kaufen konnten, ohne ChatGPT zu verlassen. Die erste Version biete nicht die gewünschte Flexibilität, erklärte das Unternehmen. Händler sollten den Checkout künftig wieder selbst betreiben, während OpenAI sich auf die Produktsuche konzentriere. 

Sechs Monate zuvor war dieselbe Funktion mit namhaften Partnern wie Walmart, Etsy und Shopify gestartet. Eine Million weitere Händler sollten laut Ankündigung schon bald folgen. Was also lief schief? 

Der übliche Verdächtige 

Es wäre zu einfach, Produktdaten für all das verantwortlich zu machen. Die ehrliche Antwort ist differenzierter. Etsy erklärte gegenüber Modern Retail, man habe nie nennenswerte Verkaufsvolumen verzeichnet, und ChatGPT sei für die meisten Käufer noch ein Kanal in einer frühen Phase – ein Nachfrageproblem, kein Datenproblem. 

Analysten berichteten gegenüber CNBC, OpenAI habe Schwierigkeiten, Händler zu integrieren, Multi-Item-Warenkörbe und Treueprogramme zu unterstützen und dabei gleichzeitig korrekte Produktdaten anzuzeigen. Emily Pfeiffer von Forrester beschrieb den Mechanismus in einem CNBC-Interview: OpenAI habe bei einigen Händlern Produktinformationen von deren Websites gescrapt, statt sie direkt zu beziehen, was bedeutete, dass wichtige Daten ungenau oder veraltet sein konnten. 

Dieses Detail fasst den gesamten Artikel zusammen. Wenn ein Agent keine strukturierten und aktuellen Produktinformationen von Ihnen beziehen kann, gibt er nicht auf. Er setzt aus den Informationen, die er finden kann, etwas zusammen und präsentiert das Ergebnis Ihren Kunden mit vollständiger Überzeugung. Das Scheitern lag also nicht daran, dass die KI schlecht im Lesen war. Es gab schlicht nichts Verlässliches zu lesen. 

Schauen wir auf das, was den Rückzug überlebt hat. Das Protokoll, das Instant Checkout zugrunde liegt, läuft weiterhin, ist jetzt aber zuständig für Produkt-Feeds, Verfügbarkeit, Promotions und Attribute. Die Oberfläche wurde mit kaum einem Monat Vorlauf abgeschaltet, aber die Datenschicht blieb bestehen und wurde wichtiger denn je. 

Wenn Sie für das nächste Jahr Funktionalitäten wie KI-gestützte Suche, Empfehlungen, Assistenten oder agentisches Verkaufen planen, sollten Sie das als Vorgeschmack verstehen: Die Oberflächen werden sich weiter verändern, doch sie greifen alle auf dieselbe Grundlage zurück. 

Der Kanal hat sich umgekehrt – die Kataloge nicht.  

KI-Referral-Traffic ist längst mehr als ein Phänomen. Adobe Digital Insights, auf Basis von mehr als einer Billion Besuchen auf US-Retail-Websites, meldete für das erste Quartal 2026 ein Jahr-über-Jahr-Wachstum des KI-Traffics von 393 % – nach einer Weihnachtssaison, die 693 % über dem Vorjahr lag. In einer begleitenden Umfrage mit mehr als 5.000 Verbraucher gaben 39 % an, KI bereits zum Online-Shopping genutzt zu haben; 85 % von ihnen bewerteten die Erfahrung als Verbesserung. 

Die interessantere Zahl ist die Konversionsrate. Im März 2026 konvertierte KI-Traffic 42 % besser als Nicht-KI-Traffic. Im März 2025 lag er 38 % dahinter. Innerhalb von zwölf Monaten entwickelte sich der Kanal vom schwächsten zum stärksten und Besucher, die über einen Assistenten kommen, verbringen 48 % länger auf der Website und rufen 13 % mehr Seiten auf. Zwei Einschränkungen sind dabei zu beachten: Es handelt sich um Adobes eigene Analysedaten, nicht um eine geprüfte Marktstudie, und der Vergleich bezieht sich auf den gesamten Nicht-KI-Traffic, nicht nur auf Google Organic. 

Dann kommt der Teil, der aufhorchen lassen sollte. Adobe analysiert außerdem, welchen Anteil einer Webseite ein Sprachmodell tatsächlich lesen kann. Ein Score von 50 % bedeutet, dass die Hälfte des Inhalts für Maschinen unsichtbar ist. Im US-Retail erreichten Homepages im Durchschnitt 75 %, Kategorieseiten 74 %. Produktseiten kamen auf 66 %, den niedrigsten Wert aller von Adobe gemessenen Seitentypen. 

Grafik, aus der hervorgeht, dass 74 % der Inhalte auf Einzelhandelsseiten und 66 % auf Produktseiten für KI lesbar sind – was die wachsende Bedeutung von KI-fähigen Produktdaten für nahtlose Checkout-Erlebnisse verdeutlicht; als Quelle wird „Adobe Digital Insights, 2026“ angegeben.

Betrachten Sie diese Liste noch einmal aus kommerzieller Perspektive. Ihre Rückgabebedingungen erreichen im Durchschnitt 82 %. Ihre Kontaktseite 81 %. Ihr FAQ 80 %. Die Seiten, auf denen Sie erklären, wie man Waren zurückschickt, sind für einen KI-Agenten lesbarer als die Seiten, auf denen Sie erklären, was Sie verkaufen. 

Im B2B ist es noch schlimmer 

Die genannten Zahlen stammen aus dem US-Retail, wo die entsprechende Messinfrastruktur vorhanden ist. Es wäre naheliegend für Hersteller oder technische Distributoren, sie als ein Problem anderer zu betrachten. In unserer Projekterfahrung ist aus drei Gründen das Gegenteil der Fall. 

  1. B2B-Kataloge sind größer und wesentlich stärker attributabhängig. Wer eine hydraulische Verschraubung auswählt, trifft kein ästhetisches Urteil, sondern gleicht eine Spezifikation ab. Die Kaufentscheidung liegt damit fast vollständig in strukturierten Attributen, nicht in Bildmaterial oder Beschreibungstexten. 
  2. Diese Kataloge tragen zudem mehr Geschichte mit sich: Produktdaten, die durch ein ERP gelaufen sind, eine oder zwei Akquisitionen durchlaufen haben, durch eine vor einem Jahrzehnt geschriebene Lieferanten-Importroutine geflossen sind und von einem Marketingteam begleitet wurden, das darüber nie Entscheidungsgewalt hatte.
  3. B2B verkauft gleichzeitig über mehr Kanäle. Dasselbe Produkt erscheint in einem Distributor-Portal, einem Marktplatz, einem Punch-out-Katalog und einem gedruckten Datenblatt – jeweils mit einer eigenen Version der Wahrheit.

Die Retail-Daten sind ein Frühindikator, kein eigenständiges Phänomen. Der Mechanismus ist identisch – die Exposition ist höher.

Der Schaden ist kommerziell 

Die meisten Unternehmen behandeln Produktinformationen nach wie vor als Back-Office-Pflicht. Jemand im operativen Bereich ist für Vollständigkeit zuständig, jemand im Marketing für die Beschreibungen. Das ERP besitzt, nun ja,  was auch immer das ERP besitzt. Das funktioniert mehr oder weniger, weil ein menschlicher Käufer die Lücken ausgleicht: Er ruft eine andere Seite auf oder trifft einfach eine Annahme. Das erzeugt Reibung, aber der Kauf kann trotzdem stattfinden. Wenn ein KI-Agent auf der anderen Seite sitzt, gibt es möglicherweise keine zweite Chance. 

Ein Agent gleicht nicht aus. Er filtert. Das ist kein gradueller Unterschied, aber er verändert grundlegend, was ein leeres Feld kostet. 

Datenproblem  Traditionelle Suche  Agentengesteuertes Discovery 
Fehlendes Attribut  Niedrigeres Ranking, aber noch auffindbar  Aus dem Ergebnis-Set ausgeschlossen 
Inkonsistente Werte über Systeme hinweg  Mensch gleicht sie ab  Produkt weggelassen oder falsch beschrieben 
Veralteter Preis oder Lagerbestand  Korrigiert beim Checkout  Falsche Antwort gegeben, kein Klick 
Wo Sie es bemerken  Analytics and Rankings  Nirgends 

Die letzte Zeile ist die beunruhigende. Ein Ranking-Rückgang erscheint in einem Report, aber der Ausschluss aus einem Kandidaten-Set erzeugt überhaupt keinen Datenpunkt. Der entgangene Umsatz ist nicht sichtbar und genau deshalb erhält dieses Problem keine finanziellen Ressourcen. 

In Gesprächen mit eCommerce-Verantwortlichen begegnet uns immer wieder dasselbe Muster. Das Problem ist selten ein Mangel an Produktdaten. Es ist vielmehr, dass niemand entschieden hat: 

  • Welche Informationen sind für eine Kaufentscheidung tatsächlich relevant? 
  • Wer ist dafür verantwortlich? 
  • Wo müssen sie konsistent sein? 

Diese Antworten wurden typischerweise vor Jahren festgelegt, im Kontext von menschlichen Lesern Sobald KI beginnt, diese Kaufentscheidungen im Namen der Kunden zu treffen, beginnt alles auseinanderzufallen. 

Warum „Daten bereinigen” das falsche Projekt ist

Niemanden muss man davon überzeugen, dass seine Produktdaten Lücken haben. Doch „unser Katalog ist unvollständig” ist eine Aussage über Hygiene, und Hygiene verliert jede Budgetrunde gegen Initiativen, die mit einer konkreten Zahl aufwarten. Die Diagnose ist der einfache Teil. Schwierig wird es, wenn man zeigen muss, welche Lücken Umsatz kosten und ungefähr wie viel. 

Die Standardantwort lautet an diesem Punkt in etwa: ein Datenqualitätsprogramm starten, Governance einführen, die Single Source of Truth vereinheitlichen, den Katalog bereinigen. Das ist nicht falsch, aber in unserer Erfahrung ist es auch der Grund, warum sich so wenig verändert. Eine vollständige Bereinigung eines großen Sortiments ist ein 18-Monate-Programm ohne sichtbares Ergebnis bis weit in den Verlauf hinein, und nichts darin lässt sich während der Laufzeit auf einen einzelnen Euro Umsatz zurückführen. Wir haben mehrere solcher Programme erlebt, die mit echtem Commitment starteten und beim ersten Repriorisierungs-Meeting still ihren Sponsor verloren, während Agenten täglich weiter den aktuellen Feed lasen. 

Es gibt noch ein weiteres Problem mit diesem Ansatz. Generative KI vereinfacht, leere Felder in großem Maßstab zu befüllen, was auf den ersten Blick wie Fortschritt aussieht, tatsächlich aber oft keiner ist. Attribute ohne Validierungsschicht zu generieren, produziert Varianz schneller, als es jedes menschliche Team könnte: Kategorielogiken spalten sich auf, Bezeichnungen divergieren zwischen Regionen und Kanälen und der Katalog wird größer und gleichzeitig weniger vertrauenswürdig Mehr KI-generierte Produktinformationen lösen keine Governance-Probleme. Und ohne klar definierten Umfang lässt sich ein Produktkatalog nicht zuverlässig steuern. 

Die Frage, die wir einem Kunden stellen würden, ist eine kommerzielle: Welche Attribute und Kauffragen entscheiden darüber, ob ein Kauf überhaupt stattfindet? Der größte Teil Ihres Katalogs muss nicht perfekt sein. Sie müssen wissen, welcher Teil davon gerade Geld kostet, denn das ist der Teil, für den Budget bewilligt wird. 

Wie Sie das Problem eingrenzen 

Das ist die Vorgehensweise, die wir mit Kunden einsetzen. Sie läuft in Wochen statt in Quartalen, und jeder Schritt liefert ein Ergebnis, das Sie Ihrem CFO vorlegen können.

1. Fragen Sie zuerst die Maschinen, was sie bereits über Sie sagen. 

Nehmen Sie Ihre zehn margenstärksten Produkte und stellen Sie den meistgenutzten KI-Assistenten die Fragen, die Ihre Käufer tatsächlich stellen: 

  • Woraus besteht das? 
  • Wozu passt es? 
  • Welche Größe brauche ich? 
  • Ist es auf Lager? 
  • Was ist der Unterschied zu dem Modell eine Stufe darüber? 

Notieren Sie die Antworten wortgetreu. Erwarten Sie, Produkte zu finden, die mit Konkurrenzspezifikationen beschrieben werden, Preise, die seit dem letzten Quartal nicht mehr stimmen oder Produkte, die gar nicht auftauchen. Das kostet ein paar Tage einer Person und verwandelt ein abstraktes Datenqualitätsargument in eine Liste konkreter kommerzieller Schwachstellen, auf die die Business-Seite des Unternehmens reagieren wird. 

2. Priorisieren Sie nach Marge, nicht nach SKU-Anzahl. 

Setzen Sie die Priorität auf Produkte, die einen überproportionalen Anteil am Deckungsbeitrag tragen, nicht auf jene mit den meisten Varianten. In den meisten Sortimenten ist diese Gruppe klein genug, um die Bereinigung in wenigen Wochen abzuschließen. Wer mit dem Long Tail beginnt, bringt diese Programme still zum Scheitern. 

3. Ordnen Sie Käuferfragen den Attributen zu – und prüfen Sie, ob diese Attribute überhaupt existieren. 

Notieren Sie für dieses Produktset die zehn Fragen, die ein Käufer vor dem Kauf stellt, und verfolgen Sie jede davon bis zu dem Feld, das sie beantwortet. Diese Übung zeigt meist, dass die wertvollsten Attribute genau jene sind, für deren Pflege niemand je verantwortlich gemacht wurde, weil kein menschlicher Käufer sie je aufgeschrieben brauchte. 

4. Bauen Sie die Steuerungsschicht zuletzt auf.

Governance ist das, was verhindert, dass ein bereinigter Katalog wieder verfällt. Sie ist fast wertlos, bevor entschieden wurde, was gesteuert werden soll. In dieser Reihenfolge ist Governance eine Wartungsentscheidung mit definiertem Umfang, kein Transformationsprogramm, das eine eigene Budgetlinie braucht. 

„Aber wir haben doch schon ein PIM”

Das ist eine der häufigsten Reaktionen, die ich von Kunden höre. Ein PIM zu haben ist nicht dasselbe wie Produktdaten zu haben, die KI-bereit sind. Ihr PIM speichert, was das Unternehmen früher für wichtig befunden haben. Die Frage ist jetzt, ob diese Informationen ausreichen, damit eine Maschine Ihr Produkt versteht und es mit anderen vergleichen kann. 

Deshalb ist der dritte Schritt von zuvor wichtiger als die Plattformwahl. Das Ergebnis dieser Übung ist eine Entscheidung darüber, welche Attribute für welche Produkte in welchem Kanal verpflichtend sind. Ein PIM ist der Ort, an dem diese Entscheidung durchgesetzt, nicht nur dokumentiert, wird. Er ist auch der einzig sinnvolle Ort für eine Validierungsschicht über KI-generierte Inhalte. So werden maschinengeschriebene Attribute und Beschreibungen zu strukturierten, geprüften Produktinformationen, statt zu Varianz, die sich schneller ausbreitet, als sie jemand prüfen kann. 

In all den Kundengesprächen, die ich erlebt habe, ist die Technologie selten das Schwierigste. Die schwierigere Frage ist, für welche Produktinformationen das Unternehmen tatsächlich bereit ist, Verantwortung zu übernehmen. 

KI-Bereitschaft schlägt KI-Adoption

Um KI-bereit zu werden, müssen Sie nicht Ihren gesamten Katalog bereinigen. Sie müssen wissen, welche Produkte am wichtigsten sind und welche Fragen Ihre Kunden beantwortet haben wollen. Dann müssen Sie prüfen, ob Ihre Produktdaten diese Fragen konsistent beantworten können. 

Genau dorthin muss sich die Diskussion verlagern: weg von der Frage, wie mehr KI eingesetzt werden kann, hin zu der, ob das Unternehmen tatsächlich bereit ist, davon zu profitieren.