Disruptionsradar: Woran der Agentic Commerce-Hype scheitern wird

Kaum etwas verführt Online-Marketer und Digital-Experten so zuverlässig wie der erste Kontakt mit einem neuen Hype. Die Keynote klingt euphorisch, die Demo zeigt einen echten Gamechanger, die ersten Case Studies beeindrucken. Niemand will den nächsten großen Trend verpassen. Gleichzeitig will natürlich auch niemand einem falschen hinterherlaufen.

Nur: Wie unterscheidet man einen echten Trend von einem überzogenen Hype?

Genau vor dieser Einordnungsfrage steht aktuell das Thema Agentic Commerce. Gemeint sind KI-basierte Systeme, die nicht nur beraten oder vorbereiten, sondern eigenständig agieren: Agenten, die Produkte recherchieren, Preise vergleichen, Entscheidungen treffen und Käufe im Namen der Nutzer auslösen.

• Verfechter der Idee sehen darin eine neue Ära des E-Commerce. Kaufprozesse werden vollständig automatisiert und für den Menschen unsichtbar.
  
  
• Skeptiker zweifeln hingegen, ob tatsächlich ein reales Bedürfnis adressiert wird oder ob aus der Faszination über KI-Autonomie eine technologische Kopfgeburt entsteht.

Sicher ist lediglich: Technologisch wäre diese Vision machbar. Nur: Die Vergangenheit zeigt, dass Machbarkeit zwar Voraussetzung, aber keineswegs Garantie für einen Erfolg ist. Darüber entscheiden vielmehr Nutzerbedürfnisse und -verhalten, Kosten, Alltagstauglichkeit und Akzeptanz.

Um diese Unterscheidung systematisch treffen zu können, hat iBusiness ein alltagsnahes Bewertungsraster entwickelt. Jeder Trend lässt sich damit in zentrale Kriterien zerlegen, die in ihrer Gesamtheit ein präzises Bild davon zeichnen, welche innere Kraft einem Trend tatsächlich innewohnt. Fünf Kriterien haben wir dafür identifiziert (Details in der Übersicht der Bewertungskriterien):

• Kompatibiliät zum Nutzerverhalten.
  
• Alltagstauglichkeit
  
• Ökonomische Tragfähigkeit
  
• Soziale Akzeptanz
  
• der konkrete Nutzen abseits des übergeordneten Narrativs.

Bewertet wird nach diesem Schema also nicht die technologische Machbarkeit, sondern allein die Frage, wie gut sich eine Idee im realen Leben unter Marktbedingungen behaupten kann. Um das Raster besser überprüfbar und vergleichbar zu machen, haben wir es zudem auf zahlreiche bereits bekannte Trends angewendet - auf solche, die sich durchgesetzt haben, ebenso wie auf solche, die vollständig gescheitert sind. So wird die Disruptionskraft einzelner Entwicklungen leichter vergleichbar und einordnungsfähig.

GenAI vs. Agentic Commerce: Unterschiedlicher können Trends kaum sein

Zunächst jedoch zurück zu Agentic Commerce. Die Überzeugungskraft des Themas speist sich zweifellos aus dem überbordenden Erfolg von GenAI. Entsprechend liegt es nahe, beide Trends direkt miteinander zu vergleichen.

Nach dem iBusiness-Schema bewertet zeigt sich schnell: Das Potenzial von Agentic Commerce reicht nicht annähernd an das von GenAI heran. Zwar gibt es technologische Gemeinsamkeiten, da beide auf KI und maschinellem Lernen beruhen - doch damit enden die Parallelen bereits. Anwendungsspektrum und Disruptionskraft liegen so weit auseinander wie Rasenmähertraktor und Familien-Van. Während GenAI nach dem iBusiness-Bewertungsschema in nahezu allen Dimensionen hohe Werte erzielt, bleibt Agentic Commerce auf dem Niveau früherer Technik-Flops wie Dash Button, Voice Commerce (siehe hier) oder Metaverse (siehe hier).

Agentic Commerce - Bewertung im Einzelnen

Agentic Commerce meint KI-Agenten, die eigenständig recherchieren, entscheiden und Käufe auslösen (inkl. Verwaltung von Budget, Auswahl, Checkout). Im Unterschied zu GenAI handelt es sich um einen klassischen sekundären Hype: Er setzt auf einer funktionierenden Basistechnologie auf, wechselt aber das Nutzungsszenario.

• Nutzerverhalten: 2
  Die Übertragung der finalen Kaufentscheidung erfordert massiven Kontrollverzicht. Nutzer müssen ihre Präferenzen explizit formalisiert artikulieren und mit dem Ergebnis leben. Das ist nicht nur ungewohnt, sondern sogar sehr umständlich - und damit unattraktiv. Menschen wollen Unterstützung bei Kaufentscheidungen, sie aber nicht vollständig delegieren.
  
  
• Alltagstauglichkeit: 2
  Agentic Commerce funktioniert höchstens bei einfachen Ersatzkäufen. Sobald Emotionen, Vorlieben oder Markenbindungen ins Spiel kommen, stößt das Konzept an seine Grenzen. Für Nutzer bleibt stets eine Restunsicherheit, ob er mit dem Kauf zufrieden sein kann. Als technologische Demo mag der Ansatz überzeugen - den Wert eines Einkaufserlebnisses versteht er jedoch nicht.
  
  
• Ökonomische Tragfähigkeit: 2
  Es bleibt völlig unklar, wer den Service bezahlt: Der Nutzer (der den Service nicht liebt)? Der Händler (der kaum Nutzer bekommt)? Die Plattform (von welchem Geld)? Und: Selbst im besten Fall verschiebt Agentic Commerce die Marge nur. Sie wird nicht erzeugt.
  
  
• Soziale Akzeptanz: 1
  Die Fehlertoleranz dürfte extrem gering sein. Haftungs- und Vertrauensfragen sind ungeklärt, emotionale Bedürfnisse werden nicht adressiert. Akzeptanz entsteht so kaum.
  
  
• Use Case vs. Narrativ: 1
  Das Narrativ ist riesig ("Kauf verschwindet", "Agent erledigen alles"), aber es gibt kaum belastbare Use Cases jenseits von Spezialfällen (B2B, industrielle Anwendungen). Der Nutzen besteht ausschließlich darin, den Einkauf zu delegieren. Wenn das nicht als Vorteil empfunden wird (wegen der umständlicher Handhabung, des Kontrollverlusts und der fehlenden emotionalen Ansprache), bleibt wenig übrig.

GenAI - Bewertung im Einzelnen

GenAI (Generative Künstliche Intelligenz) kann nicht nur bestehende Daten analysieren, sondern eigenständig Inhalte erstellen. Während herkömmliche KI oft für Vorhersagen oder Klassifizierungen genutzt wird, erzeugt GenAI originäre Werke wie Texte, Bilder, Audio, Videos oder Computercode. GenAI kann auf Basis von Prompts Inhalte generieren, die in Stil und Struktur ihren Trainingsdaten ähneln, aber dennoch neue Kreationen darstellen. Traditionelle KI automatisiert dagegen regelbasierte Aufgaben.

• Nutzerverhalten: 4
  GenAI baut auf bestehenden Tätigkeiten auf: Schreiben, Recherchieren, Zusammenfassen, Programmieren. Neue Routinen sind kaum erforderlich. Einschränkend wirkt allerdings die Abhängigkeit von Nutzerkompetenz und die Fehleranfälligkeit der Systeme.
  
  
• Alltagstauglichkeit: 5
  GenAI ist bereits Alltagstechnologie und wird täglich in Redaktionen, Marketing, Entwicklung, Support und Wissenschaft genutzt. Trotz der Einschränkungen (s.o.) sind große Produktivitätsgewinne möglich.
  
  
• Ökonomische Tragfähigkeit: 4
  Es gibt eine Zahlungsbereitschaft (Subscriptions, Enterprise-Lizenzen), da die Effizienzgewinne die Kosten deutlich übersteigen. Einschränkung: Auf Anbieterseite entstehen hohe Infrastrukturkosten und die Geschäftsmodelle sind noch nicht vollständig ausgebildet.
  
  
• Soziale Akzeptanz: 3
  Im beruflichen Kontext herrscht hohe Akzeptanz, gleichzeitig bestehen Sorgen hinsichtlich Jobverlust, Urheberrecht und Desinformation. Gesellschaftlich ist das Thema umstritten und politisch sensibel. Die vorhandene Akzeptanz ist fragil.
  
  
• Use Case vs. Narrativ: 4
  Das Narrativ ist stark überladen und teils gefährlich überhöht ("ersetzt Wissen", "ersetzt Arbeit", "Artificial General Intelligence steht unmittelbar bevor"). Trotzdem gibt es aber viele klare und überzeugende Use Cases (Text, Bild, Code, Analyse, Ideenfindung).

Im Ergebnis zeigt sich, dass "Agentic Commerce" in der beschriebenen Form kaum Erfolgschancen besitzt. Das Thema profitiert vor allem vom allgemeinen KI-Hype, bietet inhaltlich jedoch wenig Substanz. Lediglich spezialisierte Anwendungen - etwa im industriellen Einkauf oder B2B-Umfeld - erscheinen realistisch.

Anders verhält es sich, wenn KI nicht als autonomer Käufer, sondern als Einkaufsberater gedacht wird. Gerade auf GenAI basierende Systeme haben großes Potenzial, Kaufentscheidungen zu beeinflussen - allerdings deutlich früher im Entscheidungsprozess, nicht beim finalen Checkout.

Weitere Disruptionsanalysen zur besseren Einordnung

Um die Einordnung des Trends "Agentic Commerce" zu erleichtern, haben wir im folgenden eine Reihe weiterer Trends dem selben Bewertungsschema unterzogen. Dabei haben wir bewusst darauf geachtet, in jeder Kategorie jeweils Flops, Nischenanwendungen und echte Trends gleichermaßen zu berücksichtigen.