"KI-Agenten scheitern an 90 Prozent aller komplexeren Aufgaben"

Halten KI-Agenten das, was sie versprechen? Selbstständig sollen sie auf Unternehmensdaten zugreifen, im Zweifelsfall auf andere Agenten treffen, die zur Problemstellung passen und notfalls ohne menschliches Eingreifen entscheiden. Im Online-Shopping reicht die Phantasie bis hin zu Preisverhandlungen zwischen KI-Käufern und KI-Verkäufern, auf jeden Fall aber sollen sie schon bald Dinge nicht nur auswählen, sondern auch bezahlen können. Die Wetten der Industrie sind hoch. Marktplätze werden hochgezogen (Agentforce   von Salesforce  ; Agentic Systems for Commerce   der Werbeholding IPG  ), Online-Shops setzen KI-Agenten im Verkauf ein (Amazon/Rufus  , Walmart/Sparky  ), OpenAI hat einen Agenten   in den Chatbot integriert, Microsoft führt seinen Browser Edge jetzt mit Hilfe des KI-Agenten Copilot Mode   und im Umfeld entstehen Unternehmen, die versprechen, die Qualität eben dieser Agenten per Fehlerdokumentation und -analyse schrittweise hochzuschrauben.

Aber die Erfolgsstory setzt sich nicht unendlich fort. Es gibt erste Anzeichen, dass KI die hohen Erwartungen enttäuschen könnte. OpenAI schreibt weiter Milliardenverluste, weil Finanzierungsmodelle weit weniger Geld einbringen, als Betrieb und Forschung kosten. Die Börsen-Shootingstars des Jahres, etwa Palantir, Nvidia und Microsoft, erleiden plötzlich Kursrückgänge und die MIT  -Studie "The GenAI Divide: State of AI in Business 2025"   fand jüngst heraus, dass 95 Prozent aller derzeitigen KI-Anwendungen nicht zu mehr Umsatz geführt haben.

Sind KI-Agenten also überhaupt der erwartete Quantensprung hin zu Kostenreduktion und Gewinnexplosion oder müssen wir uns auf lange Phasen der Implementierung und Eingewöhnung in den Unternehmen einstellen? Oder sind KI-Agenten gar auf lange Sicht viel zu teuer in der Anwendung, weil sie etwa bei dauernder Nutzung die Energiekosten enorm hochtreiben?

Wir sprachen mit Thomas Porwol , der als Managing Partner bei der Werbeagentur DDB Germany   digitale Innovationen und Kundenerlebnisse entwickelt, über Potenziale und Herausforderungen einer Technologie, die auf viele ähnlich umwälzend wirkt wie zuletzt die Einführung der App Stores.

Welche Aufgaben werden KI-Agenten im E-Commerce kurzfristig übernehmen können?

Thomas Porwol: Die Entwicklung verläuft in zwei deutlich unterscheidbaren Phasen: kurzfristige Effizienzgewinne durch unterstützende Rollen und mittelfristig autonomere Aufgaben - begrenzt durch Energiekosten und technische Zuverlässigkeit. Nächstes Jahr werden vor allem unterstützende Rollen der KI-Agenten dominieren. Intelligenter Kundenservice entwickelt sich zur kompetenten Verkaufsberatung, automatisierte Content-Erstellung für Produktbeschreibungen läuft bereits heute in industriellem Maßstab. Ein oft übersehener Bereich ist die Retourenvermeidung. Zalando berichtete von einer Reduzierung um bis zu 40 Prozent durch virtuelle Umkleidekabinen in einem spezifischen Pilotprojekt, relativierte diese Zahl jedoch wegen der begrenzten Stichprobengröße. Realistischer und bereits heute messbar ist die Senkung größenbedingter Retouren um 10 Prozent - ein signifikanter Fortschritt bei einem der kostenintensivsten E-Commerce-Probleme.

Und wohin werden sie sich mittelfristig entwickeln?

Zwischen 2026 und 2028 könnten autonomere Aufgaben folgen, aber die Realität ist nüchterner als oft dargestellt. Selbst Walmart   und Maersk   nutzen Bots nur für kleinere Lieferanten mit standardisierten Transaktionen - alle bekannten Anwendungsfälle bleiben Bot-zu-Mensch-Szenarien. Das Grundproblem bei Agent-zu-Agent-Verhandlungen ist nicht nur technisch, sondern strategisch: Kein Unternehmen möchte seine Preisuntergrenzen und Verhandlungslogik vollständig einer Maschine anvertrauen. Pactum   hat zwar APIs für Machine-to-Machine-Verhandlungen entwickelt, diese wurden aber laut Angaben des Unternehmens aufgrund geringer Nachfrage noch nicht implementiert.

Wichtig wird die KI-Variante von SEO, um Shops in die Empfehlungstexte der KI zu bringen. Lassen sich KI-Agenten dafür einsetzen?

KI-Agenten können bereits heute automatisch GEO (Generative Engine Optimization) betreiben. Plattformen wie Profound   analysieren kontinuierlich, wie Marken in ChatGPT oder Perplexity erscheinen und optimieren die Sichtbarkeit eigenständig.

Wie kann man sicherstellen, dass KI-Agenten nicht anfangen zu phantasieren, weil sie zu wenige Daten für bestimmte Prompts haben? Falschen Kaufentscheidungen ist da Tür und Tor geöffnet.

Die Sorge ist berechtigt. Halluzinationsraten liegen bei 3 bis 27 Prozent der Antworten, ChatGPT produziert bis zu 47 Prozent erfundene Referenzen. Air Canadas Chatbot versprach fälschlicherweise Rückerstattungen  , McDonald's AI-Drive-Thru   bestellte unkontrolliert Chicken Nuggets für 250 Dollar. Die primären Ausfallmodi umfassen HTTP-Timeouts und API-Rate-Limiting, Kontextfenster-Erschöpfung, falsche Tool-Auswahl, Agent-Koordinations-Zusammenbrüche und endlose Schleifen. Hier hilft mehrstufige KI-Verifizierung. Gemeinsam mit Human-in-the-Loop-KritikerInnen erreichen Multi-Agent-Verifizierungssysteme bereits 30 Prozent Verbesserung der üblichen Abschlussraten. Ein Agent trifft Entscheidungen, ein zweiter überprüft sie, ein dritter validiert die Logik. Einige dieser spezialisierten Agenten für Anomalieerkennung und Überwachung sind produktiv im Einsatz. Noch begrenzen sich diese auf kritische Industrieanwendungen, aber die Annahme wächst.

Agenten müssen also ständig überwacht werden. Das ist aufwändig.

Am Markt entstehen spezialisierte Dienstleistungen für KI-Auditing - Unternehmen wie Parloa   und UiPath   bieten Simulationsumgebungen. KI-Agenten sollten rigoros in simulierten Umgebungen getestet werden, bevor sie eingesetzt werden.
- Das ist bisher nicht Standard und die Qualität der Datenbasis bleibt entscheidend. Das größte ökonomische Problem: Eine ständige, tiefgehende Überprüfung jeder Entscheidung wäre extrem energieintensiv. Unternehmen müssen zwischen Sicherheit und Effizienz einen Kompromiss finden.

Sind digitale Einkaufsassistenten also nichts als überzogene Phantasien?

Nein, aber die Vision wird durch harte Realitäten gebremst: Vertrauen, Energieverbrauch und technische Komplexität. Zahlungsdatensicherheit ist ein zentrales Thema. Mastercard   und Visa   entwickeln zwar "Agent Pay"-Protokolle für sichere Transaktionen, aber wer möchte einem System vertrauen, das so einfach zu täuschen ist wie aktuelle LLMs? Zusätzlich schaffen heterogene Systeme Probleme. E-Commerce-Websites haben unterschiedliche Strukturen, APIs und Checkout-Prozesse. App-to-Agent-Kommunikation läuft noch nicht reibungslos - verschiedene Apps nutzen unterschiedliche Datenformate und Sicherheitsstandards. Die Zahl der gemeldeten API-Sicherheitsvorfälle war im letzten Jahr signifikant und über alle Anwendungen hinweg zu verzeichnen.

Wie kann dem entgegengewirkt werden?

Kleinere, lokal betriebene Sprachmodelle wie Phi-4   könnten hier helfen. Sie wären energieeffizienter, datenschutzfreundlicher und weniger fehleranfällig als Cloud-basierte Systeme. Ein lokaler Agent auf dem eigenen Gerät kennt persönliche Präferenzen, muss aber keine sensiblen Daten übertragen.

Klingt nach einer ganzen Mannschaft von KI-Agenten.

Die praktische Lösung dürfte tatsächlich ein Netzwerk spezialisierter Mini-Agenten sein: Einer überwacht Milchvorräte, ein anderer kennt Buchvorlieben, ein dritter vergleicht Preise. Amazons Rufus verarbeitet laut eigenen Angaben bereits Millionen von Fragen erfolgreich - aber nur im Amazon-Kontext mit sauberen Daten.

Welche Zukunftsphantasien wecken KI-Agenten mittelfristig, um das Online-Shopping selbst attraktiver zu machen?

Bis 2030 könnte E-Commerce deutlich persönlicher und bequemer werden. Möglich wird das durch die Verbindung von Sprachsteuerung, visueller KI und intelligenter Datenanalyse. Ein Beispiel: Nach einem langen Arbeitstag reicht es, dem Assistenten kurz ein bevorstehendes Meeting zu nennen. Die KI gleicht dann per Kamera die Garderobe mit dem Kalender ab und empfiehlt direkt passende Outfits. Alles läuft nahtlos ab, ohne dass man sich durch endlose Produktlisten klicken muss. Solche hyperpersonalisierten Erlebnisse rücken mit jedem Technologiesprung näher an die Praxis.

Werden Kunden- und Shop-Agenten Preise untereinander aushandeln können?

Beim Preisaspekt bleibe ich skeptisch. Die These, dass Einkaufs- und Verkaufsagenten in Echtzeit Preise verhandeln, ist ziemlich steil. Das würde bedeuten, dass beide Seiten entsprechende Systeme haben, Preisstrukturen aufgeben und komplexe Verhandlungslogiken implementieren. Wahrscheinlicher sind dynamische Preisanpassungen basierend auf Nachfrage und Verfügbarkeit, die bereits heute in vielen Shops funktionieren.

Welche Rolle werden KI-Agenten im Social Commerce spielen?

Social Commerce setzt seinen Höhenflug fort. TikTok-Shopping erzielt heute schon Milliardenumsätze durch die direkte Verknüpfung von Produkten und Videos. Der nächste Schritt wäre, dass nicht mehr der Nutzer oder die Nutzerin, sondern der KI-Agent beim Scrollen automatisch passende Produkte auswählt. Das klingt faszinierend, setzt aber ein neues Maß an Vertrauen und Kontrolle voraus, das die Branche erst noch schaffen muss.

Werden KI-Agenten Aufgaben auch über einen längeren Zeitraum selbstständig ausführen können, etwa durchgehend für die nächsten drei Monate?

Die Fähigkeit zur Langzeitautonomie wächst exponentiell, wird aber praktisch durch Zuverlässigkeit und Energiekosten begrenzt. Basierend auf der Beobachtung, dass sich die Dauer der Aufgaben, die ein KI-Agent zuverlässig bewältigen kann, etwa alle sieben Monate verdoppelt, wäre die Fähigkeit für monatelange Projekte bis 2028 theoretisch plausibel. Die Praxis sieht anders aus: Heutige Systeme scheitern bei Aufgaben über vier Stunden in über 90 Prozent der Fälle.

Woran liegt das?

Jeder Fehler löst Kaskaden aus. Technische Grenzen sind real: API-Timeouts, Systemausfälle und Netzwerkprobleme unterbrechen längere Prozesse. Ein Agent, der drei Monate autonom Lagerbestände verwalten soll, müsste mit hunderten unterschiedlicher Lieferanten-APIs kommunizieren, Marktpreisschwankungen bewerten und unvorhersehbare Ereignisse handhaben. Die praktische Lösung liegt in geführter Autonomie: Menschen geben strategische Leitplanken vor, Agenten führen aus. Konkret bedeutet das: Definition von minimalen und maximalen Lagerbeständen, Budgetgrenzen und Lieferantenkriterien. Der Agent arbeitet innerhalb dieser Parameter und meldet sich bei Abweichungen.

Man kann Agenten nicht allein arbeiten lassen.

Nein, aber Kontrolle erfolgt nicht täglich, sondern bei definierten Ereignissen - etwa wenn Bestände kritische Grenzen erreichen. Architektonisch setzen sich ereignisgesteuerte Modelle durch: Der Agent ist nicht "always-on", sondern wird durch spezifische Trigger aktiviert, erledigt seine Aufgabe und ruht wieder. Das spart massiv Energie und reduziert Fehlerrisiken.

Welche Auswirkungen wird Google's AI Mode auf den E-Commerce haben?

Googles Umstellung auf KI-generierte Antworten verlagert den Fokus von traditioneller SEO auf Generative Engine Optimization (GEO) - eine fundamentale Veränderung. Das Ziel ist nicht mehr Platz eins bei Google, sondern als vertrauenswürdige Quelle in der KI-Antwort zitiert zu werden. Ohne Zitat sind Unternehmen unsichtbar. Prognosen zeigen 20 bis 60 Prozent Rückgang beim organischen Traffic für viele Websites. Semantik und vektorbasierte Datenbanken spielen hier eine zentrale Rolle. Googles Shopping Graph mit über 50 Milliarden Produktlistings nutzt Vektorsuche, um semantische Zusammenhänge zu verstehen. Statt Keywords zählt Kontext - "warme Winterjacke für Kinder" wird anders interpretiert als "Kinderjacke warm Winter".

Welches sind die wichtigsten Parameter, um in die KI-Box zu kommen?

Für eine erfolgreiche GEO-Platzierung müssen Unternehmen ihre Strategie grundlegend überdenken. Statt oberflächlicher Inhalte braucht es tiefgehende, fachlich fundierte Beiträge, die Googles E-E-A-T-Kriterien   (Expertise, Experience, Authoritativeness, Trustworthiness) erfüllen und echte thematische Autorität aufbauen. Strukturierte Daten mit Schema-Markup helfen KI-Systemen dabei, Inhalte richtig zu interpretieren. Entscheidend ist auch ein Wandel in der Content-Erstellung: weg von Keyword-optimierten Texten hin zu natürlichen Frage-Antwort-Formaten, die semantische Zusammenhänge berücksichtigen und der Art entsprechen, wie Menschen tatsächlich mit KI-Systemen interagieren.

Welche Rolle spielt User Generated Content dabei?

Reddit gewinnt als Vertrauensquelle für KI-Systeme an Bedeutung, wenn auch in etwas moderaterem Ausmaß als oft behauptet. Während manche Quellen von dramatischen Zuwächsen sprechen, zeigen Analysen einen Anstieg auf 4,55 Prozent bei Perplexity  -Zitaten aus Reddit   - immer noch ein signifikanter Trend. Die Gründe dafür sind technischer Natur: Das Upvote-System fungiert als natürlicher Qualitätsfilter, die Community-Moderation validiert Inhalte und das Gesprächsformat entspricht der Art, wie KI-Modelle natürlichen Dialog verstehen lernen. Problematisch ist jedoch die demografische Verzerrung - Reddit-Nutzende sind überwiegend männlich und jung, was weit von einer repräsentativen Bevölkerungsstruktur entfernt ist. Mozilla Research   warnt bereits vor den Risiken übermäßiger Reddit-basierter Filterung. Die realistische Einschätzung: Reddit funktioniert eher als Content-Filter denn als primäre, vertrauenswürdige Quelle. Sein eigentlicher Wert liegt in der menschlichen Auswahl von Inhalten, nicht in deren inhärenter Qualität.

Welche Differenzierungsmöglichkeiten haben Marken in der KI-Welt überhaupt noch?

Die Differenzierung verlagert sich von visueller zu inhaltlicher Autorität. Branding-Aufwand wird nicht überflüssig, sondern strategisch neu ausgerichtet. In einer von KI-Agenten kuratierten Welt ist die stärkste Marke die vertrauenswürdigste Quelle. Der neue Markenaufwand fließt in Inhalte, die so umfassend und faktenbasiert sind, dass KI sie als primäre Referenz zitiert. Die oft zitierte Behauptung, führende Unternehmen würden bereits erhebliche Anteile ihrer E-Commerce-Budgets in generative KI investieren, ist mit Skepsis zu betrachten. Realistischer ist, das zeigen die Zahlen, dass drei Viertel der Einzelhändler zunächst weniger als fünf Millionen US-Dollar investieren wollen - was eher auf Experimente als auf massive Budgetverschiebungen hindeutet.

Braucht man noch Händler-Shops in der KI-Welt?

Die Rolle großer Händler wird herausgefordert, aber sie haben starke Verteidigungslinien. KI-Einkaufsagenten könnten traditionelle Händler theoretisch umgehen. Ein Agent mit dem Auftrag, das beste Angebot zu finden, würde das gesamte Internet durchsuchen, nicht nur Amazon. Dies könnte D2C-Marken stärken, die durch GEO-Optimierung für Agenten sichtbar werden. Das D2C-Wachstum zeigt sich bereits in messbaren Zahlen - von aktuell über 160 Milliarden auf prognostizierte knapp 600 Milliarden USD bis 2033. KI-Agenten könnten D2C-Marken ermöglichen, Marketing und Kundenservice auf einem Niveau zu automatisieren, das bisher nur Großunternehmen vorbehalten war und damit die Eintrittsbarrieren für direkte Kundenbeziehungen senken. Aber während digitale Produktentdeckung durch GEO demokratisiert werden könnte, bleibt physische Logistik eine harte Grenze. Amazon und Co. besitzen eine nahezu uneinholbare Infrastruktur für Lagerhaltung und schnelle Lieferung. Ein D2C-Shop mag das innovativste Produkt haben, aber wenn er nicht schnell liefern kann, dürfte der KI-Agent trotzdem den Händler mit der besseren Logistik wählen. Die Prognosen deuten auf eine hybride Zukunft hin mit Test-and-Scale-Modellen, bei denen Produktvalidierung über Marktplätze und Skalierung über D2C-Kanäle erfolgt.

Welche Geschäftsbereiche rund um KI-Agenten könnten einen Boom erleben?

Das KI-Agenten-Ökosystem schafft neue Geschäftschancen, fokussiert auf Commerce und Software statt Hardware. Im Softwarebereich entstehen KI-Agenten-Marktplätze als "App Stores" für spezialisierte Agenten. Erste Plattformen wie Zapier   und Microsoft Power Platform   entwickeln bereits entsprechende Features. Ob sich eigenständige "Agent Stores" durchsetzen, bleibt abzuwarten. Cybersicherheit für KI-Agenten entwickelt sich zu einem neuen Sektor. Der Schutz vor bösartigen Agenten, manipulierten Trainingsdaten und gegnerischen Attacken wird besonders wichtig. Unternehmen wie Parloa   und Galileo   bieten bereits Audit- und Verifizierungsdienste für KI-Agenten-Aktionen. Neue Geschäftsmodelle entstehen durch Versicherungen gegen KI-Fehler und Infrastruktur für agentischen Handel. Start-ups könnten die technische und finanzielle Infrastruktur bereitstellen, damit Agenten sicher einkaufen können.

Und aus Verbrauchersicht?

Persönliche Datentresore könnten der größte neue Markt werden. Diese funktionieren wie digitale Safes für alle persönlichen Informationen - vom Kalender über Gesundheitsdaten bis zu Einkaufsvorlieben. Nutzerinnen und Nutzer können dann KI-Agenten gezielt Zugriff auf bestimmte Datentypen gewähren und jederzeit wieder entziehen. Unternehmen wie Skyflow   oder Teradata   arbeiten bereits an solchen Lösungen und bewältigen damit gleichzeitig Datenschutz- und Effizienzprobleme. Revenue-Modelle entwickeln sich von festen Abonnements zu erfolgsbasierten Vergütungen mit Revenue-Sharing für bessere Conversion Rates.

Wann kommt die perfekt passende KI-Liste für den Wochenendeinkauf?

Es ist realistisch, dass uns in zehn Jahren hyperpersonalisierte Einkaufslisten angeboten werden, die exakt auf die eigenen Gewohnheiten, Vorlieben und aktuellen Bedürfnisse zugeschnitten sind. Möglich machen das intelligente Geräte im Haushalt, smarte Kühlschränke, vernetzte Vorratsdosen und KI-Systeme, die den Verbrauch und die Vorräte laufend erfassen. Schon heute erkennt ein Family-Hub-Kühlschrank von Samsung   mehr als dreißig verschiedene Kategorien von Lebensmitteln und kann daraus Vorschläge für die nächste Einkaufsliste ableiten.

Um zu wissen, was im Kühlschrank fehlt, braucht wohl niemand eine KI.

Künftig werden persönliche Datensafes als zentrales Element hinzukommen, damit sämtliche Daten aus Apps, Kalendern, Smart Home und Shoppingportalen sicher und kontrollierbar an einem Ort liegen. Das Ziel sind Systeme, die nicht auf Prompts warten, sondern vorausschauend agieren und wirklich relevante Vorschläge machen. Die größte Herausforderung bleibt aber der Datenschutz. Damit diese Einkaufsassistenten breite Akzeptanz finden, müssen Nutzerinnen und Nutzer jederzeit volle Transparenz und Kontrolle über ihre Daten haben. Die Technik ist auf dem Weg, aber es wird zunächst ein Thema für das Premium-Segment bleiben. Einerseits wegen der Kosten für smarte Infrastruktur, andererseits weil verschiedene Standards und Insellösungen die nahtlose Integration erschweren. Ob die Vision in der Breite Wirklichkeit wird, entscheidet sich daran, wie überzeugend die Branche das Thema Datenschutz adressiert und wie einfach die Systeme im Alltag zu bedienen sind.