Bereits 2011 prägte Marc Andreessen einen Satz, der bis heute durch Vorstandsetagen hallt: ,‚Software is eating the world.“ Dreizehn Jahre später hat sich der "Speiseplan" verändert. In diesem Beitrag habe ich beschrieben, wie autonome Agenten die Phasen Awareness, Consideration und Checkout zu einer einzigen, nahezu verzögerungsfreien Entscheidungskette verdichten werden.
Springen wir in die Gegenwart: Die Belege für diesen Wandel sind inzwischen unübersehbar. Andreessen Horowitz (a16) hat die Entwicklung aufgegriffen: im Beitrag „How Generative Engine Optimization (GEO) Rewrites the Rules of Search“ auf wird deutlich, warum künftig große Sprachmodelle – und nicht mehr Links – darüber entscheiden, welche Marken sichtbar sind.
Dieser Blogbeitrag knüpft an die GEO-These an – und zeigt, wie „Agentic Commerce“ aus Modell-Erwähnungen echten Umsatz macht.
Darum gehts:
Warum GEO SEO schlägt – und weshalb die Reference Rate die Click-Through-Rate ablöst
Wie Agenten den Schritt von „In den Warenkorb“ zu „Bereits bezahlt“ praktisch eliminieren
Welche drei APIs jeder Händler braucht, um für Agenten relevant zu bleiben
Ein 90-Tage-Aktionsplan, um deinen Shop für Modelle und Menschen unvergesslich zu machen
Wenn Software die Welt erobert hat, stehen Agenten kurz davor, den Onlinehandel grundlegend zu verändern.
1. Die Debatte beginnt bei a16z – endet dort aber nicht
Die GEO-statt-SEO-These von Zach Cohen und Seema Amble bringt es auf den Punkt: Suche verschiebt sich von „zehn blauen Links“ hin zu dialogbasierten Antworten. Sichtbarkeit bedeutet künftig nicht mehr, von einem Crawler gerankt zu werden, sondern von einem Sprachmodell referenziert zu sein.
Doch sobald ein Modell sich an deine Marke erinnert, ist der nächste logische Schritt offensichtlich: Ein Agent handelt auf Basis dieses Wissens und schließt die Transaktion ab. GEO verschafft dir die Erwähnung – Agentic Commerce bringt dir den Umsatz.
Man kann GEO als Luftunterstützung verstehen und Agenten als Bodentruppen. Ohne das eine bleibt das andere eine halbe Lösung.
2. Warum GEO allein keinen Warenkorb abschließt
Der Beitrag von a16z macht zwei strukturelle Verschiebungen deutlich:
Paywalls für KI ersetzen die werbefinanzierte Suche.
Die Reference-Rate löst die Click-Through-Rate ab.
Das ist wichtig – aber weder Paywalls noch Referenzen bewegen Lagerbestände. Sie erzeugen Kaufabsicht, aber keine Ausführung. Genau diese Ausführungsebene bauen wir mit Agentic-Commerce.sh und der Agentic Commerce Alliance.
Anders gesagt: Der Traffic der Zukunft wird deine liebevoll optimierte Landingpage gar nicht mehr sehen. Wenn dein Stack nicht API-zu-API mit einem autonomen Checkout-Bot kommunizieren kann, bist du im entscheidenden Moment unsichtbar.
3. Von GEO zu "GEO × ACE" (Agentic Commerce Engine)
Alte Welt | GEO-Welt | GEO × ACE-Welt |
Für Keywords ranken | In Antworten von Modellen referenziert werden | Von Agenten referenziert und für Transaktionen genutzt werden |
Klicks messen | Reference-Rate messen | Abgeschlossene Agenten-Bestellungen messen |
HTML optimieren | Maschinenlesbaren Kontext optimieren | Live-APIs für Discovery, Preis, Bestand und Zahlung bereitstellen |
GEO löst das Problem der Auffindbarkeit. ACE (Agentic Commerce Engine) löst das Problem der Abwicklung. Zusammen verdichten sie Awareness, Consideration und Checkout zu einem einzigen, dialogbasierten Ablauf. Das gemeinsame Checkout-Experiment von Perplexity und PayPal hat diese Zukunft bereits angedeutet.
4. Drei APIs, die jede Marke brauchen wird
API | Funktion |
Describe | Reichhaltige, strukturierte Produktdaten, die ein Sprachmodell referenzieren kann. |
Decide | Regeln, die ein Agent abfragen kann: Preisuntergrenzen, Versandlimits, Rückgabefristen |
Deal | Tokenisierte Endpunkte für Zahlung und Fulfillment, damit der Agent den Kauf in Millisekunden abschließen kann |
Genau diese Protokolle standardisiert die Agentic Commerce Alliance – offen, händlerzentriert und ohne Lock-in.
5. Metriken, die GEO und Agenten zusammenführen
Phase | Neue KPI (Quelle) |
Discovery | Reference-Rate in Antworten von LLMs (a16z GEO Report) |
Consideration | Bot-Trust-Score – % der Nutzer, die dem Agenten Entscheidungen überlassen (Agentic Commerce Alliance Cheat Sheet) |
Kauf | Agent Conversion Rate – abgeschlossene Bestellungen pro Agenten-Empfehlung (Visa Intelligent Commerce) |
Loyalität | Autonomous Re-order Share (Shopware Pilotdaten 2025) |
Wenn deine Dashboards bei der Reference Rate enden, feierst du Markenpräsenz – während Wettbewerber dir im Hintergrund den Umsatz abnehmen.
6. Eine pragmatische Roadmap (keine Buzzwords, nur klare To-Dos)
12-Monats-Fahrplan für Agentic Commerce – klar, präzise, umsetzbar
Monat 0–1 ▸ Schnell Orientierung gewinnen
Beide Whitepaper auf agentic-commerce.sh lesen (Alliance PDF + Cheat Sheet).
Ein 60-minütiges „Download“-Meeting mit Produkt-, Daten- und Marketingverantwortlichen durchführen.
Eine verantwortliche Person festlegen, die das Thema „Agent Readiness“ das ganze Jahr über verantwortet
Monat 1–2 ▸ Daten für Bots aufbereiten
Fehlende Attribute im Produktfeed ergänzen (Preis, Verfügbarkeit, Lieferzeit, Garantie).
Einen Describe-Endpoint veröffentlichen (JSON/GraphQL), den Agenten abfragen können.
Zeitlich definiertes Ziel: Feed-Vollständigkeit ≥ 90 %
Monat 2–4 ▸ Grundlagen verdrahten
Einen Decide-Endpoint für Regeln erstellen (Versandgrenzen, Rückgabefristen, Preisuntergrenzen).
Einen Deal-Endpoint testen, z. B. durch Anbindung an die Visa Intelligent Commerce Sandbox für tokenisierte Checkouts.
Interne Erfolgskennzahl: Die erste End-to-End-Testbestellung läuft in unter einer Sekunde.
Monat 4–6 ▸ Live-Pilot starten
Einen risikoarmen Anwendungsfall auswählen (z. B. „Nachbestellung von Büroverbrauchsmaterial“).
Rollout an 100 Beta-Kund:innen; Tracking aufsetzen.
UX iterieren, sobald der Bot-Trust-Score unter 70 % fällt.
Monat 6–9 ▸ Skalieren, was funktioniert
Agentische Prozesse auf die Top-10 % der SKUs ausweiten.
Produktfeeds in Profound oder Daydream einspeisen, um die Reference Rate in LLM-Antworten zu beobachten.
Ziel: ≥ 5 % des GMV über Agenten bis Ende von Monat 9.
Monat 9–12 ▸ Differenzieren und messen
Ergänze eine Experience-Layer (3D-Try-Ons, Konfigurator, AR-Demo) für menschliche Käufer.
Aktiviere eine Rückgabe-API für Soforterstattungen – Ziel: 95 % Auto-Genehmigung.
Wöchentliches Dashboard: Reference-Rate, Bot-Trust, Agent-GMV, autonome Nachbestellungen.
Ergebnis nach 12 Monaten
Ein produktionsreifer Describe–Decide–Deal-Stack.
Mindestens eine Kategorie, in der Agenten über 10 % der Bestellungen abwickeln.
Klare Kennzahlen, die zeigen, wo im Folgejahr gezielt skaliert werden sollte.
Geschwindigkeit schlägt Perfektion. Die Spezifikation entwickelt sich weiter – behandle alles als Experiment im laufenden Betrieb.
7. Warum Shopware auf Agenten setzt
Vor 25 Jahren haben wir Shopware entwickelt, damit Händler ihre Storefront in einer von Google dominierten Browser-Ära selbst kontrollieren konnten. Dieses Prinzip gilt auch heute: Besitze deine Interface – auch wenn diese selbstständig handelt. Unsere offene Plugin-Architektur stellt die Describe–Decide–Deal-Triade bereits heute bereit.
8. Deine Action-Checkliste
Den a16z-Beitrag lesen – und das GEO-Argument wirklich verinnerlichen.
Meine Whitepaper zu Agentic Commerce durcharbeiten – und den operativen Vorsprung erleben.
Mit ersten Experimenten starten und eine Roadmap nach dem Prinzip „Geschwindigkeit schlägt Perfektion“ aufsetzen.
9. Abschließender Denkanstoß
GEO stellt die Frage: „Wird sich das Modell an dich erinnern?“ Ich ergänze die entscheidende Anschlussfrage:
Wenn sich das Modell an dich erinnert – kann sein Agent dann auch bei dir kaufen? Sofort, regelkonform und zu deinen Bedingungen?
Wenn die Antwort nein lautet, endet deine perfekt optimierte Markenstory als Fußnote im Transaktionsprotokoll eines anderen. Lass uns dafür sorgen, dass es nicht so weit kommt.
— Stefan
Das könnte dich auch interessieren:
Mehr über Shopware und künstliche Intelligenz
Lade dir das Agentic Commerce Whitepaper herunter
AI Insights #1: Wenn KI den Checkout übernimmt
AI Insights #2: Die Zukunft des Agentic Commerce
AI Insights #3: Machine-to-Machine-Commerce-Playbook
