Katalog / LLM-Agenten und Workflow-Automatisierung / AGENT-020

E-Commerce-Betriebsagent (Angebote, Preise, Kundenantworten)

Ein Agent, der aus Fotos oder Lieferantendaten Produktangebote entwirft, konforme Preisänderungen vorschlägt und Routineanfragen von Kunden beantwortet – für Onlineshops, Marktplatzhändler und private Wiederverkäufer.

Bausteine für den EigenbetriebAgenten & AutomatisierungDokumente lesenSprachmodellPrognose & Zeitreihen

Ein Onlineshop zu betreiben bedeutet Tausende kleiner, sich wiederholender Aufgaben: Produktseiten schreiben und übersetzen, Attribute vollständig halten, Preise anpassen und „Wo ist mein Paket?" beantworten. Ein Betriebsagent übernimmt das Entwerfen und die Routineausführung über Shop- und Marktplatz-Schnittstellen, während ein Mensch Preisregeln, neue Angebote in riskanten Kategorien und sensible Kundenfälle freigibt. Der typische Nutzen sind weniger Zeit pro Angebot und schnellere Antworten; überprüfte, unabhängige Zahlen sind selten.

Problem & Nutzen

  • Heute: Händler kopieren Lieferantendaten in Shop-Backends, schreiben Beschreibungen pro Kanal und Sprache um, füllen marktplatzspezifische Attribute, ändern Preise per Tabelle oder regelbasiertem Repricer und beantworten dieselben Supportfragen von Hand. Unvollständige oder falsche Attribute kosten Sichtbarkeit und verursachen Retouren.
  • KI-Nutzen: Bild-Sprach-Modelle machen aus Fotos und Datenblättern strukturierte Angebote; LLMs lokalisieren und passen Texte pro Kanal an; ein Agent ruft Schnittstellen auf, um zu veröffentlichen, zu aktualisieren und zu überwachen; Antworten werden mit Bestellkontext entworfen.
  • Belege (von Anbietern berichtet): Amazon meldete, dass mehr als 30.000 Verkaufspartner in der EU und im Vereinigten Königreich seine generativen Angebotswerkzeuge genutzt hatten, als es sie 2024 auf Frankreich, Deutschland, Italien, Spanien und das Vereinigte Königreich ausweitete [1]. eBay berichtet, dass sein Ablauf „Magical Listing" die Schritte zum Erstellen eines Angebots verringert, und hat ihn auf neue und reaktivierte Anbieter im Vereinigten Königreich und in Deutschland ausgeweitet [2]. Unabhängige Produktivitätsstudien speziell zu Angebotsagenten sind begrenzt; messen Sie Ihre eigene Ausgangslage.

Varianten

  • Marktplatzhändler (KMU): Angebotserstellung in den Verkäuferwerkzeugen von Amazon, eBay, Otto, Zalando oder Kaufland plus ein Repricer; die Plattform gibt die Regeln vor.
  • Eigener Shop (Shopify, Shopware, WooCommerce, Magento/Adobe Commerce): der Agent verbindet sich mit der Shop- Schnittstelle und dem PIM; Kanal-Feeds (Google Merchant Center, Marktplätze) werden aus einem Stammdatensatz erzeugt.
  • Großunternehmen / Marke: PIM-zentrierte Anreicherung im großen Maßstab (zehntausende SKUs), mehrsprachiger Rollout, Leitplanken für die Markentonalität, Freigabeabläufe.
  • Privater Wiederverkauf (Gebrauchtmarktplätze, Zielgruppe: privat): vom Foto zum Angebot und Preis- vorschlag für gebrauchte Artikel. Wenige Fotos liefern Titel, Kategorie, Zustandsformulierung und eine Preisspanne anhand vergleichbarer verkaufter Artikel (eBay Magical Listing, Vinted und Apps im Stil von Kleinanzeigen). Gleiche Fähigkeit, geringere Tragweite: keine Repricing-Logik, aber dieselben Pflichten zu zutreffenden Beschreibungen; beachten Sie, dass regelmäßiger Verkauf im gewerblichen Umfang eine Person zum Unternehmer mit verbraucherrechtlichen Pflichten macht.

So funktioniert es

  1. triggers (new product / supplier feed / schedule / customer message)
  2. context load (catalogue, PIM, price history, policies, order status via API/MCP)
  3. LISTING: photo+data
  4. VLM extraction
  5. attribute mapping to channel schema
  6. text generation
  7. translation
  8. PRICING: competitor/stock signals + margin rules
  9. proposal
  10. compliance check (prior-price rule)
  11. bounds check
  12. SUPPORT: classify message
  13. retrieve order/policy
  14. draft reply (+ refund/return proposal)
  15. guardrails (claims, banned terms, price bounds, PII)
  16. human approval queue (new categories, price jumps, refunds, complaints)
  17. publish via API
  18. log
  • Angebot: ein VLM liest Fotos (Marke, Modell, Farbe, Mängel) und Datenblätter; die Ausgabe wird vor dem Absenden gegen das Produkttyp-Schema des Kanals validiert (zum Beispiel die Product Type Definitions von Amazon) [3].
  • Preisgestaltung: die Preislogik bleibt deterministisch (Regeln, Elastizitätsmodelle, Bandit-/Prognosemodelle). Das LLM erklärt, entwirft und prüft; es setzt keine unbegrenzten Preise. Harte Unter-/Obergrenzen und die maximale tägliche Änderung werden außerhalb des Modells durchgesetzt.
  • Antworten: Retrieval über Richtlinien und den Bestelldatensatz; der Agent entwirft und versendet nur risikoarme Anliegen automatisch (Sendungsverfolgung, Öffnungszeiten) und eskaliert alles mit Erstattungen, Sicherheit, Rechtlichem oder Anzeichen von Verärgerung.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Regelsätze freigeben, Stichproben automatisch veröffentlichter Angebote wöchentlich prüfen, alle Erstattungen über einem Schwellenwert freigeben.

Datenaufbereitung

Die Daten liegen im Shopsystem, in Verkäuferkonten bei Marktplätzen, im ERP- oder Warenwirtschaftssystem, in Preislisten und Datenblättern der Lieferanten (Excel, CSV, PDF), in Produktfotos auf einer Freigabe oder dem Handy und im gemeinsamen Service-Postfach mit früheren Kundenantworten. Typische Lücken: unvollständige oder uneinheitliche Attribute, fehlende EANs, doppelte SKUs, Lieferantendateien in wechselnden Formaten, Fotos ohne Namenskonvention, undokumentierte Rückgabe- und Versandregeln und eine Preishistorie ohne den niedrigsten Preis der letzten 30 Tage, der für die Omnibus-Prüfung nötig ist.

Schritte der Aufbereitung: (1) den Katalog exportieren und Dubletten sowie fehlende Pflichtattribute beheben (PREP-011); (2) ein Kategorien- und Attributschema pro Kanal festlegen (PREP-019); (3) ERP- und Shopdaten per Schnittstelle oder Export holen (PREP-005); (4) Shop-Richtlinien und ein freigegebenes FAQ für Antworten aufschreiben (PREP-013); (5) 20 gute frühere Antworten und Angebote als Referenzbeispiele auswählen (PREP-016); (6) eine saubere Tabelle der Preishistorie führen. Werkzeuge: Tabellen, ein PIM oder n8n für Importe. Grober Aufwandsanteil: 30 Prozent, vor allem Attributbereinigung.

Umsetzungswege

Welcher Weg für wen

  • KMU: A. Shopsysteme, Marktplatzwerkzeuge und PIM-/Repricing-Produkte mit KI-Funktionen für Angebote und Antworten sind ausgereift, in der EU betreibbar und für kleine Shops bepreist.
  • Großunternehmen: B. Große Kataloge, eigenes PIM/ERP und Preisregeln machen einen integrierten Aufbau auf Cloud-KI-Diensten wirtschaftlicher als Preise pro Angebot oder Nutzer.
  • Entwickler: B. Shop- und Marktplatz-Schnittstellen in Kombination mit einer LLM-Schnittstelle geben volle Kontrolle über Angebote und Preislogik.
  • Privat: A. Wiederverkäufer auf Marktplätzen erzielen mit eingebauten Angebotsassistenten und fertigen Apps die besten Ergebnisse.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

  • Plattformeigen: generative Angebotswerkzeuge von Amazon im Seller Central [1], eBay Magical Listing [2], Shopify Sidekick/Magic und Shopify Catalog Mapping [4], Partnerwerkzeuge von Zalando/Otto.
  • Spezialisierte Werkzeuge: PIM-/Feed- und Anreicherungsanbieter (z. B. Akeneo, Pimcore, Salsify, Productsup, channable (NL), Shopware AI Copilot (DE)), Repricer (z. B. Repricer.com, Feedvisor), KI im Helpdesk (Zendesk, Freshdesk, Gorgias, Intercom; aus der EU: Userlike, Brevo Conversations).
  • A wählen, wenn: ein bis zwei Kanäle, < ca. 10.000 SKUs, keine besonderen Compliance-Anforderungen. Prüfen Sie EU-Daten- residenz, AVV, Kontrollen für die menschliche Freigabe und ob der Anbieter mit Ihren Daten trainiert.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Modelle: multimodale Frontier-Schnittstellen (Claude, Gemini, GPT) oder Mistral (EU) über EU-Regionen; strukturierte Ausgaben gegen das Kanalschema.
  • Kanal-Schnittstellen: Amazon Selling Partner API Listings Items API [3], eBay Sell APIs, Shopify Admin GraphQL API, Shopware Admin API, Google Merchant API. Als Werkzeuge über MCP bereitstellen.
  • Orchestrierung: n8n, Make oder ein eigenes Agenten-Framework; Warteschlange für Freigaben (Slack/Teams/E-Mail).
  • B wählen, wenn: mehrere Kanäle, individuelle Regeln oder ERP-/PIM-Integration.

Weg C — Selbst betreiben (Open Source)

  • Modelle: Qwen-VL-Familie oder Modelle der Klasse Mistral Small / Pixtral für die Bildauswertung; Open-Weight-LLMs von Llama/Qwen/Mistral für Text und Antworten; betrieben mit vLLM oder Ollama.
  • Stack: n8n, Akeneo CE oder Pimcore (PIM), Langfuse. Hardware: HW2 (quantisiert, ca. 8-30 Mrd. Parameter) genügt; HW3 für bessere mehrsprachige Texte.

Weg D — Eigenes Training

Ein kleines VLM oder einen Klassifikator nur für Nischentaxonomien (z. B. Ersatzteile, Mode- attribute) mit Tausenden geprüfter Angebote feintunen; akzeptierte Angebote und korrigierte Attribute sind die natürlichen Trainingsdaten.

Stand der Technik (2026)

  • Vom Foto zum Angebot ist auf den großen Plattformen Mainstream (Amazon, eBay) und breitet sich auf Gebrauchtwaren-Apps aus; die Genauigkeit ist bei Markenartikeln mit guten Fotos hoch und bei seltenen Artikeln, Größen-/Variantendetails und dem Zustand schwach.
  • Agentische Storefronts: Shopifys Sidekick arbeitet als Bediener im Admin-Bereich, und die Qualität der Katalogdaten entscheidet inzwischen über die Sichtbarkeit für KI-Einkaufsagenten Dritter (siehe AGENT-022) [4].
  • Grenzen und Fehlerbilder: erfundene Spezifikationen (Spannung, Größe, Material, Kompatibilität), falsche Aussagen („wasserdicht", „bio"), falsche Produktsicherheitsdaten, kopierte Wettbewerbertexte, Repricing-Spiralen zwischen automatisierten Wettbewerbern und Prompt Injection über Kundennachrichten oder abgegriffene Wettbewerberseiten. LLM-Ausgaben dürfen nie die alleinige Quelle für technische oder Sicherheitsdaten sein.

Gemeinsame Bausteine & Kombinationen

Aufwand, Kosten & Kennzahlen

  • Weg A: Tage bis Wochen (Abonnement).
  • Weg B: 1-3 Monate inkl. Anbindung der Kanal-Schnittstellen, Freigabeoberfläche und Evaluationsdatensatz.
  • Weg C: 2-4 Monate plus GPU und Betriebsaufwand.
  • Kennzahlen: Zeit pro Angebot, Vollständigkeit der Attribute, Ablehnungs-/Sperrquote von Angeboten, Retourenquote wegen „nicht wie beschrieben", Konversionsrate, Marge nach Repricing, Zeit bis zur ersten Antwort, Anteil der Tickets ohne menschliches Eingreifen, Korrekturquote der Prüfer, Vorfälle bei der Preiskonformität.

Menschen & Veränderung

Binden Sie die Geschäftsleitung (Grenzen für Preisänderungen, Markentonalität), die E-Commerce- oder Vertriebsleitung als Prozessverantwortliche, die Kundenservice-Mitarbeitenden, die Antworten prüfen, und die IT für den Zugriff auf Shop- und Marktplatz-Schnittstellen ein. Lieferanten sind wichtig, wenn ihre Datenfeeds die Quelle für Angebote sind. Die(der) Datenschutzbeauftragte sollte Kundennachrichten und Bestelldaten sowie den AVV mit dem Werkzeuganbieter prüfen (GUIDE-005). Preisänderungsvorschläge müssen die Omnibus-Prüfung des Vorpreises bestehen, und die Transparenzpflicht nach Art. 50 KI-Verordnung (AI Act) gilt, wenn Kunden direkt mit einer KI chatten.

Betriebsrat: abhängig vom Einzelfall. Arbeiten Mitarbeitende des Kundenservice im Werkzeug und werden ihre Antwortzeiten oder Änderungen protokolliert, greift § 87 Abs. 1 Nr. 6 BetrVG; vereinbaren Sie eine Betriebsvereinbarung ohne individuelle Leistungsbewertung und unterrichten Sie nach § 90 Abs. 1 Nr. 3 (GUIDE-004).

Starten Sie mit einer Produktkategorie oder einem Marktplatz, nur Entwürfe. Typische Sorgen: „Der Agent senkt Preise fälschlich" und „Kunden bekommen falsche Antworten." Begegnen Sie ihnen mit Preisleitplanken und Freigabe ab Schwellenwerten, menschlicher Prüfung der Antworten bei Beschwerden und Retouren und Stichproben der versendeten Antworten (GUIDE-009). Fördern Sie die KI-Kompetenz der Mitarbeitenden mit einer kurzen Schulung (GUIDE-006) und kommunizieren Sie offen, dass das Ziel weniger Routinearbeit ist (GUIDE-008).

Risiken, Regulierung & Compliance

  • Sicherheit: Kundennachrichten und abgegriffene Seiten als nicht vertrauenswürdige Eingaben behandeln; API-Tokens mit minimalen Rechten, Prüfprotokolle.
  • KI-Verordnung (AI Act): in der Regel begrenztes/minimales Risiko. Kundenseitige Chatbots müssen offenlegen, dass der Nutzer mit einer KI interagiert (Art. 50 Abs. 1); maschinell erzeugter Text, der zur Information der Öffentlichkeit veröffentlicht wird, muss gegebenenfalls gekennzeichnet werden, und KI-erzeugte Bilder, die wie echte Produkte oder Personen aussehen, erfordern Sorgfalt (Art. 50). Art. 4 KI-Kompetenz gilt. Keine Kategorie nach Anhang III, es sei denn, der Agent wird z. B. für die Bonitätsprüfung eingesetzt. Art. 5 ist relevant, wenn Antworten oder Angebote Schwächen ausnutzen oder manipulative Techniken verwenden [5].
  • Preisrecht: die Omnibus-Regel (Art. 6a Preisangabenrichtlinie 98/6/EG, eingefügt durch Richtlinie 2019/2161) verlangt, dass sich jede angekündigte Preisermäßigung auf den niedrigsten in den vorangegangenen 30 Tagen angewandten Preis bezieht (Ausnahmen je nach Mitgliedstaat möglich). Der Preisagent muss die Preis- historie lesen und nicht konforme „statt/jetzt"-Angaben blockieren [6]. Personalisierte Preisgestaltung auf Grundlage von Profiling muss gegenüber Verbrauchern offengelegt werden (Verbraucherrechterichtlinie in der geänderten Fassung).
  • Produkt- und Verbraucherrecht: Allgemeine Produktsicherheitsverordnung (EU) 2023/988 (Angaben zu Unternehmer und Sicherheit in Angeboten), DSA (Nachverfolgbarkeit von Händlern auf Marktplätzen, illegale Produkte), unlautere Geschäftspraktiken, DSGVO für Kundennachrichten (AVV, EU-Hosting, Aufbewahrung, kein Training mit Kundendaten ohne Grundlage), DSGVO Art. 22 bei automatisierten Entscheidungen über Erstattung/Sperrung mit erheblichen Auswirkungen [7].
  • Gegenmaßnahmen: schemavalidierte Ausgaben, Sperrlisten für Aussagen, Preisgrenzen, Stichproben-Qualitätssicherung, Rücknahme von Massenänderungen, Offenlegung des KI-Einsatzes im Chat.

Erste Schritte

  1. Ausgangslage: Minuten pro Angebot, Vollständigkeit der Attribute, Antwortzeiten, die 10 häufigsten Support-Anliegen.
  2. Vom Foto zum Angebot (plattformeigenes Werkzeug oder Schnittstelle) an 100 Produkten pilotieren; mit manuell erstellten Angeboten vergleichen und Korrekturen erfassen.
  3. Einen rein lesenden Preisassistenten ergänzen, der Änderungen vorschlägt und die 30-Tage-Prüfung des Vorpreises ausführt; nur mit Unter- und Obergrenzen sowie Freigaben produktiv schalten.
  4. Antworten für die 5 häufigsten Anliegen mit Bestellabfrage entwerfen; nur Antworten der Art Sendungsverfolgung automatisch versenden.
  5. Wöchentlich prüfen: Fehler, gesperrte Angebote, Eskalationen; die Autonomie Schritt für Schritt erweitern.

Quellen

  1. Amazon EU — generative AI listing tools extended to sellers across Europe — https://www.aboutamazon.eu/news/empowering-small-business/amazon-announces-expansion-of-generative-ai-listing-tools-to-sellers-across-europe
  2. eBay Inc. — Magical Listing tool (innovation blog) — https://innovation.ebayinc.com/stories/magical-listing-tool-harnesses-the-power-of-ai-to-make-selling-on-ebay-faster-easier-and-more-accurate/
  3. Amazon Selling Partner API — Listings Items API — https://developer-docs.amazon/sp-api/docs/listings-items-api
  4. Shopify Help Center — Shopify Catalog mapping — https://help.shopify.com/en/manual/shopify-catalog/mapping
  5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  6. EUR-Lex — Price indications on consumer products (Omnibus Art. 6a) — https://eur-lex.europa.eu/EN/legal-content/summary/price-indications-on-consumer-products.html
  7. European Commission — Guidance on Directive 2019/2161 (2021/C 526/02) — https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52021XC1229(06)