Conversational Commerce und Einkaufsassistent

Kundinnen und Kunden können einen Bedarf („eine wasserdichte Jacke für Norwegen im März, unter 200 EUR") oft nicht in Filter und Suchbegriffe übersetzen. Ein Einkaufsassistent nimmt den Bedarf in natürlicher Sprache entgegen, stellt Rückfragen, durchsucht den aktuellen Katalog, erklärt Abwägungen und führt zum Warenkorb. Gut gemacht erhöht er Konversion und Warenkorbwert und fängt Vorverkaufsfragen ab; schlecht gemacht erfindet er Produkte, Preise und Richtlinien.

Problem & Nutzen

• Heute: Facettennavigation, Stichwortsuche und statische FAQ-Seiten; Fragen vor dem Kauf (Passform, Kompatibilität, Lieferung) gehen per E-Mail oder Live-Chat mit langen Wartezeiten ein oder werden gar nicht gestellt, und der Warenkorb wird abgebrochen.
• Nutzen durch KI: geführte Produktsuche in natürlicher Sprache, standardmäßig mehrsprachig, rund um die Uhr verfügbar, konsistent mit Katalog und Richtlinien und in der Lage, mit Kontext an Mitarbeitende zu übergeben.
• Belege: Große Plattformen berichten von Nutzerzahlen ihrer Assistenten im zweistelligen Millionenbereich (zum Beispiel Amazon Rufus und der Assistent von Zalando), doch die Zahlen stammen von den Unternehmen selbst, und die Steigerungswerte schwanken stark je nach Shop und je nachdem, wie A/B-Tests durchgeführt werden. Behandeln Sie Herstellerangaben zur Konversionssteigerung als Hypothesen und messen Sie selbst mit einer Vergleichsgruppe [3][4].

Varianten

• Assistent im Shop (Web/App): Widget aus Suche und Chat im Shop; am häufigsten.
• Messaging-Commerce: Abläufe in WhatsApp Business, Instagram oder Messenger für Bestellung, Nachbestellung und Support, oft in Märkten, in denen der Chat der Hauptkanal ist.
• Beratungsverkauf / Konfigurator: komplexe oder technische Produkte (B2B-Ersatzteile, Fahrräder, Möbel), bei denen Kompatibilitätsregeln zählen; LLM mit einer Regel- oder Constraint-Engine kombinieren.
• Visuelles Einkaufen: Foto hochladen, ähnliche Artikel erhalten (VLM plus visuelle Suche).
• Nach außen in Agenten Dritter: statt eines eigenen Chats den Katalog bereitstellen, damit ChatGPT, Gemini oder andere Assistenten bei Ihnen kaufen können: siehe AGENT-022.

So funktioniert es

1. Nachricht der Kundin/des Kunden (Text/Sprache/Bild)
2. Leitplanken (Prompt-Injection, PII, themenfremd) + Spracherkennung
3. Intent-Routing (entdecken | vergleichen | Richtlinie | Bestellstatus | Beschwerde)
4. Werkzeuge: Katalogsuche (hybrid BM25 + Embeddings + Reranking), Bestands-/Preis-API, Bestell-API (authentifiziert), Richtlinien-RAG, Empfehlungssystem
5. LLM formuliert die Antwort NUR aus Werkzeugergebnissen, mit Produktkarten und Links
6. optionale Aktion: in den Warenkorb / Checkout-Link / Checkout im Chat (Kunde bestätigt)
7. Übergabe an Menschen bei geringer Sicherheit, Beschwerden, rechtlichen oder Zahlungsthemen
8. Protokollierung, Evaluation, Feedback-Schleife

• Verankerung: Preise, Bestand und Lieferzeiten müssen aus Live-APIs kommen, nie aus dem Gedächtnis des Modells. Antworten nennen den Produktdatensatz, den sie verwendet haben.
• Such-Rückgrat: hybrides Retrieval und Reranking über den Katalog (siehe KNOW-005); das LLM ist die Dialogschicht, nicht der Index.
• Empfehlungen: kollaborative oder verhaltensbasierte Empfehlungssysteme liefern Kandidaten, das LLM erklärt sie und passt sie an den genannten Bedarf an.
• Mensch-in-der-Schleife (Human-in-the-Loop): Übergabe bei Beschwerden, Ausnahmen bei Rückgaben, B2B-Angeboten, schutzbedürftigen Nutzern; Mitarbeitende werten Berichte über unbeantwortete Fragen aus, um Lücken in Katalog und Richtlinien zu schließen.

Datenaufbereitung

Kern der Daten ist der Produktkatalog: Titel, Attribute, Beschreibungen, Bilder, Preise, Bestand und Varianten, die im Shopsystem, ERP oder PIM liegen, ergänzt um Handbücher, Größentabellen, Rückgabe- und Versandrichtlinien (PDFs, CMS-Seiten). Typische Lücken: fehlende oder uneinheitliche Attribute, Freitextbeschreibungen statt strukturierter Felder, doppelte oder veraltete SKUs, verzögerte Bestandsdaten, über mehrere Seiten verstreute Richtlinien und keine Zuordnung der Kundensprache zu Produktbegriffen.

Schritte der Aufbereitung: (1) den Katalog über die Shop-API oder als CSV exportieren und die Vollständigkeit der 10 am häufigsten abgefragten Attribute prüfen; (2) Einheiten, Kategorien und Varianten in saubere Tabellen vereinheitlichen; (3) eine Liste mit Synonymen und Abkürzungen aufbauen (Kundensprache gegenüber Produktbegriffen); (4) Richtlinien in einer gepflegten Quelle zusammenführen; (5) eine tägliche Synchronisation für Preis und Bestand einrichten, damit der Assistent nie veraltete Daten nennt; (6) 50-100 typische Kundenfragen als Testset zusammenstellen. Werkzeuge: Export aus Shop oder PIM, Tabellenkalkulation, n8n für die Synchronisation, ein Embedding-Index. Grober Aufwandsanteil: 50 Prozent oder mehr, weil die Katalogqualität die Antwortqualität begrenzt.

Nützliche PREP-Anwendungsfälle: PREP-011 (saubere Tabellen), PREP-015 (Terminologie und Synonyme), PREP-013 (Wissensbasis), PREP-018 (Testsets). Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — A: Plug-ins für Shopsysteme und gehostete Einkaufsassistenten gibt es zu KMU-tauglichen Preisen, und sie decken Standardfragen zum Katalog ab.
• Großunternehmen — B: Der Assistent muss den eigenen Katalog, Bestand, Preise und Kundendaten nutzen und ist ein zentraler Umsatzkanal, daher zählen Kontrolle und Stückkosten.
• Entwickler — B: Cloud-LLM-APIs mit Katalog-RAG und Aufrufen der Shop-API als Werkzeuge geben volle Kontrolle über den Einkaufsablauf.

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

• Plattformeigene Lösungen: Shopify (Storefront MCP, Werkzeuge der Sidekick-Generation und App-Ökosystem), Shopware (DE/EU) und seine KI-Funktionen, commercetools und Salesforce Commerce Cloud für Großunternehmen.
• Spezialisierte Einkaufs- und Service-Assistenten: Klaviyo und Bots im Stil von Gorgias für Support plus Verkauf; Algolia (in der EU gegründet, EU-Hosting verfügbar) und Bloomreach mit dialogorientierter Suche; Constructor; Intercom Fin; Zendesk AI; Tidio; Emarsys; Cognigy (DE) für Abläufe im Großunternehmensmaßstab. Aus der EU: Algolia (Ursprung FR), Cognigy (DE), Userlike (DE), Shopware (DE).
• Prüfen: Datenresidenz in der EU, AVV und Unterauftragsverarbeiter, Live-Synchronisation des Katalogs, Kontrolle über Marke und Aussagen, Übergabe, Auswertungen, Unterstützung beim KI-Hinweis, Preis pro gelöster Anfrage im Vergleich zu Sitzungen.
• A wählen, wenn: eine gängige Shopplattform genutzt wird und es vor allem um einen schnelleren Nutzen geht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Mistral (EU-Anbieter), Claude, Gemini und GPT über Endpunkte in EU-Regionen (Azure OpenAI in EU-Datenzonen, Vertex AI EU, AWS Bedrock Frankfurt); Tool-/Function-Calling und strukturierte Ausgaben nutzen.
• Retrieval: verwaltete hybride Suche (Algolia, Elastic, OpenSearch, Azure AI Search, Vertex AI Search for commerce) plus Embeddings und ein Reranker.
• Orchestrierung: Werkzeug-Server im MCP-Stil für Katalog, Warenkorb und Bestellung; Shopify stellt Storefront MCP für Katalog- und Warenkorbfunktionen bereit [1]. Mit einem festen Satz echter Kundenanfragen evaluieren.
• Kasse: an die bestehende Kasse Ihres Zahlungsdienstleisters übergeben oder Protokolle für agentischen Handel verwenden (ACP mit Stripe, Googles UCP und AP2-Mandate), wenn Sie innerhalb von Assistenten Dritter verkaufen [2][5].
• B wählen, wenn: Sie eigene Abläufe, B2B-Regeln oder eine tiefe ERP-Integration benötigen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Mistral Small/Nemo, Qwen3, Llama und Gemma, betrieben mit vLLM oder Ollama; BGE-M3- oder multilingual-e5-Embeddings mit einem BGE-Reranker.
• Stack: OpenSearch, Qdrant oder pgvector für das Retrieval; Rasa, Botpress oder Langflow/LangGraph für die Abläufe; Langfuse fürs Tracing; Llama Guard oder NeMo Guardrails für die Sicherheit.
• Hardware: HW2 bewältigt einen mittelgroßen Shop mit einem quantisierten Modell von etwa 8-30B; Spitzenlast braucht Batching oder eine zweite GPU.
• C wählen, wenn: strenge Datensouveränität gilt, bei sehr hohem Verkehr mit stabilem Kostenprofil oder bei regulierten Produktkategorien.

Weg D — Eigenes Training

Selten nötig. Ein Embedding-Modell auf Paaren aus Klicks und Käufen feintunen oder einen Reranker und einen kleinen Router auf Ihren Protokollen trainieren. Das Feintuning des Dialog-LLM ist nur für Tonalität und Fachvokabular im großen Maßstab gerechtfertigt. Es braucht Tausende annotierter Anfragen oder Interaktionsprotokolle.

Stand der Technik (2026)

• Einkaufsagenten sind jetzt ein Kanal: OpenAI (mit Stripe) hat das Agentic Commerce Protocol für die Bezahlung im Chat eingeführt; Google hat im Januar 2026 zusammen mit Shopify und anderen das Universal Commerce Protocol angekündigt, außerdem AP2 für kryptografisch signierte Zahlungsmandate [2][5]. Händler müssen nun Menschen und Agenten bedienen.
• Auf Werkzeuge gestützte Antworten mit strukturierten Ausgaben und Rerankern übertreffen reines RAG bei Katalogfragen; multimodale Anfragen (Foto plus Text) sind Routine.
• Grenzen und Fehlerbilder: erfundene Spezifikationen, Preise oder Kompatibilität; veralteter Bestand; anbiedernder Zusatzverkauf; Prompt Injection über Produktbewertungen oder Angebotstexte; nicht offengelegte Verzerrung durch bezahlte Platzierungen; schwache Beratung zu Größe und Passform; uneinheitliches Verhalten in verschiedenen Sprachen. Immer mit gegnerischen Anfragen und Anfragen aus dem langen Schwanz testen.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: hybride Suche und Embeddings mit KNOW-005 und CONV-001; dasselbe LLM-Gateway kann CONV-001, CONV-005 und CONV-026 auf einem HW2/HW3-Server bedienen.
• Kombinierbar mit: LANG-001 (generierte Produkttexte, die in Antworten einfließen), PRED-020 (Signale zum Retourenrisiko in der Größenberatung), AGENT-020 (Agent für den Shopbetrieb), AGENT-022 (Verkauf über Agenten Dritter), CONV-005 (B2B-Lead-Qualifizierung) und CONV-007 (Unterstützung menschlicher Agenten nach der Übergabe).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen; Abrechnung pro gelöstem Gespräch, pro Sitzung oder gestaffelt pro Monat.
• Weg B: 2-4 Monate einschließlich Katalogwerkzeugen, Evaluierung und Integration; die Inferenzkosten hängen von den Tokens pro Sitzung und der Zahl der Werkzeugaufrufe ab.
• Weg C: 3-6 Monate plus laufendes MLOps.
• Kennzahlen: Konversionsrate mit Assistent im Vergleich zur Kontrollgruppe, durchschnittlicher Bestellwert, Rate der Warenkorb-Ablagen, Abschluss- und Übergabequote, Belegbarkeit der Antworten (stichprobenartige Prüfungen), Retourenquote bei Bestellungen mit Assistent, Beschwerdequote, Antwortzeit, Kosten pro Gespräch.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsführung und die E-Commerce- bzw. Shopleitung (Prozessverantwortung) ein, um den Umfang festzulegen: nur Beratung oder auch Aktionen in Warenkorb und Kasse. Die Verantwortlichen für Produktdaten (PIM, ERP, Einkauf) müssen sich zur Pflege der Attribute verpflichten; die IT kümmert sich um die Shop-Integration, die Grenzen bei Zahlungen und die Sicherheit. Die/der Datenschutzbeauftragte prüft Chat-Protokolle, Personalisierung und den Umgang mit Cookies bzw. Einwilligungen, den AVV mit dem Anbieter und ob eine DSFA nötig ist. Die Mitarbeitenden im Kundenservice (Endnutzer) sollten Übergabefälle prüfen und falsche Antworten zurückmelden.

Betriebsrat: in der Regel nein, weil der Assistent Kundschaft bedient und keine Beschäftigten überwacht. Relevant wird er (§ 87 Abs. 1 Nr. 6 BetrVG), wenn Protokolle der Chat-Übergaben zur Bewertung von Servicemitarbeitenden genutzt werden, und § 90 Abs. 1 Nr. 3 verlangt eine Unterrichtung, wenn sich Arbeitsabläufe ändern. Gilt nur, wo ein Betriebsrat besteht.

KI-Kompetenz: Unterstützen Sie das Team mit einer kurzen Schulung dazu, wie der Assistent funktioniert, wo seine Grenzen liegen und wie man ihn korrigiert (KI-Verordnung Art. 4). Sagen Sie Kundinnen und Kunden klar, dass sie mit KI sprechen (Art. 50). Führen Sie einen Pilot mit einer Produktkategorie oder einem Markt über einige Wochen durch, mit einer sichtbaren Option „Mit einem Menschen sprechen". Typische Sorgen: falsche Preise oder falsche Produktaussagen sowie Arbeitsplätze im Kundenservice; begegnen Sie ihnen mit der Verankerung in Live-Katalogdaten, keinen verbindlichen Angeboten ohne Bestätigung, Stichprobenkontrollen und klaren Eskalationsregeln. Halten Sie Menschen die Kontrolle über Rückgaben, Beschwerden und Ausnahmen.

Leitfäden: GUIDE-008 (Veränderungsmanagement), GUIDE-005 (Datenschutz), GUIDE-009 (Pilot).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel begrenztes Risiko. Art. 50 verlangt, dass Menschen informiert werden, dass sie mit einem KI-System interagieren, sofern dies nicht aus dem Kontext offensichtlich ist; die Transparenzpflichten gelten ab dem 2. August 2026 [6]. Anbieter und Betreiber teilen sich die Pflichten, prüfen Sie daher den Vertrag mit dem Anbieter. Art. 5 verbietet manipulative oder ausbeuterische Techniken, die das Verhalten wesentlich verzerren oder Schwächen ausnutzen (Alter, Behinderung, soziale oder wirtschaftliche Situation): keine Überredung mit Dark Patterns, keine Druckmittel gegenüber schutzbedürftigen Nutzern. Würde der Assistent für Kreditentscheidungen oder Ähnliches eingesetzt, wäre er hochriskant.
• DSGVO: Chat-Protokolle, Bestellhistorie und gespeicherte Präferenzen sind personenbezogene Daten; legen Sie Rechtsgrundlage (Vertrag oder Einwilligung), Aufbewahrung, AVV und Übermittlungen fest. Profiling für personalisierte Angebote erfordert Transparenz; Art. 22 gilt für ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung, etwa die Ablehnung eines Kaufs auf Rechnung.
• Verbraucherrecht: Richtlinie über unlautere Geschäftspraktiken und Verbraucherrechterichtlinie (Preisangabe, Widerrufsrecht, eindeutige Bestellschaltfläche); der Digital Services Act schafft zusätzliche Transparenz für Empfehlungssysteme und Werbung auf Plattformen [7]. Preispersonalisierung muss offengelegt werden. Produktaussagen (Gesundheit, Nachhaltigkeit) müssen zutreffen.
• Sicherheit: Nutzer- und Produkttexte als nicht vertrauenswürdig behandeln (Prompt Injection); dem Assistenten nie erlauben, Preise, Erstattungen oder Adressen ohne authentifizierte, regelgeprüfte Werkzeuge zu ändern.
• Gegenmaßnahmen: nur verankerte Antworten, Hinweisbanner, Übergabe an Menschen, Protokollierung, regelmäßige Audits, Red-Teaming, klare Abwahlmöglichkeit für das Gedächtnis.

Erste Schritte

1. Exportieren Sie die 200 häufigsten Fragen vor dem Kauf und Suchanfragen; ordnen Sie sie nach Absicht und danach, ob Live-Daten nötig sind.
2. Bereinigen Sie den Katalog (Attribute, Varianten, Kompatibilität) und binden Sie die APIs für Bestand und Preis an.
3. Starten Sie einen Pilot mit einem Werkzeug aus Weg A oder einem schlanken Prototyp nach Weg B für eine Kategorie, mit KI-Hinweis und Übergabe an Menschen.
4. Bauen Sie ein Evaluierungsset aus echten Anfragen auf; prüfen Sie vor dem Start Belegbarkeit, Preisgenauigkeit und Tonalität.
5. Führen Sie einen A/B-Test mit einer Vergleichsgruppe durch, prüfen Sie dann monatlich Kennzahlen und Beschwerden; planen Sie die Agententauglichkeit (AGENT-022).

Quellen

1. Shopify Dev — Storefront MCP — https://shopify.dev/docs/apps/build/storefront-mcp
2. Agentic Commerce Protocol (OpenAI and Stripe) — https://www.agenticcommerce.dev/
3. Amazon — Rufus shopping assistant — https://www.aboutamazon.com/news/retail/amazon-rufus
4. Zalando — Fashion assistant announcements — https://corporate.zalando.com/en/newsroom
5. Google — Agent Payments Protocol (AP2) — https://github.com/google-agentic-commerce/AP2
6. Regulation (EU) 2024/1689 (AI Act), Art. 5 and 50 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2022/2065 (Digital Services Act) — https://eur-lex.europa.eu/eli/reg/2022/2065/oj
8. Universal Commerce Protocol — https://ucp.dev/