Einkaufs-, Preisvergleichs- und Schnäppchen-Agent

Gut online einzukaufen heißt, Dutzende Shopseiten, Bewertungen und Datenblätter zu lesen und zu beurteilen, ob ein „-40 %“-Banner echt ist. Ein Einkaufsagent macht aus einem Wunsch eine recherchierte Auswahlliste, vergleicht die tatsächlichen Gesamtkosten, beobachtet Preise und warnt vor Scheinrabatten. 2026 können dieselben Agenten über neue Zahlungsprotokolle auch im Namen der Nutzer bezahlen, was Ausgabengrenzen und Einwilligung zur zentralen Gestaltungsfrage macht.

Problem & Nutzen

• Heute: Verbraucher nutzen Vergleichsportale (Preislisten, Testberichte), Browser-Erweiterungen und Foren und kämpfen dennoch mit gefälschten Referenzpreisen, versteckten Versandkosten, Variantenverwechslung und Bewertungsmanipulation.
• KI-Nutzen: Anforderungen in natürlicher Sprache statt Filtermenüs, quellenübergreifende Zusammenführung von Bewertungen und Tests, Gesamtkostenvergleich über die Nutzungsdauer (Energie, Verbrauchsmaterial, Garantie), langlaufende Beobachtung, die ein Mensch nicht leistet, und Automatisierung lästiger Schritte (Gutscheinsuche, Formulare ausfüllen).
• EU-Kontext: Die Omnibus-Richtlinie (EU) 2019/2161 verlangt, dass der Händler bei der Ankündigung einer Preisermäßigung den niedrigsten in den vorangegangenen 30 Tagen angewandten Preis angibt. Agenten mit Preisverlauf können diese Angabe unabhängig prüfen [1]. Quantifizierte Ersparnisangaben von Anbietern sind Marketingaussagen; eine neutrale Studie zu Ersparnissen wird hier nicht angeführt.

Varianten

• Produktrecherche-Assistent: Beratung im Dialog und Auswahlliste (Elektronik, Haushaltsgeräte, Fahrräder).
• Preisverfolgung und Angebotsalarme: Merkliste mit Preisverlauf und Benachrichtigungen bei Wunschpreis.
• Optimierer für Lebensmittel- und Haushaltseinkauf: wöchentliche Einkaufsliste über Supermärkte und Lieferdienste (Verknüpfung mit der Essensplanung PERS-004).
• Agentischer Bezahlvorgang: Der Agent kauft innerhalb eines Mandats (Budget, Händler, Artikelklasse) über Zahlungsprotokolle.
• Gebrauchtwaren- und Marktplatz-Jäger: beobachtet Kleinanzeigen auf passende Angebote und entwirft Nachrichten.
• KMU-Variante: Beschaffung von Standardwaren im kleinen Unternehmen, siehe AGENT-005; Einkaufsassistenten auf Händlerseite sind CONV-006.

So funktioniert es

1. wish + constraints (budget, brand rules, values, delivery)
2. clarifying questions (LLM)
3. candidate retrieval (comparison-portal data / merchant feeds / web search / scraping)
4. entity resolution (same product across shops: EAN/GTIN, MPN)
5. enrichment (specs, tests, review summaries, energy label, warranty)
6. total-cost calculation + price-history check (fake-discount test)
7. ranking with explanation
8. user decision
9. [optional] checkout under mandate (agent payment token, spending cap, confirmation step)
10. post-purchase: order tracking, return window and warranty reminders

• Abruf: Strukturierte Produktdaten (Feeds mit GTIN-Schlüssel, APIs) schlagen Scraping; Agenten, die einen Browser bedienen, sind die Ausweichlösung für Shops ohne APIs (AGENT-003).
• Schlussfolgern: Das LLM übersetzt vage Bedürfnisse in Spezifikationen und wägt Zielkonflikte ab; deterministischer Code erledigt die Rechnung und die Statistik zum Preisverlauf.
• Bewertungsanalyse: Bewertungen zusammenfassen und gruppieren, verdächtige geringer gewichten; Ergebnisse als Anhaltspunkt behandeln.
• Mensch-in-der-Schleife (Human-in-the-Loop): Standardmäßig bestätigt die Nutzerin bzw. der Nutzer den Kauf; autonomes Kaufen nur unterhalb einer Obergrenze und bei vorab freigegebenen Händlern, mit Prüfprotokoll.

Datenaufbereitung

Für Verbraucher gibt es wenig aufzubereiten: Die Daten sind Wunschliste, Budget, Marken- und Wertevorgaben, Lieferadresse und frühere Bestellungen (Belege per Mail, Shop-Konten). Die umfangreichen Daten liegen bei den Händlern: Produktfeeds, Spezifikationen und Bewertungen.

Für einen KMU-Einkäufer sind die Quellen das ERP- oder Buchhaltungssystem (Artikelstamm, frühere Bestellungen, bevorzugte Lieferanten), Rahmenverträge auf dem Dateiserver und Freigaberegeln, die oft nur in den Köpfen der Mitarbeitenden existieren. Typische Lücken: keine stabilen Artikelnummern oder GTINs, Freitextbeschreibungen wiederkehrender Einkäufe, doppelte Lieferanten, unausgesprochene Ausgabengrenzen und Shop-Konten, die sich mehrere Mitarbeitende teilen.

Schritte zur Aufbereitung: - Halten Sie das Einkaufsmandat schriftlich fest: Budgetgrenzen, erlaubte Händler, Artikelklassen, wer freigibt (PREP-012 für einen Glossar-Ansatz, PREP-024 dazu, was in das Werkzeug darf). - Bereinigen Sie den Artikelstamm: wiederkehrende Artikel auf GTIN oder MPN abbilden, doppelte Lieferanten zusammenführen (PREP-005 für ERP-Exporte, PREP-011 für saubere Tabellen). - Exportieren Sie die Bestellungen der letzten 12 Monate als Testdatensatz, um KI-Vorschläge mit tatsächlichen Entscheidungen zu vergleichen (PREP-018). - Legen Sie getrennte Shop-Konten und Zahlungstoken mit Obergrenzen pro Person an.

Der Aufwandsanteil ist bei privater Nutzung gering (unter 10 Prozent) und im KMU gering bis mittel (20 bis 30 Prozent), überwiegend für die Bereinigung des Artikelstamms.

Umsetzungswege

Welcher Weg für wen

• Privat: Weg A. Vergleichsportale mit KI-Funktionen, Preisverfolger und allgemeine Assistenten decken gelegentliche Einkäufe ohne oder mit geringen Kosten ab.
• Entwickler: Weg B. Mit Händler-Feeds, Such-APIs und LLMs mit Tool-Aufrufen lassen sich eigene Regeln und Zahlungsmandate bauen; selbst betriebene Scraper bringen wenig.
• KMU: Weg A. Die Beschaffung von Standardwaren ist Massengeschäft; Portale, Geschäftskonten auf Marktplätzen und fertige Einkaufsassistenten sind ausgereift, bauen Sie daher nur bei ungewöhnlichen Regeln selbst.

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

• Vergleichsportale mit KI-Funktionen: Idealo (DE), Geizhals (AT, EU), PriceRunner (SE), Google Shopping mit AI Mode, Amazon Rufus; EU-basierte Portale sind dort vermerkt, wo sie gekennzeichnet sind.
• Allgemeine Assistenten mit Einkaufsmodus: ChatGPT Shopping Research, Perplexity Shopping, Gemini mit agentischem Bezahlvorgang im Google-Ökosystem; die Verfügbarkeit des Kaufs im Chat ist in der EU unterschiedlich und hat sich 2026 geändert [2][3].
• Preisverfolgung: Keepa (Amazon-Preisverlauf), CamelCamelCamel, Idealo-Preisalarme, Browser- Erweiterungen (Datenschutzerklärung prüfen: viele verwerten Surfdaten).
• Wählen Sie A, wenn: Sie gelegentlich kaufen; beginnen Sie mit einem Portal plus Alarmen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Frontier-LLMs mit Tool-Nutzung (Claude, Gemini, GPT) oder Mistral (EU-Anbieter) über EU-Regionen, wo angeboten; nutzen Sie strukturierte Ausgaben für Produktvergleichstabellen.
• Daten: Produktfeeds von Händlern und Affiliate-Netzwerken (z. B. Awin, Idealo-Partnerfeeds, Amazon Creators API, Nachfolger der PA-API 5.0 [10]), Such-APIs; beachten Sie die Bedingungen des jeweiligen Anbieters.
• Orchestrierung: MCP-Tools für Suche, Preisverlauf und Warenkorb; n8n oder ein Python-Agenten-Framework.
• Zahlungen: Agentic Commerce Protocol (OpenAI und Stripe) mit begrenzten Shared Payment Tokens sowie Googles Agent Payments Protocol (AP2) mit signierten Absichts-, Warenkorb- und Zahlungsmandaten [3][4].
• Wählen Sie B, wenn: Sie eine Einkaufsfunktion oder ein persönliches Werkzeug mit eigenen Regeln bauen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Modelle der Klasse Qwen3, Mistral Small, Llama oder gpt-oss über Ollama oder vLLM; ein Embedding-Modell für den Abruf von Bewertungen und Spezifikationen.
• Agenten und Scraping: browser-use oder Playwright, Crawl4AI, Firecrawl (selbst betreibbar), n8n; Preisverlauf in SQLite oder TimescaleDB; changedetection.io für Merklisten.
• Hardware: HW1 für Preisverfolgung und kleine Modelle; HW2 (24-GB-GPU) für einen leistungsfähigen quantisierten Agenten mit rund 30B. Hält Wunschlisten, Budgets und Adressen zu Hause (siehe PERS-005).

Weg D — Eigenes Training

Selten sinnvoll. Möglich: ein kleiner Klassifikator zur Erkennung von Fake-Bewertungen oder Scheinrabatten oder ein Produkt- Matcher, trainiert auf gelabelten GTIN-Paaren; benötigt Tausende gelabelte Beispiele.

Stand der Technik (2026)

• Protokolle für agentischen Handel sind entstanden: ACP (OpenAI und Stripe) und AP2 (Google) legen fest, wie Agenten eine begrenzte Zahlungsvollmacht erhalten, ohne Kartennummern zu sehen; ihr Zusammenspiel ist noch im Fluss, und OpenAI hat den eigenständigen Instant Checkout im Chat im März 2026 zugunsten von Produktentdeckung und händlereigenem Bezahlvorgang zurückgestellt, während ACP für Feeds und Apps weiterläuft; Googles Universal Commerce Protocol (UCP, angekündigt am 11. Jan. 2026) ermöglicht den Bezahlvorgang in Gemini und im KI-Modus der Google-Suche für berechtigte US-Händler [2][3][4][9].
• Einkaufsrecherche-Modi großer Assistenten erstellen quellenübergreifende Kaufberatungen; die Qualität hängt vom Datenzugang ab und ist bei Nischen- oder lokalen Produkten uneinheitlich.
• Fehlerbilder: erfundene Spezifikationen oder Preise, veraltete Preise, falsche Variante oder Größe, von Affiliate-Provisionen getriebene Verzerrung in Rankings sowie Prompt Injection über Shopseiten oder Bewertungen, die den Agenten zu lenken versucht (zum Beispiel versteckter Text, der ihm befiehlt, einen bestimmten Artikel zu kaufen). Browser-Agenten bleiben langsamer und weniger zuverlässig als API-Integrationen.
• Grenzen: Preisdaten sind oft verzögert; personalisierte oder dynamische Preise führen dazu, dass die Nutzerin bzw. der Nutzer einen anderen Preis sieht als der Agent.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie AGENT-003 (Browser-Agenten), AGENT-005 (Beschaffung), KNOW-015 (Deep Research) und CONV-006 (Händlerseite des Dialogs).
• Kombinierbar mit PERS-001 (Budget und Abonnements), PERS-015 (Rückgabe, Garantie, Widerrufsrecht), PERS-016 (Tracking und Profilbildung widersprechen), PERS-004 (Lebensmittel-Einkaufskörbe).
• Ein lokaler LLM-Server (HW2) kann PERS-001, PERS-004 und diesen Anwendungsfall bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden; meist kostenlos, Portale verdienen über Provisionen.
• Weg B: Tage bis Wochen für einen Prototyp; die Kosten bestehen aus LLM-Tokens und Feed-Zugang; der Bezahlvorgang erfordert eine Zahlungsdienstleister-Anbindung (PSP).
• Weg C: ein Wochenende für einen Tracker; ein stabiler Agent braucht laufende Pflege, da sich Shop-Layouts ändern.
• Kennzahlen: Ersparnis gegenüber dem zuerst gesehenen Preis, Anteil der akzeptierten Empfehlungen, Genauigkeit der Preisangaben, Rückgabequote der Käufe, Fehlalarme, Anzahl der Agentenkäufe, die korrigiert werden mussten.

Menschen & Veränderung

Privat: Beziehen Sie die Haushaltsmitglieder ein, die sich das Budget teilen, und vereinbaren Sie Obergrenzen und Bestätigungsregeln, bevor Sie einen automatischen Kauf aktivieren. Lassen Sie den Bezahlvorgang standardmäßig von einem Menschen bestätigen.

KMU: Beziehen Sie die Geschäftsführung (Ausgabengrenzen und Richtlinie), die Einkaufsleitung als Prozessverantwortliche, die Einkäufer, die es nutzen werden, die IT für Konten und Zahlungstoken sowie die Datenverantwortlichen des Artikelstamms ein. Holen Sie wichtige Lieferanten dazu, wenn der Agent mit deren Shops oder Portalen interagiert. Beteiligen Sie die bzw. den Datenschutzbeauftragte(n) nur, wenn personenbezogene Daten von Beschäftigten oder Kunden (Lieferadressen, namentlich genannte Einkäufer) durch das Werkzeug fließen.

Betriebsrat: in der Regel nein, da das Werkzeug Preise vergleicht und keine Beschäftigten bewertet. Relevant wird er (§ 87 Abs. 1 Nr. 6 BetrVG), wenn Nutzungsprotokolle je Einkäufer ausgewertet werden oder ein Einkaufsagent Arbeitsabläufe verändert (§ 90 Abs. 1 Nr. 3 verlangt rechtzeitige Unterrichtung). Öffentlicher Dienst: Beziehen Sie den Personalrat ein und beachten Sie die Schwellenwerte des Vergaberechts.

KI-Kompetenz: Unterstützen Sie die Einkäufer mit einer kurzen Schulung zu Scheinrabatten, gesponserten Ergebnissen und Bewertungsmanipulation sowie zu den Grenzen des Agenten-Bezahlvorgangs. Siehe GUIDE-006.

Typische Sorgen: „Wird der Einkauf wegautomatisiert?“ und „Wer haftet für eine falsche Bestellung?“ Antworten Sie mit einer Ausgabengrenze, einem Prüfprotokoll, einer Vier-Augen-Regel oberhalb eines Schwellenwerts und einem Pilotbetrieb mit einem Einkäufer und einer Artikelklasse. Siehe GUIDE-009 und GUIDE-007.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; Transparenz (Art. 50) gilt, wenn es als Chatbot angeboten wird, und KI-Kompetenz (Art. 4) für das Personal der Anbieter. Manipulative Techniken, die Schwächen ausnutzen, fallen unter die Verbote des Art. 5; ein Agent auf Händlerseite, der dies tut, ist ein Compliance-Problem, kein Nutzerwerkzeug [5].
• DSGVO: Kaufhistorie, Adressen und Wunschlisten verraten Gesundheit, Finanzen und Familiensituation; Profiling braucht eine Rechtsgrundlage; Auftragsverarbeitungsvertrag (AVV) mit Anbietern; Datenminimierung gegenüber Shops.
• Verbraucherrecht: Omnibus-Regeln zu Preisermäßigungen, 14-tägiges Widerrufsrecht sowie die Pflichten aus dem Digital Services Act für Marktplätze und das Verbot von Dark Patterns (Art. 25) [1][6]. Ein Agent, der für einen Verbraucher handelt, nimmt diesem die Verantwortung für den Vertrag nicht ab.
• Nutzungsbedingungen: Viele Shops verbieten Scraping oder Bots; nutzen Sie offizielle Feeds und APIs.
• Gegenmaßnahmen: feste Ausgabengrenzen, Händler-Positivlisten, Bestätigung bei neuen Händlern, Offenlegung von Affiliate-Links, Browser in der Sandbox, Anweisungen in Webinhalten ignorieren, Prüfprotokoll.

Erste Schritte

1. Listen Sie Ihre letzten drei größeren Einkäufe auf und notieren Sie, was die Recherche gekostet hat; legen Sie Muss-Kriterien fest.
2. Probieren Sie die Alarme eines Vergleichsportals plus den Einkaufsmodus eines allgemeinen Assistenten bei einem echten Kauf aus.
3. Ergänzen Sie vor jedem „Sale“-Kauf eine Prüfung des Preisverlaufs (Keepa oder ein selbst gebauter Tracker).
4. Für die Automatisierung: Bauen Sie zuerst einen Agenten nur mit Lesezugriff (ohne Zahlung) und vergleichen Sie seine Auswahl mit Ihrer eigenen.
5. Testen Sie erst danach den agentischen Bezahlvorgang mit niedriger Obergrenze, einem Händler auf der Positivliste und verpflichtender Bestätigung.

Quellen

1. Directive (EU) 2019/2161 (Omnibus Directive) — https://eur-lex.europa.eu/eli/dir/2019/2161/oj
2. OpenAI — Buy it in ChatGPT: Instant Checkout and the Agentic Commerce Protocol — https://openai.com/index/buy-it-in-chatgpt/
3. Agentic Commerce Protocol specification — https://github.com/agentic-commerce-protocol/agentic-commerce-protocol
4. Google — Agent Payments Protocol (AP2) — https://github.com/google-agentic-commerce/AP2
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Regulation (EU) 2022/2065 (Digital Services Act) — https://eur-lex.europa.eu/eli/reg/2022/2065/oj
7. browser-use project — https://github.com/browser-use/browser-use
8. Model Context Protocol — https://modelcontextprotocol.io
9. Google — About the Universal Commerce Protocol (UCP) and UCP-powered checkout (Merchant Center help) — https://support.google.com/merchants/answer/16837055
10. Amazon Associates — Migrating to Creators API from Product Advertising API — https://affiliate-program.amazon.com/creatorsapi/docs/en-us/migrating-to-creatorsapi-from-paapi