Der unsichtbare Händler

Gekauft habe ich es aus dem langweiligeren Grund, das alte taugte nicht mehr. Der Anlass, darüber zu schreiben, kam später und von außen über den Beitrag eines Kollegen. Der Post beschreibt, wie sich der B2B-Einkauf verändert: Der Kauf verlagert sich vom Besuch eines Händlers in einen Workflow zwischen Systemen. Ein Bedarf entsteht, ein System erkennt ihn, prüft Verfügbarkeit, ermittelt die passende Lösung, löst die Bestellung aus. Kein Laden mehr. Und das Vertrauen, so das Argument, wandert dabei vom Interface in die Infrastruktur dahinter, weil ein Agent sich nicht für schöne Bilder interessiert, sondern dafür, ob die Produktdaten vollständig und maschinenlesbar sind.

Das war über Einkaufsabteilungen geschrieben. Ich bin eine Einzelperson mit einem Fahrradwunsch. Trotzdem habe ich genau das getan: die komplette Recherche einem KI-Agenten überlassen und selbst kaum eine Herstellerseite aufgerufen. Also die naheliegende Frage im Rückblick auf meine eigenen Chatverläufe. Trägt das Bild auch auf der Consumer-Seite?

Es trägt. Aber an zwei Stellen anders, als der B2B-Post es nahelegt, und diese zwei Stellen sind der interessante Teil. Der Agent war treffsicherer als ich. Und wir sind am Ende beide an derselben Wand gelandet, dort, wo die Daten der Hersteller und Händler aufhören.

Ich gehe das der Reihe nach durch: wie der Agent gesucht hat, wo er sich irrte, warum meine eigenen Vorgaben das größere Problem waren, was den Herstellern fehlt, und wo am Ende trotzdem der Mensch übernehmen musste.

Wie der Agent gesucht hat

Angefangen habe ich mit einer offenen Frage, keinem Modell.

Der Agent hat nicht sofort Räder gesucht. Er hat erst zwei Rückfragen gestellt und eine Alternative danebengestellt, die ich gar nicht genannt hatte. Erst nachdem ich geantwortet hatte, sportlich mit Rennlenker, Gepäckträger egal weil nachrüstbar, ging es in den Markt. Diese zwei Antworten haben den ganzen weiteren Suchraum festgelegt.

Von da an war es ein Trichter. Erst eine breite Vergleichssuche, dann pro Kandidat auf die Herstellerseite, dann meine harten Filter, und was ein Kriterium nicht erfüllte, flog raus. Am Ende stand eine Vergleichstabelle mit voller Komponentenliste, die ich von Hand nie gebaut hätte.

Der zweite Teil der Suche, ein paar Tage später, lief in einer anderen Größenordnung. Hier hat der Agent fast nichts mehr selbst gesucht, sondern die Arbeit verteilt. Fünf Unter-Agenten liefen parallel, jeder mit einem eigenen Auftrag, und einer davon hatte als einzige Aufgabe, die Funde der anderen zu widerlegen.

467 von 479 Werkzeugaufrufen liefen in den Unter-Agenten, gut 97 Prozent. Knapp eine Stunde Recherche und rund eine halbe Million Token verdichteten sich auf eine Zusammenfassung, die ich in zwei Minuten lesen konnte.

Ich habe eine Zeile getippt. Der Rest lief woanders.

Wo er sich irrte, und wer es merkte

Fehler gab es. Der interessante Teil ist, wer sie fand.

Zweimal hat der Agent sich selbst korrigiert. Einmal hatte er für ein Canyon-Rad eine Ausstattungskritik dem falschen Modell zugeschrieben, dem Carbon-Rad statt der Alu-Variante im Budget, und das im nächsten Zug selbst richtiggestellt. Einmal meldeten zwei Fahrradmagazine für ein Modell mechanische Bremsen, fünf andere Quellen hydraulische. Ich hatte vorgegeben, die Komponenten von den Herstellerseiten zu nehmen. Als das passierte, hat der Agent nicht die Mehrheit ausgezählt, sondern genau das getan und bei Canyon nachgesehen. Der alte Magazinwert war ein veralteter Datenbankeintrag.

In der zweiten Phase fing der Widerlegungs-Agent zwei Funde ab, die schon auf dem Weg in die Empfehlung waren. Ein Rad, dem eine Sekundärquelle die falsche Schaltgruppe angedichtet hatte. Und eine angebliche Farbkonfiguration, die es für das betreffende Alu-Modell gar nicht gab, nur für die teureren Carbon-Modelle. Der Widerlegungs-Agent prüfte die attraktivste Aussage zuerst und am härtesten, und genau die war falsch.

Zwei Dinge sind mir daran wichtig. Erstens, keiner dieser Fehler war eine Halluzination aus dem Nichts. Jeder ließ sich auf eine reale, wenn auch veraltete oder falsche Quelle zurückführen. Zweitens, von den geprüften technischen Feldern der Endkandidaten kam am Ende keines so falsch bei mir an, dass es die Entscheidung gekippt hätte. Die einzigen Fehler, die ungeprüft bis zu mir durchrutschten, betrafen nicht die Fahrräder, sondern mich: Der Agent nannte ein Rad meinen bisherigen Favoriten, das ich nie so genannt hatte, und behandelte ein anderes als von mir ausgeschlossen, obwohl ich es nie ausgeschlossen hatte. Beides stammte aus einer Zusammenfassung einer früheren Sitzung, die er als meine Aussage weitergetragen hatte.

Die Fahrraddaten stimmten. Was der Agent falsch modellierte, war mein eigener Kopf.

Warum die Testmagazine gewannen

Eine Sache hat mich beim Nachlesen überrascht. In der ersten Phase zog der Agent seine Fakten zuerst aus Testmagazinen und Vergleichsportalen, nicht von den Herstellern, und genau dort schlichen sich die zwei harten Fehler ein. Die naheliegende Erklärung wäre: Die Herstellerseiten sind nicht maschinenlesbar. Sie stimmt nicht. Zwei der drei geprüften Hersteller liefern ihre technischen Daten sauber strukturiert aus, einer davon sehr reichhaltig. Ausgerechnet der Hersteller ganz ohne solche Auszeichnung produzierte keinen einzigen Fehler.

Die Testmagazine gewannen aus einem anderen Grund, und der hat mit der Frageform zu tun. Meine erste Suche war eine Vergleichsfrage: "Bestes Gravelbike unter 2000 Euro". Cross-Brand-Vergleich ist Information, die nur Dritte halten. Kein Hersteller vergleicht sich mit dem Wettbewerber. Also liefert die Suche Testportale, weil sie die einzigen sind, die diese Form von Wissen besitzen. Dazu kommt, dass Review-Seiten für genau solche breiten Suchbegriffe gebaut sind, sie ranken dafür besser als die Produktseite eines einzelnen Rads, und ein Agent, der über eine normale Websuche geht, erbt dieses Ranking. Ihre Prosa ist außerdem dichter, ein Test packt Preis, Ausstattung und Urteil in einen Fließtext, aus dem sich leicht ein sauberer Satz ziehen lässt.

Der Preis dieser Dichte ist, dass ein Test auf einen Modelljahrgang eingefroren ist und nie mitaltert. Genau daher kam der Bremsen-Fehler.

Die Lehre daraus ist unbequem für alle, die gerade über GEO reden, über die Optimierung für generative Suche. SEO ist nicht tot, im Gegenteil. Wer über eine Websuche auffindbar ist, ist die Vorbedingung dafür, dass ein Agent ein Produkt überhaupt findet. Nur zielt die alte Keyword-Optimierung an der eigentlichen Sache vorbei. Ein Agent zerlegt einen Kauf in Dutzende einzelner Faktenfragen. Hat das Rad hydraulische Bremsen. Wie groß ist die Bandbreite der Schaltung. Passt Rahmengröße M bei 1,80 Meter. Wer jede dieser Teilfragen eindeutig, aktuell und maschinenlesbar auf der eigenen Seite beantwortet, gewinnt dieses Fragment der Entscheidung. Den Modellnamen besitzt der Hersteller ohnehin. Was ihm fehlt, sind die Teilfragen und die Vergleichsinhalte, die er bisher den Magazinen überlassen hat.

Wo ich selbst der Bias war

Der Agent hat Fehler gemacht und die meisten selbst gefangen. Meine eigenen Filter hat niemand gefangen, und sie waren das größere Problem.

Der klarste Fall: Ich wollte kein Rad von Decathlon. Deren Hausmarke flog sofort aus der Liste, aus reinem Vorurteil. Als ich später nachgelesen habe, was diese Räder heute taugen, stand da eine hochwertige Schaltgruppe für rund 1700 Euro Gesamtpreis, lebenslange Rahmengarantie, durchweg gute Testnoten. Ein konkurrenzfähiges Rad, das nie geprüft wurde, weil es nicht geprüft werden durfte.

Ein zweiter Filter wirkte im Verborgenen. Ich hatte JobRad zur Pflicht gemacht, das Leasing des Rads über eine Gehaltsumwandlung beim Arbeitgeber. Das ist eine legitime Vorgabe, aber sie hat leise das technisch stärkste Rad aus dem Rennen genommen, einen Direktversender, dessen Rad die einzige durchgängig hochwertige Schaltgruppe im Feld hatte und das leichteste war. Im Protokoll steht kein Satz, der es ausschließt. Es verschwand einfach zwischen den Phasen, und der wahrscheinlichste Grund ist mein eigener Filter, den ich nie als K.o.-Kriterium ausgesprochen hatte.

Nicht jeder meiner Filter war schlecht. Hydraulische Bremsen zur Pflicht zu machen ist für mein Profil vertretbar, auch wenn es ein Rad ausschloss, das gereicht hätte. Dass der Rahmen mir wichtiger war als die angehängten Komponenten, hält technisch stand, Verschleißteile sind ohnehin tauschbar. Aber die Trennlinie im Trichter ist deutlich. Oben filtere ich, und da sitzt das Bauchgefühl. Unten filtert die Sache, und das ist die harte Zahl. Der sauberste Ausschluss im ganzen Prozess war kein Geschmacksurteil, sondern eine Übersetzungsbandbreite: ein Rad, dessen kleinster Gang am Berg zwischen Fahren und Schieben entscheidet.

Warum besser nicht besser heißt

Eine Entscheidung hing bis zuletzt in der Luft, und sie ist der Kern des Ganzen. Es ging um zwei Schaltgruppen von Shimano, GRX und CUES. GRX ist die sportlichere, höher angesehene. CUES ist die einfachere, aber auf Haltbarkeit und wenig Wartung gebaut, mit einer deutlich längeren Lebensdauer der Verschleißteile.

Der Agent hat auch das recherchiert, sogar selbst und nicht delegiert. Und das Ergebnis passte zu meinem Bauchgefühl: Für viel Asphalt, lange Haltbarkeit und niedrigen Pflegeaufwand ist CUES die passendere Wahl, nicht die schlechtere. GRX kauft mir Schaltpräzision und ein paar Gramm, nicht Standfestigkeit.

Das ist der Punkt. Ein Agent baut von sich aus ein Ranking nach Wertigkeit, GRX oben, CUES darunter. Meine tatsächliche Zielfunktion, Haltbarkeit und wenig Pflege, kippt dieses Ranking. Die Maschine sortiert die Fakten. Die Gewichte muss der Mensch liefern. Tut er es nicht, nimmt der Agent die naheliegende Ordnung, höher gleich besser, und liegt für mich daneben.

Ganz sauber entschieden habe ich es nicht, ehrlich gesagt. Die Frage löste sich halb von selbst auf, weil die zwei Finalisten am Ende denselben Antrieb fuhren und das eine echte GRX-Rad vorher schon an meinem JobRad-Filter hängen geblieben war. CUES hat also auch durch Ausscheiden gewonnen. Aber das Ergebnis stimmt mit dem überein, was mir wichtig ist, und das ist mehr, als ein reines Wertigkeits-Ranking geliefert hätte.

Was die Hersteller hätten liefern müssen

Wenn der Agent so gut recherchiert und trotzdem an Grenzen stößt, dann liegt das an dem, was er vorfindet. Und da wird es für die Anbieter unangenehm.

Ich hatte erwartet, das Problem sei fehlendes schema.org, also das Datenformat, das einer Maschine sagt, was auf der Seite ein Preis ist, was ein Gewicht und was eine Verfügbarkeit. Ist es aber nicht, jedenfalls nicht bei den Guten. Der eigentliche Engpass sind drei andere Dinge.

Erstens, fehlende Felder. Der Hersteller meines Rads veröffentlicht keine Körpergrößen-Empfehlung, also musste der Agent den Größenversatz zwischen zwei Marken mühsam ausrechnen. Ein Feld, das nicht auf der Seite steht, liefert kein Markup der Welt.

Zweitens, Frische. Aktuell ist ein mehrdeutiges Wort an der Modelljahrgrenze. Eine Herstellerseite trug in den Dateinamen ihrer Bilder schon das übernächste Modelljahr, während der Text noch das laufende meinte. Wenn die Primärquelle selbst die Jahre mischt, wirken veraltete Dritte auf einmal aktueller, als sie sind.

Drittens, Zugänglichkeit. Zwei reichweitenstarke Marken zeigen ihre Daten erst, nachdem im Browser JavaScript geladen hat, für einen einfachen Crawler sind ihre Seiten leer. Eine weitere Marke sperrt KI-Zugriffe sogar ausdrücklich aus. Das sind die echten Blackboxes, nicht die Seite ohne schema.org.

Es gibt inzwischen Wege, die das lösen würden. Ein Produkt-Feed oder eine Schnittstelle, über die ein Agent Katalog und Bestand direkt abfragt, statt eine für Augen gebaute Seite zu zerlegen. Große Shop-Plattformen bauen genau das gerade, Shopify und Google als Universal Commerce Protocol (UCP), und für den Kauf selbst entstehen Protokolle, über die ein Agent bezahlen kann, etwa das Agentic Commerce Protocol (ACP) von OpenAI und Stripe. Nur ist davon für einen deutschen Radkäufer praktisch nichts erreichbar, das meiste ist zuerst in den USA. Und llms.txt, die kuratierte Textdatei, mit der eine Seite KI-Systemen einen Wegweiser gibt, ist für einen Produktkatalog der schwächste Hebel überhaupt. Die beiden Hersteller, um die es ging, haben keine, und selbst wenn, hätte sie das eigentliche Problem nicht berührt.

Der Kontrast zum B2B ist hier am schärfsten. Dort gibt es maschinenlesbare Produkt-Schnittstellen seit zwanzig Jahren, weil ein Großkunde sie verlangt hat. Im B2C hat nie jemand einen Agenten als Kunden gehabt, der sie verlangte. Deshalb muss der Agent sich die Struktur bis heute aus einer Seite zusammenklauben, die für mein Auge gemacht ist.

Was der Agent nicht wissen konnte

Es gibt eine Grenze, hinter die kommt auch die perfekte Datenschicht nicht. Und sie hat zwei Namen.

Der erste ist der Geschmack. Beim günstigsten der Endkandidaten stimmte technisch alles, er fuhr denselben Antrieb wie mein Rad für 500 Euro weniger. Gekauft habe ich ihn trotzdem nicht, weil mir die Farben zu gruselig sind. Der Agent hat Antrieb, Gewicht und Reifenfreiheit sauber verglichen. Über die Farbe konnte er nicht entscheiden, und das ist keine Schwäche des Agenten, es ist eine Grenze der Sache. Der B2B-Post sagt, ein Agent interessiere sich nicht für Bildsprache. Stimmt. Nur ist im Consumer-Kauf die Optik kein weiches Beiwerk, sondern ein hartes Kriterium, und ausgerechnet das bleibt beim Menschen.

Der zweite Name ist das lokale Erfahrungswissen. Dass der nächste Werkstattpartner einer Direktvertriebsmarke chronisch überbucht ist, steht in keinem Katalog, keiner Schnittstelle, keinem Datenfeld. Das weiß man aus Erzählungen. Der Agent konnte den Laden kartieren, welche Marken, welche Öffnungszeiten, ob JobRad. Hineinsehen konnte er nicht.

Zwei Dinge bleiben also beim Menschen: was ihm gefällt, und was man nur vor Ort erfährt.

Ich habe beim unsichtbarsten Laden gekauft

Am Ende steht eine Pointe, die den ganzen B2B-Vergleich auf den Punkt bringt.

In der ganzen Recherche habe ich keinen einzigen Händler selbst genannt. Alle kamen vom Agenten, aus einer Kartensuche. Sechs Läden hat er gefunden, und der Laden, bei dem ich schließlich gekauft habe, war der maschinenlesbar unsichtbarste von allen, eine alte Seite ohne jede strukturierte Angabe. Der Agent wusste, dass der Laden mein Rad und JobRad führt, aber ob mein Modell in meiner Größe dort steht, konnte kein maschinenlesbarer Kanal beantworten. Diese Naht wurde per Telefon geschlossen.

Und selbst gefunden hat der Agent den Laden nicht über dessen eigene Daten, sondern über einen Dritten, über Google Places. Der Mittler besaß die Auffindbarkeit, der Laden selbst trug zu seiner eigenen Sichtbarkeit nichts bei.

Das ist die schärfere Fassung der These aus dem B2B-Post. Lokal wird nicht irrelevant. Lokal verliert die Entdeckung und behält den letzten Meter. Der Agent baut die Vorauswahl aus der Datenschicht der Hersteller, bevor ein Mensch je einen Laden betritt. Der gute lokale Händler hat vielleicht das bessere Rad und die Probefahrt, taucht in dieser Vorauswahl aber kaum auf, weil er weder Bestand noch Verfügbarkeit noch eine buchbare Probefahrt preisgibt. Er stirbt nicht am Verkaufen. Er fällt aus der Stufe heraus, in der die Vorentscheidung fällt.

Wie weit das trägt, hängt am Produkt. Kleidung geht einfach zurück, dort ersetzt die Rückgabe das Anfassen, und der Kauf wandert am schnellsten ins Agentische, weil ein Fehlkauf nicht so schwer wiegt. Ein Rad, ein Auto, ein Maßanzug, eine teure Haustür bleiben körpernah, teuer oder schlecht zu retournieren, und da bleibt der physische, oft soziale letzte Meter. Ich bin trotz aller Online-Recherche vor Ort probegefahren. Ein Rad für 2000 Euro kaufe ich nicht blind.

Eine Einschränkung mache ich mir selbst. Das ist der Stand von heute. Dass ein Agent einen Kauf in Dutzende Faktenfragen zerlegt und sich die Antworten aus einer für Augen gebauten Seite zusammensucht, ist kein Naturgesetz. Die Modelle, die Agenten und die Werkzeugumgebungen, in denen sie laufen, entwickeln sich schnell, und es kann gut sein, dass bald noch bessere Recherche-Werkzeuge kommen, die genau hier anders ansetzen. Nur eines ändert sich dabei kaum: Woher die Antworten am Ende kommen, sie sind nur so gut wie die Daten dahinter. Der Mechanismus verschiebt sich vielleicht, die Abhängigkeit von frischen, vollständigen, abrufbaren Daten bleibt.

Was geblieben ist, sind zwei Sätze. Der Agent hat den Markt gründlicher gekannt als ich, und meine eigenen Vorannahmen waren die größere Fehlerquelle. Und wer als Hersteller oder Händler nicht maschinenlesbar, frisch und vollständig ist, verschwindet aus der Auswahl der nächsten Käufergeneration, lange bevor jemand seinen Laden betritt. Das Rad in meiner Garage habe ich selbst ausgesucht. Aber die Liste, aus der ich gewählt habe, hat ein Agent geschrieben.