KI-Readiness im Handel: Was der AI-Commerce Readiness Report 2027 über 90 Online-Händler zeigt

Hinweis für Simon (wird vor Veröffentlichung entfernt): Ziel-Keyword "ki readiness". Ziel-Intent: Entscheider im Onlinehandel, die wissen wollen, wie bereit Händler für KI-Kanäle sind und wie sie den eigenen Stand prüfen. Der Studien-Download bleibt auf /ai-readiness-report-2027, Agentic Commerce bleibt bei intent-parsing-statt-chat-zwang, Null-Treffer bleibt bei keine-suchergebnisse-vermeiden.

Was KI-Readiness im Handel bedeutet

Ein Kunde tippt eine Artikelnummer in die Produktsuche und bekommt eine leere Ergebnisliste. Gleichzeitig soll das Sortiment in KI-Antworten sichtbar sein, über mehrere Märkte hinweg aktuell bleiben und sich für neue Einkaufskanäle öffnen lassen. An solchen Situationen zeigt sich KI-Readiness im Handel. Gemeint ist, ob Daten, Architektur und Steuerung eines Shops so weit sind, dass KI-Kanäle sie verlässlich nutzen können.

Am 15. Oktober 2026 hat die BatteryIncluded GmbH den AI-Commerce Readiness Report DACH 2027 veröffentlicht, Untertitel „Anspruch und Wirklichkeit im Onlinehandel“ (Stand 15.10.2026, abgerufen am 24.10.2026). Grundlage sind 90 Antworten von Onlinehändlern aus der DACH-Region, erhoben vom 18. August bis 5. Oktober 2026 über einen Online-Fragebogen mit 15 Kernfragen und einer Folgefrage. Ergänzend flossen acht Vertiefungsinterviews mit Verantwortlichen aus E-Commerce, Marketing, Einkauf und Geschäftsführung sowie telefonische Kurzbefragungen ein.

Unter den Teilnehmenden befinden sich Händler verschiedener Umsatzgrößen und Geschäftsmodelle. 9 liegen unter 5 Mio. Euro Onlineumsatz, 41 zwischen 5 und 25 Mio. Euro, 14 zwischen 25 und 100 Mio. Euro und 11 über 100 Mio. Euro. Weitere 15 machten keine Angabe. 36 Unternehmen arbeiten im B2C-Geschäft, 6 im B2B-Geschäft und 48 in beiden Bereichen.

KI im E-Commerce und KI im Handel entscheiden sich auf der operativen Ebene des Shops. Ein Shop muss seine Produktdaten maschinenlesbar bereitstellen, Suchanfragen als User Intent verstehen und zusätzliche Kanäle anbinden können, ohne bei jeder Erweiterung die Datenarchitektur umzubauen. Grundlagen zur KI-Suche im Shop liefert der Beitrag zu KI im E-Commerce.

Agentic Commerce erweitert diesen Blick um KI-Agenten, auf Englisch AI Agents, die Produkte recherchieren, vergleichen oder einzelne Schritte des Einkaufs übernehmen. Für Händler bedeutet das vor allem, kontrollierte Datenzugänge und verlässliche Bestandsinformationen vorzubereiten. Eine ausführliche Einordnung bietet der Beitrag zu Intent Parsing und Agentic Commerce.

Als Stimmungsbild aus Händlersicht ist der Report nicht repräsentativ und nennt alle Ergebnisse deshalb als absolute Zahlen auf Basis von 90 Antworten. Zudem weist der Report offen aus, dass auch Kunden von BatteryIncluded teilgenommen haben.

67 von 90 Händlern erwarten mindestens 5 % Umsatz über KI-Kanäle, heute sind es rund 0,1 %

67 von 90 Händlern erwarten, dass in drei Jahren mindestens 5 % ihres Onlineumsatzes über KI-Kanäle entstehen. 33 rechnen mit einem Anteil zwischen 5 und 15 %, weitere 34 mit mehr als 15 %. 17 bleiben unter 5 %, während 6 Händler keine Einschätzung abgeben können.

Dem steht ein heutiger Umsatzanteil von rund 0,1 % gegenüber. Die Angabe stammt aus einer im Report zitierten Auswertung von Ethercycle (State of Ecommerce 2026) über zehn Onlineshops mit zusammen 94 Mio. Sitzungen. Ein Teilnehmer der Befragung beziffert den eigenen Anteil aus organischen KI-Kanälen auf 0,41 %.

Faktor 50. So groß ist laut Report der Abstand zwischen der Erwartung von mindestens 5 % und dem heutigen Wert.

Auch das Selbstbild zeigt eine mittlere Reife. Die Händler bewerten ihre KI-Bereitschaft durchschnittlich mit 5,5 von 10. 31 von 90 geben sich eine Bewertung von 7 oder höher. Die Gruppe, die mehr als 15 % KI-Umsatz erwartet, erreicht im Mittel 5,3 von 10.

Externe Anhaltspunkte für den Optimismus nennt der Report ebenfalls. Laut den dort zitierten Zahlen von Adobe Analytics (Januar 2026) wuchs der KI-Traffic auf US-Handelsseiten um 693 % gegenüber dem Vorjahr und konvertierte 31 % besser als anderer Traffic. Strategy& und PwC halten es laut Report für möglich, dass bis 2030 bis zu 15 % des europäischen Onlinehandels über KI-Agenten laufen.

Investitionsbereitschaft ist ebenfalls vorhanden. 72 von 90 Händlern wollen 2027 mehr in KI investieren, darunter 16 deutlich mehr. Keiner plant geringere Investitionen. Zugleich befassten sich laut einer im Report zitierten EHI-Erhebung 60 % der Händler mit KI-Agenten, während gut 11 % bereits konkrete Anwendungen nutzten.

Wie bereit ein Shop tatsächlich ist, zeigt sich an Datenqualität, Suchkennzahlen, Zuständigkeiten und an der Frage, ob neue Kanäle ohne Umbau angebunden werden können. Diese Punkte prüfen die beiden folgenden Abschnitte.

Die erste Lücke liegt in der Suche

53 von 90 Händlern betreiben mehr als drei getrennte Suchindizes oder Datenquellen, wobei Shop-Suche, Kategorielisten und Sortierungen, CMS-Inhalte, Marketing-Feeds, Marktplätze und interne Tools mitzählen. Lediglich 4 arbeiten mit einem gemeinsamen Index. Weitere 4 kommen auf 2 bis 3. 29 kennen die Anzahl nicht.

Viele Indizes entstehen, wenn Länder, Marken, Storefronts oder Ausgabekanäle jeweils eigene Bestände erhalten. Dann müssen Produktattribute, Preise, Verfügbarkeit und Ranking-Regeln an mehreren Stellen aktuell gehalten werden. Die Checkliste des Reports fragt deshalb nach einem gemeinsamen Bestand und danach, ob neue Kanäle ohne Architekturumbau ergänzt werden können.

Noch deutlicher wird die Messlücke bei der Null-Treffer-Quote, auch Zero-Results-Rate genannt. Sie bezeichnet den Anteil der Suchanfragen, die kein Ergebnis liefern. 51 von 90 Händlern kennen diesen Wert nicht. 27 messen ihn, 12 können ihn ungefähr angeben. Alle 39 Händler mit einer Angabe liegen unter 10 %, die meisten zwischen 5 und 10 %. Wie sich Suchanfragen ohne Treffer vermeiden lassen, zeigt der Beitrag zu Null-Treffern in der Shop-Suche.

Suchnutzer konvertieren laut den im Report zitierten Baymard-Daten um ein Mehrfaches besser als andere Besucher. Der aktuelle Benchmark des Baymard Institute zur E-Commerce-Suche stuft die Sucherfahrung von 56 % der getesteten Shops als mittelmäßig oder schlechter ein (Stand 2026, abgerufen am 24.10.2026).

Für die Analyse zählt auch die Länge der Suchanfrage. Der Report stützt sich dazu auf eine externe Auswertung von rund 2,6 Mrd. eindeutigen Suchanfragen je Session aus dem Zeitraum Januar bis September 2026. 51,2 % bestehen aus einem Begriff, 29,9 % aus zwei Begriffen, 12,0 % aus drei Begriffen und 6,9 % aus mindestens vier Begriffen.

Jede zweite Suche liefert damit nur ein einziges Wort Kontext. Umso mehr hängt das Ergebnis an semantischem Verständnis und gepflegten Synonymen.

Uneinheitlich bleibt auch die organisatorische Steuerung. 28 von 90 Händlern analysieren ihre 100 häufigsten Suchanfragen regelmäßig in einem festen Prozess. 51 tun dies gelegentlich, 11 gar nicht. Bei 54 steuert E-Commerce oder Marketing das Ranking nach einem klaren Prozess. 16 geben an, dass niemand aktiv steuert.

Merchandiser müssen ein Produkt ohne Entwickler nach oben ziehen können, wenn Bestand, Marge oder Kampagnenplanung dies erfordern. Eine KI-Suche trifft solche kaufmännischen Entscheidungen nicht eigenständig. Menschen definieren Regeln, prüfen Kennzahlen und entscheiden über Eingriffe ins Ranking.

Volt Search® verbindet semantisches Verständnis mit klassischen Algorithmen und LLM-Technologie. Die KI-Produktsuche erkennt Synonyme, gleicht Tippfehler aus (Fehlertoleranz, englisch Typo-Tolerance), liefert auch bei mehr als 50.000 Produkten Antworten in weniger als einer Sekunde und lässt sich über ein Dashboard ohne IT steuern. Sie arbeitet zu 100 % cookieless, ist DSGVO-konform und hostet alle Daten in Deutschland.

Die zweite Lücke liegt in den Produktdaten

52 von 90 Händlern pflegen ihre Produktdaten in einem zentralen PIM-System, 6 nutzen dafür strukturiert das Shopsystem, 27 verteilen die Pflege auf mehrere Systeme und Listen, und 5 arbeiten überwiegend manuell. Durchgehend einheitliche Attribute erreichen 33 Händler. Bei 41 gelingt das in Kernkategorien, bei 16 gar nicht. Bei der Zuständigkeit gehen die Antworten weit auseinander. 44 von 90 Händlern haben eine eigene Rolle oder ein Team für Produktdaten. Bei 37 läuft die Aufgabe nebenbei über Marketing, E-Commerce oder IT. In 9 Unternehmen ist niemand eindeutig verantwortlich. Für einen KI-Agenten sind solche Organisationsfragen unmittelbar relevant, weil Maschinen Produktmerkmale nur verlässlich verarbeiten können, wenn Attribute konsistent gepflegt und Zuständigkeiten geklärt sind.

84 von 90 Händlern würden strukturierte Produktdaten für externe KI-Agenten öffnen. 31 stimmen uneingeschränkt zu, 53 knüpfen die Freigabe vor allem an Kontrolle, Marge und Datenschutz. Ob die Daten dafür maschinenlesbar und aktuell vorliegen, prüft die Checkliste des Reports als eigenen Punkt.

Selbstbild und Datenlage passen oft nicht zusammen. Von den 31 Händlern mit einer eigenen KI-Bewertung von mindestens 7 betreiben 26 mehr als drei Indizes oder kennen deren Anzahl nicht. 11 aus dieser Gruppe pflegen Produktdaten verteilt oder manuell. Ein ähnliches Muster zeigt eine im Report zitierte Studie von kernpunkt und commercetools (State of Agentic Commerce, Juni 2026, 17 Experteninterviews). Dort halten 58,8 % ihr Shopsystem für KI-fähig, und 11,8 % verfügen über KI-taugliche Produktdaten.

Für ChatGPT, Gemini und andere KI-Oberflächen brauchen Händler einen kontrollierten, aktuellen Produktbestand. Dazu gehören einheitliche Attribute, Verfügbarkeiten und maschinenlesbare Ausgaben. Die Architektur sollte neue Kanäle versorgen können, ohne zusätzliche Datenkopien und getrennte Pflegeprozesse zu erzeugen.

Open-Source-Komponenten wie Elasticsearch, OpenSearch, Solr, Meilisearch oder Typesense können Teil einer solchen Architektur sein. Zuständigkeiten und einheitliche Attribute muss der Händler bei jeder Suchtechnologie selbst klären. Für einen Katalog über mehrere Märkte gehören Datenmodell, Such-API (Search API) und Echtzeit-Synchronisation (Real-time Sync) in eine gemeinsame Planung.

Als entkoppelte Infrastruktur (Decoupled Architecture) stellt das Context Kit ein flexibles Schema mit beliebig vielen Roots bereit und spielt Daten in Storefronts sowie APIs aus, ohne für jede Variante neue Indizes oder Datenkopien anzulegen. Sprache, Land, Store, Subbrand und Kundengruppe lassen sich über Variablen steuern. Neue Sprachen, Länder oder Stores gehen mit 2 Klicks und ohne neuen Index live. Je zusätzlicher Sprache oder Domain liegt der Mehrverbrauch bei rund 5 bis 20 %.

68 von 90 optimieren für KI-Antworten, aber auf welcher Datenbasis?

Generative Engine Optimization, kurz GEO, bezeichnet die Optimierung von Inhalten für ihre Sichtbarkeit in Antworten generativer Systeme. Eingeführt wurde der Begriff 2023 in einem Paper von Aggarwal et al. zur Generative Engine Optimization (Stand 2023, abgerufen am 24.10.2026).

68 von 90 Händlern geben an, ihre Sichtbarkeit in KI-Antworten bereits zu optimieren. 54 prüfen regelmäßig, wie ihr Shop in ChatGPT, Gemini oder Claude erscheint. 14 haben dies einmal getestet, weitere 16 planen entsprechende Prüfungen. Unter den live eingesetzten KI-Funktionen liegt GEO damit vor semantischer Suche mit 46 Nennungen, KI-Produktempfehlungen mit 43, KI-Beratung im Shop mit 26 und automatisierter Produktdaten-Anreicherung mit 23 Nennungen. Mehrfachnennungen waren möglich. 19 Händler nennen ausschließlich GEO.

Klassisches SEO zielt auf die Auffindbarkeit in Suchergebnisseiten. GEO-Optimierung richtet Inhalte und Daten auf generierte Antworten aus. Answer Engine Optimization, kurz AEO, überschneidet sich damit bei direkt beantwortbaren Fragen. Im E-Commerce gewinnt GEO zusätzlichen Praxisbezug, sobald Produktattribute, Verfügbarkeit und Angebotskontext in KI-Antworten einfließen sollen.

Geprüft wird die KI-Sichtbarkeit einer Produktseite etwa mit festen Produktfragen, die ein Team in regelmäßigen Abständen in mehreren Antwortsystemen stellt und dokumentiert. Für die Datenbasis dahinter braucht es eine zweite Prüfung, die Attribute, Verfügbarkeit und die Suche im Shop umfasst.

39 der 67 Händler, die mindestens 5 % KI-Umsatz erwarten, haben keine semantische Suche im eigenen Shop im Einsatz. Wenn eine KI-Antwort einen Besucher in den Shop führt, muss die dortige Suche seinen User Intent weiterhin verarbeiten können.

Hybrid LLM Search kombiniert eine exakte Suche für Artikelnummern, Marken und Fachbegriffe mit automatischer Synonym-Erkennung und LLM-Reasoning für die Intent-Erkennung. Die Ergebnisse werden gegen den vorhandenen Warenbestand validiert. Nicht vorhandene Produkte erscheinen dadurch nicht. Der Ansatz analysiert den Kontext der Suchanfrage und arbeitet zu 100 % cookieless. Bei der B&W Handelsgesellschaft stieg die Conversion Rate nach vier Monaten um 19 Prozent.

Für 35 von 90 ist Datensouveränität ein K.-o.-Kriterium

35 von 90 Händlern betrachten Datensouveränität und DSGVO als K.-o.-Kriterium bei der Auswahl von KI-Lösungen. Ein Beispiel ist zwingendes Hosting in der EU. 46 halten das Thema für wichtig, aber abwägbar. Für 9 ist es nachrangig. Gut die Hälfte der 31 Händler, die Daten uneingeschränkt an KI-Agenten weitergeben würden, nennt die DSGVO gleichzeitig als K.-o.-Kriterium.

Eine mögliche Erklärung liegt in den Datenarten, die jeweils gemeint sind. Sobald KI-Anwendungen Kundenkonten, Suchverläufe oder andere personenbezogene Informationen verarbeiten, greift der Datenschutzrahmen. Die Europäische Kommission zur DSGVO beschreibt die seit dem 25. Mai 2018 anwendbare Verordnung als zentralen Rechtsrahmen für personenbezogene Daten in der EU (Stand 24.10.2026, abgerufen am 24.10.2026).

Eine DSGVO-konforme KI braucht deshalb eine klare Prüfung der übermittelten Daten, Verarbeitungszwecke und beteiligten Systeme. Ob ein konkreter Datentransfer mit personenbezogenen Daten zulässig ist, klärt die Datenschutz- oder Rechtsberatung im Unternehmen. Dieser Beitrag ersetzt diese Prüfung nicht.

Datenschutz bleibt ein praktisches Hemmnis. Laut der Bitkom-Erhebung zur KI-Nutzung in Unternehmen setzen 57 % der deutschen Unternehmen KI ein. 66 % der KI-nutzenden Unternehmen nennen Anforderungen an den Datenschutz als häufigstes Hindernis (Stand 14.09.2026, abgerufen am 24.10.2026).

Auf EU-Ebene wird zudem über verbindliche Einwilligungssignale auf Browser-Ebene diskutiert. Tracking-basierte Ansätze könnten dadurch einen Teil ihrer Datengrundlage verlieren. Cookieless arbeitende Verfahren, die den Kontext einer Suchanfrage verarbeiten und kein Nutzerprofil benötigen, sind davon nicht betroffen.

Neben der DSGVO gilt der EU AI Act, die Verordnung (EU) 2024/1689. Er verwendet ein risikobasiertes Pflichtenmodell. Transparenzpflichten gelten seit August 2026. Weitere Vorgaben für Hochrisiko-Bereiche folgen ab dem 2. Dezember 2027 beziehungsweise dem 2. August 2028, wie der Rechtsrahmen der Europäischen Kommission für KI ausführt (Stand 24.10.2026, abgerufen am 24.10.2026).

Der KI-Readiness-Check für Online-Shops in sechs Fragen

Beginnen Sie den KI-Readiness-Check bei den operativen Grundlagen. Die Studie enthält eine vollständige Checkliste mit zehn Ja-Nein-Prüfungen aus den Bereichen Daten, Architektur, Steuerung und KI-Kanäle. Die folgenden sechs Fragen sind direkt daraus ausgewählt oder eng daraus abgeleitet:

• Gibt es eine führende Quelle, aus der Suche, Kategorielisten und weitere Kanäle ihre Produktdaten beziehen?
• Verwenden Ihre Kategorien durchgehend einheitliche Attribute, die Maschinen eindeutig auslesen können?
• Ist eine Rolle oder ein Team klar für Qualität und Aktualität der Produktdaten zuständig?
• Arbeiten Ihre Kanäle mit einem gemeinsamen Produktbestand, dessen Indexzahl und Datenflüsse bekannt sind?
• Messen Sie Suchkennzahlen wie die Zero-Results-Rate und kann das Fachteam das Ranking aktiv steuern?
• Sind maschinenlesbare Datenzugänge vorhanden und wurden Datensouveränität sowie Datenschutz für KI-Kanäle geklärt?

Eine Einstufung erlaubt erst die Originalcheckliste im PDF. Sie umfasst zehn Prüfungen und ordnet 0 bis 3 Ja-Antworten als „Blind“, 4 bis 7 als „Bewusst“ und 8 bis 10 als „Bereit“ ein. Eine Bewertung allein auf Basis der gekürzten Auswahl wäre daher methodisch falsch.

Als Werkzeug für den ersten Check reichen häufig dokumentierte Antworten aus Fachbereich und IT, sofern sie PIM, Indexlandschaft, Schnittstellen, Suchberichte, Ranking-Prozesse und Freigaberegeln abdecken. Ein allgemeines KI-Reifegradmodell für das ganze Unternehmen lässt sich danach ergänzend anlegen.

Was eine Umsetzung kostet, lässt sich ohne Systemlandschaft und Zielbild nicht seriös beziffern. Relevant sind der Zustand der Produktdaten, vorhandene Schnittstellen, die Zahl der getrennten Bestände und der organisatorische Aufwand. Eine GEO-Investition lohnt sich eher, wenn Produktdaten belastbar sind und Sichtbarkeit regelmäßig geprüft wird.

Häufige Fragen

Was bedeutet KI-Readiness für einen Online-Shop?

KI-Readiness beschreibt, ob ein Shop Daten, Architektur, Steuerung und KI-Kanäle praktisch beherrscht. Dazu gehören eine führende Datenquelle, einheitliche Attribute, aktuelle Bestände, messbare Suchqualität und geklärte Datensouveränität. Der Report verwendet dafür zehn Ja-Nein-Prüfungen. Jede Prüfung ist dort mit einem Ergebnis aus der Befragung hinterlegt.

Welche Rolle spielen KI-Agenten für die KI-Readiness?

Agentic Commerce bezeichnet Einkaufssituationen, in denen ein KI-Agent Produkte recherchiert, vergleicht oder Teile des Kaufprozesses übernimmt. 84 von 90 befragten Händlern würden solchen Agenten strukturierte Produktdaten bereitstellen, 53 davon nur unter Bedingungen zu Kontrolle, Marge und Datenschutz. Mehr Kontext liefert der Beitrag über Agentic Commerce und Intent Parsing.

Welche Produktdaten benötigen KI-Agenten?

KI-Agenten brauchen maschinenlesbare und aktuelle Produktinformationen mit konsistenten Attributen. Händler sollten außerdem Verfügbarkeit, Zuständigkeiten und die kontrollierte Ausgabe an neue Kanäle klären. 33 von 90 Händlern verfügen durchgehend über einheitliche Attribute, 41 erreichen dies in Kernkategorien und 16 gar nicht.

Wie unterscheiden sich SEO, GEO und AEO?

SEO richtet die Auffindbarkeit auf klassische Suchergebnisse aus. Generative Engine Optimization bearbeitet die Sichtbarkeit in generierten Antworten. AEO fokussiert direkte Antworten auf konkrete Fragen und weist damit Überschneidungen zu GEO auf. Der akademische Begriff GEO wurde 2023 eingeführt. Im Handel verbindet sich die Disziplin mit strukturierten Produktdaten und regelmäßigen Sichtbarkeitsprüfungen.

Ist der AI-Commerce Readiness Report DACH 2027 kostenlos?

Das PDF kann kostenlos und ohne Anmeldung oder Formular heruntergeladen werden. Es umfasst 18 Seiten, ist 7,6 MB groß und liegt auf Deutsch vor. Unternehmen dürfen es intern teilen sowie mit Quellenangabe und Link zitieren. Der Download eignet sich daher auch als gemeinsame Arbeitsgrundlage für Geschäftsführung, E-Commerce, Marketing und IT.

Ist die Studie repräsentativ?

Die Studie ist ausdrücklich nicht repräsentativ. Sie bildet ein Stimmungsbild von 90 Onlinehändlern aus der DACH-Region ab und weist Ergebnisse deshalb in absoluten Zahlen aus. Unter den Teilnehmenden befinden sich auch Kunden von BatteryIncluded. Diese Einschränkungen sind im Report offengelegt und sollten bei der Übertragung auf den gesamten Markt berücksichtigt werden.

Wie lässt sich die KI-Sichtbarkeit eines Shops prüfen?

54 von 90 Händlern prüfen regelmäßig, wie ihr Shop in ChatGPT, Gemini oder Claude erscheint. 14 haben einen solchen Test einmal durchgeführt. Für eine belastbare Prüfung sollten Händler wiederkehrende Produktfragen definieren, Ergebnisse dokumentieren und Veränderungen beobachten. Diese Sichtbarkeitsprüfung ergänzt die technische Kontrolle von Produktdaten, Suche und Datenzugängen.

Alle zehn Prüfungen und Zahlen stehen kostenlos im Report

Alle Ergebnisse, Zitate aus den Vertiefungsinterviews und die Checkliste mit zehn Prüfungen stehen im AI-Commerce Readiness Report DACH 2027. Das PDF steht kostenlos, ohne Anmeldung und ohne Formular bereit.

Wenn Sie Ihre Such- und Dateninfrastruktur im praktischen Einsatz sehen möchten, können Sie eine Live-Demo buchen.