Die Zahlen sind eindeutig: Innerhalb eines Jahres hat sich der Einsatz autonomer KI-Agenten im B2B-Mittelstand nahezu verdoppelt – von 8,5 % auf 16,6 %. Weitere 37 % der Unternehmen planen laut der aktuellen Studie „Agentic Readiness im B2B Commerce" von dotSource und ECC Köln, KI-Agenten 2026 einzuführen oder auszubauen. Die Begeisterung ist groß, die Technologie ist verfügbar. Doch ein Problem bleibt: Die Datenbasis fehlt.
88 % der befragten Unternehmen sehen erheblichen Nachholbedarf bei der nahtlosen Integration von ERP- und CRM-Systemen. 83 % bemängeln fehlende Standardisierung von Produktdaten und Preisen. 82 % kämpfen mit grundsätzlichen Problemen bei der Datenqualität. Agentic Commerce – der Einsatz autonomer KI-Agenten für Einkauf, Bestellung und Vertriebssteuerung – funktioniert nur, wenn die Datenbasis stimmt. Andernfalls bleiben KI-Agenten Spielzeuge ohne Wirkung.
Dieser Artikel zeigt Herstellern und Großhändlern im Mittelstand, welche fünf konkreten Daten-Lücken sie schließen müssen, damit KI-Agenten – sowohl interne als auch die ihrer Kunden – zuverlässig arbeiten können. Pro Lücke gibt es einen klaren Praxis-Schritt.
Was ist Agentic Commerce und warum jetzt?
Agentic Commerce bezeichnet den Einsatz autonomer Software-Agenten, die selbstständig Aufgaben im E-Commerce übernehmen. Im B2B-Kontext bedeutet das: KI-Agenten analysieren Bestellhistorien, prüfen Lagerbestände, vergleichen Preise, verhandeln Konditionen und lösen Bestellungen aus – ohne dass ein Mensch jeden Schritt manuell steuern muss.
Das Konzept ist nicht neu. Schon seit Jahren gibt es automatisierte Bestellsysteme und Warenwirtschafts-Schnittstellen. Neu ist die Qualität der Autonomie: Moderne KI-Agenten lernen aus Daten, passen sich an Kontexte an und treffen Entscheidungen, die früher Einkäufer oder Vertriebsmitarbeiter trafen.
Für Hersteller und Großhändler ergeben sich zwei Szenarien: Interne Agenten automatisieren Vertriebsprozesse, Preisgestaltung, Nachbestellungen und Kundenanalysen. Externe Agenten dagegen werden von den Kunden eingesetzt, um autonom bei Lieferanten einzukaufen – wer nicht „agenten-fähig" ist, wird nicht mehr gefunden. Wo KI-Agenten im Vertrieb echten ROI liefern und wo Vorsicht geboten ist, vertieft der Beitrag zu KI-Agenten im B2B-Vertrieb.
Der Druck steigt. Wer 2026 nicht auf Agentic Commerce vorbereitet ist, verliert Marktanteile an Wettbewerber, die schneller liefern, präziser kalkulieren und einfacher zu finden sind.
Daten-Lücke 1: Fehlende ERP- und CRM-Integration
Die größte Hürde für Agentic Commerce ist die fehlende nahtlose Verbindung zwischen ERP-, CRM- und Shop-Systemen. 88 % der Unternehmen geben an, dass ihre Systeme nicht durchgängig integriert sind. Das bedeutet: Preise, Lagerbestände, Kundendaten und Bestellhistorien liegen in unterschiedlichen Systemen – oft ohne Echtzeit-Synchronisation.
Ein KI-Agent kann nur so gut arbeiten wie die Daten, auf die er zugreift. Wenn Lagerbestände im ERP, Preise im Shop und Kundenhistorien im CRM getrennt verwaltet werden, fehlt die Grundlage für autonome Entscheidungen. Der Agent kann nicht prüfen, ob ein Produkt verfügbar ist, welcher Preis für einen bestimmten Kunden gilt oder welche Zahlungskonditionen vereinbart wurden.
Praxis-Schritt: API-first denken. Statt Insellösungen zu pflegen, sollten Unternehmen auf offene Schnittstellen setzen, die ERP, CRM, PIM (Product Information Management) und Shop-Systeme miteinander verbinden. Konkret bedeutet das:
Echtzeit-Synchronisation von Lagerbeständen, Preisen und Kundendaten
Zentrale Datenhaltung für Produktinformationen (PIM als Single Source of Truth)
Middleware-Lösungen, die unterschiedliche Systeme orchestrieren
Viele moderne ERP-Systeme bieten REST-APIs, die eine Integration vereinfachen. Welche Hürden bei der Verbindung von ERP, PIM und Shop typischerweise auftreten, zeigt der Beitrag zur B2B-Systemintegration.
Daten-Lücke 2: Inkonsistente Produktdaten und Preise
83 % der Unternehmen sehen Nachholbedarf bei der Standardisierung von Produktdaten und Preisen. Das Problem: Produktbezeichnungen variieren je nach Kanal, Preise werden manuell gepflegt, Attribute fehlen oder sind unvollständig.
Ein Beispiel: Ein Hersteller von Industriekomponenten führt dasselbe Produkt in drei Systemen unter unterschiedlichen Artikelnummern. Im ERP heißt es „Schraube M8x40", im Shop „Sechskantschraube 8mm", im CRM „SKU-12345". Für einen Menschen ist das noch nachvollziehbar. Für einen KI-Agenten ist es ein Datenchaos. Hinzu kommt: Preise variieren oft je nach Kunde, Menge, Region oder Vertriebskanal. Ohne klare Regeln und Datenstrukturen kann ein Agent keine verlässlichen Angebote erstellen oder Bestellungen auslösen.
Praxis-Schritt: PIM einführen und Datenstandards definieren. Ein Product-Information-Management-System dient als zentrale Datenbasis. Hier werden alle Produktinformationen gepflegt – einheitlich, vollständig und strukturiert. Konkrete Maßnahmen:
Eindeutige Artikelnummern (GTIN, EAN oder interne SKU) für jedes Produkt
Vollständige Attributierung: Maße, Gewicht, Material, Farbe, technische Daten
Preisregeln statt Preislisten: definieren, wie Preise berechnet werden (z. B. Mengenrabatte, Kundensegmente, regionale Zuschläge)
Klassifizierung nach Standards wie eCl@ss oder ETIM für technische Produkte
Ein PIM reduziert nicht nur Fehlerquellen, sondern beschleunigt auch die Time-to-Market für neue Produkte. Wann sich die Einführung im Mittelstand wirklich lohnt, klärt der Beitrag zur Akeneo-PIM-Einführung.
Daten-Lücke 3: Mangelhafte allgemeine Datenqualität
82 % der Unternehmen kämpfen mit grundsätzlichen Problemen bei der Datenqualität: fehlende Daten, veraltete Informationen, Duplikate, inkonsistente Formate.
Ein klassisches Beispiel: Ein Kunde ist im CRM dreimal angelegt – einmal als „Müller GmbH", einmal als „Müller & Co." und einmal als „H. Müller Handelsgesellschaft". Jeder Datensatz hat unterschiedliche Adressen, Ansprechpartner und Zahlungskonditionen. Für einen KI-Agenten ist unklar, welcher Datensatz der richtige ist. Ähnlich verhält es sich mit Produktdaten: fehlende Bilder, unvollständige Beschreibungen, veraltete technische Datenblätter. Ein Agent kann nicht verkaufen, was er nicht beschreiben kann.
Praxis-Schritt: Data Governance etablieren. Klare Regeln legen fest, wer Daten pflegt, wie sie strukturiert werden und wer für Qualität verantwortlich ist. Konkrete Maßnahmen:
Daten-Audit: Bestandsaufnahme aller Datenquellen und Qualitätsprobleme
Verantwortlichkeiten definieren: Wer pflegt Produktdaten? Wer aktualisiert Kundendaten?
Automatisierte Validierung: Pflichtfelder, Formatprüfungen, Duplikatserkennung
Regelmäßige Bereinigung: alte, inaktive oder fehlerhafte Datensätze entfernen
Data Governance ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess. Wer hier investiert, schafft die Basis für Kundenanalyse, Personalisierung und Vertriebstransformation.
Daten-Lücke 4: Fehlende First-Party-Daten und Customer Insights
Viele B2B-Unternehmen wissen erstaunlich wenig über ihre Kunden. Bestellhistorien liegen im ERP, Anfragen im CRM, Website-Besuche in der Webanalyse – aber nirgendwo werden diese Daten zusammengeführt und analysiert.
Das Problem: Ohne First-Party-Daten und Customer Insights können KI-Agenten keine personalisierten Angebote erstellen. Sie wissen nicht, welche Produkte ein Kunde regelmäßig bestellt, welche Preise er akzeptiert oder welche Zahlungskonditionen er bevorzugt. Ein Beispiel: Ein Großhändler für Elektrotechnik beliefert einen Kunden seit zehn Jahren. Der Kunde bestellt alle drei Monate dieselben Komponenten. Ein KI-Agent könnte diese Bestellung automatisch vorbereiten, den besten Liefertermin vorschlagen und einen Mengenrabatt anbieten – wenn die Daten vorhanden und verknüpft wären.
Praxis-Schritt: Customer Data Platform (CDP) aufbauen. Eine CDP führt alle Kundendaten aus ERP, CRM, Shop und Marketing zusammen. Konkrete Maßnahmen:
Unified Customer Profile: alle Daten eines Kunden in einem Profil
Verhaltensanalyse: Welche Produkte werden gekauft? Welche Seiten besucht? Welche Anfragen gestellt?
Segmentierung: Kunden nach Kaufverhalten, Umsatzpotenzial und Branche clustern
Predictive Analytics: vorhersagen, wann ein Kunde nachbestellt oder welche Produkte ihn interessieren könnten
Eine CDP ist die Grundlage für Personalisierung und Omnichannel-Vertrieb. KI-Agenten greifen auf diese Daten zu und treffen Entscheidungen, die auf echtem Kundenverhalten basieren – nicht auf Annahmen.
Daten-Lücke 5: Unklare Preismodelle und fehlende Transparenz
Preisgestaltung im B2B ist komplex: Mengenrabatte, Kundensegmente, regionale Zuschläge, Sonderkonditionen, Kampagnenpreise. Viele Unternehmen pflegen diese Preise manuell in Excel-Listen oder verhandeln sie individuell mit jedem Kunden.
Für einen KI-Agenten ist das ein Problem. Er kann nicht autonom Preise kalkulieren, wenn die Regeln nicht klar definiert und digital abgebildet sind. Das Ergebnis: Der Agent muss bei jeder Anfrage einen Menschen einbeziehen – und damit ist die Autonomie verloren. Ein weiteres Problem ist fehlende Transparenz. Wenn Preise nicht nachvollziehbar sind, verlieren Kunden das Vertrauen.
Praxis-Schritt: Preismodelle digitalisieren und automatisieren. Konkrete Maßnahmen:
Regelbasierte Preisgestaltung: Preisregeln definieren (z. B. „Ab 100 Stück: 10 % Rabatt")
Kundensegment-basierte Preise: unterschiedliche Preislisten für unterschiedliche Kundengruppen
Dynamische Preisanpassung: Preise basierend auf Lagerbestand, Nachfrage oder Wettbewerb anpassen
Transparenz schaffen: Kunden zeigen, wie Preise zustande kommen (z. B. „Mengenrabatt: -10 %")
Moderne ERP- und Shop-Systeme bieten Funktionen für regelbasierte Preisgestaltung. Wie sich kundenspezifische Preise ohne Chaos verwalten lassen, beschreibt der Beitrag zur Pricing-Governance für B2B-Shops.
Agentic Commerce als „Human in the Loop"-Szenario
Ein wichtiger Hinweis: Agentic Commerce bedeutet nicht, dass Menschen überflüssig werden. Im Gegenteil – die erfolgreichsten Modelle setzen auf „Human in the Loop": KI-Agenten übernehmen Routineaufgaben, Menschen treffen strategische Entscheidungen.
Ein Beispiel: Ein KI-Agent analysiert Bestellhistorien, identifiziert einen Kunden, der regelmäßig nachbestellt, und bereitet eine Bestellung vor. Ein Vertriebsmitarbeiter prüft das Angebot, passt es bei Bedarf an und gibt es frei. Der Agent spart Zeit, der Mensch sorgt für Qualität. Dieses Modell funktioniert nur, wenn die Datenbasis stimmt: wenn ERP, CRM und Shop integriert sind, Produktdaten standardisiert und Preise transparent sind und First-Party-Daten verfügbar sind.
Warum jetzt handeln?
Die Studie zeigt: 37 % der Unternehmen planen, KI-Agenten 2026 einzuführen oder auszubauen. Wer jetzt nicht handelt, fällt zurück. Kunden erwarten zunehmend, dass Bestellungen schnell, präzise und automatisiert abgewickelt werden. Wettbewerber, die auf Agentic Commerce setzen, liefern schneller, kalkulieren genauer und sind einfacher zu finden.
Hinzu kommt: Die Technologie ist verfügbar. KI-Agenten sind keine Science-Fiction mehr, sondern Realität. Die Frage ist nicht, ob Agentic Commerce kommt, sondern wann ein Unternehmen bereit ist. Die fünf Daten-Lücken zu schließen, ist kein Sprint, sondern ein Marathon. Aber jeder Schritt bringt Hersteller und Großhändler näher an eine Zukunft, in der Vertrieb effizienter, skalierbarer und datengetrieben ist.
Erste Schritte: Von der Analyse zur Umsetzung
Viele Unternehmen wissen, dass sie handeln müssen – aber nicht, wo sie anfangen sollen. Ein bewährter Ansatz:
Bestandsaufnahme: Welche Systeme sind im Einsatz? Wo liegen Daten? Welche Schnittstellen existieren?
Prioritäten setzen: Welche Daten-Lücke hat den größten Einfluss auf Umsatz und Effizienz?
Quick Wins identifizieren: Welche Maßnahmen lassen sich schnell umsetzen und bringen sofort Mehrwert?
Roadmap entwickeln: Welche Schritte folgen mittel- und langfristig?
Partner einbinden: Welche Expertise fehlt intern? Wer kann unterstützen?
Der Einstieg in Agentic Commerce muss nicht mit einem Millionenprojekt beginnen. Oft reicht es, mit einer Integration zu starten, ein PIM einzuführen oder Preisregeln zu digitalisieren. Wichtig ist, dass der Anfang gemacht wird.
Fazit: Datenqualität entscheidet über Erfolg
Agentic Commerce ist keine Zukunftsvision mehr, sondern Realität. KI-Agenten übernehmen bereits heute Aufgaben, die früher Einkäufer und Vertriebsmitarbeiter erledigten. Doch ohne saubere Daten bleiben sie wirkungslos.
Die fünf Daten-Lücken – fehlende ERP- und CRM-Integration, inkonsistente Produktdaten, mangelhafte Datenqualität, fehlende First-Party-Daten und unklare Preismodelle – sind die größten Hürden. Wer sie schließt, schafft die Grundlage für datengetriebene Vertriebsmodelle, Personalisierung und Vertriebstransformation. Die Technologie ist verfügbar. Die Frage ist: Sind Ihre Daten bereit?
