49 von 100

Das ist der Commerce Readiness Score eines deutschen Premium-Mittelständlers im Bio-Mode-Segment, den wir letzte Woche durch unseren Agent Readiness Check geschickt haben.

Eine etablierte deutsche Bio-Mode-Marke mit klarem Wertgerüst, Premium-Positionierung und großem Produktkatalog. Professioneller Online-Shop, saubere Markenarchitektur, gutes Marketing.

Score: 49 von 100.

Das ist keine Katastrophe. Es ist genau die Phase, in der die meisten DACH-Mittelständler gerade stecken. Die Basics sind vorhanden. Die entscheidende Schicht fehlt.

Der Score von 49/100 setzt sich aus sechs Sub-Werten zusammen, die wir bei jedem Audit prüfen:

• Product Data Clarity: 65

• Trust Signals: 65

• Purchase Path Clarity: 55

• Agentic Product Layer: 55

• Comparison Readiness: 35

• Structured Commerce Data: 20

Das ist eine spannende Verteilung. Trust und Product Data Clarity sind solide. Die Marke ist als das identifizierbar, was sie ist (Naturmode, Faire Mode). Preise sind maschinenlesbar, Verfügbarkeit ist erkennbar. Es gibt sogar eine llms.txt, die der Agent als Schnittstelle nutzen kann. Das ist mehr, als die meisten Mittelständler heute haben.

Und trotzdem ist bei 49 Punkten über die Hälfte des Potenzials weg.

Zwei Sub-Werte fallen aus dem Muster. Structured Commerce Data (20) und Comparison Readiness (35). Diese beiden hängen zusammen.

Die Marke hat Schema.org-Markup auf Organization-Ebene. Das ist die Basis-Schicht. “Das hier ist Firma X, Branche Y, Adresse Z.” Was fehlt, ist Product-Schema. Also strukturierte, maschinenlesbare Produktdaten für jedes einzelne Produkt. Material, Größe, Farbe, Preis, Verfügbarkeit, Versandzeit, Pflegehinweise.

Solange Product-Schema fehlt, kann ein AI-Agent zwar erkennen “das ist eine Bio-Mode-Marke”, aber er kann nicht selektiv beantworten “welche Bio-Hosen aus 100 Prozent Baumwolle gibt es in Größe 38 unter 80 Euro mit Versand bis Ende Juni”. Genau diese Fragen sind aber das, was Agenten heute beantworten.

Comparison Readiness ist die Folge. Wenn ein User ChatGPT fragt “welche deutschen Bio-Mode-Marken gibt es, die fair produzieren und unter 100 Euro pro Teil liegen”, versucht das Modell zu vergleichen. Es zieht Daten von verschiedenen Anbietern, normalisiert sie, generiert eine Empfehlung. Wer keine strukturierten Produktdaten liefert, kommt im Vergleich schlechter weg, selbst wenn das Angebot inhaltlich besser ist.

Der Check meldet auch das hier: kein maschinenlesbarer Kontakt- oder Aktionsweg. Heißt: Wenn ein Agent für seinen User eine Bestellung vorbereiten will (eine konkrete Hose in einer bestimmten Größe in den Warenkorb legen), findet er keinen sauberen Weg dorthin.

Der Shop hat einen Add-to-Cart, aber nicht in einer Form, die ein Agent als strukturierten Endpoint nutzen könnte. Es gibt keine API für agentische Aktionen, kein MCP-Endpoint, keine maschinenlesbare Beschreibung der Checkout-Schritte.

Heute klickt der User noch selbst. In zwölf Monaten will der Agent das übernehmen. Wer dafür keine Schicht hat, fällt aus der zweiten Welle raus.

Das, was ich bei dieser Marke sehe, ist typisch. Die meisten Mittelständler im eCommerce haben in den letzten Jahren in vieles richtig investiert. SEO, Performance, Mobile-First, Tracking, Marken-Konsistenz sind heute solide Basis-Arbeit, kein Differenzierungsmerkmal mehr.

Was 2026 wirklich entscheidet, sind die zwei Schichten daneben: strukturierte Produktdaten für AI-Agenten und ein maschinenlesbarer Aktionsweg, an dem Agenten andocken können.

Es kostet keine große Investition. Aber es ist heute praktisch niemandes Priorität. Genau das macht es zum konkretesten Hebel, den ein Online-Shop in diesem Jahr ziehen kann.

1. Product-Schema implementieren.** Schema.org/Product mit den wichtigsten Properties: name, image, brand, sku, gtin, offers (price, priceCurrency, availability), aggregateRating. Standardarbeit für jeden Frontend-Entwickler, sofort umsetzbar. Bei Shopify, Shopware, Magento sind die Plugins dafür längst vorhanden.

2. llms.txt erweitern.** Wenn ihr schon eine habt: prüft, ob sie wirklich die Inhalte beschreibt, die ein Agent priorisieren soll. Wenn nicht: erstellen. Eine gute llms.txt nennt eure Kernkategorien, verweist auf strukturierte Daten, gibt Hinweise auf den Aktionsweg.

3. Action-Endpoint dokumentieren.** Selbst ohne fertige MCP-Schicht: dokumentiert eure Bestell-API so, dass ein Agent sie verstehen kann. Welche Felder braucht ein POST auf /cart? Welche Authentifizierung läuft? Was sind die Rückgabe-Werte? Das sind Sachen, die in den meisten Shops bereits existieren, nur undokumentiert.

Der spannende Teil an dem Score von 49 ist nicht, dass die Marke “schlecht” ist. Sie ist es nicht. Sie hat vieles richtig gemacht.

Der spannende Teil ist, wie nah sie an einer wirklich starken Position ist. Mit zwei gezielten Investitionen (Product-Schema, Action-Endpoint) wäre der Score auf 75 oder 80. Damit wäre die Marke in der Empfehlungslandschaft, die durch AI-Agenten gerade entsteht, ganz vorne dabei.

Diese Lücke schließt sich gerade in der DACH-Region. Sehr wenige verstehen es jetzt schon. Wer in den nächsten sechs Monaten anfängt, hat einen Vorsprung, den die nachziehenden Wettbewerber später nicht mehr aufholen.

Wir bauen bei HARWAY Experience gerade genau an dieser Schicht: Websites, Produktdaten und Interfaces so strukturieren, dass AI-Agenten sie verstehen und nutzen können. Falls dich das interessiert, schreib mir.