Was mir 40 Shop-Audits über den Mittelstand gezeigt haben

Ich habe in den letzten Wochen viele Shops im deutschsprachigen Raum durch unseren Readiness Check laufen lassen. Marken, die man kennt, mittelständische Händler, ein paar größere Namen. Kein Marketing-Projekt. Ich wollte einfach wissen, wie es wirklich aussieht, wenn ein KI-Agent auf diese Seiten trifft. Nach rund vierzig Checks zeichnet sich ein Muster ab, das ich hier festhalten will.

Die erste Beobachtung ist die unangenehmste. Fast alle diese Shops sind für Menschen gut gebaut. Sauberes Design, gepflegte Produktdaten, schnelle Ladezeiten. Und fast alle sind für einen Agenten trotzdem halb blind. Der Grund liegt selten an Nachlässigkeit. Meist steckt eine technische Entscheidung dahinter, die vor Jahren getroffen wurde und damals völlig richtig war. Die Produktdaten werden per JavaScript nachgeladen. Für einen Menschen im Browser ist das unsichtbar. Für einen Agenten, der das rohe HTML liest, fehlt genau das Entscheidende.

Die zweite Beobachtung hat mich überrascht. Es gibt eine kleine Gruppe, die schon weiter ist, als ich erwartet hätte. Eine deutsche Bio-Mode-Marke hatte tatsächlich eine llms.txt hinterlegt, also die kleine Textdatei, mit der man KI-Modellen beschreibt, wie sie eine Seite behandeln sollen. Das ist im Sommer 2026 noch selten. Nur brachte es im Score wenig, weil der Rest fehlte. Kein Produkt-Schema, kein maschinenlesbarer Aktionsweg. Der Hinweis war also da, die Substanz dahinter fehlte. Wer nur einzelne Häkchen setzt, statt den ganzen Stack als System zu denken, kommt damit nicht weit.

Die dritte Beobachtung betrifft eine ganz andere Kategorie: Shops, die einen Agenten gar nicht erst hereinlassen. Ein Zugriff endet dort mit einem 403, der Bot wird auf Firewall-Ebene abgewiesen. Das betrifft oft gerade die Premium-Marken, die ihre Seite besonders schützen. Nachvollziehbar aus Security-Sicht, aber im Ergebnis heißt es: Wenn in ein oder zwei Jahren ein Kunde seinen Agenten losschickt, um eine Jacke oder eine Uhr zu finden, taucht diese Marke in der Auswahl schlicht nicht auf. Sie ist weder zu teuer noch zu unbekannt. Die Tür war einfach zu.

Was mich an dem Ganzen umtreibt, ist weniger der einzelne Befund als das Timing. Vor ein paar Tagen hat Morgan Stanley eine Prognose veröffentlicht, nach der KI-Agenten bis 2030 zwischen 190 und 385 Milliarden Dollar im US-Onlinehandel ausmachen könnten. In derselben Analyse steht, woran es hakt: an veralteten, unvollständigen oder schlecht formatierten Produktdaten. Das ist keine Nischenmeinung mehr, das rechnet eine Investmentbank vor. Und es deckt sich exakt mit dem, was ich in diesen vierzig Checks gesehen habe.

Für uns bei HARWAY Experience ist das die Arbeit selbst, kein abstraktes Marktthema. Wir haben unsere eigene Seite agent-lesbar gemacht, bevor wir mit Kunden darüber reden, und dabei gemerkt, wie viel davon an einer sauberen Grundstruktur hängt. Wo ein Design System schon da war, war die halbe Arbeit erledigt. Wo alles über verstreute Templates lief, wurde es mühsam. Genau diese Erfahrung nehmen wir jetzt in die Gespräche mit.

Was ich aus den vierzig Checks mitnehme, ist ein vorsichtiger Optimismus. Das Problem ist real und weit verbreitet, aber es ist lösbar, und es ist selten ein Neubau. Meist geht es darum, die entscheidenden Daten serverseitig auszuliefern, statt sie per JavaScript nachzuladen. Für die gängigen Shop-Systeme ist das ein überschaubarer Schritt. Der schwierige Teil ist weniger die Technik als das Erkennen, dass es überhaupt ein Thema ist.

Nächste Woche schaue ich mir an, was maschinenlesbare Produktdaten konkret bedeuten, also welche Felder ein Agent wirklich braucht und wie man prüft, ob sie ankommen. Bis dahin, wer selbst einen schnellen Test machen will: Rechtsklick auf einer Produktseite, Seitenquelltext anzeigen, nach dem Preis suchen. Wenn er nicht auftaucht, wisst ihr, wo ihr steht.