Ich höre überall von „agentic commerce“, von DTLA bis zur 405, aber ein Blick in die neuesten akademischen Arbeiten von 2026 zeigt, dass die eigentliche Arbeit an einem weit weniger glamourösen Ort stattfindet: heterogene Graphen.
Ich trank letzte Woche Kaffee bei Menotti's in Venice und versuchte, eine Präsentation am Nebentisch zu ignorieren. Es war die übliche Rede: ein autonomer KI-Agent, der als „Personal Shopper“ agiert, das Web durchforstet, die besten Angebote findet, Einkäufe tätigt. Das klingt großartig auf einem Pitch-Deck. Es klingt revolutionär, wenn man versucht, eine Seed-Runde zu finanzieren. Das Problem ist, dass es größtenteils eine Fantasie ist.
Überall, wo ich hingehe, von Downtown LA bis zum endlosen Verkehrskriechen auf der 405, wird die Konversation von agenticent systems (agentenbasierten Systemen) und generative search (generativer Suche) dominiert. Marken haben Angst, dass sie durch eine KI, die im Auftrag ihrer Kunden einkauft, disintermidiert werden. Aber wenn man sich vom Hype löst und die tatsächliche Forschung betrachtet, ergibt sich ein ganz anderes Bild. Ich habe diese Woche die neuesten 2026er Preprints von arXiv und anderen Quellen durchforstet, und die Akademiker schwärmen nicht von Agenten. Sie sind damit beschäftigt, Graphen zu bauen. Und ehrlich gesagt, liegt dort der wahre Wert.
Wo bleibt die agentische Revolution?
Ich erspare Ihnen die Mühe des Suchens: Sie ist nicht da. Eine Untersuchung der jüngsten akademischen Publikationen zeigt eine harte Realität: Es gibt dieses Jahr noch keine signifikanten Arbeiten zum autonomen agentic commerce (agentenbasierten Handel) oder zur generativen Suche [3]. Nichts von den großen Konferenzen, nichts von den großen Universitätslaboren. Stattdessen konzentriert man sich auf etwas viel Grundlegenderes und, meiner Meinung nach, viel Mächtigeres: Empfehlungssysteme, die durch komplexe Graphennetzwerke angetrieben werden.
Während die Risikokapitalgeber Chatbot-Wrapper finanzieren, erzielen Datenwissenschaftler still und heimlich messbare, signifikante Leistungssteigerungen, indem sie die unübersichtliche, eng miteinander verbundene Welt des Handels als reichhaltigen, multirelationalen Graphen modellieren. Es ist nicht so sexy wie ein sprechender Einkaufswagen, aber es funktioniert tatsächlich.
Es kommt nicht darauf an, wen du kennst, sondern wie du verbunden bist
Die interessanteste Arbeit findet in sogenannten heterogeneous graphs (heterogenen Graphen) statt. Das ist nicht Ihr grundlegender Benutzer-Element-Empfehlungsgraph, den es seit einem Jahrzehnt gibt. Hier geht es darum, verschiedene Typen von Entitäten und die verschiedenen Typen von Beziehungen zwischen ihnen zu modellieren.
Eine aktuelle Arbeit zur Vorhersage, welche Kleinunternehmen weitere staatliche Förderungen erhalten werden (SME-HGT), liefert eine perfekte Blaupause [2]. Die Forscher haben nicht nur die Merkmale eines Unternehmens in einer Tabelle betrachtet. Sie haben einen Graphen erstellt, der 32.268 Unternehmen mit Forschungsthemen und Regierungsbehörden verbindet. Durch die Analyse der Struktur dieser Verbindungen – welche Unternehmen von derselben Agentur finanziert wurden, welche an verwandten Themen arbeiteten – erzielte ihr Modell eine Verbesserung der AUPRC (ein Maß für die Vorhersagegenauigkeit) um 3,1 Prozentpunkte gegenüber traditionellen maschinellen Lernmodellen. Es war 2,14-mal besser als die zufällige Auswahl bei der Suche nach erfolgreichen Kandidaten [2].
Die Lehre daraus ist, dass die Beziehungen zwischen Entitäten eine enorme Menge an prädiktivem Signal tragen. Das ist das, was in einfachen Tabellendaten verloren geht.
Für eine Premium-Activewear-Marke könnte dies wie ein Graph aussehen, der Kunden, Produkte, Geschäftsstandorte und die Menschen, die ihre Kleidung tragen, miteinander verbindet. Es ist eine völlig andere Art, das Geschäft zu sehen.
Plötzlich empfehlen Sie nicht nur eine weitere Leggings. Sie sehen, dass Kunden, die die High-Rise-Leggings kaufen und Kurse in der Santa Monica-Filiale besuchen, wahrscheinlich auch auf Marketing reagieren, das einen bestimmten Instruktor hervorhebt. Das ist eine Nuance, mit der kein einfacher KI-Chatbot mithalten kann.
Daten fusionieren, nicht nur chatten
Eine andere Arbeit skizziert einen Rahmen für genau diese Art des Denkens im E-Commerce-Kontext. Sie schlägt ein multimodales System vor, das Daten aus verschiedenen Quellen fusioniert: BERT-Embeddings aus Textbewertungen, LightGCN-Graph-Embeddings aus Benutzer-Artikel-Interaktionen und traditionelle Metadaten wie Produktattribute und Kundendemographien [1].
Das ist die harte, mühsame Arbeit der modernen Handelsarchitektur. Es geht darum, das „Cold-Start“-Problem anzugehen – wie empfiehlt man eine neue Reisetasche, wenn sie noch niemand gekauft hat? – indem man den Graphen nutzt, um Verbindungen zu finden. Vielleicht verwendet die neue Tasche dasselbe Material wie ein beliebtes bestehendes Produkt, oder sie wird in denselben Blog-Posts erwähnt. Diese Beziehungen liefern das anfängliche Signal, das benötigt wird, um ein Produkt auf den Markt zu bringen.
Das ist ein Universum entfernt davon, einfach einen Produktkatalog in ein LLM einzuspeisen und es zu bitten, „mir eine stilvolle Wochenendtasche zu finden“. Der wahre Vorteil ergibt sich aus dem Besitz eines proprietären Datengraphen, der so reichhaltig und detailliert ist, dass die Empfehlungen wie Magie wirken. Es ist ein verteidigbarer Graben, der aus Daten gebaut wurde, keine Drittanbieter-API-Anfrage.
Wir sprechen hier von ernsthaftem Ausmaß. Eines der neuen Empfehlungsframeworks, ManCAR, wurde an Datensätzen wie den Amazon 2023 Grocery-Bewertungen evaluiert, die über 2,7 Millionen Interaktionen zwischen 246.000 Benutzern und 119.000 Artikeln enthalten [4]. Das Erstellen, Trainieren und Ausführen von Inferenzen auf Graphen dieser Größenordnung ist eine ernsthafte technische Herausforderung, und hier sollten Teams ihre Ressourcen konzentrieren.
Aufhören zu prompten, anfangen zu verbinden
Die Besessenheit von konversationellen Benutzeroberflächen und autonomen Agenten ist eine Nebelkerze. Es ist ein Fokus auf die Oberflächenschicht, die letzte Interaktion, während die tiefe, strukturelle Grundlage, auf der Wert geschaffen wird, ignoriert wird. Ein Agent ist nur so gut wie die Daten und Logik, auf die er zugreifen kann.
Anstatt zu fragen: „Wie können wir einen KI-Agenten bauen, der mit unseren Kunden spricht?“, sollten Sie fragen: „Welche proprietären Beziehungen können wir in einem Graphen modellieren, die sonst niemand kann?“ Die Antwort auf die zweite Frage wird ein weitaus nachhaltigeres Geschäft aufbauen als die Antwort auf die erste.
Also, wenn Sie das nächste Mal einen Pitch für eine KI hören, die mit Ihrer Website sprechen soll, fragen Sie nach deren Graphen. Fragen Sie sie, wie sie die Verbindungen zwischen Ihren Kunden, Ihren Produkten und der gesamten Welt, in der sie tätig sind, modellieren. Wenn Sie nur ein leeres Starren zurückbekommen, wissen Sie, dass sie nur eine weitere Halluzination bauen.