Alle eifern darum, einen KI-Einkäufer zu entwickeln. Die neueste Forschung beweist, dass sie ihn auf einem Fundament aus Sand bauen. Die wahre Arbeit liegt im Datengraphen.
TL;DR
- Während die Branche glitzernde KI-Shopping-Agenten jagt, konzentriert sich die neueste akademische Forschung vom Februar 2026 nicht auf konversationelle KI. Die wahren Durchbrüche geschehen in der unsexy, grundlegenden Schicht: die Datenstruktur.
- Fortschrittliche Techniken wie Heterogeneous Graph Neural Networks (Heterogene Graphen-Neuronale Netze) liefern signifikante, messbare Zugewinne bei der Vorhersage und dem Ranking – sie erreichen in einer Studie [2] eine Präzision von bis zu 89,6 % bei der Identifizierung hochpotenzieller Ziele. Hier liegt heute der tatsächliche ROI (Return on Investment) im Commerce AI.
- Die Agentic Storefront Readiness (Bereitschaft des agentischen Ladenfronts) hat nichts mit der Einführung eines Chatbots zu tun. Es geht darum, Ihre Produkt-, Kunden- und Interaktionsdaten in einen maschinenlesbaren Graphen umzugestalten, der komplexe, mehrstufige Schlussfolgerungen unterstützen kann – die Art von Arbeit, die an massiven Datensätzen von über 2,8 Millionen Interaktionen [4] demonstriert wurde.
Letzte Woche habe ich auf dem Abbot Kinney einen Kaffee getrunken, als ich ein Marketingteam über ihren neuen „AI Shopping Agent“ sprechen hörte. Sie waren aufgeregt und schwärmten von seiner „menschenähnlichen Persönlichkeit“. Ich hatte den Morgen damit verbracht, die neuesten AI Commerce Papers von arXiv [3] zu durchforsten, und die Diskrepanz war frappierend. Während Marken in Venedig über Chatbot-Personas debattieren, geschieht die ernsthafte Arbeit – die Arbeit, die wirklich etwas bewirkt – tief in der Architektur, in der mathematischen Darstellung von Beziehungen zwischen Kunden, Produkten und Intentionen.
Die Branche leidet unter einer massiven Frontend-Fixierung. Jeder will die „Her“-ähnliche Konversationsschnittstelle, den Agenten, der jede Ihrer Bedürfnisse antizipiert. Aber sie versuchen, sie auf einer Dateninfrastruktur aufzubauen, die sich im Grunde nicht von der vor einem Jahrzehnt unterscheidet. Es ist, als würde man versuchen, einen Magnetschwebezug auf Gleisen aus den 1800er-Jahren zu betreiben. Die neueste Forschung bestätigt diesen Verdacht. Die Papers, die die Grenzen des Commerce AI wirklich verschieben, handeln derzeit nicht von großen Sprachmodellen; sie handeln von Graphen, Mannigfaltigkeiten und multimodaler Datenfusion [1, 2, 4]. Es geht um die Sanitäranlagen. Und wenn Sie eine Führungskraft im E-Commerce sind, ist das das Einzige, worüber Sie schlaflose Nächte verbringen sollten.
Ist Ihre gesamte KI-Strategie eine Fassade?
Seien wir ehrlich. Das meiste, was heutzutage als „Commerce AI“ durchgeht, ist ein dünner Furnier über Altsystemen. Ein Empfehlungskarussell, das von einem etwas besseren kollaborativen Filteralgorithmus angetrieben wird, oder eine Suchleiste mit etwas angeschraubtem grundlegenden NLP. Das Versprechen von agentic commerce (agentischer Handel) – wo autonome Agenten im Namen eines Verbrauchers handeln, um zu entdecken, zu verhandeln und zu kaufen – ist berauschend. Es ist auch eine komplette Fantasie ohne eine radikale Verschiebung in der zugrunde liegenden Datenarchitektur.
Wenn ich mir die Pre-Prints vom Februar 2026 ansehe, fällt mir eine eklatante Abwesenheit von Papers über Multi-Agenten-Commerce-Workflows oder generative Suche für den Einkauf auf [3]. Stattdessen konzentriert sich die akademische Welt, die der Industrie immer 18-24 Monate voraus ist, auf etwas viel Fundamentelleres. Sie lösen das Problem der mathematischen Darstellung komplexer kommerzieller Ökosysteme.
Eine aktuelle Studie zur Identifizierung hochpotenzieller kleiner und mittlerer Unternehmen (KMU) verwendete beispielsweise kein LLM (Large Language Model). Sie baute einen massiven heterogenen Graphen mit über 32.000 Unternehmens-Nodes und fast 100.000 Verbindungen auf, die unterschiedliche semantische Beziehungen repräsentierten [2]. Das Ergebnis? Durch das Verständnis der Struktur des B2B-Marktes als Graph konnte ihr Modell mit einer Präzision von 89,6 % vorhersagen, welche Unternehmen erfolgreich sein würden – mehr als das Doppelte des Basiswerts [2]. Hier geht es nicht um Konversation; es geht um Verbindung. Es ist eine Vorhersagekraft, die Sie nicht erreichen können, indem Sie einfach einen Chatbot fragen: „Mit welchem Unternehmen sollte ich zusammenarbeiten?“ Die Antwort liegt nicht in einer Textzeichenfolge; sie ist in die Topologie der Daten eingebettet. Dies ist das Fundament einer realen Commerce AI architecture (KI-Architektur für den Handel).
Die wahre Arbeit steckt im Graphen, nicht im Chatfenster
Der Unterschied zwischen einem traditionellen Katalog und einem KI-nativen Katalog liegt in der Art, wie Beziehungen gespeichert werden. Ihre Shopify- oder Magento-Datenbank weiß, dass ein Benutzer ein Produkt gekauft hat. Ein graphenbasiertes System kennt die Reihenfolge der Produkte, die er angesehen hat, die Kategorien, die er durchsucht hat, die Artikel, die er mit anderen Benutzern zusammen gekauft hat, die textliche Stimmung seiner Bewertung und wie all diese Datenpunkte mit jedem anderen Benutzer und Produkt im System zusammenhängen.
Genau das macht sich die neueste Forschung zunutze. Das „ManCAR“-Paper von Anfang Februar 2026 befasst sich mit sequenzieller Empfehlung – der Vorhersage des nächsten Dings, das Sie möchten – durch die Verwendung eines „Manifold-Constrained“-Frameworks [4]. Das ist eine komplexe Formulierung, um zu sagen, dass es die zugrunde liegende „Form“ der Benutzerpräferenzen in einem hochdimensionalen Raum lernt. Die Forscher testeten dies an riesigen, realen Amazon-Bewertungsdatensätzen, von denen einer allein 2,8 Millionen Interaktionen in der Kategorie Lebensmittel enthielt [4]. Sie erreichten eine Spitzenleistung, weil ihr Modell nicht nur isolierte Käufe betrachtete; es zog Schlussfolgerungen über die gesamte Benutzerreise als Pfad durch eine komplexe Datenmannigfaltigkeit.
Ein weiteres Paper geht noch weiter und schlägt einen multimodalen Ansatz vor, der drei verschiedene Arten von Daten kombiniert, um die Kundenzufriedenheit vorherzusagen [1]: 1. Textliche Bewertungen: Analysiert mithilfe von BERT-Embeddings, um semantischen Inhalt zu verstehen. 2. Benutzer-Artikel-Beziehungen: Modelliert mithilfe eines Graph Neural Networks (LightGCN), um kollaborative Muster zu erfassen. 3. Metadaten: Codiert, um weitere Merkmale wie Produktkategorie oder Preis aufzunehmen.
Dies ist nicht nur eine weitere Datenmenge, die auf das Problem geworfen wird. Es ist eine ausgeklügelte Datenfusionsstrategie, die erkennt, dass die Absicht eines Kunden eine Zusammensetzung dessen ist, was er sagt (Text), was er tut (Interaktionen) und wer er ist (Metadaten). Ein Shopping-Agenten mit nur einem dieser Signale zu betreiben, ist wie der Versuch, die 405 im Berufsverkehr mit einem Thomas Guide von 1998 zu navigieren. Ihnen fehlt der größte Teil des Bildes.
Eine funktionierende Commerce-KI-Architektur aufbauen
Wie sieht also eine richtige, graphenorientierte Commerce AI architecture (KI-Architektur für den Handel) aus? Es ist keine einzelne Anwendung. Es ist ein geschichtetes System, das darauf ausgelegt ist, Daten so zu erfassen, zu verbinden und zu aktivieren, wie es mit herkömmlichen relationalen Datenbanken einfach nicht möglich ist.