So könnte ein typischer Kaufprozess mit KI-Assistenten künftig aussehen: „Ich suche Winterstiefel aus schwarzem Leder in Größe 39 unter 200 Euro.“ Der KI-Assistent gleicht die Anfrage mit Produktdaten ab und liefert fünf Treffer. Alle liegen dabei unter oder exakt bei 200 Euro. Ein weiterer Prompt schließt den Kauf ab: „Bitte kaufe Option 4 mit meiner Kreditkarte.“

Weniger scrollen, weniger stöbern und weniger Raum für Upselling: Was über dem Budget liegt, erscheint typischerweise nicht in der Vorauswahl.

Der Einstiegspunkt in den Kaufsprozess verschiebt sich zunehmend in den KI-Dialog. Laut einer aktuellen Studie der Boston Consulting Group war die Nutzung generativer KI in den USA unter Konsumenten weiter verbreitet als in Deutschland (GenAI-Adoption: 42 Prozent vs. 36 Prozent, Stand: Oktober 2025). Zudem wuchs die shoppingbezogene Nutzung zwischen Februar und November 2025 relativ um 35 Prozent.

Damit dürfte der Faktor Preis künftig eine stärkere Rolle bei der Filterung von Produkten einnehmen, weil Budgetvorgaben direkt in die Logik der Produktauswahl einfließen.

KI-Suche folgt harten Filtern ohne weiche Impulse
Klassisches Online-Shopping lebt von Inspiration, Visualisierung und Sortimentstiefe. Laut der Boston Consulting Group priorisieren Shopping-Agents den Preis – neben Bewertungen, Lieferzeit und Verfügbarkeit – stärker als Markenvertrautheit oder Loyalität. Der Preis wird damit zur Leitplanke, ob ein Produkt überhaupt in die engere Auswahl kommt.

Legen Kunden im Prompt Preisobergrenzen fest, tauchen teurere Produkte deutlich seltener in den Vorschlägen auf. Google spielt diese Logik in seinem ‚AI Mode‘ noch weiter: Nutzer können die Preisentwicklung favorisierter Produkte beobachten lassen und werden benachrichtigt, sobald diese das gewünschte Niveau erreicht. Auf Wunsch lässt sich der Kauf direkt anstoßen (Google, 2025).

Der Online-Shop bleibt: weniger Schaufenster, mehr Datenbasis
Diese Entwicklung bedeutet nicht das Ende des Onlineshops, vielmehr verändert sich seine Rolle fundamental. In vielen Kategorien kann sich der Online-Shop vom „Schaufenster“ stärker zur Datengrundlage für Crawler und Scraper der LLMs entwickeln. Sie sammeln Produktdaten, Verfügbarkeiten und Preise, die idealerweise maschinenlesbar, konsistent und aktuell sein sollten, damit KI-Systeme sie zuverlässig auslesen und vergleichen können.

Für kleinere Händler und Mittelständler heißt das: Neben der Optimierung für Menschen gewinnt die Optimierung der Datenstruktur für KI-Systeme an Bedeutung. Wer das vernachlässigt, könnte mittelfristig in KI-gestützten Auswahlen seltener berücksichtigt werden.

Pricing als wichtiger Sichtbarkeitsfaktor
Auch Adobe-Daten stützen den Preisfokus im dialogbasierten KI-Shopping: In einer Befragung von 5.000 US-Konsumenten nennen 43 Prozent derjenigen, die GenAI fürs Online-Shopping nutzen, die gezielte Suche nach Deals als typischen Anwendungsfall.

Vor diesem Hintergrund lohnt es sich für Händler, ihre Pricing-Strategien stärker unter dem Aspekt der KI-Sichtbarkeit zu betrachten – idealerweise ohne die Margen zu beschneiden. Dabei können Preise drei Funktionen einnehmen:

Zugangsschwelle: Nennt der Nutzer eine Obergrenze, werden Angebote darüber in der Regel nicht oder deutlich seltener angezeigt.
Passungsfaktor: Der Preis ist Teil der Suchabsicht. Je besser er zur Vorgabe passt, desto höher wird das Produkt typischerweise priorisiert.
Vergleichsanker: KI zeigt oft nur wenige Optionen. In diesem direkten Vergleich wirkt der Preis unmittelbarer, weil Markeninszenierung und Upselling weniger greifen.

Datengetriebene Preissteuerung gewinnt an Bedeutung
McKinsey beobachtet, dass Predictive Pricing im Agentic Commerce an Bedeutung gewinnt. KI-Agenten können Preise künftig in Echtzeit auf Basis von Wettbewerbsdaten, Nachfrage- bzw. Kundenintention und Lagerbestand adaptieren.

Entscheidend ist nicht ein automatisiertes Unterbieten „um jeden Preis“, sondern eine vorausschauende Preisbewertung. Im Mittelpunkt steht die Frage, welcher Preis unter den jeweiligen Nachfrage- und Wettbewerbssignalen die optimale Balance aus Sichtbarkeit, Relevanz und Profitabilität erzielt.

Gerade bei Sortimenten mit hoher Vergleichbarkeit, z. B. Fashion oder Haushaltselektronik, dürfte diese Fähigkeit zunehmend an Bedeutung gewinnen. Preisstrategien wirken damit nicht nur als Marketinginstrument, sondern zunehmend als struktureller Faktor für Auffindbarkeit und Priorisierung.

Strategische Fragestellungen für Händler
Für Händler ergeben sich daraus u. a. folgende Prüffragen:

Wie sehen meine Produkt- und Preisdaten aus? Können KI-Systeme diese eindeutig lesen und interpretieren?
Weiß ich, bei welchen Preisschwellen meine Produkte aus der Vorauswahl der KI-Assistenten fallen?
Habe ich die Fähigkeit, Preise vorausschauend statt nur reaktiv zu steuern?
Sind meine Produktdaten technisch so aufbereitet – etwa über strukturierte Feeds, Schema-Markup oder Merchant-Center-Anbindungen –, dass KI-Systeme sie zuverlässig crawlen und vergleichen können?

Denn beim Einkaufen mit der KI entscheidet nicht mehr allein die Inszenierung im Shop, sondern zunehmend der Preis, der zur Anfrage passt.

Podcast 1

Mehr Podcasts und Beiträge