Elf LLM-Agenten bekamen ein Einkaufs-Briefing, eine Budgetspanne und einen Ordner voller Coupons vorgesetzt; der stärkste schloss 61,2% der Aufgaben ab. ComboShoppingBench, am 10. August von Forschern bei JD.com veröffentlicht, bewertet Agenten anhand der zwei Dinge, die im Bekleidungshandel zusammen verkauft werden: eine Reihe von Artikeln und die daran hängende Promotion. Die Agenten konnten die Ware finden. Am Angebot scheiterten sie.

Die Umgebung ist groß, und die Aufgaben sind kein Mode-Setting. 4.306.132 Commerce-SKUs, 5.171 Lieferstandorte und 1.711 Coupons tragen 291 Aufgaben aus den Bereichen Geräte-Einrichtung, Essenszubereitung, Eventplanung und gemeinsame Take-away-Bestellungen. Was sich auf Bekleidung übertragen lässt, ist die Struktur, nicht die Ware: Artikel, die zusammenpassen müssen, bepreist gegen Rabatte, die nicht alle gleichzeitig gelten. Das Budget hat sowohl eine Unter- als auch eine Obergrenze – nichts anderes war eine Mindestbestellwert-Schwelle je. Das ist ein Outfit und eine Promotion, festgelegt von Leuten, die noch nie einen Mantel verkauft haben.

Die Rabattmechanik dürfte vertraut vorkommen. Ein fester Betrag ab einer bestimmten Schwelle, ein Prozentsatz mit Obergrenze, jeweils begrenzt auf eine Kategorie und gesteuert durch Ausschlussgruppen, die festlegen, was mit was kombiniert werden darf. Wer schon einmal “nicht mit anderen Angeboten kombinierbar” geschrieben hat, hat eines davon selbst gebaut.

Die Bewertung teilt die Arbeit auf: deterministischer Code prüft das Geld, Modell-Richter beurteilen die Bedeutung. Jede Prüfung für sich betrachtet wirkt nahezu gelöst. Der Spitzenreiter hielt seine Coupons in 96,6% der Fälle regelkonform und blieb in 86,3% der Fälle im Budget. Der Gesamterfolg verlangt, dass jede Prüfung im selben Warenkorb besteht – so werden aus Werten im hohen Neunziger-Bereich 61,2. Ein Warenkorb ist eine Konjunktion, und Konjunktionen mitteln sich nicht heraus.

Die Studie beziffert diesen Verstärkungseffekt. Mit steigenden Anforderungen an das Briefing wächst die Fehlerquote bei jedem einzelnen Kriterium nur von etwa 4,8% auf 6,6%, während der Anteil der Aufgaben, die alle Kriterien erfüllen, davonschmilzt. Beziehungen zwischen Artikeln scheitern häufiger als jede andere Kategorie. Jede zusätzliche Anforderung ist billig in ein Briefing zu schreiben und teuer innerhalb eines einzigen zu erfüllen.

Das Coupon-Problem ist enger gefasst, als der Begriff “Rabattstapelung” nahelegt. Agenten übersehen selten einen Coupon, der sich stapeln lässt; die Lücke öffnet sich bei Coupons, die sich gegenseitig ausschließen, wo die richtige Wahl von einem Warenkorb abhängt, den der Agent noch nicht fertig zusammengestellt hat. Die Coupon-Optimalität reicht von 15,5% am unteren Ende des Feldes bis 94,2% an der Spitze. Das ist keine Fähigkeit, die der Markt bereits kommodifiziert hat.

Einen Rabatt hinzuzufügen ist Arithmetik; einen abzulehnen ist Urteilsvermögen.

Die Schienen selbst haben dieselbe Lücke gelassen. OpenAIs Agentic Checkout Spec erlaubt es einem Händler, einen Rabatt auf eine Position und eine Rabattzeile in den Summen zurückzugeben. Der Käuferseite gibt sie kein Feld, um einen anzuwenden; ein Agent kann eine Produkt-ID und eine Menge senden. Das ist ein Verkaufsautomat mit besseren Manieren.

Das leichte Ende wurde bereits öffentlich erprobt. Instant Checkout startete im September 2025 mit Einzelartikel-Käufen bei Etsy-Verkäufern, ohne Mehrartikel-Warenkörbe und ohne Promo-Codes. Bis März bezifferte Forbes die Zahl der aktiven Shopify-Händler unter Berufung auf Shopify-Präsident Harley Finkelstein auf etwa ein Dutzend, und OpenAI hatte den Kaufprozess wieder an Drittanbieter-Apps ausgelagert. Forbes führt den Rückzug auf Ablenkung an anderer Stelle zurück – eine Hardware-Wette, ein Werbegeschäft, verlorenes Terrain gegenüber Konkurrenz-Chatbots –, nicht auf ein Versagen des Checkouts selbst. Was es aber bestätigt, ist der Umfang: Neun Monate hinein waren die Schienen jeweils nur für einen Artikel ausgeliefert worden, kein Warenkorb, kein Promo-Code. Die schwierigere Transaktion wurde nie gebaut, geschweige denn getestet.

Die gängige Erklärung für all das lautet: Daten. Bereinigt man den Feed, füllt man die Attribute, wird der Agent performen; ein Kollege macht an anderer Stelle heute eine sorgfältige Version dieses Arguments. ComboShoppingBench weist woandershin. Seinen Agenten fehlte es nicht an Produktinformationen; ihnen fehlte eine Möglichkeit, über das daran hängende Angebot nachzudenken.

Damit bleibt für die Bekleidungsbranche eine Frage zu ihrem eigenen Promotionskalender. Ausschlussregeln und Schwellen, die einen Warenkorb nach oben drücken, wurden so geschrieben, dass sie genau dort liegen, wo ein Kunde aufhört zu optimieren. Das ist kein Zufall der Komplexität – dort sitzt die Marge. Von Händlern wird nun verlangt, diese Maschinerie für etwas lesbar zu machen, das sich nie langweilt.