Agentic Commerce

18 von 330 Shops verrieten dem Agenten, was er zahlen würde

Ein händlerseitiger Benchmark kommt zu dem Ergebnis, dass nur 18 von 330 nordamerikanischen Shops genug veröffentlichten, damit ein regelbasierter Scanner den Lieferpreis eines einzigen Artikels bestätigen konnte. Bei den meisten übrigen fehlten Umsatzsteuer oder Versand. Das Unternehmen der Autoren verkauft die Clearing-Schicht für Agenten, auf der das Paper aufbaut, und die Autoren sagen, der Piloten-Test validiere seine Messgrößen noch nicht.

A small robot shopper on a ladder holds a magnifying glass to an oversized price tag on a coat hanger; the tag shows a bold price followed by pencilled question marks for tax and shipping and a returns label reading 'exceptions apply', while a nautilus in reading glasses watches from a stack of shoe boxes.

Neritus Vale

Von 330 nordamerikanischen Shops veröffentlichten 18 auf ihren eigenen Seiten genug, damit ein regelbasierter Scanner bestätigen konnte, was ein Artikel geliefert kosten würde. Die Zahl stammt aus einem Pilotpapier, das am 12. Oktober bei arXiv eingereicht wurde, verfasst von fünf Forschern bei Evolutionairy AI in Toronto. Die Debatte über Agentic Commerce fragt, ob Agenten einkaufen können. Dieser Pilot weist auf eine zweite Grenze hin: auf das, was Shops überhaupt aufschreiben.

Der Benchmark bewertet den Händler statt des Agenten. Er legt die Anweisung des Käufers fest und stellt jedem Shop drei Fragen: Kommt ein Agent hinein, entscheiden die veröffentlichten Bedingungen über den Kauf, und ließe sich später beweisen, was vereinbart wurde? Die zentrale Messgröße, „Decision Sufficiency”, stuft jede Bedingung eines Mandats (Gesamtkosten, Rückgabebedingungen, Service- oder Liefertermin, exakte Variante) anhand der eigenen Seiten des Händlers als bestimmt, unbestimmt oder unbekannt ein.

Die Readiness-Tools, die Händlern angeboten werden, bewerten meist nur die erste Frage. Die Prüfprogramme von Cloudflare und Shopify bewerten Bot-Zugang, Markup und Protokollunterstützung. Der Zugang scheitert tatsächlich. Unter 555 Websites, die zwei Zahlungsdienstleister als Kunden nennen, konnte keines von zwei sich selbst ausweisenden Agentenprofilen bei 29,2 % der Einzelhandelsseiten die Startseite lesen. Das ist ein höherer Anteil als in jeder anderen Branche mit mindestens 20 Websites, abgesehen von Reisen. Warum, kann das Paper nicht sagen: Die Zählung schließt geografische Beschränkungen und Sperren ein, auf die jeder automatisierte Client stoßen würde.

Zugang und Entscheidung sind getrennte Eigenschaften, und wer die erste erfüllt, hat die zweite noch nicht. Drei von vier großen Händlern, die vollständig bewertet wurden, wiesen die angegebenen Profile auf ihren Angebotsseiten ab. Ein Browser, den ein KI-Assistent steuerte und bei dem ein Mensch jeden Schritt freigab, las alle drei trotzdem. Dennoch konnte er kein einziges Mandat als erfüllt bestätigen: Jeder Händler ließ entweder einen Gesamtpreis oder eine Erstattungsbedingung unbestimmt.

Im Lauf mit 330 Shops urteilten feste Regeln; kein Agent kaufte ein. Die Händler, fast alle Einzelhändler mit Verkauf in den USA und Kanada, standen vor einem einzigen Mandat: ein Artikel, geliefert an die Postleitzahl 10001 innerhalb von zehn Tagen, zu höchstens dem angezeigten Preis plus einem Viertel, mit Rückgabe innerhalb von 14 Tagen. Nur 115 hatten genug entschiedene Belege, um überhaupt gerankt zu werden. Die Abdeckung entschied also stärker als die Punktzahl darüber, wer überhaupt bewertet wurde. Bei den gerankten Händlern erreichten vier von fünf Säulen nahezu die volle Punktzahl, während die Säule für Kosten, Lieferung und Rückgabe im Schnitt bei 62 bis 64 lag.

Das Defizit ging meist auf eine einzige Prüfung zurück, den Gesamtpreis inklusive aller Kosten. Er ließ sich bei 178 Händlern nicht klären, und zwar mit dem schlichten HTTP-Client, dem Profil hinter allen hier genannten Zahlen. Den größten Schaden richtete die Steuer an: Bei 137 Shops stand sie nicht auf der Angebots- oder Richtlinienseite, stand dort ohne Satz oder wurde auf den Checkout verschoben. Ein Headless-Browser schnitt kaum besser ab.

Bei diesen Shops kann ein Agent auf Verdacht kaufen oder die Entscheidung zurückgeben. Beides ist nicht das, wofür man delegiert hat.

Auch im Moment der Entscheidung würde nichts außer der eigenen Aufzeichnung des Agenten zeigen, was ihm angezeigt wurde. Die Bewertungen endeten vor dem Checkout, daher floss kein signierter Sitzungs- oder Zahlungsabwicklerbeleg in die Evidenz ein. Die Autoren stufen Evidenz mit RAILS (Real-Time Agent Integrity & Ledger Settlement) ein, einem Clearing-Protokoll, das zwei von ihnen im Juni veröffentlicht haben. Es reiht Evidenz von der eigenen Aufzeichnung des Agenten, genannt SELF, bis zum kryptografischen Beweis und untersagt eine Abwicklung mit Geldfluss auf Basis von Evidenz unterhalb der Mindeststufe der Verpflichtung. In allen vier vollständigen Bewertungen beruhte jede bestimmte Bedingung auf SELF.

Dieser Befund weist auf die Schicht, die die Autoren verkaufen. Alle fünf arbeiten bei Evolutionairy AI, das RAILS vermarktet als „die unabhängige Clearingstelle für Agentic Commerce” und, so legt es das Paper offen, „ein kommerzielles Interesse an der Bewertung von Händlern hat”. Ein Partner, der einen Shopping-Agenten für Verbraucher betreibt, lieferte 240 der Shops, davon 227 aus einem einzigen Katalog auf einer einzigen gehosteten Commerce-Plattform, und finanzierte, prüfte oder lenkte die Arbeit nicht. Plattform-Voreinstellungen könnten einen Teil des Steuermusters erklären.

Der stärkste Einwand lautet, der fehlende Gesamtpreis sei ein amerikanisches Phänomen und komme schlicht später: US-Händler berechnen die Umsatzsteuer üblicherweise erst im Checkout aus der Lieferadresse, auch für menschliche Käufer. Die Bewertung verwendete keinen veröffentlichten Steuersatz, eine Frage, die die Autoren offenlassen. In der EU muss Verbrauchern schon heute „der Gesamtpreis einschließlich aller Steuern und zusätzlichen Gebühren” genannt werden. Wenn Steuertabellen und Checkout liefern können, was die Angebotsseite weglässt, fällt die These.

Der Einwand verkleinert die Zahl, kehrt sie aber nicht um. Der Versand ist ein eigenes Versagen, und 41 Shops gaben ihn nicht an. Einen Gesamtpreis zu lesen, der nur im Checkout steht, hieße, bei jedem verglichenen Shop einen Kauf zu beginnen. Und ein bewerteter Händler hielt seinen Gesamtpreis hinter einem Bestellablauf, den seine robots.txt untersagt. In Europa ist die Angabe des Gesamtpreises Pflicht. Und über die Lücken in ihren vollständigen Bewertungen sagen die Autoren, „keine erfordert ein neues Protokoll zur Behebung”.

Modehändler sollten den Pilot wegen seines Mechanismus lesen; Mode hat er kaum gemessen. Die vollständigen Bewertungen betrafen eine Fluggesellschaft, ein Resort, ein Hotel und ein Hardware-Abonnement, und die Erhebung schlüsselte den Einzelhandel nie auf. Die größten Kategorien im Lauf mit 330 Shops waren Haus und Möbel, Sport und Outdoor, Spielzeug, Elektronik sowie Beauty und Gesundheit. Bekleidung, falls überhaupt vorhanden, steckt in den 59 Händlern kleinerer Kategorien, und das Mandat nannte weder Größe noch Farbe.

Übertragbar ist der Rückgabetest. Er bewertet, wie klar eine Richtlinie formuliert ist, nicht, wie großzügig sie ist. Ein schlichtes „keine Rückerstattung” besteht, denn ein klares Nein entscheidet trotzdem; das „Rückgabe innerhalb von 30 Tagen, Ausnahmen möglich” aus dem Paper besteht nicht. Wo die Regeln widersprüchliche Bedingungen meldeten, stimmte ein KI-Prüfer nur in 28 % der Fälle zu, meist weil eine gestaffelte Klausel als zweite Richtlinie gelesen worden war. Ein kürzeres Rückgabefenster für reduzierte Ware wäre ein Beispiel.

Die Autoren sagen klar, dass der Pilot seine Messgrößen „nicht validiert” und keine Händler rankt und dass seine Gewichte nicht angepasst sind. Jede vollständige Bewertung beruht auf einer einzigen Beobachtung, beurteilt von einem einzigen Rater, einem KI-Assistenten, der auch an der Rubrik mitgeschrieben hat. Die Erhebung las nur Startseiten, an einem Tag, von einem Standort in Ontario aus; der Shop-Scan lief ebenfalls von Ontario aus, und 30 seiner Händler zeigten Preise in kanadischen Dollar oder Pfund. Feste Regeln legen jeden Status fest, aber ein KI-Audit stimmte ihnen nur bei 57 % der Fehlschläge zu, meist weil die Regeln Bedingungen zu niedrig bewerteten, die auf der Seite stehen. Das Paper hat diese Korrekturen nicht angewandt, daher könnte 18 zu niedrig sein. Nichts zeigt bisher, dass eine unbestimmte Bedingung Streitfälle oder Verluste verursacht; dafür braucht es Transaktionsdaten, die nur Zahlungsdienstleister und Händler besitzen.

Wenn das Muster für Bekleidung gilt, entscheidet die Seite des Händlers darüber, welche Käufe ein Agent ohne Raten tätigen kann. Ein Shop, der den Lieferpreis ausweist und seine Rückgabeausnahmen benennt, könnte auf Basis von Belegen gewählt werden. Jeder andere Shop würde den Agenten zwingen, auf Verdacht zu kaufen oder die Entscheidung zurückzugeben, und simulierte Agenten brechen selten ab. Händler können darauf warten, dass ein Protokoll ihre Bedingungen transportiert, oder sie auf die Seite schreiben, die der Agent ohnehin liest.