Treatonomics ist kein allgemeiner Anstieg der Konsumausgaben. Es handelt sich um einen verhaltenspsychologisch eigenständigen Kaufmodus — episodisch, emotional ausgelöst und resistent gegenüber jenen Preissensibilitätssignalen, auf deren Erkennung KI-Empfehlungssysteme ausgelegt sind. Die Fehlklassifizierung erfolgt systematisch: Ein Verbraucher im Treat-Kaufmodus verhält sich bis zum Moment des Kaufs wie ein Schnäppchenjäger — und dann hat der Algorithmus bereits das falsche Produkt ausgespielt.

Kantars Marketing Trends Report 2026 definiert Treatonomics als „den Lippenstifteffekt auf Steroiden” — nicht als erschwinglichen Ersatz, sondern als emotionale Selbstbelohnung. 36 Prozent der Verbraucher sind laut Kantars Global MONITOR-Daten bereit, für Dinge, die ihnen Freude bereiten, kurzfristige Schulden einzugehen. Der Kauf ist eine Reaktion auf Stress, kein Ausdruck der Kaufkraft. Genau diese Unterscheidung kann herkömmliche Empfehlungslogik nicht erkennen.

Die Unterscheidung zwischen Treatonomics und dem Lippenstifteffekt ist für die Architektur von Empfehlungssystemen entscheidend. Der Lippenstifteffekt ist substitutiv: Wenn Luxus unerschwinglich ist, greifen Verbraucher auf erschwingliche Alternativen zurück. Treatonomics ist relational: Der Verbraucher kauft eine Belohnung dafür, dass er etwas Schwieriges durchgehalten hat. Die Kategorienwahl trägt emotionales Gewicht, das dem Algorithmus vollständig verborgen bleibt. Liu Haihua, Forscher am Forschungszentrum für Persönlichkeits- und Sozialpsychologie der Universität Peking, zitiert von der Global Times, trennte beide Konzepte explizit: „Der Lippenstifteffekt entstand aus dem Wunsch nach Trost, wenn man sich große Anschaffungen nicht leisten konnte. Treatonomics hingegen entspringt dem Mitgefühl mit sich selbst.” Selbstmitgefühl ist keine Budgetbeschränkung. Es ist eine Bereitschaftsüberschreibung — und Bereitschaftsüberschreibungen sind die wertvollsten Ereignisse in einem Kauftrichter.

Der Klassifizierungsfehler entsteht auf Session-Ebene, in der Browsing-Phase vor dem Kauf. Ein Verbraucher im Treatonomics-Modus beginnt häufig mit Verhalten, das nach Schnäppchenjagd aussieht: Preisvergleiche, Salefilter, Kosten-pro-Einheit-Berechnungen. Das ist das Rechtfertigungsritual — die innere Verhandlung, die einem Impulskauf in einer angespannten Wirtschaftslage vorausgeht. Kollaboratives Filtern liest dieses vergleichende Browsing als Preissensibilität und passt seine Ausgaben entsprechend an. Das Empfehlungssystem spielt einen Rabatt aus, eine günstigere Alternative, ein „Kunden haben auch gesehen” zu einem niedrigeren Preispunkt. Der Verbraucher suchte keine billigere Version. Das Premium-Produkt war das Ziel. Der Algorithmus hat die Absicht invertiert.

Das Sichtbarkeitsproblem, vor dem Kantar warnt, und das Klassifizierungsproblem verstärken sich gegenseitig. Wie von FashionUnited berichtet, werden Marken ohne ausreichende KI-Dateninfrastruktur schlicht nicht mehr in den vorgeschlagenen Optionen erscheinen. Kantars Bia Bezamat argumentiert, dass CMOs sich fragen müssen, „ob ihre Marken die Verbraucher dort abholen, wo sie sich befinden, indem sie Freude im Alltag schaffen”. Drei Viertel der KI-Assistenten-Nutzer holen sich inzwischen regelmäßig KI-gestützte Empfehlungen, so Kantar laut FashionUnited. Eine Marke kann im Algorithmus sichtbar sein und trotzdem im falschen Kontext ausgespielt werden — als Rabattoption während einer Treat-Kaufsession, obwohl der Verbraucher eigentlich eine Premiumakquisition im Sinn hatte. Der Traffic kommt, aber die Konversionslogik ist kaputt.

Eine störende Variable zieht sich durch all das: Das Verbrauchervertrauen in Produktversprechen ist unter dem Gewicht seiner eigenen Skepsis zusammengebrochen. Sammelklagen wegen Nährwert- und Gesundheitsversprechen stiegen zwischen 2023 und 2024 um mehr als 58 Prozent, laut Daten der Anwaltskanzlei Perkins Coie, zitiert von Modern Retail. Der Verbraucher, der die Angaben von David Protein Bars auf dem Etikett bereits Monate vor einer Klage auf Reddit durchrechnete, operiert im selben Modus erhöhter Wachsamkeit wie der Treatonomics-Käufer. Wenn jemand kommt, um sich selbst zu belohnen, bereits darauf geprägt, Versprechen zu prüfen und institutionellen Empfehlungen zu misstrauen, verpasst ein Rabattausspiel-System nicht nur die Konversion. Es bestätigt, dass das System grundlegend missversteht, warum dieser Mensch überhaupt gekommen ist.

Das Gegenargument — KI-Systeme lernten das Nutzerverhalten mit der Zeit und würden sich schließlich auf Treatonomics-Sessions einstellen — scheitert an der episodischen Natur des Musters. Treatonomics-Ereignisse erzeugen kein stabiles Verhaltensprofil, auf das Empfehlungssysteme konvergieren könnten. Jede Session beginnt mit demselben Rechtfertigungsbrowsing, das nach Value-Seeking aussieht, und bricht im Entscheidungsmoment davon ab. Das Trainingssignal ist strukturell mehrdeutig: Das System sieht ein Profil, das „Premium will, sich aber sparsam verhält”, und hat dafür keine Kategorie. Wenn Treatonomics mit identifizierbaren kontextuellen Auslösern korreliert — dem Zeitpunkt nach einem Rückschlag, dem Moment des kleinen Sieges, was Kantar als „Inchstones” anstelle traditioneller Meilensteine bezeichnet — dann sind diese Auslöser modellierbar. Nicht als Preissensibilität. Als emotionale Zustandsindikatoren, die vorhersagen, dass die Session den Preiswiderstand überschreiben wird. Die Frage der Datenarchitektur ist, ob Empfehlungssysteme dafür ausgelegt sind, danach zu suchen. Die meisten derzeit nicht.