Der Preis, den nur Ihr Agent gesehen hat Der Preis, den nur Ihr Agent gesehen hat

Szenario: 86,40 Euro

Szenario, keine Prognose: Es ist Donnerstag, 7.18 Uhr, im Jahr 2030. Auf dem Küchentisch liegt ein Telefon, das nicht mehr um Aufmerksamkeit bittet. Der Einkauf ist fast erledigt.

Der persönliche Einkaufsagent hat nach Laufschuhen gesucht: Größe 43, für Asphalt, Lieferung bis Samstag. Drei Händler wurden geprüft, zwei ausgeschlossen, ein Gegenangebot angenommen. Preis: 86,40 Euro. Daneben leuchtet ein grüner Punkt. Innerhalb Ihres Preisrahmens.

Die Person am Tisch öffnet das Protokoll. Der Agent nennt Dämpfung, Lieferzeit und Rückgabefrist. Er erklärt, warum dieses Modell zur bisherigen Laufhistorie passt. Der Händler erfüllt die gewünschten Versandbedingungen. Der Preis liegt deutlich unter der festgelegten Obergrenze.

Alles wirkt vernünftig. Nur eine Frage lässt sich aus dem Protokoll nicht beantworten: War 86,40 Euro ein guter Preis – oder lediglich der beste Preis, den dieser Agent in diesem Gespräch erhalten hat?

Früher hätte man das Misstrauen wenigstens in Arbeit übersetzen können. Einen anderen Browser öffnen. Ein Vergleichsportal prüfen. Einen Link verschicken. Vielleicht mit einem zweiten Gerät nachsehen. Der Vergleich war nie vollkommen, aber öffentlich genug, um wiederholt zu werden.

In diesem Szenario hat niemand sonst die 86,40 Euro gesehen. Der Händleragent hat keine Preistafel gezeigt, sondern auf ein Mandat reagiert. Der Käuferagent hat nicht nur gesucht, sondern verhandelt. Der Mensch sieht am Ende eine Entscheidungsspur, aber kein Marktbild.

Darin liegt die eigentliche Bruchstelle des Agentic Commerce. Ein KI-Einkaufsagent kann einen privaten Preis erzeugen, prüfen oder akzeptieren. Doch gerade weil er die Arbeit des Vergleichens übernimmt, kann für seinen Nutzer unsichtbar werden, womit überhaupt verglichen wurde.

Noch verhandeln Einkaufsagenten nicht flächendeckend

Zurück in die Gegenwart, zum 16. September 2026. Es gibt keinen belastbaren Beleg dafür, dass autonome Käufer- und Verkäuferagenten im Massenmarkt bereits flächendeckend individuelle Preise miteinander aushandeln. Belegt ist ein engerer, aber folgenreicher Übergang: Systeme werden darauf vorbereitet, dass Agenten nicht nur Produkte empfehlen, sondern Teile des Kaufs und der Zahlung ausführen.

OpenAI führte am 29. September 2025 Instant Checkout zunächst für Einzelkäufe bei US-amerikanischen Etsy-Händlern ein. Nutzer mussten die Bestellung bestätigen; Händler blieben für Zahlung, Erfüllung und Kundenbeziehung zuständig. Am 24. März 2026 setzte das Unternehmen einen anderen Akzent. Weil die erste Checkout-Version Händlern nach eigener Darstellung nicht genügend Flexibilität bot, konzentrierte sich OpenAI stärker auf Produktentdeckung und händlereigene Checkout-Erlebnisse. OpenAI über Instant Checkout ↗ OpenAI über Product Discovery in ChatGPT ↗

Auch die Zahlungsinfrastruktur bewegt sich. Visa stellte am 8. April 2026 Intelligent Commerce Connect als Pilot mit ausgewählten Partnern vor. Die Lösung soll unter anderem Zahlungseinleitung, Tokenisierung, Ausgabenregeln und Authentifizierung für agentisch angestoßene Transaktionen unterstützen. Visa zur Pilotphase von Intelligent Commerce Connect ↗

Das beweist Zahlungswege, Protokolle und Produktangebote. Es beweist noch keine breite private Preisverhandlung. Trotzdem verändert sich der Horizont der Frage. Ein System, das Produkte findet, Bedingungen vergleicht und Zahlungen vorbereitet, steht technisch bereits nahe genug am Abschluss, um künftig auch ein individuelles Angebot entgegenzunehmen.

Der Übergang zum Agentic Commerce beginnt deshalb nicht erst in dem Moment, in dem eine Maschine autonom kauft. Er beginnt dort, wo Suche, Vergleich und Transaktion in einem Gespräch zusammenfallen, das der Nutzer nur noch als Zusammenfassung sieht.

Der verlorene Beleg ist nicht der Preis, sondern der Markt

Der Onlinehandel hatte nie den einen vollkommen öffentlichen Preis. Nachfrage, Bestand und Auslastung verändern Angebote. Regionen, Kundenprogramme, Rabattcodes und Marktplatzbedingungen tun es ebenfalls. Trotzdem blieb meist ein Rest gemeinsamer Oberfläche. Ein Preis ließ sich verlinken. Eine Suche ließ sich wiederholen. Ein Screenshot konnte zumindest zeigen, was zu einem bestimmten Zeitpunkt sichtbar war.

Ein privater Agentenpreis stellt nicht nur die Höhe des Preises infrage, sondern seine Wiederholbarkeit. Wenn das Angebot als Antwort auf ein bestimmtes Profil, Mandat oder Verhalten entsteht, führt eine zweite Suche womöglich nicht mehr in denselben Markt.

Hier lohnt die Unterscheidung zwischen dynamischen und personalisierten Preisen. Ein dynamischer Preis reagiert etwa auf Bestand, Nachfrage oder Zeitpunkt. Ein personalisierter Preis berücksichtigt Merkmale, Daten oder abgeleitete Eigenschaften einer Person beziehungsweise einer Gruppe. Beide Verfahren können zusammenwirken. Für den Käufer ist dann kaum noch erkennbar, ob ein Preis wegen Knappheit, Wettbewerb, Kundenstatus oder vermuteter Zahlungsbereitschaft zustande kam.

Ein Einkaufsagent kann diese Lage verbessern. Er kann historische Preise speichern, Produkte normalisieren, Versandkosten einrechnen und mehrere Quellen schneller prüfen als ein Mensch. Aber auch er kann nur bewerten, was er sehen darf. Die Aussage „bester Preis“ bleibt deshalb unvollständig, solange das geprüfte Feld unsichtbar bleibt.

Hat der Agent zehn öffentlich zugängliche Angebote verglichen? Hat er drei Händler um individuelle Konditionen gebeten? War ein günstigeres Produkt nicht lieferbar? Wurde ein Angebot ausgeschlossen, weil die Rückgabe schlecht war? Oder hat ein Händler schlicht erkannt, dass der Käufer unter Zeitdruck steht?

Der akzeptierte Betrag beantwortet keine dieser Fragen. Ein guter Preis ist keine Eigenschaft einer Zahl. Er ist ein Verhältnis zu Alternativen.

Die Entlastung macht den blinden Fleck attraktiv

Wer Einkaufsagenten nur als neues Manipulationsrisiko beschreibt, verfehlt ihren Nutzen. Viele Menschen möchten den Kauf einer Druckerpatrone, eines Ersatzakkus oder einer Zugverbindung nicht in ein Rechercheprojekt verwandeln. Auch Unternehmen haben wenig Interesse daran, wiederkehrende Beschaffung jedes Mal von vorn zu prüfen.

Eine 2025 durchgeführte Visa-Befragung erfasste 3.700 Erwachsene zwischen 18 und 65 Jahren in den USA, Australien und Neuseeland. Alle Befragten kauften mindestens monatlich online ein und besaßen eine Debit- oder Kreditkarte. Etwa ein Drittel erwartete, KI-Shopping-Assistenten regelmäßig zu nutzen. Rund zwei Drittel nutzten oder würden sie nutzen, um Zeit zu sparen und bessere Preise zu finden. Nahezu neun von zehn wollten zugleich nachvollziehen können, wie ein Agent seine Entscheidungen trifft. Visa-Studie zu Vertrauen in Agentic Commerce ↗

Die Zahlen messen Erwartungen in einer von einem Zahlungsanbieter veröffentlichten Onlinebefragung, keine langfristige Nutzung unter realen Marktbedingungen. Aussagekräftig ist dennoch die Spannung zwischen den Antworten. Menschen wollen nicht trotz der Delegation Transparenz, sondern gerade ihretwegen. Je mehr Arbeit ein Agent übernimmt, desto weniger können sie seine Leistung durch eigenes Beobachten beurteilen.

Ein Agent, der zehn Preise nebeneinanderlegt, bleibt ein Werkzeug des Vergleichs. Ein Agent, der einen privaten Preis akzeptiert, wird zum Stellvertreter in einer Verhandlung. Sein Nutzer muss dann nicht nur dem Produkturteil vertrauen. Er muss darauf vertrauen, dass der Agent den Markt gesehen hat, den er zu sehen behauptet.

Surveillance Pricing beginnt vor der Zahl

Wie weit die Personalisierung schon heute reichen kann, zeigt die laufende Untersuchung der US-amerikanischen Federal Trade Commission. Eine im Januar 2025 veröffentlichte Staff Perspective fasst ausdrücklich nur erste Beobachtungen zusammen. Sie ist keine vollständige Marktvermessung und keine Feststellung rechtswidrigen Verhaltens.

Nach der bis dahin ausgewerteten Dokumentation arbeiteten die untersuchten Pricing-Intermediäre zusammen mit mindestens 250 Kunden. Darunter befanden sich Händler aus Bereichen wie Lebensmittel, Bekleidung, Kosmetik, Haushaltswaren und Baumarkt sowie Unternehmen aus Finanzdienstleistungen, Reise, Mietwagen und Sportwetten. FTC Staff Perspective zur Surveillance-Pricing-Studie ↗

Die Untersuchung betrachtet nicht nur den Betrag an der Kasse. Systeme können auch beeinflussen, welche Produkte sichtbar werden, wie sie sortiert sind und wem ein Rabatt oder eine bestimmte Auswahl gezeigt wird. Als mögliche Datenquellen nennt die FTC unter anderem Standort, IP-Adresse, Gerät, Browser, Spracheinstellungen, frühere Käufe und Warenkorbverhalten. Selbst Mikrointeraktionen wie Scrolltiefe, Mausbewegungen oder angesehene Videoanteile können erfasst werden.

Damit kann die algorithmische Preisbildung einsetzen, bevor eine Zahl erscheint. Ein günstigeres Angebot muss nicht teurer werden, um aus dem Vergleich zu verschwinden. Es genügt, wenn es anders sortiert, nicht angeboten oder von einem individuellen Rabatt überlagert wird.

Ein Einkaufsagent ist diesem System nicht zwangsläufig ausgeliefert. Er könnte Quellen wechseln, Preise historisch einordnen und Angebote unter verschiedenen Bedingungen prüfen. Zugleich bringt er neue Signale mit. Seine Frist, sein Komfortgewicht, seine bevorzugte Lieferzeit und seine Abbruchregeln beschreiben die Kaufsituation möglicherweise genauer als ein gewöhnlicher Klickverlauf.

Wenn der Händleragent daraus schließen kann, dass ein Käufer wenig Zeit hat oder kaum wechseln wird, wird das Mandat des Einkaufsagenten selbst zu einer wirtschaftlich verwertbaren Information.

Wenn Mandate auf Mandate treffen

Ein theoretischer Preprint vom 16. Juli 2026 untersucht einen Markt, in dem Käufer und Verkäufer Entscheidungen an Agenten delegieren. Diese Agenten erhalten unterschiedliche Wertsignale und führen maschinell festgelegte Mandate aus. Die Arbeit trennt unter anderem Nachweise über ein Signal von Nachweisen über die ausgeführte Regel. Ein hohes Verkäufersignal kann einen hohen Preis plausibilisieren; ein belegbar begrenztes Mandat kann zeigen, dass ein Agent keine darüber hinausgehende Abschöpfung vornehmen durfte. Der Autor betont zugleich: Verifikation schafft nur dann Vertrauen, wenn sie genau die umstrittene Behauptung abdeckt. Preprint über Pricing Agents und Buying Agents ↗

Das ist ein Modell, kein beobachteter Massenmarkt. Es macht jedoch einen Konflikt sichtbar, der auch ohne Regelbruch entstehen kann. Käufer- und Verkäuferagent können ihre jeweiligen Vorgaben korrekt ausführen. Der Preis kann dennoch fragwürdig wirken, weil er nicht nur das Produkt, sondern die Situation des Käufers bewertet.

Frei konstruiertes Beispiel: Ein Produktionsunternehmen erlaubt seinem Beschaffungsagenten, ein Ersatzteil bis 900 Euro ohne weitere Freigabe zu bestellen, wenn ein Maschinenausfall droht. Der Agent fragt drei Lieferantensysteme an. Ein Anbieter erkennt aus Artikelnummer, Uhrzeit, Expressanforderung und bisherigen Bestellungen, dass der Kauf wahrscheinlich nicht abgebrochen wird. Sein Angebot lautet 884 Euro.

Der Beschaffungsagent akzeptiert. Die Lieferung ist schnell genug, der Anbieter freigegeben, der Betrag liegt unter der Grenze. Niemand muss eine Regel verletzt haben. Doch die interne Grenze, die Kontrolle schaffen sollte, ist faktisch zum Marktsignal geworden.

Ein nachträgliches Protokoll, das nur „884 Euro akzeptiert“ vermerkt, kann diesen Vorgang nicht bewerten. Dafür müsste sichtbar sein, welche Alternativen vorlagen, welche Informationen übertragen wurden und ob die Gegenseite aus dem Mandat eine Zahlungsbereitschaft ableiten konnte. Der Agent braucht nicht nur einen Nachweis seiner Handlung. Er braucht einen Nachweis der Vergleichsbasis.

Personalisierung kann auch Wettbewerb erzeugen

Nicht jeder personalisierte Preis ist Ausbeutung. Ein Käuferagent kann Informationen auch zugunsten seines Nutzers einsetzen. Er kann Wechselbereitschaft belegen, verschiedene Bündel aufbrechen, Lieferzeit gegen Rabatt tauschen oder Anbieter in einen direkteren Wettbewerb zwingen.

Andrew Rhodes und Jidong Zhou zeigen in einem 2024 in der American Economic Review veröffentlichten Oligopolmodell, dass die Wirkung personalisierter Preise von der Marktabdeckung abhängt. Bei hoher Abdeckung – etwa durch niedrige Produktionskosten oder viele Anbieter – können personalisierte Preise Unternehmen schaden und Verbrauchern nutzen. Bei niedriger Marktabdeckung kann der Effekt umgekehrt sein. Verfügen nur einige Anbieter über Personalisierungsdaten, können Verbraucher sogar schlechter gestellt sein als in einem Markt, in dem entweder alle oder niemand personalisiert. American Economic Review über personalisierte Preise und Wettbewerb ↗

Die Gegenposition ist deshalb mehr als eine Pflichtübung. Gerade im B2B-Einkauf gibt es häufig keinen öffentlich identischen Preis. Leistungen, Laufzeiten, Mengen, Risiken und Servicebedingungen werden ohnehin verhandelt. Ein guter Preisagent könnte hier mehr Vergleichbarkeit schaffen, nicht weniger – sofern er unterschiedliche Angebote auf eine belastbare Grundlage zurückführt.

Die entscheidende Grenze verläuft nicht schlicht zwischen einheitlichem und personalisiertem Preis. Sie verläuft zwischen einer Personalisierung, deren Bedingungen prüfbar bleiben, und einem Angebot, das nur deshalb plausibel wirkt, weil niemand seine Alternativen rekonstruieren kann.

Auch die regulatorische Diskussion bewegt sich in diese Richtung. Die FTC veröffentlichte am 19. August 2026 den Entwurf einer Enforcement Policy Statement. Wo Verbraucher vernünftigerweise keine Personalisierung erwarten, sollen Unternehmen demnach klar offenlegen, dass ein Preis personalisiert ist, worauf die Personalisierung beruht und welche Datentypen verwendet werden. Die FTC hält zugleich fest, dass sie personalisierte Preise nicht unter allen Umständen verbieten kann. FTC-Entwurf zu personalisierten Preisen ↗

Am 16. September 2026 ist dies weiterhin ein Vorschlag, keine endgültige Regel oder Policy. Die Frist für öffentliche Stellungnahmen wurde bis zum 25. September 2026 verlängert. FTC zur verlängerten Kommentierungsfrist ↗

Vergleichbarkeit braucht einen neuen Beleg

Wenn Agenten künftig häufiger einkaufen, genügt es nicht, ihre letzten Schritte zu protokollieren. Die Behauptung, ein gutes oder sogar das beste Angebot gefunden zu haben, benötigt einen prüfbaren Gegenstand.

Dazu gehört zunächst das betrachtete Feld. Ein Agent muss unterscheiden können, ob er öffentliche Listenpreise, eingeloggte Kundenangebote oder eigens ausgehandelte Konditionen verglichen hat. Diese Preise dürfen nicht als gleichartige Beobachtungen erscheinen, wenn sie unter verschiedenen Datenbedingungen entstanden sind.

Ebenso wichtig ist die Datenrichtung. Nicht nur das Angebot enthält Informationen. Auch die Anfrage kann den Preis verändern. Eine Budgetobergrenze, eine dringende Lieferfrist oder geringe Wechselbereitschaft sind keine neutralen Produktmerkmale. Sie können der Gegenseite verraten, wie weit sie gehen kann.

Schließlich braucht der private Preis eine unabhängige Referenz. Das kann eine Preisgeschichte, ein anonymisierter Vergleich, ein öffentlicher Listenpreis oder eine zweite Anfrage unter anderen Bedingungen sein. Die Referenz muss nicht beweisen, dass kein günstigeres Angebot existierte. Sie muss zeigen, warum der akzeptierte Preis innerhalb eines benannten Vergleichsfelds vertretbar war.

Für Marken und Händler verändert das auch die Bedeutung von Sichtbarkeit. Wenn ein Agent Produktdaten liest, Alternativen vergleicht und den Abschluss vorbereitet, wird Content Teil einer maschinellen Entscheidungskette. Widersprüchliche Spezifikationen, veraltete Lieferangaben oder unklare Bedingungen sind dann nicht nur redaktionelle Mängel. Sie können dazu führen, dass ein Angebot ausgeschlossen oder falsch eingeordnet wird.

Der Beitrag Die Antwort ist nicht zu verkaufen trennt organische Antworten von bezahlter Platzierung. Beim agentischen Einkauf setzt sich diese Frage hinter der sichtbaren Antwort fort: Auch ein Angebot darf seine wirtschaftliche Herkunft nicht hinter einer neutral wirkenden Empfehlung verbergen. Und wie Marketingkanäle 2026: Warum Ranglisten zu kurz greifen zeigt, wird der gesamte Entscheidungsweg wichtiger als die einzelne Platzierung.

Die neue Vergleichbarkeit muss deshalb mehr bewahren als den Endpreis. Sie muss zeigen, welchen Markt der Agent betreten hat, welche Informationen er mitgenommen hat und welche Türen für ihn verschlossen blieben.

Der grüne Punkt

Am Küchentisch des Jahres 2030 stehen noch immer 86,40 Euro. Der Schuh kommt rechtzeitig. Die Rückgabe ist möglich. Der Agent hat sein Mandat eingehalten.

Vielleicht ist der Preis ausgezeichnet. Vielleicht hat der Einkaufsagent schneller und härter verhandelt, als es sein Nutzer je getan hätte. Vielleicht war kein besseres Angebot erreichbar.

Doch der grüne Punkt beweist nur, dass der Preis unter einer Grenze lag. Er beweist nicht, dass die Grenze verborgen blieb. Er zeigt nicht, ob ein anderer Agent denselben Markt betreten hätte. Und er sagt nichts darüber, welche günstigeren Möglichkeiten nie sichtbar wurden.

Der Preisvergleich wird im Agentic Commerce nicht zwangsläufig verschwinden. Er könnte präziser, umfassender und fairer werden. Aber er kann auch zu einer privaten Behauptung schrumpfen, die nur das System überprüfen darf, das sie aufgestellt hat.

Der Mensch am Tisch sieht auf den Betrag, dann auf die ungeöffneten Schuhe. Was müsste der Agent zeigen, damit 86,40 Euro wieder wie ein Preis wirken – und nicht nur wie eine Antwort, die niemand sonst erhalten hat?