Agentic AI Advertising: Wie autonome Agenten Commerce Media und Mediaeinkauf verändern

Konsumenten akzeptieren KI als Einkaufsberater, aber nicht als Käufer

Fünfundsiebzig Prozent der US-Konsumenten sagen, dass sie sich wohl damit fühlen, wenn KI ihnen bei der Kaufentscheidung hilft. Diese Zahl zeigt, wie schnell sich das Verhalten in nur wenigen Jahren ausgebreitet hat. Dieselbe Untersuchung fand: Je mehr Menschen KI zum Einkaufen nutzen, desto wohler fühlen sie sich damit.

Es gibt allerdings eine klare Grenze. Konsumenten trennen agentisches Einkaufen vom agentischen Kaufen. Sie akzeptieren KI, die Produkte recherchiert, Optionen vergleicht, bessere Angebote findet und die Auswahl eingrenzt. Sie wehren sich gegen KI, die den Kauf ohne Freigabe abschliesst. 64 Prozent befürworten, dass KI Marken vorschlägt, die sie normalerweise nicht in Betracht ziehen würden. Nur 20 Prozent fühlen sich wohl damit, wenn KI eigenständig handelt. Einen Kauf ohne Zustimmung abzuschliessen ist der grösste Vertrauensbrecher, genannt von 55 Prozent der Konsumenten.

Auf der Einkaufsseite zeigt sich dasselbe Muster. Die meisten Advertiser und Betreiber von Commerce-Media-Netzwerken wollen, dass agentische KI den Grossteil der Arbeit übernimmt, mit eingebauten menschlichen Freigaben.

Was Agentic AI Advertising ist

Agentic AI Advertising ist der Einsatz von KI-Systemen, die mehrstufige Werbe- und Commerce-Aufgaben eigenständig ausführen können. Dazu gehören das Recherchieren von Produkten, das Vergleichen von Optionen, das Optimieren von Kampagnen oder das Vorschlagen von Media-Buying-Aktionen, innerhalb der Grenzen, die ein Mensch setzt.

Es unterscheidet sich in einem Punkt von älterer Automatisierung. Klassische Automatisierung folgt festen Regeln. Ein agentisches System nimmt ein Ziel, entscheidet über die Schritte und passt sich an, sobald neue Informationen eintreffen. Diesen Unterschied zieht IBM zwischen agentischer und generativer KI. In den meisten aktuellen Einsätzen hält es vor der finalen Entscheidung an und übergibt diese an einen Menschen.

Zwei verwandte Begriffe sind hier wichtig zu definieren:

• AI Media Buying Agent: ein System, das Inventar auswählt, Gebote setzt und Budget in Richtung eines festgelegten Ziels umverteilt, und die Ergebnisse anschliessend zur menschlichen Prüfung sichtbar macht.
• Generative Engine Optimization (GEO): die Praxis, Markeninhalte und Daten so zu strukturieren, dass KI-Assistenten sie zitieren oder empfehlen, wenn ein Nutzer nach einem Produkt oder einer Kategorie fragt.

Warum das ein Problem ist, bei dem sich Handeln lohnt

Ein Jahrzehnt lang waren die Regeln von Commerce Media stabil. Erfolg kam daher, sichtbare Anzeigenplatzierungen zu gewinnen, die richtigen Zielgruppensegmente einzukaufen und Klicks zu messen. Agentic AI verschiebt, wo der Vorteil liegt.

Wenn ein Käufer einen KI-Assistenten bittet, den besten Laufschuh unter einem bestimmten Preis zu finden, liefert der Assistent eine Shortlist. Produkte, die nicht auf dieser Shortlist stehen, sind für diesen Käufer praktisch unsichtbar. Die Anzeigenposition auf der Seite ist nicht länger der entscheidende Faktor. Die Aufnahme in die Empfehlung der KI wird zum entscheidenden Faktor.

Die Branche hat es bemerkt. In der Koddi-Untersuchung sagten 84 Prozent der Commerce-Media-Verantwortlichen, sie würden in Möglichkeiten investieren, die ihre Sichtbarkeit innerhalb von KI-generierten Antworten und Empfehlungen erhöhen. 61 Prozent verschieben dieses Geld bereits aus Performance- und Paid-Search-Budgets. Die Finanzierung verschiebt sich, bevor sich die Standards gesetzt haben.

Das schafft drei konkrete operative Probleme:

• Ein neuer Gatekeeper. Die KI-Shortlist sitzt zwischen Marke und Konsument. Wenn deine Produkte und Datenfeeds nicht für KI-Retrieval strukturiert sind, verlierst du Präsenz genau in dem Moment, in dem eine Kaufentscheidung entsteht.
• Fragmentierte Messung. Konkurrierende KI-Ökosysteme nutzen unterschiedliche Feed-Strukturen, Checkout-Abläufe und Attributionsmodelle. Eine Marke, die über mehrere davon hinweg arbeitet, löst mehrere Messprobleme gleichzeitig. In der Studie sagten 33 Prozent der Befragten, dass aktuelle Lücken bei Messung und Attribution Investitionen zurückhalten.
• Budget zugesagt, bevor es einen Nachweis gibt. Ein Drittel der Advertiser plant, in den nächsten 12 Monaten zwischen USD 250'000 und USD 1 Mio. für agentische KI-Produkte einzusetzen. Auf diesem Niveau erwarten Finanzteams einen belegten Return, und die Attribution, um ihn zu beweisen, existiert oft noch nicht.

Was Marken tun können: Optionen für den agentischen Wandel

Es gibt keine einzelne Lösung. Die Antwort ist eine Reihe von Massnahmen, ausgewählt danach, wo eine Marke aktuell Lücken hat. Hier sind die wichtigsten Optionen, mit den operativen Abwägungen.

1. Daten und Inhalte für KI-Aufnahme strukturieren (GEO)

Der erste Schritt besteht darin, sicherzustellen, dass KI-Systeme deine Produktinformationen finden, lesen und ihnen vertrauen können. Das bedeutet saubere Produktfeeds, strukturierte Daten, explizite Spezifikationen und Inhalte, die so geschrieben sind, dass einzelne Passagen für sich allein Sinn ergeben. Die grundlegende GEO-Studie von Aggarwal und Kollegen fand, dass Inhaltsänderungen wie das Hinzufügen von Zitaten, Belegen und Statistiken messbar erhöhten, wie oft generative Engines eine Quelle auswählten.

Abwägung: Das ist kostengünstig und liegt in der Kontrolle der Marke, konkurriert aber mit bezahlten Platzierungen um Aufmerksamkeit und braucht Wochen, bis es Wirkung zeigt.

2. Bezahlte Aufnahme und gesponserte Empfehlungsplätze kaufen

Commerce-Media-Netzwerke bauen bezahlte Formate für die agentische Ebene auf: bezahlte Aufnahme in Shortlists und gesponserte Empfehlungspositionen. Das ist das direkte Gegenstück zur alten gesponserten Platzierung, verschoben in die KI-Antwort.

Abwägung: Das kauft schnell Präsenz, aber Standards und Preise sind noch unreif, und eine zu starke Abhängigkeit von bezahlter Aufnahme baut keine der organischen Vertrauenssignale auf, die KI-Systeme gewichten.

3. Agentenspezifische Messung und Attribution aufbauen

Weil Attribution der genannte Blocker ist, fliesst dort ernsthaftes Budget hin. In der Untersuchung planen 92 Prozent der Befragten, in agentenspezifische Messung und Diagnostik zu investieren, und 80 Prozent würden in Messwerkzeuge investieren, die an KI-vermittelte Customer Journeys gebunden sind. Die Marken, die Attribution über fragmentierte Ökosysteme hinweg zuerst lösen, haben die Belege, um weiter zu skalieren, während Wettbewerber stehen bleiben.

Abwägung: hoher Aufwand und funktionsübergreifend, aber es ist die Fähigkeit, die jede andere Investition freisetzt, weil ohne Nachweis des Returns nichts skaliert.

4. Menschen bewusst in der Entscheidungsschleife halten

Der Markt steuert nicht auf volle Autonomie zu. In der Koddi-Studie befürworteten nur 3 Prozent der Commerce-Media-Verantwortlichen Umgebungen, in denen KI nahezu frei agiert und die Mitarbeitenden auf Aufsicht beschränkt sind. Die Marken, die vorne liegen, sind nicht die, die am meisten automatisieren. Es sind die, die eine Infrastruktur aufbauen, in der die Zusammenarbeit von Mensch und KI zuverlässig im grossen Massstab funktioniert, über verschiedene Netzwerke und Datenumgebungen hinweg.

Abwägung: Das Gestalten von Freigabeschritten fügt Prozess hinzu, aber es passt sowohl zu den Vertrauensgrenzen der Konsumenten als auch zur internen Risikobereitschaft, was die Wahrscheinlichkeit eines teuren autonomen Fehlers senkt.

5. Kampagnenoptimierung auf einer selbstlernenden Engine laufen lassen

Hier kommt es auf die Engine hinter der Kampagne an. Adellos mobiler DSP optimiert auf der Ebene der einzelnen Ad-Impression statt auf breiten Zielgruppensegmenten. Sein Deep-Learning-Prognosesystem sagt die Conversion-Wahrscheinlichkeit jeder einzelnen Impression voraus, verfolgt Nutzer durch den gesamten Funnel (Interaktionen, Landings, Sessions, Conversions) statt nur Klicks, und trägt Erkenntnisse von einer Kampagne in die nächste, statt jedes Mal bei null zu starten. Das System läuft automatisch, während ein Operations-Team auf Ausreisser achtet.

Das ist die praktische Form von «agentisch, mit einem Menschen in der Schleife», die die Untersuchung beschreibt. Die Optimierung läuft eigenständig im Massstab der Impression; Menschen setzen die Ziele und beobachten die Ränder. Für Fraud und Traffic-Qualität legt sich AdCTRL über den Einkauf, um verdächtige Muster in Echtzeit zu erkennen, und liefert über 99 Prozent fraud-freien Traffic, von Dritten verifiziert. Das adressiert die Vertrauenslücke bei der Messung direkt, denn Budget, das in agentische Produkte fliesst, braucht sauberen Traffic, um eine Attribution zu erzeugen, der irgendjemand glaubt.

Abwägung: Ein gemanagter, selbstlernender Ansatz reduziert den manuellen Optimierungsaufwand und die Cold-Start-Strafe bei neuen Kampagnen, erfordert aber, Ziele und Daten mit einem Plattformpartner zu teilen, statt alles im eigenen Haus zu betreiben.

6. Den Aufwand auf Recherche und Empfehlung konzentrieren, nicht auf den Checkout

Die Daten zeigen, wo die Akzeptanz der Konsumenten am höchsten ist. Menschen sind offen für KI-vermittelte Entdeckung und Vergleich. Sie sind nicht offen dafür, dass KI ihr Geld ungefragt ausgibt. Die Chance im agentischen Commerce konzentriert sich auf die Ebene von Recherche und Empfehlung, wo die Akzeptanz hoch ist und Marken tatsächlich entdeckt werden können.

Abwägung: Das verengt den Fokus und mag sich anfühlen, als liesse man die Transaktion liegen, aber es bringt die Ausgaben in Einklang mit dem Verhalten, das Konsumenten tatsächlich erlauben, was vor Vertrauensschäden schützt.

Ein kurzer Vergleich

Warum jetzt

Das Verhalten ist bereits Mainstream, und das Budget bewegt sich bereits. Drei Viertel der US-Konsumenten akzeptieren KI als Einkaufsberater, 84 Prozent der Commerce-Media-Verantwortlichen investieren in KI-Sichtbarkeit, und ein Drittel der Advertiser sagt jeweils bis zu USD 1 Mio. für agentische Produkte innerhalb des Jahres zu. Die nächsten 18 Monate werden neue Monetarisierungsmodelle und Advertiser-Formate bringen, die speziell für agentische Umgebungen gebaut sind.

Die Arbeit, die einen Vorteil schafft, also saubere Datenfeeds, strukturierte Inhalte, funktionierende Attribution und eine selbstlernende Optimierungsschicht, braucht Zeit zum Aufbau. Marken, die jetzt starten, haben Belege und Präsenz, wenn sich die Standards setzen. Marken, die warten, kaufen sich in Shortlists ein, an deren Gestaltung sie keinen Anteil hatten.

Commerce Media bewegt sich von Oberflächen zu Systemen und von Impressions zu Outcomes. Die Marken, die in diesem Wandel gut abschneiden, sind nicht die, die alles der Maschine überlassen. Es sind die, die KI die Recherche, Optimierung und Schwerarbeit machen lassen, Menschen bei den Entscheidungen halten, die zählen, und die Infrastruktur aufbauen, die beides zusammen funktionieren lässt. Der Abstand zwischen den Unternehmen, die das verstehen, und denen, die es nicht tun, wächst Monat für Monat.

Mit Hilfe von KI erstellt.