Kurz gesagt: KI-Agenten entwickeln sich von Chatbots zu Systemen, die Aufgaben im Namen von Nutzern ausführen können. Im Handel und Banking geht es damit nicht mehr nur um bessere Beratung, sondern um automatisierte Preisvergleiche, Produktauswahl, Zahlungsprozesse und Serviceentscheidungen. Eine von Der Bank Blog aufgegriffene Strategy&/PwC-Studie beziffert das mögliche Volumen autonomer E-Commerce-Transaktionen in Europa auf bis zu 109 Milliarden Euro und für Deutschland auf bis zu 17 Milliarden Euro. Solche Zahlen sind Prognosen, keine Gewissheit – aber sie zeigen, warum Unternehmen das Thema nicht als Zukunftsmusik behandeln sollten.
Warum das Thema jetzt relevant ist
Bislang waren viele KI-Anwendungen im Kundenkontakt dialogorientiert: Ein Nutzer stellte eine Frage, das System lieferte eine Antwort oder leitete an einen Prozess weiter. Agentische Systeme gehen einen Schritt weiter. Sie können Ziele verfolgen, Optionen vergleichen, Zwischenschritte planen und unter definierten Regeln Aktionen auslösen. Im Konsumalltag kann das bedeuten: Ein Agent sucht ein passendes Produkt, vergleicht Händler, prüft Lieferbedingungen, beachtet Budgetgrenzen und bereitet den Kauf vor. Im Banking kann ein Agent Tarife, Karten, Versicherungen oder Sparprodukte vorsortieren und den Kunden durch komplexere Entscheidungen führen.
Der Nachrichtenwert liegt deshalb nicht allein in einer neuen Studie. Entscheidend ist die Verschiebung des digitalen Zugangs: Wenn nicht mehr nur Menschen Websites, Apps und Vergleichsportale bedienen, sondern Software-Agenten für sie auswählen, verändert sich die Schnittstelle zum Kunden. Händler müssen erklären können, warum ein Agent ihre Produkte findet. Banken und Zahlungsdienstleister müssen wissen, welche Daten, Freigaben und Sicherheitsmechanismen nötig sind, wenn ein System nicht nur berät, sondern Handlungen vorbereitet.
Was Agentic Commerce konkret verändert
Agentic Commerce beschreibt eine Handelslogik, in der KI-Agenten Teile der Kaufentscheidung übernehmen. Das kann klein beginnen: wiederkehrende Bestellungen, Tarifoptimierung, Reiseplanung, Ersatzteilbeschaffung oder die Auswahl standardisierter Finanzprodukte. Je stärker der Agent Zugriff auf Nutzerpräferenzen, Zahlungsdaten, Identität und Produktinformationen erhält, desto relevanter werden Vertrauen, Nachvollziehbarkeit und Haftung.
Für Händler entsteht eine neue Optimierungsfrage. Klassisches Suchmaschinenmarketing zielte darauf, von Menschen gefunden zu werden. Künftig kann es zusätzlich darum gehen, von Agenten verstanden zu werden: Produktdaten müssen strukturiert, Preise transparent, Verfügbarkeiten maschinenlesbar und Rückgabebedingungen eindeutig sein. Wer seine Angebote nur für menschliche Oberflächen optimiert, könnte in automatisierten Auswahlprozessen schlechter sichtbar werden.
Für Banken und Zahlungsdienstleister ist die Entwicklung besonders sensibel. Zahlungsfreigaben, Betrugserkennung, Identitätsprüfung und Kundenschutz sind Kernfunktionen. Wenn ein KI-Agent im Auftrag eines Nutzers Kaufentscheidungen vorbereitet, braucht es klare Grenzen: Was darf das System selbstständig tun? Wann ist eine zusätzliche Bestätigung nötig? Wie wird dokumentiert, welche Informationen zur Entscheidung geführt haben?
Die Zahlen sind stark – aber sie bleiben Prognosen
Der Bank Blog verweist auf eine Strategy&-Studie aus dem PwC-Netzwerk. Danach könnten KI-Agenten in Europa in den kommenden Jahren autonome E-Commerce-Transaktionen im Volumen von bis zu 109 Milliarden Euro auslösen; bis 2030 wird ein Anteil von bis zu 15 Prozent am europäischen Onlinehandel genannt. Für Deutschland nennt der Beitrag ein mögliches Volumen von bis zu 17 Milliarden Euro. Solche Schätzungen hängen stark von Annahmen ab: Akzeptanz der Nutzer, regulatorische Vorgaben, Datenzugang, Qualität der Agenten, Sicherheitsniveau und Integration in Zahlungs- und Händlerprozesse.
Gerade deshalb sollten Unternehmen die Zahlen nicht als sicheren Marktplan lesen. Sie sind eher ein Szenario, das Investitionsentscheidungen vorbereitet. Wer heute Produktdaten, Identitätsprozesse und Governance-Regeln sauber aufsetzt, verschafft sich Optionen. Wer abwartet, riskiert nicht automatisch den Anschluss, aber er wird später mehr nachholen müssen: Schnittstellen, Auditierbarkeit, Einwilligungsprozesse und interne Verantwortlichkeiten lassen sich nicht über Nacht einführen.
Governance: Wer entscheidet eigentlich?
Die zentrale Managementfrage lautet nicht: „Kann die KI das?“ Sondern: „Darf sie das in diesem Kontext, mit diesen Daten und unter diesen Bedingungen?“ Ein Agent, der nur Produktinformationen zusammenfasst, ist anders zu behandeln als ein Agent, der Kaufentscheidungen vorbereitet oder Zahlungen auslöst. Unternehmen sollten deshalb Entscheidungsklassen definieren: informieren, empfehlen, vorbereiten, ausführen. Je näher ein System an eine verbindliche Transaktion rückt, desto strenger müssen Freigabe, Protokollierung und Kontrolle werden.
Dazu gehört ein klares Rollenmodell. Fachbereiche definieren Geschäftsregeln, Datenschutz und Recht prüfen Datenflüsse, IT und Security bewerten technische Risiken, Compliance achtet auf Dokumentation, und das Produktteam übersetzt diese Vorgaben in Nutzerführung. Ohne diese Aufteilung entstehen Grauzonen: Der Agent handelt scheinbar effizient, aber niemand kann später erklären, warum eine Empfehlung zustande kam oder wer eine riskante Freigabe erlaubt hat.
Praktisch wichtig ist auch die Frage nach dem „Human in the loop“. Nicht jede Entscheidung braucht menschliche Kontrolle. Bei geringen Beträgen oder klaren Routinetätigkeiten können automatisierte Regeln sinnvoll sein. Bei sensiblen Finanzprodukten, personenbezogenen Daten, hohen Beträgen oder potenziell nachteiligen Folgen sollte ein Mensch bestätigen oder zumindest nachträglich prüfen können.
Regulierung: AI Act, DSGVO und Haftung greifen zusammen
Der EU AI Act liefert den europäischen Rahmen für KI-Systeme und unterscheidet nach Risiko. Nicht jeder Einkaufsagent wird automatisch ein Hochrisikosystem sein. Trotzdem zwingt die Regulierung Unternehmen dazu, Anwendungsfälle sauber zu klassifizieren, Transparenzpflichten zu beachten und Risikomanagement nicht erst nach dem Marktstart zu beginnen. Für Banken und regulierte Finanzdienstleister kommt hinzu, dass bestehende Anforderungen an Auslagerung, Sicherheit, Verbraucherschutz und Modellrisiken weiter gelten.
Die DSGVO bleibt parallel relevant, sobald Agenten personenbezogene Daten verarbeiten: Präferenzen, Zahlungsinformationen, Standort, Bonität, Kaufhistorie oder Gesundheitsbezüge können schnell sensibel werden. Unternehmen müssen erklären können, welche Daten der Agent nutzt, auf welcher Rechtsgrundlage das geschieht und wie Nutzer Kontrolle behalten. Bei besonders datenintensiven Szenarien kann eine Datenschutz-Folgenabschätzung naheliegen.
Haftung ist der dritte Baustein. Wenn ein Agent ein ungeeignetes Produkt empfiehlt, einen Vertrag vorbereitet oder durch falsche Daten eine Entscheidung auslöst, reicht der Hinweis auf „die KI“ nicht. Verantwortlichkeiten müssen vorher geklärt werden: Anbieter des Agenten, Plattform, Händler, Bank, Nutzer oder ein externer Datenlieferant können je nach Fall beteiligt sein. Genau diese Mehrparteien-Konstellation macht Agentic Commerce komplexer als klassische Webshops.
Risiken: Vertrauen, Manipulation und neue Abhängigkeiten
Autonome Kaufentscheidungen schaffen Effizienz, aber auch neue Angriffsflächen. Ein Agent kann durch manipulierte Produktdaten, unvollständige Preise, irreführende Bewertungen oder versteckte Provisionen beeinflusst werden. Wenn Systeme vorrangig auf maschinenlesbare Signale reagieren, wird die Qualität dieser Signale zum Wettbewerbsfaktor – und zum Sicherheitsrisiko.
Hinzu kommt die Plattformfrage. Wer kontrolliert die Agenten, über die künftig Nachfrage kanalisiert wird? Große Ökosysteme könnten bevorzugten Zugang zu Nutzerdaten, Zahlungswegen und Shopping-Schnittstellen erhalten. Für kleinere Händler und spezialisierte Anbieter wird dann entscheidend, ob offene Standards entstehen oder ob Agenten vor allem innerhalb geschlossener Plattformen funktionieren.
Auch das Vertrauen der Nutzer ist nicht garantiert. Viele Verbraucher möchten Unterstützung, aber nicht die vollständige Abgabe von Kontrolle. Transparente Freigaben, nachvollziehbare Empfehlungen und einfache Widerrufsmöglichkeiten werden deshalb zu Produktmerkmalen. Ein Agent, der zu viel eigenständig tut, kann Akzeptanz verlieren – selbst wenn die technische Leistung gut ist.
Was Unternehmen jetzt prüfen sollten
- Use Cases trennen: Welche Agenten informieren nur, welche bereiten Entscheidungen vor, welche dürfen Aktionen auslösen?
- Datenflüsse dokumentieren: Welche personenbezogenen Daten werden genutzt, gespeichert, weitergegeben oder für Modellentscheidungen herangezogen?
- Freigabegrenzen setzen: Ab welchen Beträgen, Produktarten oder Risikoklassen ist eine menschliche Bestätigung Pflicht?
- Auditierbarkeit einbauen: Entscheidungen sollten nachvollziehbar protokolliert werden, ohne unnötig viele Daten zu speichern.
- Produktdaten verbessern: Händler brauchen strukturierte, aktuelle und eindeutige Informationen, damit Agenten Angebote korrekt bewerten können.
- Haftungsfragen klären: Verträge mit Plattformen, Modellanbietern und Dienstleistern sollten Verantwortlichkeiten ausdrücklich regeln.
- Nutzerkontrolle stärken: Opt-in, Budgetgrenzen, Widerruf und verständliche Erklärungen sind wichtiger als maximale Automatisierung.
Was Produktteams und IT-Architektur daraus lernen
Für Produktteams bedeutet Agentic Commerce, dass Nutzerführung und technische Architektur enger zusammenrücken. Ein Agent kann nur dann zuverlässig handeln, wenn Produktdaten, Preise, Verfügbarkeiten, Vertragsbedingungen und Einschränkungen konsistent verfügbar sind. Unklare Sonderregeln, versteckte Gebühren oder wechselnde Datenformate werden nicht nur zum UX-Problem, sondern zum Risiko für falsche Entscheidungen. Unternehmen sollten deshalb prüfen, ob ihre Produktkataloge, APIs und Content-Systeme agententauglich sind.
Auch die IT-Architektur verändert sich. Agenten brauchen Zugriff auf Daten, aber nicht auf alles. Sinnvoll sind abgestufte Berechtigungen, getrennte Umgebungen für Test und Produktion, Protokolle für jede ausgelöste Aktion und klare Notfallmechanismen. Wenn ein Agent unerwartet falsche Empfehlungen gibt oder ungewöhnliche Transaktionsmuster erzeugt, muss das System stoppen oder eskalieren können. Diese Kontrollpunkte sind keine Bremse für Innovation, sondern Voraussetzung dafür, dass Automatisierung im regulierten Umfeld tragfähig wird.
Warum Banken eine besondere Rolle spielen
Banken stehen in dieser Entwicklung an einer Schnittstelle. Sie können selbst KI-Agenten für Beratung und Service einsetzen, sie können Zahlungen agentischer Systeme absichern, und sie können Kunden helfen, digitale Identität, Einwilligungen und Ausgabenlimits zu kontrollieren. Damit entstehen neue Produktchancen: vertrauenswürdige Freigabeprozesse, Betrugserkennung für agentische Transaktionen, Wallet-Funktionen mit klaren Regeln oder Beratungssysteme, die Empfehlungen nachvollziehbar dokumentieren.
Gleichzeitig ist der Reputationsschaden im Finanzbereich besonders hoch, wenn Automatisierung falsche Entscheidungen begünstigt. Ein fehlerhafter Produkthinweis im Onlinehandel ist ärgerlich; eine ungeeignete Finanzentscheidung kann langfristige Folgen haben. Banken sollten agentische Funktionen deshalb nicht nur als Effizienzprojekt behandeln. Sie brauchen ein Governance-Modell, das Kundenschutz, regulatorische Pflichten und technische Leistungsfähigkeit gemeinsam betrachtet.
Fazit
KI-Agenten im Handel und Banking sind noch kein Massenphänomen, aber die Richtung ist klar: Digitale Entscheidungen werden stärker automatisiert, und damit verschiebt sich die Verantwortung von der Benutzeroberfläche in die dahinterliegenden Regeln. Für Unternehmen ist das eine doppelte Aufgabe. Sie müssen neue Kundenzugänge erschließen, ohne Kontrolle, Datenschutz und Haftung zu vernachlässigen. Die genannten Marktprognosen sollten deshalb nicht als Versprechen gelesen werden, sondern als Warnsignal: Wenn Agentic Commerce wächst, gewinnen diejenigen, die heute schon nachvollziehbare, sichere und nutzerfreundliche Prozesse vorbereiten.
Quellen
- Der Bank Blog: Wenn KI-Agenten Kaufentscheidungen übernehmen
- Der Bank Blog: KI von der Euphorie zur ergebnisorientierten Umsetzung
- Der Bank Blog: Customer-facing KI im Banking
- EU-Kommission: Regulatory framework on artificial intelligence
- EUR-Lex: Verordnung (EU) 2024/1689 über künstliche Intelligenz
