Universal Commerce Protocol (UCP): Wenn Sichtbarkeit zur Transaktion wird
Mit dem Aufkommen von AI-Assistenten verändert sich langsam, wie Nutzer Produkte entdecken. Systeme wie Gemini oder andere AI-Interfaces beantworten Kaufanfragen zunehmend direkt in der Oberfläche. Dabei greifen sie auf Webinhalte, Produktfeeds und strukturierte Daten zurück, statt ausschließlich klassische Suchergebnisseiten darzustellen.
In diesem Kontext wird häufiger über Modelle gesprochen, bei denen AI-Agents nicht nur Produkte empfehlen, sondern auch Transaktionen initiieren könnten. Ein möglicher Ansatz ist ein standardisiertes Commerce-Protokoll – oft als „Universal Commerce Protocol“ (UCP) beschrieben. Google hatte kürzlich WebMCP vorangetrieben.
Die Idee dahinter: Shops stellen ihre Commerce-Funktionen und Produktinformationen so strukturiert bereit, dass AI-Systeme sie zuverlässig verstehen und potenziell nutzen können – unabhängig von Oberfläche oder Plattform.
Für E-Commerce-Teams bedeutet das einen Perspektivwechsel. Neben klassischen SEO-Signalen werden Produktdaten, Feeds und konsistente Commerce-Informationen zunehmend zu einem zentralen Asset.
Was UCP ändert: von Rankings zu „Chosen Products“
Auch wenn Rankings weiterhin wichtig bleiben, entwickeln sich AI-Interfaces stärker in Richtung Entitäts- und Datensysteme. Produkte werden nicht nur als Webseiten interpretiert, sondern als strukturierte Objekte mit Eigenschaften wie:
- Preis
- Verfügbarkeit
- Varianten
- Versandbedingungen
- Rückgaberegeln
Welche Daten AI Agents jetzt brauchen
AI Agents entscheiden auf Basis von „handelbaren“ Fakten und Maschinenlesbarkeit. Als Mindestanforderung gilt deshalb:
- aktueller Preis (inkl. Währung, ggf. Staffelpreise)
- Verfügbarkeit in Echtzeit
- Lieferzeit/Versandkosten
- Rückgaberegeln
- eindeutige Produktidentität (Brand, GTIN/MPN, Variante)
Damit AI-Systeme solche Informationen nutzen können, müssen sie konsistent und maschinenlesbar sein.
In der Praxis bedeutet das:
- klare Produktidentitäten (Brand, GTIN, MPN)
- konsistente Werte zwischen Feed, Produktseite und Checkout
- saubere Variantenstruktur
- stabile URLs und Canonicals
Ein wichtiger organisatorischer Schritt ist eine Single Source of Truth für Produktdaten, meist im PIM-System. Preis-, Bestands- und Produktinformationen sollten möglichst aus einer zentralen Quelle stammen und konsistent in Website, Feed und API erscheinen.
Website-Struktur bleibt wichtig – aber Datenqualität gewinnt
Auch in AI-Interfaces basiert die Informationsbeschaffung weiterhin auf Web-Inhalten und Crawlern. Systeme wie die Suche von Google greifen weiterhin auf zurück:
- HTML-Seiten
- strukturierte Daten
- Merchant-Feeds
- interne Verlinkung
- Entitätssignale
Deshalb bleiben klassische SEO-Techniken das wichtigste Fundament.
- saubere Informationsarchitektur
- klare Kategorien und Facetten
- stabile Canonicals
- kontrollierte URL-Parameter
- interne Verlinkung entlang der Customer Journey
Neu ist vor allem der stärkere Fokus auf konsistente Produktdaten, da AI-Systeme Informationen aus mehreren Quellen zusammenführen.
Welche Produktdaten AI-Systeme besonders nutzen
Damit Produkte korrekt interpretiert werden können, sollten zentrale Commerce-Attribute strukturiert verfügbar sein.
Typische Mindestinformationen:
- aktueller Preis (inkl. Währung)
- Verfügbarkeit
- Lieferzeit
- Versandkosten
- Rückgaberegeln
- eindeutige Produktidentität (Brand, GTIN/MPN)
Besonders wichtig ist eine saubere Variantenlogik. Varianten sollten klare Attribute besitzen, zum Beispiel Farbe, Größe, Material und immer gleichbleibende Modellbezeichnungen und Schreibweisen.
Dabei hilft eine konsistente Parent-Child-Struktur, damit einzelne SKUs eindeutig identifizierbar sind.
Auch ergänzende Daten können relevant sein, etwa:
- Filialbestand für Click & Collect
- Bundle-Beziehungen
- kompatible Zubehörprodukte
- aktive Promotions
Je vollständiger diese Informationen strukturiert vorliegen, desto leichter können AI-Systeme Produkte korrekt darstellen oder vergleichen.
Die Herausforderung: Dateninkonsistenzen und fehlende Produktidentität
Ein häufiges Problem im E-Commerce sind Datenabweichungen zwischen verschiedenen Systemen.
Typische Beispiele:
- Preis im Feed ≠ Preis auf der Produktseite
- „In stock“ im Feed, aber nicht im Checkout
- unterschiedliche Versandinformationen
Solche Inkonsistenzen führen bereits heute zu Problemen in Shopping-Systemen oder Produktfeeds. Sie können außerdem dazu führen, dass AI-Systeme Informationen als unzuverlässig einstufen. Ein zweiter kritischer Punkt ist die Produktidentität. Produkte ohne klare Identifikatoren (z. B. GTIN) lassen sich schwerer in Produktgraphen einordnen.
Technische Roadmap für AI-fähige Commerce-Strukturen
Für Shops lohnt sich ein „AI-Commerce-Audit“ mit drei zentralen Arbeitssträngen.
1. SEO und Informationsarchitektur mit folgenden Zielen
- konsistente Taxonomie
- reduzierte Facettenkomplexität
- stabile Canonicals
- klare interne Verlinkung
- Vermeidung von Duplicate Content
2. Produktdaten und APIs
Produktdaten sollten aus einem konsistenten Datenmodell stammen. Wichtige technische Aspekte sind dabei:
- stabile Produkt-IDs
- konsistente Variantenlogik
- zuverlässige Preis- und Bestandsupdates
- cachebare Endpunkte für Produktdaten
Auch wenn Suchmaschinen primär HTML crawlen, erleichtern strukturierte APIs die konsistente Verteilung von Daten an verschiedene Kanäle.
3. Content-Module für Produktentscheidungen
Produktcontent bleibt relevant, verändert aber teilweise seine Rolle.
Statt reinem Marketingtext werden strukturierte Inhalte wichtiger, etwa:
- Größenberatung
- Materialinformationen
- Pflegehinweise
- Vergleichstabellen
Solche Module können von AI-Systemen leichter extrahiert und zusammengefasst werden.
Feed, Structured Data und Site-Qualität
Ein solider technischer Mindeststandard umfasst drei Ebenen.
Produktfeeds
Produktfeeds sollten:
- konsistente Preis- und Bestandsdaten enthalten
- eindeutige Identifikatoren nutzen
- Varianten korrekt modellieren
Viele Shopping-Systeme basieren auf solchen Feeds.
Structured Data
Schema.org-Markup hilft Suchmaschinen, Produktinformationen eindeutig zu interpretieren.
Typische Felder:
- price
- availability
- brand
- sku
- shippingDetails
- returnPolicy
Markup sollte exakt den Informationen auf der Seite entsprechen.
Technische Website-Qualität
Technische Grundlagen bleiben entscheidend:
- schnelle Ladezeiten
- stabile Rendering-Pfade (SSR oder Prerendering)
- korrekte Statuscodes
- saubere hreflang-Implementierung
- XML-Sitemaps mit aktualisiertem lastmod
Architektur für zukünftige Commerce-Integrationen
Unabhängig davon, ob sich künftig standardisierte AI-Commerce-Protokolle etablieren oder Plattformen weiterhin proprietäre Integrationen nutzen, profitieren E-Commerce-Systeme grundsätzlich von modular aufgebauten Commerce-Architekturen. Statt Checkout-Logik, Produktlogik und Transaktionsprozesse eng an das Frontend zu koppeln, werden zentrale Commerce-Funktionen zunehmend als klar definierte Services bereitgestellt. Dazu gehören beispielsweise das Anlegen eines Warenkorbs, die Validierung von Lieferadressen, die Berechnung von Versandoptionen, das Initiieren von Zahlungsprozessen sowie die finale Bestellbestätigung.
Eine solche serviceorientierte Architektur erleichtert es, Commerce-Funktionen über verschiedene Kanäle hinweg nutzbar zu machen. Produkte und Transaktionen können dadurch nicht nur über die klassische Website abgewickelt werden, sondern auch über Marktplätze, mobile Anwendungen oder zukünftige AI-Interfaces. Gleichzeitig reduziert eine klare Trennung der Funktionen die Komplexität von Integrationen und ermöglicht es, einzelne Komponenten unabhängig voneinander zu aktualisieren oder zu skalieren.
Damit diese Architektur zuverlässig funktioniert, ist technisches Monitoring ein zentraler Bestandteil des Systems. Shops sollten kontinuierlich beobachten, ob Produktfeeds korrekt importiert werden, ob Preisabweichungen zwischen verschiedenen Systemen auftreten und ob Fehler im Checkout-Prozess entstehen. Ebenso wichtig ist die Überwachung technischer Kennzahlen wie API-Latenzen, da verzögerte oder fehlerhafte Antworten unmittelbare Auswirkungen auf Transaktionen und Nutzererfahrung haben können. Ein systematisches Monitoring dieser Bereiche hilft dabei, Integrationsprobleme frühzeitig zu erkennen und die Stabilität der gesamten Commerce-Infrastruktur langfristig sicherzustellen.
Fazit
Ein universelles Commerce-Protokoll existiert derzeit noch nicht. Dennoch zeigt sich ein klarer Trend: AI-Interfaces arbeiten stärker mit strukturierten Produktdaten und Entitäten, statt nur Webseiten zu interpretieren.
Für Shops bedeutet das:
- konsistente Produktdaten
- klare Produktidentität
- saubere technische SEO-Struktur
- zuverlässige Feeds und strukturierte Daten
Wer diese Grundlagen sauber umsetzt, schafft eine Infrastruktur, die sowohl klassische Suche als auch zukünftige AI-Commerce-Modelle unterstützen kann.
