Technologische Revolution: Vorbereitung auf das Zeitalter der Agentic AI

Im Jahr 2026, mit der Reifung der Agentic AI, wandeln sich intelligente Systeme von passiven Assistenten zu unabhängigen Akteuren. Diese Revolution transformiert sowohl das Einkaufserlebnis als auch die Unternehmensabläufe in der Supply Chain, im Filialbetrieb und in der Fertigung.

Auf Verbraucherseite erforscht der Handel den agentenbasierten Handel (Agentic Commerce), bei dem KI-Agenten autonom im Namen der Verbraucher:innen recherchieren, verhandeln und Käufe tätigen. Dies verändert die Beziehung zwischen Käufer:in und Händler:in grundlegend, da der „Käufer“ zunehmend ein Algorithmus und keine Person mehr ist.

Für Marken entsteht dadurch eine Sichtbarkeitslücke, die eine Umstellung von herkömmlicher Suchmaschinenoptimierung (SEO) auf generative Suchmaschinenoptimierung (GEO) erforderlich macht. Marken müssen sicherstellen, dass ihre Produktdaten strukturiert, korrekt und maschinenlesbar sind, um für die KI-Agenten, die das Entdecken von Produkten steuern, sichtbar zu bleiben.

Mit Innovationen wie dem Universal Commerce Protocol (UCP), das die Interaktion persönlicher Agenten mit Händler:innen standardisiert, wird der Erfolg von Einzelhändler:innen von intelligenten Händleragenten abhängen. Ähnlich wie ein:e Anwält:in, der:die eine:n Mandant:in in einem komplexen rechtlichen Umfeld vertritt, wird ein intelligenter Händleragent eine:n Händler:in vertreten und verfügbare Datenquellen nutzen, um ein Angebot in einem hart umkämpften Umfeld zu optimieren und die Transaktion zu sichern.

Im Unternehmen revolutionieren die Fähigkeiten von Agentic AI die physische Produktion und den Transport von Waren.

In der Fertigung und in Supply Chains ersetzen präskriptive Engines, die von KI-Agenten angetrieben werden, passive Analytics-Dashboards, passen Produktionspläne autonom an, leiten Lieferungen basierend auf Wetterdaten um und verhandeln Nachschubverträge ohne menschliches Eingreifen.

Das Warehouse Execution System (WES) hat sich als zentrales Nervensystem etabliert, das physische KI wie robotergestützte Depalettierer und autonome mobile Roboter (AMRs) orchestriert, um komplexe, modulare Fulfillment-Aufgaben zu bewältigen.

Für den Filialbetrieb liefern Spatial Computing und RFID-Technologien die notwendige Datengrundlage (Ground Truth) für Agenten. Durch die Erstellung von digitalen Echtzeit-Zwillingen des Filialbestands ermöglichen diese Systeme den Agenten, Lagerbestände autonom zu verwalten, die Personalzuweisung zu optimieren und Verluste mit einer Präzision zu verhindern, die manuelle Methoden nicht erreichen können.

Schließlich treibt die regulatorische Landschaft einen parallelen technologischen Wandel hin zu radikaler Transparenz voran. Die Durchsetzung digitaler Produktpässe (DPP) in der EU wird erfordern, dass Produkte einen überprüfbaren digitalen Nachweis über ihre Reise, Nachhaltigkeit und Zusammensetzung mit sich führen.

Im Jahr 2026 ist Technologie nicht mehr nur eine Unterstützungsfunktion – sie ist das zentrale Nervensystem des modernen Handels.

Auswirkungen auf Daten: Von Datensilos zu autonomen Agenten

Agentic AI erhöht die strategische Bedeutung der Datenmodernisierung. Front-End-Commerce-Agenten und Assistenten für Mitarbeiter:innen, Back-End-Supply-Chain-Agenten und Line-of-Business (LOB)-Assistenten können nicht effektiv arbeiten, wenn Kundenprofile in einem System, Bestände in einem anderen und Margendaten in Tabellenkalkulationen liegen. Unternehmen müssen diese Silos aus Verbraucher-, Produkt-, Preis- und Lieferkettendaten zu einer einzigen, in Echtzeit verfügbaren und kontrollierten „Single Source of Truth“ zusammenführen. Eine moderne Datengrundlage – Cloud-nativ, interoperabel und ereignisgesteuert – hilft Agenten, durch vertrauenswürdige Datasets zu navigieren, den Kontext zu verstehen und schnell und präzise zu handeln.

Zweitens müssen Daten KI-fähig sein. Während sich traditionelle SEO in Richtung GEO entwickelt, müssen Produktkataloge strukturiert, angereichert und maschinenlesbar sein. Shopping-Agenten von Drittanbietern benötigen detaillierte Attribute, Nachhaltigkeitsdaten, Gebrauchsanweisungen, Preislogik und Verfügbarkeit, um Produkte genau zu interpretieren, zu vergleichen und zu empfehlen. Operative Agenten profitieren von einer einheitlichen semantischen Schicht, um Berichte abzurufen und Geschäftsentscheidungen zu unterstützen.

Letztendlich hängt der Erfolg im Handel und bei Konsumgütern von der Fähigkeit ab, Agenten zu entwickeln. Die Erstellung und Verwaltung von KI-Agenten erfordert eine robuste Enterprise-Plattform. Diese Grundlage bietet die Governance und Skalierbarkeit, die erforderlich sind, um interoperable Echtzeit-Datenquellen mit einer KI-Plattform zu verbinden und so eine hochwirksame, vertrauenswürdige und selbstheilende operative Infrastruktur zu schaffen.

Ermöglichende Technologie: Enterprise-Daten- und Agentic-AI-Plattform

Der Übergang vom konzeptionellen Versprechen des autonomen Handels zur operativen Realität erfordert mehr als nur clevere Algorithmen – er verlangt eine grundlegende Überarbeitung des zugrunde liegenden Technologie-Stacks. Wenn Daten das Lebenselixier der Agentic AI sind, dann ist die Enterprise-Plattform ihr zentrales Nervensystem. Um erfolgreich von passiven Dashboards zu selbstheilenden Abläufen überzugehen, müssen sich Unternehmen von anfälligen, fragmentierten Systemen abwenden und sich einer integrierten, industrietauglichen Architektur zuwenden. Die folgenden architektonischen Kernsäulen definieren die moderne Enterprise-Plattform: eine Grundlage, die darauf ausgelegt ist, Daten aus mehreren Quellen zu erfassen, sie in maschinenlesbare Intelligenz zu übersetzen und kontrollierte, autonome Agenten bereitzustellen, die im Namen des Unternehmens handeln können.

Einheitliche Datengrundlage

Um autonom handeln zu können, benötigen Agenten eine Grundlage, die Verzögerungen und Fragmentierung vollständig reduziert. Es reicht nicht mehr aus, Daten über Nacht zu synchronisieren; Agenten benötigen eine Architektur, die strukturierte und unstrukturierte Datensätze – von der Supply Chain bis zum E-Commerce – in einer Source of Truth vereint und in nahezu Echtzeit bereitstellt. Durch die Kombination einer Cloud-nativen Datenplattform mit einer ereignisgesteuerten Echtzeit-Architektur können Unternehmen verhandelnden Agenten die Präzision im Subsekundenbereich bieten, die sie benötigen, um Geschäfte im richtigen Moment abzuschließen.

• Cloud-native Datenplattform: Agentenbasierter Handel funktioniert nicht mit fragmentierten Daten. Er beginnt mit einer Cloud-nativen Plattform, die Verbraucher-, Produkt-, Preis- und Supply-Chain-Daten, sowohl strukturiert als auch unstrukturiert, in einer einzigen, kontrollierten Source of Truth vereint. Kein Abgleich von Tabellenkalkulationen über Abteilungen hinweg mehr. Keine widersprüchlichen Produktdatensätze mehr zwischen E-Commerce- und In-Store-Systemen. Eine Grundlage, eine Version der Realität, bereit für jeden Agenten oder jede Applikation, um darauf aufzubauen.
  
  

• Ereignisgesteuerte Echtzeit-Architektur: Händleragent Eine ereignisgesteuerte Echtzeit-Architektur ermöglicht das schnelle Hin und Her, das der agentenbasierte Handel erfordert. Preise passen sich an. Bestände werden bestätigt. Angebote werden abgeschlossen. Alles in der Zeit, die ein:e Kund:in braucht, um auf „Kaufen“ zu tippen.

KI-fähige Daten

Ein Agent kann nicht auf der Grundlage von Daten handeln, die er nicht versteht, was bedeutet, dass Unternehmen Informationen gezielt für die maschinelle Verarbeitung strukturieren müssen. Dies geht weit über grundlegende SKUs und Preise hinaus. Von der Definition gemeinsamer Geschäftslogik über eine einheitliche semantische Schicht und der Optimierung für die Ausgabe generativer Engines bis hin zur Anreicherung von Katalogen mit tiefen Attributen, der Abbildung von Beziehungen durch Knowledge Graphs und der Erfüllung strenger DPP-Vorschriften – diese Schicht verwandelt Rohdaten in eine stark kontextualisierte, lesbare Karte, durch die die KI effizient navigieren kann.

• Einheitliche semantische Schicht: Wenn die Definition von „Marge“ Ihres Marketingteams von der Ihres Finanzteams abweicht und beide von dem abweichen, was Ihre Supply Chain sieht, dann erbt jeder Agent, der auf diesen Daten aufbaut, die Verwirrung. Eine einheitliche semantische Schicht standardisiert die Geschäftslogik im gesamten Unternehmen, sodass jeder Agent, der „Marge“, „Bestand“ oder „Verfügbarkeit“ abfragt, dieselbe Antwort erhält, unabhängig davon, welcher Abteilung er dient.
  
  

• GEO-fähige Produktkataloge: Für Menschen erstellte Produktdaten funktionieren nicht für Maschinen. Generative Engines und Shopping-Agenten können Marketingtexte, Lifestyle-Bilder oder inkonsistent formatierte Spezifikationsblätter nicht zuverlässig analysieren. Die Umstrukturierung von Produktkatalogen in hochpräzise, maschinenlesbare Formate – optimiert für GEO – ermöglicht es, dass Ihre Produkte in KI-vermittelten Interaktionen auffindbar, vergleichbar und genau dargestellt werden.
  
  

• Attributanreicherung: Preis und SKU sind Grundvoraussetzungen. In einer agentenbasierten Welt müssen Produktdaten tiefer gehen: Echtzeit-Verfügbarkeit, Gebrauchsanweisungen, Nachhaltigkeitsnachweise, komplexe Preislogik (Pakete, Mengenstaffeln, regionale Variationen) und mehr. Je reichhaltiger Ihre Attributschicht ist, desto intelligenter können Agenten Produkte mit der Absicht abgleichen – und desto genauer und konsistenter tauchen Ihre Produkte in KI-generierten Empfehlungen auf.
  
  

• Einheitliche Knowledge Graphs: Isolierte Daten sagen Ihnen, was passiert ist. Daten in Beziehung zueinander sagen Ihnen, warum es passiert ist und was wahrscheinlich als Nächstes passieren wird. Einheitliche Knowledge Graphs bilden die Verbindungen zwischen disparaten Datasets ab und geben Agenten den Umgebungskontext, den sie benötigen, um in großem Maßstab zu schlussfolgern. Wie wirken sich Wetterereignisse auf die Logistik für bestimmte SKUs aus? Welche Lieferantenunterbrechungen führen zu welchen regionalen Fehlbeständen? Knowledge Graphs verwandeln diese Fragen von Forschungsprojekten in Echtzeit-Fähigkeiten von Agenten.
  
  

• DPP-Vorschriften: In Europa ist regulatorische Transparenz für bestimmte Branchen nun obligatorisch, wobei in den nächsten Jahren eine schrittweise Einführung für alle Branchen erfolgt. DPPs erstellen überprüfbare End-to-End-Aufzeichnungen über die Reise und Zusammensetzung eines Produkts von der Rohstoffbeschaffung über die Fertigung und den Vertrieb bis hin zum Point of Sale. Über die Compliance hinaus erschließen DPPs neuen Wert: Sie ermöglichen es Agenten, Nachhaltigkeitsaussagen zu überprüfen, Workflows der Kreislaufwirtschaft zu unterstützen und Verbraucher:innen die Herkunftsdaten bereitzustellen, die sie zunehmend fordern.

Enterprise-Agentic-Plattform

Wenn die Daten vereinheitlicht und übersetzt sind, benötigen Sie die operative Engine, um Ihre digitale Belegschaft aufzubauen, auszuführen und zu verwalten. Diese Orchestrierungsschicht erweckt Ihre Strategie zum Leben: Bereitstellung von kundenorientierten Händleragenten zur Aushandlung von Transaktionen, Skalierung der Entscheidungsfindung über Abteilungen hinweg mit Enterprise Data Agents und Durchsetzung einer strengen Human-on-the-Loop (HOL)-Überwachung. Es ist das kontrollierte Framework, das es Agenten ermöglicht, komplexe Probleme autonom zu lösen, während Menschen auf der Entscheidungsebene fest die Kontrolle behalten.

• Händleragent: Dies ist das KI-Gehirn im Zentrum des agentenbasierten Handels. Der Händleragent interagiert mit Shopper-Agenten über standardisierte Protokolle (ACP/UCP) und greift dabei auf die volle Tiefe Ihres Produktkatalogs, 360-Grad-Kundenprofile, Echtzeit-Bestände und Drittanbieterdaten zurück, um im richtigen Moment das optimale Angebot zu erstellen. Es handelt sich nicht um eine statische Empfehlungs-Engine, sondern vielmehr um einen dynamischen Verhandlungsführer, der Margenziele, Customer Lifetime Value und Bestandsbeschränkungen ausbalanciert, um das bestmögliche Geschäft für beide Seiten abzuschließen.
  
  

• Enterprise Data Agents: Analytics sollte nicht durch die Anzahl der Analyst:innen, die Sie einstellen können, zum Engpass werden. Enterprise Data Agents demokratisieren den Zugang zu Erkenntnissen, indem sie Business-User:innen in allen Funktionen, vom Merchandising über Finanzen und Operations bis hin zum Marketing, in die Lage versetzen, Daten durch konversationelle KI abzufragen, zu erkunden und darauf zu reagieren. Aufgebaut auf einer Hochleistungsplattform, die darauf ausgelegt ist, Tausende von Agenten gleichzeitig auszuführen, skalieren Sie so die Entscheidungsunterstützung im gesamten Unternehmen.
  
  

• HOL-Überwachung: Autonomie ohne Aufsicht ist keine Intelligenz – sie ist ein Risiko. Human-on-the-Loop-Systeme strukturieren eine Governance-Schicht, in der Agenten innerhalb definierter Grenzen unabhängig agieren, aber eskalieren, wenn es darauf ankommt. Wenn ein Agent eine Störung erkennt, markiert er sie nicht nur; er simuliert Alternativen, bewertet Kompromisse und präsentiert eine empfohlene Lösung zur menschlichen Genehmigung. Der Mensch bleibt auf der Entscheidungsebene, nicht auf der Ausführungsebene, in den Prozess eingebunden, und das Unternehmen agiert schneller, ohne die Kontrolle zu opfern.

Fazit für Führungskräfte

Während sich die KI-Technologie von der Ermöglichung passiver Assistenten hin zum Antrieb autonomer Agenten wandelt, hängt der Erfolg von der Stärkung der Fähigkeiten zur Agentenentwicklung ab. Stellen Sie eine unternehmensweite Daten- und Agentic-AI-Infrastruktur bereit, die zugängliche, KI-fähige Daten bietet und sowohl Human-in-the-Loop- als auch autonome Abläufe in den Bereichen agentenbasierter Handel, Fertigung, Filialen und Supply Chains ermöglicht.

Sind Sie bereit, KI-Agenten in Ihrem gesamten Unternehmen einzusetzen? Sprechen Sie mit dem Retail & Consumer Goods-Team von Snowflake, um Ihre Agentic-Roadmap zu entwerfen.