Wie B2X Software Ecommerce-KI-Bereitschaft bewertet: Das Agentic Readiness Framework
Um zu verstehen, warum Ihr Shop für KI-Agenten unsichtbar ist, braucht es ein strukturiertes Bewertungsmodell — keine Checkliste und kein Raten. Das B2X Agentic Readiness Framework™ ist ein Vier-Schichten-Evaluierungssystem für Ecommerce-KI-Bereitschaft. Es bildet die methodische Grundlage des B2X Agentic Readiness Audit.
Frameworks machen aus Komplexität Systeme.
Was das Framework misst
Die meisten Ecommerce-Shops sind nur teilweise vorbereitet. Ein Shopify-Shop hat möglicherweise MCP aktiviert, aber keine strukturierten Produktdaten. Ein Custom-Headless-Setup verfügt über schnelle APIs, aber keine für Agenten sichtbaren Trust-Signale. Ein Shop kann auffindbar, aber nicht transaktionsfähig sein. Jedes Versagensmuster führt zu einem anderen Ergebnis — und erfordert eine andere Gegenmaßnahme.
Das B2X Agentic Readiness Framework™ bewertet die Bereitschaft über vier voneinander abhängige Schichten. Jede Schicht erfasst einen bestimmten Aspekt der Interaktion von KI-Agenten mit einem Commerce-Shop. Gemeinsam ergeben sie einen einzigen Gesamtwert: den Agentic Readiness Score (ARS).
Agentic Commerce Readiness bezeichnet den Grad, zu dem eine E-Commerce-Plattform von KI-Agenten gefunden, bewertet und transaktioniert werden kann — ohne dass ein Mensch mit der Storefront interagieren muss. Readiness ist kein einzelnes Feature oder ein Schalter, sondern eine architektonische Eigenschaft, die sich über vier voneinander abhängige Schichten erstreckt: Data, Execution, Performance und Trust.
Das B2X Agentic Readiness Framework™
Um zu verstehen, warum Ihr Shop unsichtbar ist, braucht es ein strukturiertes Bewertungsmodell. Das B2X Agentic Readiness Framework™ ist ein Vier-Schichten-Bewertungssystem für Ecommerce-KI-Readiness. Es ist die methodische Grundlage des Agentic Readiness Audit von B2X.
| Schicht | Kernfrage | Bei Mängeln | Bei Agent-Native |
|---|---|---|---|
| Data | Können Agenten Ihre Produkte verstehen? | Kein Schema, unvollständige Attribute, JS-gesperrte Daten | Vollständiges Schema.org, inference-ready Beschreibungen, strukturierter FAQ-Content |
| Execution | Können Agenten Aktionen ausführen? | Kein UCP, kein ACP, nur Lesezugriff | MCP + UCP + ACP aktiv, vollständiger autonomer Kaufzyklus |
| Performance | Ist Ihre Infrastruktur zuverlässig? | Langsame API-Antworten, inkonsistente Daten, HTML-Fehlerseiten | Sub-200ms API, 99,9 %+ Uptime, strukturiertes Error-Handling |
| Trust | Vertrauen Agenten Ihrem Shop genug zum Transagieren? | Kein Review Schema, versteckte Richtlinien, Preisinkonsistenzen | Maschinenlesbare Richtlinien, Review Schema, verifizierte Händlersignale |
Data
35 % Gewichtung
Grundlage jeder Agenten-Interaktion. Ohne strukturierte Daten funktioniert keine andere Schicht korrekt.
Execution
30 % Gewichtung
Entscheidet darüber, ob Agenten handeln können, nicht nur lesen. Protokoll-Support ist der entscheidende Differenzierungsfaktor.
Performance
20 % Gewichtung
Zuverlässigkeit und API-Antwortzeit beeinflussen direkt die Wahrscheinlichkeit einer Agenten-Empfehlung.
Trust
15 % Gewichtung
Trust-Signale beeinflussen das Konversionsvertrauen auf der Agenten-Bewertungsebene.
Agentische Bereitschaftsbewertung
Jede Schicht wird unabhängig bewertet, mit Gewichtungen entsprechend ihrem relativen Einfluss auf das Agenten-Verhalten. Die vier Schichten ergeben einen zusammengesetzten Agentic Readiness Score (ARS) von 0 bis 100:
| Score-Bereich | Readiness-Status | Bedeutung für Ihren Shop |
|---|---|---|
| 0 – 25 | Agent-Invisible | Agenten können Ihren Shop nicht entdecken oder interpretieren. Kein Schema-Markup, kein Protokoll-Support. |
| 26 – 50 | Agent-Discoverable | Agenten finden Sie, können aber nicht zuverlässig bewerten oder transagieren. Partielles Schema, unzureichende Datenqualität. |
| 51 – 75 | Agent-Readable | Agenten verstehen Ihren Katalog, aber Execution-Lücken bleiben. Nur informationelle Empfehlungen. |
| 76 – 90 | Agent-Transactable | Vollständiger Protokoll-Support aktiv. Agenten können entdecken, bewerten und Transaktionen abschließen. |
| 91 – 100 | Agent-Native | Vollständig optimiert über alle vier Schichten. Ihr Shop ist für die Agentic Era von Grund auf gebaut. |
Schicht 1: Data
Die Data-Schicht ist das Fundament der Agenteninteraktion. KI-Agenten lesen keine Webseiten. Sie parsen strukturierte Daten — maschinenlesbare Signale, die beschreiben, was ein Produkt ist, was es kostet, ob es verfügbar ist und wie es sich auf andere Produkte und Richtlinien im Katalog bezieht.
Ein Shop, bei dem Produktinformationen in Liquid-Templates, JavaScript-Rendering-Logik oder visuellen Design-Komponenten eingeschlossen sind, ist für Agenten auf der Data-Schicht unsichtbar — unabhängig von der Protokollaktivierung. MCP, UCP und ACP können nur Daten zugänglich machen, die bereits strukturiert vorliegen.
Was die Data-Schicht bewertet
Vollständigkeit und Korrektheit des Schema.org Product-Markups
Variantenebene Offer-Blöcke (Preis, Verfügbarkeit, GTIN je Variante)
BreadcrumbList- und Kategorie-Schema auf Kategorieseiten
FAQPage-Schema für Produkt- und Richtlinieninhalte
Vollständigkeit und Validität der GTINs (EAN/UPC) über den gesamten Katalog
Tiefe der Produktattribute: Spezifikationen, Materialien, Abmessungen, Kompatibilität
Inference-Bereitschaft von Produktbeschreibungen
Häufige Data-Schicht-Fehler
Einzelner aggregierter Offer-Block statt variantenebener Offer-Einträge
Fehlende GTINs bei 30–70 % der Katalog-SKUs
Produktbeschreibungen für Menschen geschrieben, ohne strukturierte Attributextraktion
Richtlinien nur über JavaScript-Modals oder PDFs zugänglich
Kein FAQPage-Schema trotz umfangreicher FAQ-Inhalte
Schicht 2: Execution
Die Execution-Schicht bestimmt, ob Agenten handeln können — nicht nur entdecken und lesen. Ein KI-Agent, der Ihre Produkte finden, aber keinen Warenkorb initiieren, keinen Kauf abschließen oder die Transaktionsfähigkeit nicht verifizieren kann, hat begrenzten kommerziellen Wert für eine Marke.
Drei Protokolle definieren die Execution-Schicht im Jahr 2026: MCP (Model Context Protocol von Anthropic), UCP (Universal Commerce Protocol von Google und Shopify) und ACP (Agentic Commerce Protocol von OpenAI und Stripe). Jedes Protokoll ermöglicht einen anderen Aktionsmodus.
Was die Execution-Schicht bewertet
MCP-Endpunkt-Datenqualität und Vollständigkeit (Protokollaktivierung allein reicht nicht)
Vorhandensein und Korrektheit der ucp.json-Manifest-Datei
ACP-Integrationsstatus (direkt oder über Plattform)
Fähigkeit zum vollständigen autonomen Kaufzyklus
OAuth-2.0-Flow operativ für Agentenautorisierung
Das MCP-Missverständnis
Shopify hat MCP 2025 automatisch auf allen Shops aktiviert. Dies wird häufig als „Agentic Readiness“ missverstanden. Ein MCP-Endpunkt ist nur so nützlich wie die Daten und Infrastruktur dahinter. Rund 90 % der Shops mit aktiviertem MCP sind für KI-Agenten nach wie vor unsichtbar oder unzuverlässig — nicht weil das Protokoll fehlt, sondern weil die zugrunde liegende Datenqualität und Execution-Schicht nicht vorbereitet sind.
Schicht 3: Performance
Die Performance-Schicht bewertet, ob Ihre Infrastruktur zuverlässig und schnell genug ist, um agentengesteuerte Transaktionen zu unterstützen. KI-Agenten sind automatisierte Systeme. Sie warten nicht. Ein Shop, der langsam reagiert, inkonsistente Daten liefert oder HTML-Fehlerseiten statt strukturierter Fehlerantworten produziert, wird von Agenten deprioritisiert, die Kaufentscheidungen in Echtzeit treffen.
Was die Performance-Schicht bewertet
API-Antwortzeit für Produkt- und Katalog-Endpoints (Ziel: unter 200 ms)
Uptime auf agentenzugänglichen Endpoints (Ziel: 99,9 %+)
Konsistenz und Determinismus der API-Antworten
Strukturiertes Error-Handling (JSON-Fehlerantworten statt HTML-Seiten)
Machine-Traffic-Monitoring getrennt von Human-User-Analytics
Warum Performance die Empfehlungswahrscheinlichkeit beeinflusst
Ein KI-Agent, der eine Produktempfehlung ausspricht, greift auf gecachte und Echtzeit-Daten zurück. Ein Shop mit veralteten Bestandsdaten, inkonsistenten Preisen oder unzuverlässigen API-Endpoints erzeugt Trust-Fehler. Sobald ein Agent einen Infrastrukturausfall gegen einen Händler registriert, sinkt die Empfehlungswahrscheinlichkeit — und dieser Effekt verstärkt sich über wiederholte Interaktionen.
Schicht 4: Trust
Die Trust-Schicht bewertet, ob KI-Agenten verifizieren können, dass Ihr Shop sicher zu empfehlen und zu transaktionieren ist. Agenten verlassen sich nicht auf ästhetische Trust-Signale — markenorientiertes Design, manuelle Social Proof, redaktionelle Fotografie. Sie verlassen sich auf maschinenlesbare Trust-Signale: strukturierte Bewertungsdaten, Preiskonsistenz, transparente Richtlinien und Entity-Verifizierung.
Was die Trust-Schicht bewertet
AggregateRating- und Review-Schema auf Produktseiten
Zugänglichkeit von Rückgabe- und Versandrichtlinien in strukturiertem, parsebarem HTML-Format
Preiskonsistenz über Website, Merchant-Center-Feeds und API-Endpoints
Organization-JSON-LD mit hasCredential-, areaServed- und sameAs-Feldern
Händlerverifizierungssignale, die für die Agentenbewertung relevant sind
Trust-Fehler und ihre Folgen
Ein Shop mit ausgezeichneten Produkten und starken menschenorientierten Trust-Signalen, aber ohne entsprechendes Schema-Markup ist für die Agenten-Trust-Bewertung unsichtbar. Der Agent kann die Behauptung nicht verifizieren. Preisinkonsistenzen über Kanäle hinweg — selbst geringfügige — werden als Zuverlässigkeitssignal markiert und reduzieren das Empfehlungsvertrauen. Fehlendes Review-Markup bedeutet, dass für Menschen sichtbare Bewertungen für Agenten unsichtbar bleiben.
Wie B2X das Framework anwendet
Das B2X Agentic Readiness Framework™ ist die methodische Grundlage des B2X Agentic Readiness Audit. In einem Audit-Engagement bewertet B2X alle vier Schichten systematisch — durch technische Inspektion, Live-API-Tests, Schema-Validierung, Protokoll-Endpoint-Tests und Structured-Data-Analyse.
Das Ergebnis ist ein bewerteter PDF-Bericht mit ARS-Werten auf Schicht- und Gesamtebene sowie einer priorisierten Maßnahmen-Roadmap. Die Roadmap sequenziert Sanierungsarbeiten nach Impact-to-Effort-Verhältnis: zuerst die wirkungsstärksten Data-Layer-Fixes, danach Execution-Layer-Protokollarbeiten, anschließend Performance- und Trust-Optimierungen.
Das Framework ist plattformunabhängig und gilt für Shopify, Shopify Plus, Headless-Commerce-Stacks und Custom-D2C-Plattformen. Wo Plattform-Constraints beeinflussen, was erreichbar ist (zum Beispiel Shopifys automatische MCP-Aktivierung), dokumentiert das Audit diesen Kontext explizit.
So wenden Sie das Framework selbständig an
Die folgenden Diagnosefragen ermöglichen jedem Ecommerce-Betreiber eine vorläufige Selbsteinschätzung über alle vier Schichten. Ein strukturiertes Audit liefert präzise Scores; diese Selbsteinschätzung identifiziert die kritischsten Lücken vor einem formellen Engagement.
Schicht 01
Data-Schicht-Diagnose
Hat Ihr Shop Schema.org-Product-Markup auf allen wichtigen Produkt- und Kategorieseiten?
Sind GTINs (EAN/UPC) vollständig und validiert über Ihren Katalog?
Enthalten Produktbeschreibungen strukturierte Attribute über Name und Preis hinaus?
Gibt es strukturiertes FAQPage-Schema für Produkt- und Richtlinieninhalte?
Sind alle Offer-Blöcke auf Variantenebene vorhanden, nicht nur als aggregierte Offers?
Schicht 02
Execution-Schicht-Diagnose
Liefert Ihr MCP-Endpoint vollständige, akkurate, Echtzeit-Katalogdaten?
Haben Sie eine veröffentlichte ucp.json-Manifest-Datei, die Ihre UCP-Fähigkeiten deklariert?
Ist ACP-Integration aktiv oder sind Sie auf einer Plattform, die dies automatisch übernimmt?
Kann ein KI-Agent einen Kauf von der Entdeckung bis zum Checkout ohne menschliche Intervention abschließen?
Schicht 03
Performance-Schicht-Diagnose
Antworten Produkt- und Katalog-API-Endpoints in unter 200 ms unter normaler Last?
Liegt die Uptime agentenzugänglicher Endpoints bei 99,9 % oder darüber?
Sind API-Antworten konsistent und deterministisch?
Monitoren Sie Machine-Traffic-Endpoints getrennt von Human-Analytics?
Schicht 04
Trust-Schicht-Diagnose
Sind AggregateRating und Review-Schema auf allen Produktseiten mit Bewertungen implementiert?
Sind Rückgabe- und Versandrichtlinien in strukturiertem, parsebarem HTML-Format zugänglich?
Ist die Preisgestaltung konsistent über Website, Merchant-Center-Feeds und API-Endpoints?
Enthält Ihr Organization-JSON-LD die Felder hasCredential, areaServed und sameAs?
Häufig gestellte Fragen
Häufig gestellte Fragen zum B2X Agentic Readiness Framework™ und seiner Anwendung.
Das B2X Agentic Readiness Framework™ ist ein Vier-Schichten-Evaluierungsmodell zur Beurteilung der Bereitschaft von E-Commerce-Plattformen, von KI-Agenten gefunden, bewertet und transaktioniert zu werden. Es bewertet Data-, Execution-, Performance- und Trust-Schicht unabhängig voneinander und erzeugt einen Gesamt-ARS von 0 bis 100.
Der ARS ist ein Gesamtwert von 0 bis 100, der die agentengerechte Bereitschaft über alle vier Schichten widerspiegelt. Er wird als gewichteter Durchschnitt berechnet: Data (35 %), Execution (30 %), Performance (20 %), Trust (15 %). Der Score ordnet sich fünf Readiness-Stufen zu — von Agent-Invisible (0–25) bis Agent-Native (91–100).
Ein herkömmliches SEO-Audit bewertet, wie menschliche Suchmaschinen Inhalte indexieren und ranken. Das B2X Agentic Readiness Framework™ bewertet, wie KI-Agenten einen Shop entdecken, interpretieren und in ihm agieren. KI-Agenten verwenden keine traditionellen Rankingsignale — sie parsen strukturierte Daten, rufen API-Endpoints auf und verifizieren Trust-Signale programmgesteuert. Ein SEO-optimierter Shop kann trotzdem Agent-Invisible sein.
Ja. Das Framework ist plattformunabhängig. Für Shopify- und Shopify-Plus-Händler berücksichtigt die Bewertung Shopifys automatische MCP-Aktivierung — und identifiziert gleichzeitig die Data-Layer-Lücken (Schema-Vollständigkeit, GTIN-Abdeckung, variantenebene Offer-Blöcke), die durch Plattform-Standards unberührt bleiben.
Ja. Custom- und Headless-Architekturen bieten größere Flexibilität, um Agent-Native-Status über alle vier Schichten zu erreichen, erfordern aber explizite Implementierung dort, wo Plattform-Shops automatische Aktivierungen erhalten. Das Framework wendet identische Bewertungskriterien unabhängig von der Plattform an.
Ein typisches Audit-Engagement bei B2X dauert ein bis zwei Wochen. Das Ergebnis ist ein bewerteter PDF-Bericht mit ARS auf Schicht- und Gesamtebene sowie einer priorisierten Maßnahmen-Roadmap nach Impact-to-Effort-Verhältnis.
Agent-Transactable (76–90) ist die Schwelle, ab der KI-Agenten einen Shop autonom entdecken, bewerten und Transaktionen abschließen können. Die meisten Shops im DACH-Raum liegen 2026 im Bereich Agent-Discoverable oder Agent-Readable. Agent-Native-Status (91+) erfordert gezieltes architektonisches Investment, liefert aber die höchste Empfehlungswahrscheinlichkeit.
