Wie macht man einen B2B-Modekatalog für KI-Einkaufsagenten maschinenlesbar?

Um einen B2B-Modekatalog für Einkaufsagenten maschinenlesbar zu machen, muss eine Marke ihre Produktdaten, kundenspezifischen Preise, verkaufsfähigen Bestände, Lieferfenster und Handelskonditionen über authentifizierte, gut dokumentierte APIs bereitstellen, mit konsistenten Kennungen und Standardvokabularen. Die Schwierigkeit liegt nicht in der Schnittstelle, sondern in der Wholesale-Logik dahinter: Wer darf welches Sortiment zu welchem Preis für welche Lieferung sehen?

Warum brauchen Einkaufsagenten maschinenlesbare B2B-Kataloge?

Einkäuferinnen und Einkäufer im Handel sowie Beschaffungsteams beginnen, KI-Assistenten zu nutzen, um Angebote zu vergleichen, Verfügbarkeiten zu prüfen und Bestellungen vorzubereiten. An seinem IT Symposium/Xpo 2025 prognostizierte Gartner, dass KI-Agenten bis 2028 B2B-Ausgaben von mehr als 15 Billionen US-Dollar vermitteln werden und dass autonomes Einkaufen auf überprüfbaren Datenfeeds und standardisierten Vertrauensrahmen beruhen wird. Solche Prognosen sind unsicher, die Richtung ist aber klar: Ein Katalog, der nur als PDF-Linesheet, als Tabelle oder hinter einem für Menschen gestalteten Login existiert, kann von einem Agenten nicht genutzt werden.

Der Bericht von McKinsey zu Agentic Commerce ist zwar auf Konsumgüter ausgerichtet, gibt Händlern aber ähnliche Ratschläge: robuste, modulare APIs aufbauen und Produktdaten für Agenten lesbar machen, einschliesslich semantischer Metadaten.

Warum sind Wholesale-Daten in der Mode schwieriger als B2C-Daten?

• Kundenspezifische Preise: Wholesale-Preise, Rabatte und Währungen variieren je nach Kundenkonto, Region und Vereinbarung.
• Eingeschränkte Sortimente: Manche Linien sind nur für bestimmte Verkaufspunkte, Kanäle oder Länder verfügbar.
• Auftragsarten: Pre-Order, Re-Order und Never-out-of-Stock-Programme haben unterschiedliche Lieferfenster und Regeln.
• Mindestmengen und Packs: Mindestbestellmengen, Grössenpacks (Prepacks) und Kartonvielfache bestimmen, was bestellt werden kann.
• Künftige Verfügbarkeit: Einkäufer brauchen die verkaufsfähige Menge pro Lieferfenster, nicht nur den aktuellen Lagerbestand.

Lesen Sie auch

KI-Klauseln in B2B-Verträgen: 20 Fragen an Softwareanbieter und Handelspartner

Welche Daten sollte eine B2B-Katalog-API bereitstellen?

Wie sollte die API aufgebaut und abgesichert werden?

Ein nützlicher Test lautet: Könnte ein neuer Handelskunde am ersten Tag einer Verkaufssaison über die API dieselben Informationen erhalten wie von einer Aussendienstmitarbeiterin oder einem Aussendienstmitarbeiter, also die richtige Kollektion, die richtigen Preise, Lieferfenster und Bestellregeln? Erfordert die Antwort manuelle Tabellen oder E-Mails, müssen diese Schritte zuerst automatisiert werden. Marken sollten zudem intern festlegen, welche Daten mit welchem Kundentyp geteilt werden, da Distributoren, Warenhäuser und Marktplätze oft unterschiedliche Rechte und Konditionen haben.

1. Von einer sauberen Quelle ausgehen: Produktinformationen, Preise und Bestände sollten aus denselben Systemen stammen, die auch Ihre Bestellplattform und Ihr ERP speisen, damit Agenten nie Zahlen sehen, die von bestätigten Bestellungen abweichen.
2. Jeden Agenten authentifizieren: Nutzen Sie kundenspezifische Zugangsdaten oder OAuth, damit ein Agent, der für einen Händler handelt, nur dessen Sortiment und Preise sieht.
3. Lesen und Schreiben trennen: Erlauben Sie Agenten zuerst Abfragen zu Katalog, Preisen und Verfügbarkeit. Bestellentwürfe oder -übermittlungen sollten erst nach Tests freigeschaltet werden, mit menschlicher Freigabe für Bestellungen über definierten Schwellenwerten.
4. Versionieren und dokumentieren: Veröffentlichen Sie eine OpenAPI-Beschreibung und ein Änderungsprotokoll, damit sich Integratoren und Agenten auf stabile Felder verlassen können.
5. Protokollieren und Zugriffe begrenzen: Führen Sie einen Prüfpfad über Abfragen und Bestellungen von Agenten und schützen Sie Bestandsdaten durch Rate Limiting vor Scraping.

Welche Rolle spielen MCP und schema.org?

Das Model Context Protocol (MCP) ist ein Open-Source-Standard, um KI-Anwendungen mit externen Systemen zu verbinden, und wird von Assistenten wie Claude und ChatGPT unterstützt. Eine Marke kann Funktionen wie «Katalog durchsuchen», «Verfügbarkeit für Lieferfenster prüfen» oder «Bestellentwurf erstellen» als MCP-Server bereitstellen, sodass kompatible Agenten sie ohne individuelle Integration für jeden Assistenten nutzen können. Authentifizierungs- und Berechtigungsregeln gelten weiterhin.

Schema.org bietet ein gemeinsames Vokabular, das Agenten bereits verstehen. Der Typ Offer enthält Eigenschaften wie eligibleQuantity, eligibleCustomerType, deliveryLeadTime, inventoryLevel und availabilityStarts, die sich gut auf Wholesale-Konzepte übertragen lassen. Auch das für den Handel entwickelte Universal Commerce Protocol von Google zeigt die Richtung: Funktionen für Katalog, Warenkorb, Checkout und Bestellverwaltung mit OAuth-basierter Identitätsverknüpfung.

Mit welchen Wholesale-Szenarien sollte man beginnen?

Nicht jeder Wholesale-Prozess eignet sich gleich gut für Agenten. Re-Orders von Carry-over- und Never-out-of-Stock-Artikeln sind der naheliegendste Einstieg: Die Regeln sind klar, die Mengen wiederholen sich, und die Daten, etwa Abverkauf und Bestand beim Händler, werden oft bereits ausgetauscht. Danach folgen Verfügbarkeitsabfragen und Bestellentwürfe für die Nachversorgung während der Saison. Die Pre-Order neuer Kollektionen bleibt stark beziehungsgetrieben, hängt von der Präsentation im Showroom und vom Aussendienst ab und umfasst Verhandlungen über Mengen, Exklusivität und Lieferfenster. Agenten können Einkäufern helfen, diese Entscheidungen vorzubereiten, etwa indem sie die Abverkaufshistorie zusammenfassen, eine vollständige Automatisierung ist kurzfristig aber unwahrscheinlich. Wer in dieser Reihenfolge priorisiert, hält das Risiko gering und lernt viel über Datenlücken, bevor sensiblere Prozesse für Agenten geöffnet werden.

Lesen Sie auch

Wie Integrationen Marken und Handel verbinden: EDI, APIs und Dateien

Wie prüft man die Bereitschaft für Einkaufsagenten?

Wählen Sie einige Schlüsselkunden aus und simulieren Sie deren typische Fragen: Welche Styles einer bestimmten Kategorie können in einem bestimmten Fenster geliefert werden, was kostet eine bestimmte Menge, und bei welchen Grössen ist die Verfügbarkeit knapp? Prüfen Sie, ob die Antworten mit dem ERP und der Sicht des Verkaufsteams übereinstimmen. Messen Sie dann die Datenlücken, etwa fehlende Materialangaben oder EANs, und beheben Sie sie an der Quelle. Marken, die bereits digitale Bestellprozesse im Wholesale betreiben, haben einen Vorteil, weil ein Grossteil der Daten und der Berechtigungslogik schon existiert. Der verbleibende Schritt besteht darin, sie über stabile, dokumentierte Schnittstellen zugänglich zu machen.