Wenn der Einkäufer ein Bot ist: Wie KI-Agenten in den Mode-Grosshandel einziehen

Im Oktober 2025 machte Gartner an seinem IT Symposium in Orlando eine Prognose, die jede Grosshandelsleiterin und jeden Grosshandelsleiter der Mode beunruhigen sollte: Bis 2028 werden 90 % des B2B-Einkaufs «von KI-Agenten vermittelt», wobei mehr als USD 15 Billionen an Unternehmensausgaben über das laufen, was das Forschungsunternehmen KI-Agenten-Börsen nennt. Sollte sich das bewahrheiten, ist das Gegenüber, das in zwei Jahren das Line Sheet einer Marke liest, oft eine Software im Auftrag eines Einkäufers und nicht der Einkäufer selbst.

Die gemessene Realität in der Mode ist deutlich bescheidener. Der Bericht «State of B2B eCommerce» 2026 von NuORDER zeigt, dass die KI-Nutzung in Einkauf und Planung im vergangenen Jahr von 11 % auf 17 % gestiegen ist. Gartners eigene Umfrage unter 645 B2B-Einkäufern, durchgeführt im August und September 2025, ergab, dass 45 % bei einem jüngsten Kauf generative KI nutzten, vor allem zur Recherche von Anbietern und Produkten, während 69 % KI-generierte Erkenntnisse weiterhin lieber mit einem Vertriebsmitarbeiter absichern.

Ist der Einkäufer also schon ein Bot? Noch nicht, und nicht so, wie es die Schlagzeile nahelegt. KI zieht über enge, wiederkehrende Aufgaben in den Modeeinkauf ein: Nachschubbestellungen entwerfen, Kataloge mit Trends abgleichen, neue Lieferanten prüfen, Trading-Reports zusammenstellen. Vollautonome Agenten, die Saisonorders platzieren, bleiben selten. Doch die Infrastruktur für den Agenteneinkauf wird jetzt gelegt, von Google, Walmart, Faire und den Grosshandelsplattformen, und die Marken, die von Maschinen gefunden und nachbestellt werden, sind jene, deren Produkt-, Preis- und Verfügbarkeitsdaten eine Maschine tatsächlich lesen kann.

Was prognostiziert Gartner tatsächlich zu KI-Agenten im B2B-Einkauf?

Die 90-%-Zahl stammt aus Gartners strategischen Prognosen, die Daryl Plummer, Leiter der KI-Forschung, im Oktober 2025 an der Veranstaltung in Orlando vorstellte. Der Wortlaut ist wichtig. «Vermittelt» heisst, dass ein Agent irgendwo zwischen Käufer und Verkäufer steht: beim Suchen, Vergleichen, Zusammenfassen, Verhandeln oder Ausführen. Es heisst nicht, dass neun von zehn Käufen ohne Menschen entschieden werden. Es ist eine Prognose über die Richtung, vorgestellt vor einem Publikum von Chief Information Officers, und kein gemessener Anteil am heutigen Einkauf, und Gartner hat keine modespezifische Schätzung beigefügt. Dennoch zeigt sie Lieferanten, wohin grosse Einkäufer und Plattformen wollen und wie schnell sie den Wandel für möglich halten.

Andere Forschungshäuser beschreiben einen Einkaufsprozess, der sich bereits verändert, aber langsamer. Forresters im Januar veröffentlichte «State of Business Buying 2026» zeigt, dass an einer typischen Kaufentscheidung 13 interne Beteiligte und neun externe Einflussnehmer mitwirken und dass sich die Einkaufsgruppen ungefähr verdoppeln, wenn ein Kauf generative KI-Funktionen enthält. In der Umfrage von 2025 gaben 36 % der Käufer an, generative KI habe ihre Sicherheit erhöht, eine gut informierte Entscheidung getroffen zu haben, während sich 20 % unsicherer fühlten, weil sie auf unzuverlässige oder ungenaue Informationen gestossen waren.

McKinseys im Mai veröffentlichte «B2B Pulse»-Umfrage 2026 unter fast 4'000 Entscheidungsträgern in 13 Ländern ergänzt, dass generative KI unter die fünf wichtigsten Kanäle aufgestiegen ist, die Einkäufer zur Lieferantensuche und -bewertung nutzen. Nur 22 % der Organisationen geben an, generative KI vollständig eingeführt zu haben, gegenüber 19 % ein Jahr zuvor, weitere 31 % sind aktiv dabei. Einkäufer geben online gern mehr aus: Die Bereitschaft für Online-Bestellungen über USD 50'000 stieg von 59 % im Jahr 2022 auf 73 %. Die Bereitschaft, USD 500'000 oder mehr online auszugeben, sank jedoch gegenüber 2024 um fünf Prozentpunkte, eine Erinnerung daran, dass grosse Verpflichtungen weiterhin menschlich geprüft werden.

Wie nutzen B2B-Einkäufer heute KI im Einkauf?

Gartners Käuferumfrage vom Mai 2026 zeichnet das klarste Bild des heutigen Verhaltens. Einkäufer stützten sich bei einem jüngsten Kauf im Schnitt auf sieben Informationsquellen. Von den 645 Befragten nutzten 45 % generative KI, 67 % bevorzugen ein Einkaufserlebnis ohne Vertriebsmitarbeiter und 70 % einen vollständig digitalen Self-Service-Prozess. Das Vertrauen bleibt geteilt: 51 % sagten, bei generativer KI sei eher mit irreführenden Informationen zu rechnen, 49 % sagten dasselbe über einen Vertriebsmitarbeiter.

Robert Blaisdell, der in Gartners Sales-Practice die Forschung leitet, fasste die Spannung zusammen: Einkäufer «fühlen sich wohler dabei, digitale Kanäle und GenAI zu nutzen, um den Kaufprozess selbst zu bewältigen», doch «das beseitigt die Rolle des Verkäufers nicht». In der Mode, wo eine Grosshandels-Kundenbetreuerin oder ein Kundenbetreuer oft zugleich als Merchandising-Berater wirkt, ist das das wahrscheinliche Muster der nächsten Zeit: Maschinen bereiten vor und vergleichen, Menschen bestätigen und verhandeln.

Was automatisieren die Einkaufsteams des Modehandels bereits?

Der am besten automatisierbare Teil des Modeeinkaufs ist zugleich der am schnellsten gewachsene. Das Grosshandelspapier von JOOR für 2026 zeigt, dass die durchschnittliche Zeit von der Bestellung bis zum Versand von 263 Tagen im Jahr 2019 auf 102 Tage im Jahr 2024 sank. Evergreen-Styles stiegen von 37 % von JOORs Bruttowarenwert 2019 auf 49 % im Jahr 2024, und Einkäufer verlagern Budget in Richtung In-Season-Einkäufe. Kürzere Zyklen und mehr Continuity-Ware bedeuten mehr kleine, häufige, regelbasierte Entscheidungen: genau die Arbeit, die Software gut erledigt.

Guess liefert auf der Handelsseite ein dokumentiertes Beispiel. Laut einer im Juni 2025 von seinem Softwareanbieter Nextail veröffentlichten Fallstudie hält Guess 50 bis 60 % seines Bestands für In-Season-Bedarf vor und stellte auf einen vollautomatisierten Nachschub auf Basis hyperlokaler Nachfrageprognosen um, mit dem Livegang in ganz EMEA innerhalb von sechs Monaten. Die gemeldeten Ergebnisse: Abverkaufsquote zum vollen Preis plus 5 Prozentpunkte, Filialreichweite minus 7,5 % und 13 % weniger Out-of-Stock-Situationen. Es sind vom Anbieter veröffentlichte Zahlen, doch sie zeigen, wo sich Automatisierung zuerst auszahlt: bei der täglichen Entscheidung, welche Einheiten wohin gehen, ohne dass eine Planerin oder ein Planer jede Zeile anfasst.

AllSaints geht denselben Weg weiter vorgelagert. Im April 2026 teilte der britische Händler mit, KI-native Planungstools in Trading, Prognose, Allokation und Nachschub, Preisreduktionen, Finanzplanung und Sortimentsplanung einzuführen. Die wöchentlichen Trading-Packs, die Teams bisher am Sonntag zu erstellen begannen und nach dem Montag fertigstellten, sollen am Montag um 8 Uhr vorliegen. «Wir haben ein tolles Team, aber es muss so viel Zeit damit verbringen, Daten von Hand zusammenzuziehen und zu analysieren», sagte Alfie Meekings, Chief Transformation and Technology Officer, zu Retail Gazette.

Keiner der beiden Fälle ist ein Agent, der bei externen Marken Bestellungen aufgibt. Sie automatisieren interne Entscheidungen. Sobald aber die Nachschublogik eines Händlers auf Prognosen statt auf Tabellen läuft, ist der Schritt klein, Bestellungen für Never-out-of-stock-Linien automatisch an Lieferanten zu senden, und der Lieferant, dessen Verfügbarkeit und Preise maschinell abfragbar sind, wird am einfachsten nachbestellbar.

Was bauen Grosshandelsplattformen und grosse Händler für den Agenteneinkauf?

Die Marktplätze zwischen Marken und Läden bauen KI auf der Käuferseite des Bildschirms ein. Im März 2026 teilte JOOR mit, ein eigenes Tool auf Basis eines modespezifischen Vision-Language-Modells gebaut zu haben, das die Millionen Produkte der Plattform nach Styles durchsucht, die zu Runway-Trends passen. JOOR nutzte es für einen shoppable Trendbericht Damen Herbst 2026 für seine Community von mehr als 675'000 Einkäufern im Handel. Menschliche Trendanalysten wählten zuerst die sechs Trends aus, dann fand das Modell kommerziell verfügbare Styles. JOOR meldet ausserdem, dass 78 % der neuen Händlerkunden, die über das Matchmaking-Tool Discover gewonnen wurden, nachbestellen und im ersten Jahr im Schnitt mehr als fünf Bestellungen aufgeben.

Faire, das rund USD 3 Milliarden Bruttowarenvolumen erwartet und im Dezember 2025 mit USD 5,2 Milliarden bewertet wurde, nutzt bereits Deep Learning für das Produktranking und hat angekündigt, KI-Einkaufsassistenten zu planen, die Händlern beim Kuratieren von Sortimenten und beim automatischen Hochladen von Produkten helfen sollen. Der Chef Max Rhodes merkte an, dass nur rund 5 % der Hunderte Milliarden Dollar, die US-Händler für die Beschaffung von Ware ausgeben, online abgewickelt werden. Als Faire seine Plattform im Juni 2026 für gewerbliche Käufer wie Hotels und Büros öffnete, behielt es klare Leitplanken bei: Marken entscheiden, ob sie an das Segment verkaufen, Käufer müssen die Mindestmengen der Marken erfüllen, und Marken genehmigen jede Bestellung.

Grosse Händler und Technologiekonzerne bauen die Schienen. Im Januar 2026 lancierte Google das Universal Commerce Protocol, entwickelt mit Shopify, Target, Walmart und Etsy, einen offenen Standard, mit dem Agenten den Weg von der Produktsuche bis zur Zahlung abwickeln können, ausgelegt für das Zusammenspiel mit dem Agent Payments Protocol und dem Model Context Protocol. OpenAI und Stripe haben ihr eigenes Agentic Commerce Protocol. Diese Standards zielen zuerst auf den Konsumenteneinkauf, definieren aber die Schienen, die B2B-Agenten wahrscheinlich nachnutzen werden, und Google verband den Start mit neuen Datenattributen im Merchant Center.

Wie bereit sind die Grosshandelsteams der Modemarken für KI-Einkäufer?

Marken investieren wieder in den Grosshandel. In NuORDERs Bericht 2026 stufen 78 % der Führungskräfte den B2B-Grosshandel als wichtigste Investitionspriorität ein, gegenüber 72 % ein Jahr zuvor, und JOORs Marktumfrage zeigt, dass 52 % der Marken den Grosshandel als ihren profitabelsten Kanal bezeichnen. Doch die Datenbasis, die ein Agent bräuchte, ist dünn. NuORDER stellt fest, dass nur 9 % der Marken voll integrierte ERP-Systeme haben. Bestandsprognosen sind mit 44 % der häufigste KI-Anwendungsfall, und die KI-Nutzung in Einkauf und Planung bleibt eine Minderheitenpraxis.

Die Lücke zwischen Gartners 90-%-Prognose und einer Nutzungsquote von 17 % ist kein Widerspruch. Sie ist der Abstand zwischen der Richtung grosser Beschaffungsorganisationen und dem Stand des saisonalen Mode-Grosshandels heute. Sie zeigt auch, wo die Arbeit liegt: Bevor eine Marke an einen Agenten verkaufen kann, müssen sich ihre eigenen Systeme einig sein, was verfügbar ist, zu welchem Preis und wann.

Der Verkaufskalender erschwert das. JOORs Marktumfrage zeigt, dass der Anteil der Marken mit Capsule Collections von 19 % im Jahr 2023 auf 37 % im Jahr 2025 stieg, während der Anteil mit einer vollständigen neuen Kollektion von 86 % auf 83 % sank. Mehr Drops bedeuten mehr Produktdatensätze, Bilder und Preislisten, die häufiger veröffentlicht werden müssen, und mehr Gelegenheiten, bei denen die Version, die das System eines Händlers liest, von jener im ERP der Marke abweicht. Für einen menschlichen Einkäufer löst eine Abweichung einen Anruf aus. Bei einer automatisierten Nachbestellung führt sie zu einer falschen oder gar keiner Bestellung.

Welche Daten braucht ein KI-Einkaufsagent von einer Modemarke?

Ein menschlicher Einkäufer kann ein unscharfes Bild, ein PDF-Line-Sheet oder eine per E-Mail verschickte Preisliste umgehen. Ein Agent kann das nicht oder überspringt das Produkt stillschweigend. Die Anforderungen sind banal, aber streng: strukturierte, konsistente und aktuelle Daten, die die Fragen eines Einkäufers ohne Telefonanruf beantworten.

Zwei weitere Anforderungen sind weniger technisch. Marken brauchen explizite Regeln dafür, was ein Agent im Auftrag eines Käufers tun darf, etwa welche Bestellgrössen oder Änderungen eine menschliche Freigabe verlangen, wie das Modell von Faire mit der Freigabe jeder Bestellung zeigt. Und sie müssen entscheiden, welche Daten sie offenlegen wollen: Verfügbarkeit in Echtzeit hilft einem Agenten beim Nachbestellen, verrät aber auch Wettbewerbern und Grosskunden viel über die Lage einer Marke.

Welche Risiken und Grenzen haben KI-Agenten im Grosshandelseinkauf?

Die erste Grenze ist die Genauigkeit. In Forresters Umfrage von 2025 waren Beschaffungsprofis skeptischer als andere Käufer: 28 % fühlten sich wegen ungenauer KI-Ergebnisse bei einer Entscheidung weniger sicher, gegenüber 19 % aller Käufer, und 22 % sagten, sie hätten wegen schlechter KI-Informationen Zeit verschwendet. Ein Agent, der eine Grössenkurve oder ein Lieferfenster falsch liest, kann eine Bestellung erzeugen, die formal gültig und wirtschaftlich falsch ist.

Die zweite ist die Natur des Modeeinkaufs. Vorsaison-Bestellungen verbinden Geschmack, Markenstrategie, Exklusivität und Beziehungen und werden oft rund um Marketingunterstützung, Margen und die Zuteilung knapper Styles verhandelt. Gartners eigene Daten deuten darauf hin, dass Käufer wollen, dass Vertriebsmitarbeiter KI-Erkenntnisse validieren, und Blaisdell warnte Vertriebsleiter davor, «die Präferenz der Käufer für digitalen Self-Service als Zeichen zu deuten, dass Verkäufer weniger wichtig sind». Dass die Bereitschaft für sehr grosse Online-Bestellungen laut McKinsey gesunken ist, weist in dieselbe Richtung.

Die dritte ist die Konzentration. Wenn Einkaufsagenten von wenigen Plattformen und grossen Händlern gebaut und kontrolliert werden, ranken sie Lieferanten nach Kriterien, die diese Eigentümer festlegen, von der Datenvollständigkeit bis zu Marge und Werbung. Faires Werbegeschäft, das zwei Jahre vor der Finanzierungsrunde im Dezember 2025 startete, macht bereits mehr als 5 % des Umsatzes aus. Marken sollten damit rechnen, dass die Sichtbarkeit bei Agenten-Einkäufern etwas wird, das sich kaufen lässt, so wie zuvor die Sichtbarkeit in der Suche.

Schliesslich sind Prognosen keine Fakten. Gartners 90-%-Zahl ist eine strategische Prognose mit weiter Definition und kein beobachteter Anteil, und keine der für diesen Artikel geprüften Quellen berichtet von einem Modehändler, der einen Agenten ohne menschliche Freigabe Saisonorders bei externen Marken platzieren lässt. Die sicherste Lesart ist richtungsweisend: Die Agentenvermittlung wird wachsen, beginnend bei Recherche und Nachschub, lange bevor sie den Showroom erreicht.

Was sollten Grosshandelsteams der Mode jetzt tun?

1. Das Line Sheet als Daten prüfen. Kontrollieren Sie, ob jeder Style, jede Farbe und Grösse als strukturierte Felder mit einheitlichen Bezeichnungen in ERP, PLM und Grosshandelskanälen vorliegt.
2. Verfügbarkeit pro SKU und Fenster veröffentlichen. Machen Sie Available-to-sell und Liefertermine für Partner abfragbar, beginnend mit Continuity- und Nachschublinien.
3. Die kommerziellen Regeln codieren. Überführen Sie Mindestmengen, Prepacks, Preisstaffeln und Stornobedingungen in explizite Regeln statt in E-Mail-Vereinbarungen.
4. Festlegen, was eine Maschine freigeben darf. Definieren Sie Schwellenwerte für Bestellgrösse, Änderungen und Ersatzartikel, die auf Ihrer Seite eine menschliche Freigabe verlangen.
5. Mit Nachbestellungen starten, nicht mit der Vorsaison. Pilotieren Sie automatisierte oder agentenunterstützte Bestellungen mit wenigen Handelspartnern bei Never-out-of-stock-Linien und messen Sie Abverkauf und Fehler.
6. Beobachten, wie Plattformen Sie ranken. Verfolgen Sie, wie Marktplätze und Händlerportale Ihre Produkte darstellen und empfehlen und welche Datenvollständigkeit sie belohnen.
7. Kundenbetreuer zu Beratern umschulen. Bereiten Sie Vertriebsteams darauf vor, zu validieren, zu erklären und zu verhandeln, was die KI-Tools der Einkäufer zutage fördern, denn dort wollen Einkäufer weiterhin Menschen.