KI im B2B-Einkauf: Shop für KI-Recherche rüsten

Der Wandel ist messbar und schnell. In der Forrester-Erhebung mit knapp 18.000 befragten Einkäufern nannten doppelt so viele Befragte generative KI oder konversationelle Suche als ihre wertvollste Recherchequelle wie jede andere Quelle im Vergleich, noch vor Anbieter-Websites, Produktexperten und Vertriebskontakten (Forrester 2026). Parallel verschiebt sich die Erwartungshaltung: 67 Prozent (Gartner 2026) der B2B-Einkäufer bevorzugen einen Kaufprozess ganz ohne Vertriebskontakt, und 70 Prozent (Gartner 2026) wünschen sich ein vollständig digitales Self-Service-Erlebnis. In derselben Gartner-Befragung gaben 45 Prozent (Gartner 2026) an, bei einer kürzlichen Beschaffung generative KI eingesetzt zu haben, vor allem um Informationen über Anbieter und Produkte zu sammeln.

Diese Entwicklung ist kein kurzlebiger Trend, sondern Teil einer breiteren Verschiebung im B2B-Handel. Der weltweite Markt für KI im E-Commerce wurde 2025 auf 9,16 Milliarden US-Dollar (Knowledge Sourcing Intelligence 2026) beziffert und soll bis 2030 auf 19,38 Milliarden US-Dollar (Knowledge Sourcing Intelligence 2026) wachsen. Gartner geht davon aus, dass bis 2028 ein erheblicher Teil der B2B-Transaktionen von KI beeinflusst oder automatisiert wird, mit Einkaufsvolumina in Billionenhöhe, die über automatisierte Systeme angebahnt werden (Gartner 2026). Wer heute seine Datenbasis vorbereitet, baut die Grundlage für einen Einkauf, der zunehmend von Maschinen vorrecherchiert wird.

Entscheidend ist die Verlagerung der Recherche in einen Raum, den der Anbieter nicht mehr direkt kontrolliert. Wenn die KI die Vorauswahl trifft, entscheidet sie anhand der Inhalte, die sie crawlen, strukturiert lesen und bewerten kann. Eine aktuelle Erhebung kommt zu dem ernüchternden Ergebnis, dass 96 Prozent (2X 2026) der B2B-Unternehmen in KI-gestützter Käufer-Recherche praktisch unsichtbar sind, weil ihre Inhalte für die Modelle schwer zugänglich oder schlecht strukturiert sind. Genau hier liegt die Chance für vorbereitete Mittelständler: Wer früh maschinenlesbar wird, taucht in Antworten auf, in denen Wettbewerber fehlen.

Im B2B sind Produktdaten weit mehr als ein Verkaufstext. Technische Spezifikationen, Normen, Maße, Materialangaben, Kompatibilitäten, Zertifikate und Verfügbarkeiten sind die Informationen, die eine Beschaffungsentscheidung tragen. Eine KI, die einen passenden Lieferanten für eine konkrete Anforderung sucht, gleicht genau diese Attribute ab. Fehlen sie, sind sie inkonsistent oder stecken sie nur in einem PDF-Datenblatt, das nicht als strukturierter Text vorliegt, kann das Modell das Produkt nicht sicher zuordnen. Die Folge ist dieselbe wie früher beim Telefonanruf, der ausblieb: Das Sortiment wird übergangen.

Der Hebel liegt in der Vollständigkeit und der maschinellen Lesbarkeit jedes Attributs. Branchenanalysen verbinden gute Produktdatenqualität mit messbar besseren Ergebnissen: Händler, die ihre Daten konsequent pflegen, berichten von deutlich höheren Conversion-Raten auf Produktdetailseiten, während schlechte Datenqualität als wesentliche Ursache für Retouren und Rückfragen gilt (Gartner 2025). Im KI-Zeitalter kommt eine zweite Wirkungsebene hinzu: Dieselben gepflegten Attribute, die einem menschlichen Einkäufer die Entscheidung erleichtern, sind exakt die Signale, an denen sich eine generative KI orientiert. Datenqualität zahlt damit doppelt ein.

Praktisch bedeutet das, jedes relevante Merkmal als eigenes, strukturiertes Feld zu führen statt als Fließtext im Beschreibungsblock. Ein konsequent gepflegtes PIM-System als zentrale Datenquelle sorgt dafür, dass Attribute einheitlich benannt, normiert und vollständig sind, bevor sie in den Shop und damit in den maschinell lesbaren Raum gelangen. Wir setzen diese Datenbasis in Shopware so um, dass technische Attribute, Klassifikationen und Verfügbarkeiten sauber als eigene, auslesbare Eigenschaften vorliegen und nicht in unstrukturiertem Text verschwinden.

Die zweite Säule ist die Suche innerhalb des Shops. Klassische Shop-Suchen arbeiten mit exakten Stichwort-Treffern: Wer nicht das hinterlegte Wort eingibt, findet das Produkt nicht. B2B-Einkäufer, die an KI-Assistenten gewöhnt sind, formulieren jedoch in natürlicher Sprache, beschreiben Anwendungsfälle und nennen Anforderungen statt Artikelnummern. Eine semantische Onsite-Suche versteht Synonyme, technische Varianten und Absichten und liefert auch dann den richtigen Treffer, wenn die Formulierung von der Katalogbezeichnung abweicht.

Diese Erwartung ist keine Spekulation, sondern bereits Realität: 51 Prozent (G2 2026) der B2B-Software-Einkäufer beginnen ihre Recherche inzwischen in einem KI-Chat statt in einer klassischen Suche, und 71 Prozent (G2 2026) ziehen KI-Assistenten für die Produktrecherche heran. Wer diese Nutzer in den eigenen Shop holt, muss ihnen dort dieselbe konversationelle Qualität bieten, die sie vom Recherche-Assistenten gewohnt sind. Eine Onsite-Suche, die an Tippfehlern, Synonymen oder beschreibenden Anfragen scheitert, verliert genau die Besucher, die mit hoher Kaufabsicht kommen.

Technisch lässt sich semantische Suche in Shopware umsetzen, indem Suchindizes um Synonymwörterbücher, Attribut-Mapping und intent-orientierte Gewichtung erweitert werden. Wichtig ist, dass diese Suche auf derselben sauberen Datenbasis aufsetzt: Nur wenn Attribute strukturiert vorliegen, kann die Suche sie als Filter und Treffer-Signale nutzen. Wie sich eine schnelle und treffsichere Suche in den gesamten Bestellprozess einfügt, betrachten wir gemeinsam mit der Schnellbestellung über Bestelllisten, denn der professionelle Einkäufer erwartet vom Auffinden bis zur Bestellung einen durchgängig effizienten Weg.

Die beste Datenqualität nützt wenig, wenn die KI gar nicht an die Inhalte gelangt. Drei technische Voraussetzungen entscheiden über die Zugänglichkeit. Erstens die Crawler-Freigabe: In der robots.txt muss geregelt sein, welche KI-Crawler den Shop lesen dürfen, und die Sitemap muss die relevanten Produkt- und Kategorieseiten vollständig listen. Zweitens das serverseitige Rendering: Inhalte, die erst per JavaScript im Browser nachgeladen werden, sind für viele Crawler und Modelle schwer zugänglich. Serverseitig oder vorgerendert ausgelieferte, indexrelevante Inhalte sind die robustere Wahl. Drittens die strukturierte Auszeichnung über Schema.org, die Produkten, Preisen und Eigenschaften eine eindeutige maschinelle Bedeutung gibt.

Diese Punkte sind keine exotischen Sonderfälle, sondern die häufigsten Gründe, warum Shops in KI-Antworten fehlen. Die bereits zitierte Erhebung führt fehlende oder unvollständige strukturierte Daten, blockierte oder unverwaltete KI-Crawler und schwache externe Bewertungssignale als zentrale technische Lücken auf, die KI-Sichtbarkeit unterdrücken (2X 2026). Für gated B2B-Bereiche gilt zusätzlich die bewusste Trennung: öffentlich zugängliche, indexierbare Informationsseiten zu Produkten und Anwendungen einerseits, geschützte Bereiche mit kundenindividuellen Preisen andererseits. So bleibt der Shop für Geschäftskunden geschützt und für Maschinen dennoch auffindbar.

KI-Recherche ersetzt den Menschen nicht, sie verlagert ihn. Gartner stellt fest, dass 69 Prozent (Gartner 2026) der B2B-Einkäufer sich an Vertriebsmitarbeiter wenden, um KI-generierte Erkenntnisse zu validieren. Einkäufer recherchieren also eigenständig mit der KI, suchen dann aber Bestätigung, bevor sie eine teure oder strategische Entscheidung treffen. Das deckt sich mit der Beobachtung, dass größere Einkaufsgremien wieder zunehmen: Die typische Kaufentscheidung umfasst heute rund 13 interne Beteiligte (Forrester 2026) und mehrere externe Einflussgeber.

Für den Shop heißt das: Er muss beides bedienen. Er ist die Datenquelle, aus der die KI die Vorauswahl speist, und zugleich der Ort, an dem der Einkäufer seine Entscheidung validiert und das Buying Committee mitnimmt. Selbstbedienung birgt dabei ein bekanntes Risiko, denn rein digital getroffene Käufe gehen mit einer höheren Reue-Quote einher, wenn der Prozess den Einkäufer allein lässt (Gartner 2025). Ein gut strukturierter Shop, der klare Daten, nachvollziehbare Spezifikationen und einen reibungslosen Übergang zum persönlichen Kontakt bietet, fängt genau dieses Risiko auf. Wie sich die menschliche Begleitung in einen digital-first Prozess einfügt, vertiefen wir im Beitrag zur Digitalisierung rep-freier Vertriebsprozesse.

Der Weg zu einem KI-tauglichen Shop führt nicht über ein einzelnes Werkzeug, sondern über eine geordnete Folge von Schritten, die auf der bestehenden Shopware-Basis aufsetzen. Wir gehen ihn mit Mittelständlern pragmatisch und in überschaubaren Etappen, damit der laufende Betrieb nicht leidet.

Jeder dieser Schritte zahlt für sich genommen schon auf bessere Conversion und weniger Rückfragen ein, unabhängig von der KI-Frage. In Summe ergeben sie einen Shop, der sowohl den menschlichen Einkäufer als auch den maschinellen Rechercheassistenten bedient. Welche Reihenfolge in Ihrem Fall am meisten bringt, klären wir in einer B2B E-Commerce Beratung, die an Ihrem konkreten Sortiment und Ihren Datenquellen ansetzt.