Was die NRF 2026 über Agentic Commerce und die fehlende Ebene verriet, die Einzelhändler übersehen

New York City / Berlin,^14. Januar 2026 – Nach der NRF 2026 tauchte ein Thema immer wieder in Gesprächen über Einzelhandel, Technologie und Daten auf: agentenbasierte KI. SAIZ bemerkte jedoch etwas Strukturelleres, das über die Schlagworte hinausging.

Wir haben uns mit Marita Sanchez de la Cerda, Mitbegründerin und CEO von SAIZ, zusammengesetzt, um darüber zu sprechen, was bei der NRF tatsächlich herausstach, was sich real anfühlte, was sich fragil anfühlte und was dieser Wandel für Einzelhandelsunternehmen bedeutet, insbesondere in der Modebranche.

Was mich am meisten beeindruckte, war nicht, wie begeistert die Leute von Agenten waren, sondern wie vorsichtig die erfahrensten Teams waren.

Die ehrlichsten Vorträge handelten nicht von auffälligen Erfahrungen, sondern von Grundlagen. URBN beispielsweise zeigte sehr deutlich, dass ihr „agenterischer“ Fortschritt nicht mit Chatbots für Käufer begann, sondern damit, sich auf Definitionen zu einigen, eine semantische Ebene aufzubauen und ihre Daten so vertrauenswürdig zu machen, dass sogar KI darauf zugreifen durfte.

Das fühlte sich sehr erdend an.

Die Botschaft lautete: KI ist keine Zauberei, sondern extrem kontextsensitiv. Wenn Sie keine gemeinsamen Definitionen, keine gemeinsame Herkunft und kein gemeinsames Vertrauen in Ihre Daten haben, schaffen Sie keine Intelligenz, sondern nur einen schnelleren Weg, Fehler zu machen.

Ja, und ich finde das gesund.

Man neigt dazu, sich den agentenbasierten Handel als einen plötzlichen Sprung vorzustellen, bei dem KI Entscheidungen von Anfang bis Ende übernimmt. Was wir jedoch beobachtet haben, ist, dass sich agentenbasiertes Verhalten in realen Organisationen sehr langsam und sehr pragmatisch entwickelt.

Es beginnt damit, das Chaos in der Berichterstattung zu beseitigen, Menschen die Möglichkeit zu geben, Fragen in natürlicher Sprache zu stellen, und Entscheidungszyklen zu beschleunigen. Es geht darum, Reibungsverluste für operative Teams zu reduzieren, nicht darum, Menschen zu ersetzen.

Deshalb ist mir ein Zitat aus den Sitzungen besonders im Gedächtnis geblieben: „Erstellen Sie den Hauptbericht und lassen Sie dann die KI den Rest erledigen.“ Das ist ein wunderschönes mentales Modell. KI ergänzt menschliche Strukturen, ersetzt sie aber nicht.

‍

‍

F: Sie kommen immer wieder auf das Thema gemeinsamer Definitionen und „Wahrheit“ in Daten zurück. Warum ist das im Zusammenhang mit agentenbasierter KI so wichtig?

Denn Agenten zögern nicht, wenn Informationen fehlen. Menschen halten inne. Menschen geben auf. Menschen empfinden Unsicherheit. Agenten tun das nicht. Sie optimieren für die Vollendung.

Wenn ein Agent also auf ein mehrdeutiges Konzept wie „Passform“, „Größe“ oder „Produktqualität“ stößt, trifft er dennoch eine Entscheidung. Er wählt dennoch eine Größe aus. Er schließt dennoch den Kauf ab. Und das in großem Umfang.

Das unterscheidet diesen Moment vom traditionellen E-Commerce. In der Vergangenheit führte Unklarheit zu Reibungen. Heute führt Unklarheit zu unsichtbaren Risiken.

Wenn wir also auf eine Welt zusteuern, in der Entscheidungen zunehmend von Systemen und nicht von Menschen getroffen werden, dann werden die Qualität, Struktur und Bedeutung der Daten, auf denen diese Systeme basieren, zu einer existenziellen Frage.

Deshalb ist die semantische Ebene nicht nur ein technisches Detail, sondern die Kontrollschicht.

Bei der NRF wurde deutlich, dass sich die meisten agentenbasierten Strategien auf Models, Co-Piloten, Assistenten und den Checkout konzentrieren, während die Branche den wichtigsten Entscheidungspunkt in der Modebranche, nämlich die Passform, nach wie vor übersieht.

Fit Today verfügt über keine gemeinsame, maschinenlesbare Wahrheit. Es ist markenspezifisch, kanalübergreifend inkonsistent, schlecht strukturiert und zutiefst menschlich.

Aus unserer Sicht ist SAIZ also kein Feature im Agent-Stack. Es ist Teil der Infrastruktur, die den agentenbasierten Handel überhaupt erst sicher macht.

Wir definieren, was Passform tatsächlich bedeutet. Wir normalisieren die Größenlogik. Wir verbinden Kundensignale mit der Produktrealität. Wir machen Passform erklärbar, nachvollziehbar und konsistent.

Genauso wie Unternehmen eine semantische Ebene benötigten, um „Umsatz“ zu definieren, bevor sie Analysen vertrauen konnten, benötigt auch der agentenbasierte Handel eine semantische Ebene, um „Passgenauigkeit“ zu definieren, bevor er mit Entscheidungen betraut werden kann.

Deshalb bezeichnen wir uns selbst als „Fit Intelligence Layer“. Kein Widget. Kein Empfehlungssystem. Infrastruktur.

‍

F: Was ist Ihrer Meinung nach das größte Risiko, wenn Marken diese Ebene ignorieren?

Dass Fehler schneller als je zuvor zunehmen.

In einer von Menschen geprägten Welt führt eine schlechte Passform zu Zögern, Rückgaben und Beschwerden. In einer agentenorientierten Welt führt eine schlechte Passform zu stillen, selbstbewussten, automatisierten Fehlern.

Agentischer Handel scheitert nicht, weil KI nicht entscheiden kann. Er scheitert, weil KI zu leicht entscheidet.

Wenn Marken das Datenproblem nicht jetzt lösen, bevor Agenten zu Entscheidungsträgern werden, riskieren sie, Unklarheiten fest in den Kern ihres zukünftigen Handelsstacks zu integrieren.

Und sobald sich das einmal festgesetzt hat, lässt es sich nur noch sehr schwer wieder rückgängig machen.

‍

F: Was möchten Sie, dass die Führungskräfte im Einzelhandel aus der diesjährigen NRF mitnehmen?

Dass die eigentliche Arbeit nicht darin besteht, das richtige Modell oder den richtigen Agenten auszuwählen.

Die eigentliche Arbeit besteht darin, sich auf die Wahrheit zu einigen.

Was bedeutet eine Metrik? Was bedeutet ein Produktattribut? Was bedeutet „Passgenauigkeit”? Welchen Daten vertrauen wir genug, um ein System in unserem Namen handeln zu lassen?

Diese Arbeit ist langsam, wenig glamourös und zutiefst organisatorisch. Aber es ist auch die Arbeit, die nachhaltige Transformation von teuren Experimenten unterscheidet.

Die NRF in diesem Jahr schien der Moment zu sein, in dem dies endlich sichtbar wurde.