Fallstudie #1: Wie koreanische-kosmetik-shop.de zum ersten dokumentierten Phase 1 von Agentic Commerce: Agentic Recommendation-Fall in DACH wurde
Eine dokumentierte Erstbestellung über chatgpt.com als First-Touch-Quelle. Ein eigener Custom GPT im öffentlichen ChatGPT Store. Diese Fallstudie öffnet die Serie von dokumentierten Praxisfällen aus der operativen Arbeit der blueShepherd GmbH – und zeigt, warum sich Agentic Commerce nicht an der Werbebudget-Höhe entscheidet, sondern an der Qualität der Datenarchitektur.
Diese Fallstudie dokumentiert einen Fall aus der operativen Praxis der blueShepherd GmbH und ihrer eigenen E-Commerce-Projekte. Als Digitalagentur mit eigenen Shops verfügen wir über vollen Zugriff auf die tatsächlichen Daten – Tracking, Attribution, Conversion-Pfade, Shopify-Backend, GA4-Events – und dürfen diese in voller Tiefe publizieren.
Der Fall: 20. April 2026, 10:26 Uhr
Im Shopify-Backend von koreanische-kosmetik-shop.de landete eine Bestellung, deren erste Session nachweislich aus chatgpt.com kam. Eine Erstkundin ohne vorangegangene Google-Session, ohne Newsletter-Historie, ohne Werbekontakt. Fünf Produkte – Purito, Beauty of Joseon, I’m From, Round Lab – zusammengestellt als funktional vollständige K-Beauty-Routine.
Die Beweiskette lässt sich in zwei unabhängigen Systemen nachvollziehen:
- Shopify Session Details: „Visited your store from https://chatgpt.com/” am 19. April 2026, 19:12 Uhr. Rückkehrsession als „direct” am 20. April, 10:04 Uhr, mit zielgerichtetem Einstieg auf
/collections/creme-augenpflege. Bestellung um 10:26 Uhr. - Google Analytics 4, Ecommerce Purchases mit First User Source / Medium: Alle fünf gekauften Produkte sind unter „chatgpt.com / referral” als First-Touch-Quelle verzeichnet.
Was sich daraus belegen lässt: Der Erstkontakt der Kundin mit dem Shop fand über einen Link aus chatgpt.com statt. Was sich daraus nicht belegen lässt: ob die Empfehlung innerhalb der regulären ChatGPT-Oberfläche, über unseren eigenen Custom GPT, über ChatGPT Shopping oder über eine andere ChatGPT-Oberfläche entstanden ist. ChatGPT setzt beim Outbound-Klick eine restriktive Referrer-Policy; UTM-Parameter waren nicht gesetzt. Für die fachliche Einordnung als dokumentierter Fall von Phase 1 von Agentic Commerce: Agentic Recommendation ist das auch nicht entscheidend – entscheidend ist, dass ein Sprachmodell den Shop in seine Empfehlung aufgenommen hat und diese Empfehlung in einen realen Kauf umschlug.
Ein eigener Custom GPT im ChatGPT Store
Parallel zur Präsenz als empfehlungsfähiger Shop betreiben wir für koreanische-kosmetik-shop.de einen eigenen Custom GPT im öffentlichen ChatGPT Store – zugänglich für jeden ChatGPT-Nutzer weltweit. Der GPT berät Nutzer konversationell zu koreanischen Hauttypen, Wirkstoffen, Routinen und Produktkombinationen.
Ob die konkret dokumentierte Bestellung über diesen Custom GPT oder über die reguläre ChatGPT-Oberfläche zustande kam, lässt sich auf Basis der vorhandenen Tracking-Daten nicht eindeutig bestimmen. ChatGPT überträgt beim Outbound-Klick keine ausreichend detaillierten Referrer-Informationen, um zwischen den beiden Oberflächen zu unterscheiden. Was sich festhalten lässt: Der Shop ist im ChatGPT-Ökosystem aktiv präsent.
Die Voraussetzungen für Empfehlungsfähigkeit
Dass ein Shop in einer KI-Empfehlung auftaucht, ist kein Zufall und kein Ergebnis von Werbebudget. Es ist das kumulative Resultat struktureller Arbeit auf drei Ebenen, die wir in unserer Beratungspraxis als drei Säulen der Empfehlungsfähigkeit bezeichnen.
Säule 1: Entity Strength
Sprachmodelle bauen interne Modelle der Welt aus Entitäten und ihren Beziehungen. Eine Marke, ein Shop oder ein Unternehmen existiert für die KI in dem Maße, in dem es als Entität eindeutig, konsistent und vernetzt dokumentiert ist. Die Voraussetzung dafür ist Konsistenz über alle Quellen hinweg – Homepage, Impressum, Branchenverzeichnisse, Bewertungsplattformen, Fachmedien, Social-Media-Profile. Abweichende Signale führen zu unscharfer Abbildung, unscharfe Abbildungen werden seltener empfohlen.
Säule 2: Product Intelligence
Maschinenlesbare Produktdaten sind die einzige Sprache, die ein KI-Agent zuverlässig versteht. Schema.org-Markup, strukturierte Feeds, saubere Varianten- und Kategorie-Relationen, aktuelle Preis- und Verfügbarkeitsangaben bilden die Grundlage, auf der Sprachmodelle Empfehlungsentscheidungen treffen. Lücken oder Widersprüche in diesen Daten erzeugen entweder Nichterwähnung oder – im schlimmeren Fall – Halluzinationen, also erfundene Produkteigenschaften, die zum Wettbewerber führen.
Säule 3: Citation Worthiness
Sprachmodelle zitieren Quellen, denen sie fachliche Tiefe zuschreiben. Dokumentierte Expertise – eigenständige Einordnungen, Vergleiche, Erklärungen jenseits kopierter Herstellertexte – hebt ein digitales Angebot aus dem Commodity-Wettbewerb heraus. In aktuellen Analysen zu LLM-Zitationen ist die Zitierwürdigkeit der stärkste Einzelfaktor für Empfehlungsfähigkeit.
Was dieser Fall über Phase 1 von Agentic Commerce: Agentic Recommendation zeigt
Auf llm-marketing.de haben wir die Taxonomie des Agentic Commerce in vier Phasen gegliedert (dort nachzulesen). Phase 1 – Agentic Recommendation – ist die Stufe, in der ein Sprachmodell Empfehlungen aussteuert und der Mensch die Ausführung übernimmt. Genau diese Stufe ist im hier dokumentierten Fall sichtbar: Die Empfehlung entstand in einer KI-Konversation, die Ausführung (Warenkorb, Checkout, Zahlung) blieb beim Menschen.
Für Händler bedeutet das drei strategische Konsequenzen:
Erstens: Phase 1 von Agentic Commerce: Agentic Recommendation ist keine Zukunftsvision. Sie produziert heute messbaren Umsatz in deutschsprachigen Shops. Wer wartet, bis „der Agent autonom kauft” (Phase 3), hat die entscheidende Positionierungsphase bereits verpasst.
Zweitens: Die Attribution klassischer Performance-Marketing-Tools wird in Phase 1 von Agentic Commerce: Agentic Recommendation lückenhaft. Im dokumentierten Fall wäre die Bestellung in vielen Setups als „Direct Traffic” verbucht worden – und die tatsächliche Kausalität (KI-Empfehlung) wäre unsichtbar geblieben. Händler, die ausschließlich auf Last-Click-Dashboards schauen, sehen den Kanal nicht. Er findet trotzdem statt.
Drittens: Der Aufbau von Entity-Strength, Product Intelligence und Citation Worthiness ist keine Maßnahme, die in vier Wochen abgeschlossen ist. Es ist systematische Infrastruktur-Arbeit über Monate. Wer heute anfängt, hat bis Ende 2026 eine konsolidierte Position. Wer 2027 anfängt, konkurriert gegen Akteure, deren Entity-Profil bereits in den Modellen verankert ist.
Was blueShepherd an dieser Fallstudie demonstriert
Die blueShepherd GmbH ist eine Digitalagentur mit Sitz in Hamburg, gegründet 2017. Gründer und Geschäftsführer Mandar Ambekar bringt 24 Jahre Digital-Marketing-Erfahrung aus seiner Laufbahn davor mit. Unsere Kompetenz erstreckt sich über die volle Breite digitaler Disziplinen – von Markenführung, Performance Marketing, SEO, SEA, Content und Analytics bis zu den aufkommenden Feldern LLM-Marketing und Agentic Commerce.
Was uns von klassischen Beratungs-Agenturen unterscheidet: Wir sprechen nicht nur über Kanäle, wir sind in ihnen selbst unternehmerisch aktiv. koreanische-kosmetik-shop.de ist einer unserer eigenen Shops. Der Custom GPT im ChatGPT Store ist unser eigenes Projekt. Die dokumentierte Fallstudie ist kein theoretischer Konstrukt, sondern operative Praxis unter realen Budget-, Zeit- und Marktbedingungen.
Diese Perspektive – gleichzeitig Agentur und Händler zu sein – ist in DACH selten. Wir argumentieren aus der Praxis, nicht aus Hypothesen.
Parallel zur Agenturarbeit publizieren wir auf llm-marketing.de als DACH-Fachplattform für LLM-Marketing, Generative Engine Optimization, Answer Engine Optimization und Agentic Commerce – mit Fachlexikon, KI-Tools-Wiki und systematischer Artikelserie.
Was daraus für andere Händler folgt
Die Mechanik, die koreanische-kosmetik-shop.de als dokumentierten Fall von Phase 1 von Agentic Commerce: Agentic Recommendation erscheinen ließ, ist nicht an die K-Beauty-Branche gebunden. Sie funktioniert überall, wo ein Shop thematisch fokussiert ist, eine eigene Fachperspektive hat und bereit ist, in strukturierte Datenarbeit und dokumentierte Expertise zu investieren.
Für Händler, die jetzt beginnen, ist der erste Schritt keine große Technologie-Entscheidung, sondern ein systematischer Audit: Wie konsistent ist meine Entity-Darstellung über alle Quellen? Wie tief sind meine Produktdaten strukturiert? Welche Expertise-Signale sende ich im Vergleich zum Wettbewerb? Das sind die drei Fragen, die über Empfehlungsfähigkeit in Phase 1 von Agentic Commerce: Agentic Recommendation entscheiden.
Gespräch starten
Wenn Sie Ihren Shop oder Ihre Marke in der Agentic-Commerce-Realität systematisch sichtbar machen möchten, sprechen Sie mit uns. Ein strukturiertes Erstgespräch mit Mandar Ambekar ist in der Regel innerhalb einer Woche planbar.
Über den Autor
Mandar Ambekar ist Gründer und Geschäftsführer der 2017 gegründeten blueShepherd GmbH mit Sitz in Hamburg. Er bringt 24 Jahre Digital-Marketing-Erfahrung über die volle Breite digitaler Disziplinen mit und verantwortet parallel mehrere eigene digitale Geschäfte. Zusätzlich publiziert er auf llm-marketing.de als DACH-Fachplattform für Generative Engine Optimization, Answer Engine Optimization und Agentic Commerce.
