Der neue Einkäufer ist ein Agent

Die Anforderung: ein Zulieferer für Präzisionsdrehteile mit IATF-Zertifizierung. Der Weg dorthin führt 2026 zunehmend an der Suchmaschine vorbei. Die Anforderung geht als Auftrag an die Recherchefunktion eines KI-Systems, das zehn Minuten arbeitet und drei Anbieter zurückliefert, jeweils mit Begründung und Quellenangabe.

Diese Recherche findet heute statt. Deep-Research-Funktionen gehören seit 2025 zur Standardausstattung der großen KI-Systeme, und sie sind auf Deutsch nutzbar. Was daran für Sie zählt: Ihr Unternehmen war Teil dieser Recherche oder es war es nicht, und in beiden Fällen erfahren Sie davon nichts.

Vom Generationen-Abriss zum Agenten-Abriss

Den ersten Bruch kennen Sie. Als die Einkäufergeneration wechselte, verschwand der gedruckte Katalog aus dem Beschaffungsprozess, und wer nicht bei Google stand, existierte für die neuen Entscheider nicht. Der technische Mittelstand hat diesen Übergang mit Verspätung, aber überwiegend bewältigt.

Der zweite Bruch läuft anders. Diesmal bleibt die Einkäufergeneration dieselbe. Was wechselt, ist ihr Werkzeug: Die Vorrecherche übernimmt eine Maschine. Sie liest schneller als jeder Mensch, vergleicht mehr Anbieter und trifft eine Vorauswahl, bevor ein Mitarbeiter Ihre Website je gesehen hat.

Der Unterschied zum ersten Bruch liegt in der Sichtbarkeit des Vorgangs. Ein ausbleibender Katalog-Rücklauf fiel im Vertrieb irgendwann auf. Eine Anfrage, die nie gestellt wurde, taucht in keiner Statistik auf.

Dieser Artikel behandelt Ihr Unternehmen als Rechercheobjekt. Wenn Sie Agenten selbst einsetzen wollen, für Angebotsprüfung oder Marktbeobachtung, steht das im Ratgeber zu Agentic AI im B2B.

Was die Szenarien beschreiben, und was heute messbar ist

AI 2027 beschreibt Recherche-Agenten, die selbstständig das Netz durchsuchen und Fragen beantworten, für die ein Mensch eine halbe Stunde bräuchte. AI 2040 zeichnet für 2027 das Bild zweier Belegschaften in den USA: rund 165 Millionen Menschen und daneben Millionen von Agenten-Kopien. Beides sind Prognosen, keine Befunde, und wie man solche Dokumente liest, steht im ersten Teil dieser Serie.

Messbar ist etwas anderes, und es ist näher dran.

Für die GEO-Studie DACH-Mittelstand 2026 wurden 24 produzierende Mittelständler aus Maschinenbau, Präzisionsfertigung und Automotive mit je zehn typischen Einkäufer-Anfragen in vier KI-Systemen geprüft, insgesamt 960 Einzelabfragen. In 93 Prozent der Abfragen tauchten die geprüften Unternehmen überhaupt nicht auf. 42 Prozent erhielten keine einzige Nennung. Zehn der 24 Unternehmen blieben in allen vier Systemen vollständig unsichtbar, darunter Betriebe mit bis zu 90 Jahren Marktpräsenz, einschlägigen Zertifizierungen und DAX-Konzernen als Referenzkunden.

Zur Einordnung gehören drei Dinge. Die Stichprobe ist typologisch angelegt und ausdrücklich nicht statistisch repräsentativ. Die Studie stammt von einem Anbieter, der GEO-Dienstleistungen verkauft, und ist als Gastbeitrag erschienen. Und sie misst einen Zeitpunkt, kein Jahrzehnt.

Der Befund bleibt trotzdem bemerkenswert – er liegt quer zu allem, was im Vertrieb als Stärke gilt: Unternehmensgröße, Zertifizierungen und Google-Rankings zeigten in dieser Stichprobe keine belastbare Korrelation mit dem Auftauchen in KI-Antworten. Ein Drehteilhersteller mit 90 Jahren Historie und sauberen Google-Rankings kam bei allen vier getesteten Systemen auf einen Sichtbarkeits-Score von null.

Wie ein Agent auswählt

Ein Recherche-Agent zerlegt Ihre Frage in Dutzende Teilanfragen, ruft Quellen ab, vergleicht sie und verdichtet das Ergebnis. Diesen Mechanismus beschreibt der Begriff Query Fan-out. Was am Ende in der Antwort steht, ist eine Auswahl aus dem, was abrufbar und belegt war.

Damit fällt eine Reihe von Vorteilen weg, auf die sich der technische Mittelstand jahrzehntelang verlassen konnte. Ein Agent kennt Ihren Messestand nicht. Er erinnert sich an keine Empfehlung aus dem Branchennetzwerk und lässt sich von einem gelungenen Bildkonzept nicht beeindrucken.

Was er bestraft:

• Widersprüchliche Angaben über Quellen hinweg. Andere Fertigungstoleranzen auf der Website als im Datenblatt, ein abweichender Firmenname im Verzeichnis, veraltete Zertifizierungsangaben in einem Fachartikel.
• Unbelegte Behauptungen. Selbstlob ohne prüfbaren Kern liefert nichts, was sich als Beleg in eine Antwort einbetten lässt.
• Substanz in unlesbaren Ablagen. Ein PDF-Katalog mit gescannten Seiten ist für eine Maschine ein Bild.

Was er belohnt, ist die Umkehrung davon: prüfbare Kennwerte, benannte Normen, konsistente Angaben über alle Quellen hinweg. Die Studie oben nennt als Muster der wenigen sichtbaren Unternehmen genau das, zusammen mit einer klaren Content-Architektur und externen Erwähnungen in Fachartikeln und Branchenverzeichnissen.

Bemerkenswert ist die Streuung zwischen den Systemen. Ein Maschinenbauer der Stichprobe erreichte bei Gemini 80 Prozent Sichtbarkeit und bei Copilot null, bei identischer Website und identischen Anfragen. Eine pauschale KI-Sichtbarkeit gibt es demnach nicht; sie zerfällt in mehrere Systeme mit eigenen Auswahllogiken.

Dass Einkäufer eine andere Sprache sprechen als Marketingabteilungen, ist keine neue Beobachtung – wir haben sie in B2B-Texte in Einkäufersprache beschrieben. Neu ist, dass die Maschine mitliest und strenger urteilt als der Mensch.

Was daraus für den technischen Mittelstand folgt

Das Hidden-Champion-Problem. Ihre Reputation in der Branche ist real. Für einen Agenten existiert sie nur, soweit sie dokumentiert ist. Vierzig Jahre Zuverlässigkeit, die in Köpfen und Bestellhistorien stecken, sind maschinell nicht abrufbar. Das ist die unangenehme Kehrseite eines Vorteils: Wer nie Marketing gebraucht hat, hat auch nie Spuren hinterlassen.

Ihre Substanz liegt in den Stammdaten. Fertigungsverfahren, Materialien, Toleranzen, Kapazitäten, Zertifizierungen: Genau darüber qualifiziert ein Agent Lieferanten, und genau das steht in Ihrem ERP oder PIM, statt auf Ihrer Website. Wie sich dieser Bestand in auffindbare Struktur überführen lässt, ist Thema unserer Lösung für B2B-Kataloge und Sortimente.

Ihre Kennzahlen messen am Erstkontakt vorbei. Ein Agent, der Sie liest und weiterempfiehlt, hinterlässt keine Sitzung in Ihrer Analytics. Wer Sichtbarkeit weiter in Besuchen und Verweildauer misst, misst einen Kanal, der an Bedeutung verliert, und sieht den neuen gar nicht. Die Frage verschiebt sich von Besucherzahlen zur Zitierbarkeit, und das ist der Gegenstand von AI Search Optimization.

Es gibt keine zweite Runde. Die Longlist entsteht in einer Sitzung statt über Wochen. Das „schauen wir uns später noch einmal an“ der menschlichen Recherche existiert in diesem Ablauf nicht mehr, und der Zeitpuffer, den Messekontakte und Empfehlungen bisher verschafft haben, entfällt mit ihm. Das ist eine Beobachtung aus unserer Projektarbeit, keine Studienlage – sie folgt aber direkt aus der oben beschriebenen Mechanik.

Was daraus nicht folgt: hektische Tool-Beschaffung. Kein Werkzeug repariert einen Datenbestand, der in sich widersprüchlich ist.

Einordnung

Die Reihenfolge ist unbequem, aber eindeutig. Bevor über Kampagnen, Budgets oder Formate gesprochen wird, muss der Datenbestand stimmen und maschinenlesbar vorliegen. Alles andere baut darauf auf. Wie dieser Aufbau konkret aussieht, steht in unserer Lösung zur Sichtbarkeit in KI-Suchmaschinen.

Die gute Nachricht liegt in derselben Studie. Der Best Case erreichte fast das Siebenfache des Durchschnitts, und die Muster dahinter sind unspektakulär: konkrete Angaben und externe Belege. Nichts davon verlangt ein größeres Budget als der Wettbewerb. Es verlangt technische Substanz, und die haben Sie bereits.

Im dritten Teil dieser Serie geht es um die Frage, woher ein Wettbewerbsvorteil kommt, wenn alle Unternehmen dieselben KI-Werkzeuge mieten können.

Ob ein Agent Ihr Unternehmen heute findet, korrekt versteht und als Quelle heranzieht, lässt sich prüfen. Genau diese Bestandsaufnahme leistet die Erstdiagnose: Einschätzung Ihres Reifegrads, keine Verkaufsdemo.

Begriffe vertiefen

• B2B Buyer Journey
• Retrieval Augmented Generation (RAG)
• Knowledge Graph
• Semantic Search
• AI Crawler
• Vector Embeddings

Alle Teile der Serie „KI-Szenarien für den Mittelstand“

1. AI 2027 und AI 2040: Was Entscheider daraus lernen
2. Der neue Einkäufer ist ein Agent (dieser Artikel)
3. KI als Wettbewerbsvorteil: Was bleibt, wenn alle sie haben
4. Der unzuverlässige Kollege: Wie KI-Arbeit prüfbar wird

---

Alle Angaben mit Stand August 2026. Die zitierte Studie ist eine typologische Stichprobe von 24 Unternehmen und statistisch nicht repräsentativ; der Erheber ist als Dienstleister im Feld GEO tätig.