Wie KI-Spezifikation den B2B-Einkauf verändert hat

Was hat sich tatsächlich verändert?

Die Veränderung besteht nicht darin, dass Einkäufer KI nutzen. Sie besteht darin, an welcher Stelle des Ablaufs sie das tun.

Dreißig Jahre lang begann der industrielle Kaufprozess mit einer Suche, einer Distributoren-Website, einem Katalog oder einem Außendienstmitarbeiter – und endete mit einer Auswahlliste. Die Aufgabe des Lieferanten war es, am Anfang präsent zu sein: über SEO, über die Franchise-Distribution, über Field Application Engineers, die mit den Entwicklern zusammensaßen. Frühe Präsenz erzeugte späte Berücksichtigung.

Diese Reihenfolge hat sich umgekehrt. Der Einkäufer beginnt heute beim Assistenten, kommt zu einer Auswahlliste und berührt erst danach eine Lieferantenoberfläche – meist, um eine bereits eingegrenzte Entscheidung zu verifizieren. Forresters Analyse vom Januar 2026 ergab, dass 94 % der geschäftlichen Einkäufer irgendwo in ihrem Kaufprozess KI einsetzen, nach 89 % ein Jahr zuvor – und, bedeutsamer als diese Schlagzeile, dass doppelt so viele Einkäufer generative KI oder dialogorientierte Suche als bedeutsamere oder wichtigere Informationsquelle nannten als jede andere und damit Anbieter-Websites, Produktexperten und Vertriebsmitarbeiter hinter sich ließen.

Lesen Sie das genau. Es geht nicht darum, dass KI ein Kanal unter mehreren ist. Es geht darum, dass KI genau die Kanäle verdrängt hat, die die Branche über Jahrzehnte aufgebaut hat.

Wo findet die Bewertung heute tatsächlich statt?

Drei Datensätze triangulieren dieselbe Verschiebung aus unterschiedlichen Blickwinkeln.

Die Adobe-Zahlen stammen aus dem Einzelhandel, und industrieller Einkauf ist kein Einzelhandel. Der Mechanismus, den sie offenlegen, ist jedoch kanalunabhängig: Wenn der Assistent die Vorfilterung übernimmt, ist der anschließende Besuch eine Entscheidung, kein Stöbern. Adobe hat außerdem festgestellt, dass diese Besucher 48 % länger auf der Website blieben und 13 % mehr Seiten ansahen. Weniger, später, besser qualifiziert – und vollständig davon abhängig, dass der Assistent Sie ausgewählt hat.

Die Größenordnung dahinter ist nicht marginal. OpenAI meldete im Februar 2026 mehr als 900 Millionen wöchentlich aktive ChatGPT-Nutzer. Wie hoch der Anteil der Ingenieure darunter auch sein mag, die eine Teilenummer prüfen – es ist eine größere Grundgesamtheit, als die Außendienstorganisation irgendeines Distributors je erreicht hat.

Warum trifft das die Spezifikation härter als das Marketing?

Weil in der Spezifikation die industrielle Marge tatsächlich entsteht – und weil Spezifikation für eine Maschine ungewöhnlich leicht zu beeinflussen ist.

Ein Marketing-Funnel verliert allmählich an Wirkung, wenn ein Kanal schwächelt. Eine Spezifikation verliert nicht allmählich – sie entscheidet sich. Ein Teil steht entweder in der Stückliste oder nicht, und ist es einmal drin, wird es teuer, es wieder herauszunehmen. Design-in-Zyklen von 12 bis 36 Monaten bedeuten: Zwischen Entscheidung und Umsatz liegen Jahre.

Der klassische Mechanismus, um diesen Wert abzuschöpfen, ist die Design Registration: Ein Lieferant belohnt den Distributor, dessen Field Engineer das Teil in das Produkt eines Kunden hineindesignt hat – typischerweise mit zusätzlicher Marge, Preisschutz oder Sole Sourcing für dieses Programm. Der gesamte Apparat – Franchise-Verträge, Demand-Creation-Ziele, FAE-Personalstärke – existiert, um eine einzige Frage zu beantworten: Wer hat dieses Design-in verursacht?

Assistentengetriebene Spezifikation zerbricht nicht die Antwort, sondern die Frage. Wenn ein Entwicklungsingenieur einem Assistenten eine Anforderung beschreibt, drei Kandidatenteile mit Parameterdaten erhält und für eines davon ein Design registriert, hat kein Field Engineer diese Nachfrage erzeugt. Es waren die Daten. Und wie man Daten gutschreibt, darauf hat sich niemand geeinigt.

Der Mechanismus stand ohnehin schon unter Spannung. Design Registration hatte es seit jeher schwer, sobald ein Kunde die Fertigung an einen Auftragsfertiger auslagert: Das Design entsteht an einem Ort, die Bestellung taucht an einem ganz anderen auf – die Registrierung überlebt auf dem Papier, während die kommerzielle Logik ausfranst. Maschinell zusammengestellte Auswahllisten erzeugen dieselbe Spannung, nur am Anfang des Prozesses statt an dessen Ende. Der Distributor, der in die Daten investiert hat, ist nicht zwangsläufig derjenige, der die Beziehung hält – und der Hersteller, dessen Parameterdaten maschinell lesbar waren, wurde vielleicht nie überhaupt angesprochen.

Wovon hängt es ab, ob Ihr Teil in der Antwort auftaucht?

Es lohnt sich, beim Mechanismus konkret zu werden, denn die meisten kommerziellen Teams denken darüber nach, als handelte es sich um ein Ranking.

Ein Assistent, der eine Spezifikationsfrage beantwortet, tut im Wesentlichen vier Dinge: Er übersetzt die Anforderung in Randbedingungen, ruft Kandidatendatensätze ab, filtert sie gegen diese Randbedingungen und begründet anschließend die Überlebenden. Ein Teil kann an jeder dieser vier Stellen ausscheiden – und nur die letzte ähnelt irgendetwas, das ein Marketingteam bisher optimiert hat.

Die zweite Zeile ist der stille Killer. Ein Assistent, der nach einem Bauteil nach AEC-Q100 Grade 1 gefragt wird, nimmt kein Bauteil auf, dessen Qualifizierungsstatus er nicht verifizieren kann. Er meldet den Ausschluss nicht, und er relativiert ihn nicht. Fehlende Daten werden wie eine fehlende Eigenschaft behandelt – das korrekte Verhalten für ein vorsichtiges Werkzeug und ein katastrophales Ergebnis für einen Lieferanten, dessen Teil die Anforderung tatsächlich erfüllt.

Wer schöpft den Wert ab, wenn die Auswahlliste von einer Maschine erstellt wird?

Das Muster ist durchgängig: Der Hebel verschiebt sich von wen Sie kennen zu was eine Maschine über Ihre Teile verifizieren kann. Das ist ein unangenehmer Befund für Organisationen, deren Wettbewerbsgraben eine Außendienstorganisation ist – und eine echte Chance für alle, die gute Daten und überhaupt keinen Außendienst haben.

Ist das ein Bruch oder nur ein neuer Kanal?

Die ehrliche Antwort lautet: Die Verschiebung bei der Produktrecherche ist gut belegt, die bei der Transaktion nicht.

Gartner prognostiziert, dass bis Ende 2027 mehr als 40 % der agentischen KI-Projekte eingestellt werden – wegen eskalierender Kosten, unklaren geschäftlichen Nutzens und unzureichender Risikokontrollen. Diese Prognose hat sich gut gehalten: OpenAI hat den eigenen Instant Checkout im März 2026 zurückgezogen, nachdem rund ein Dutzend Shopify-Händler live gegangen waren, und laut Deloitte setzt weniger als ein Viertel der B2B-Lieferanten überhaupt agentische KI-Technologien ein.

Der industrielle Einkauf hat zusätzliche Reibung, die der Einzelhandel nicht kennt. Vertragspreise werden verhandelt und sind vertraulich. An den Freigaben sind die 13 internen Stakeholder und 9 externen Einflussnehmer beteiligt, die Forrester zählt, wobei der Einkauf in 53 % der Zyklen als Entscheider auftritt. Konformitätsunterlagen – RoHS, REACH, Konfliktmineralien, UKCA- und CE-Erklärungen – müssen der Entscheidung beigefügt werden; es genügt nicht, sie zu behaupten.

Nichts davon hindert einen Assistenten daran, die Auswahlliste zu schreiben. Es hindert ihn daran, die Bestellung auszulösen. Das sind zwei verschiedene Aussagen, und sie zu vermengen ist der häufigste Fehler in diesem Markt.

Was sollte ein Hersteller oder Distributor dagegen tun?

1. 01Finden Sie heraus, was die Assistenten derzeit über Ihre Teile sagen. Stellen Sie zu fünf realen Teilenummern jeweils fünf Faktenfragen mit bekannter Antwort, und zwar in drei verschiedenen Assistenten. Die meisten Teams entdecken innerhalb von zwanzig Minuten einen konkreten, korrigierbaren Fehler.
2. 02Rufen Sie Ihre eigenen Katalogseiten mit einem einfachen Client ab, der kein Browser ist. Als Partsgraph im August 2026 weltweit 984 Distributoren- und Herstellerdomains geprüft hat, lieferten 38 % einem gewöhnlichen Client, der kein Browser ist, keine lesbare Katalogseite aus, und der Median des KI-Sichtbarkeitswerts lag bei 50 von 100. Client-seitiges Rendering ist mit Abstand die häufigste Ursache.
3. 03Machen Sie einen Datensatz zum kanonischen. Parameterdaten, die über ein PIM, ein PDF-Datenblatt und ein ERP verstreut sind, erzeugen drei verschiedene Antworten. Ein Assistent zitiert diejenige, die er gefunden hat – ohne jemandem zu sagen, welche.
4. 04Veröffentlichen Sie Konformitäts- und Lebenszyklusstatus als Daten, nicht als Dokumente. Abkündigung, Last-Time-Buy-Termine und regionale Zulassungen sind die Felder, die in der Antwort eines Assistenten am ehesten falsch sind – und deren Fehler kommerziell am ehesten tödlich enden.
5. 05Geben Sie Agenten einen direkten Weg. Microchip hat im November 2025 einen offiziellen Model-Context-Protocol-Server veröffentlicht, der KI-Clients verifizierte Produktspezifikationen, Datenblätter, Lagerbestände, Preise und Lieferzeiten zugänglich macht. Die Liste bleibt auffällig kurz – in derselben Prüfung vom August 2026 wies keine einzige der 984 Domains einen MCP-Endpunkt aus.
6. 06Schreiben Sie die Regeln der Demand Creation neu, bevor Ihr Kanal es tut. Wenn Design Registration maschinell entstandene Spezifikationen nicht gutschreiben kann, hören Distributoren auf, in die Daten zu investieren, die diese Spezifikationen erzeugen – und der Hersteller erbt das Problem.

Der Effekt, der sich selbst verstärkt

Es gibt keine plausible Zukunft, in der Einkäufer wieder zwölf Tabs öffnen. Sobald ein Assistent eine Spezifikationsfrage korrekt beantwortet, wird er zur Standardquelle für diese Art von Frage – und Standardwege verstärken sich selbst: Die Antwort, die zitiert wird, wird bestärkt, und zitiert wird der Lieferant, der lesbar ist.

Der Zeitverzug macht das schlimmer, nicht besser. Eine 2026 gewonnene Spezifikation kommt 2028 als Umsatz an. Das heißt: Unternehmen, die 2028 feststellen, dass ihre Design-in-Quote unbemerkt gesunken ist, blicken auf Datenqualitätsentscheidungen zurück, die zwei Jahre zuvor getroffen wurden – von niemandem im Besonderen, in einem System, das niemandem gehörte.

Wenn Sie wissen möchten, was Assistenten derzeit über Ihren Katalog sagen: Der kostenlose Grader unter [/audit](/audit) prüft, wie eine Maschine ihn tatsächlich liest.