# Was ist ein agentenbereiter Produktkatalog?

> Ein agentenbereiter Katalog bedient vier Maschinenoberflächen: was jede davon ist, welche KI-Assistenten sie nutzen und wie Sie Ihre Stufe bestimmen.

**Language:** de  
**Published:** 2026-08-09  
**Category:** Solution · **Tags:** agent-ready, MCP, product data, AI search, structured data, agentic commerce  
**Canonical:** https://partsgraph.ai/de/blog/what-is-an-agent-ready-product-catalog

## Kurz gefasst

**Was ist ein agentenbereiter Produktkatalog?**

Ein agentenbereiter Produktkatalog ist einer, den eine Maschine finden, lesen, abfragen und korrekt zitieren kann, ohne dass ein Mensch einen Browser bedient. In der Praxis bedeutet das vier verschiedene Oberflächen: serverseitig gerenderte Seiten mit strukturierten Daten, die Crawler ohne JavaScript parsen können, aufgeräumte Textansichten derselben Datensätze, Produkt-Feeds, die an jene Assistenten ausgeliefert werden, die ausschließlich zugestellte Daten akzeptieren, und ein gehosteter MCP-Endpunkt, den Agenten direkt aufrufen können. Diese vier sind nicht austauschbar – jede wird von einer anderen Gruppe von Assistenten genutzt – und keine von ihnen funktioniert ohne einen kanonischen, verifizierten Produktdatensatz darunter.

---

## Was bedeutet „agentenbereit“ eigentlich?

Ein Produktkatalog ist agentenbereit, wenn eine Maschine ihn finden, lesen, abfragen und korrekt zitieren kann, ohne dass ein Mensch einen Browser bedient.

Das ist ein strengerer Test als „wir haben eine gute Website“, und er scheitert aus Gründen, die in keinem Page-Speed-Bericht auftauchen. Ein Katalog kann gut ranken, gut konvertieren und makellos aussehen – und dem Client, den ein KI-Assistent tatsächlich verwendet, trotzdem ein leeres Dokument zurückgeben. Die Lücke ist struktureller, nicht kosmetischer Natur.

> **Figure.** The five checks an AI agent performs on a catalogue, in order: crawler policy, reachability, readability, coverage, agent surfaces.

Und sie gewinnt mit jedem Quartal an Bedeutung. In der Auswertung seiner Buyers' Journey Survey vom Januar 2026 berichtete Forrester, dass 94 % der Geschäftskunden inzwischen KI in ihrem Beschaffungsprozess einsetzen und dass generative KI oder dialogorientierte Suche doppelt so häufig als besonders aussagekräftige Informationsquelle genannt wurde wie jede andere Quelle – noch vor Herstellerwebsites, Produktexperten und Vertriebsmitarbeitern. Die technischen Angaben, die ein Assistent über Ihr Produkt wiedergibt, sind zunehmend die Angaben, die Ihr Einkäufer für wahr hält.

Die Verwirrung in den meisten Texten zu diesem Thema rührt daher, dass „agentenbereit“ als eine einzige Sache behandelt wird. Es sind vier Dinge, mit vier verschiedenen Abnehmern.

## Welche Assistenten nutzen tatsächlich welche Oberfläche?

| Oberfläche | Was sie ist | Wer sie heute nutzt | Was sie nicht leisten kann |
| --- | --- | --- | --- |
| Serverseitig gerenderte strukturierte Daten | HTML, das der Server vollständig ausliefert, mit schema.org-JSON-LD, das zum sichtbaren Text passt | Retrieval- und Such-Crawler: OAI-SearchBot, Claude-SearchBot, PerplexityBot, Googlebot für AI Overviews und den AI Mode | Live-Bestände liefern, Vertragspreise berücksichtigen oder eine parametrische Abfrage beantworten |
| Markdown- / Klartextansichten | Rauscharme Textdarstellungen derselben Datensätze, teils unter `.md`-URLs oder über Content Negotiation | Kein Consumer-Assistent dokumentiert einen Content-Negotiation-Vertrag; nützlich vor allem als extraktionsfreundlicher Quelltext und als MCP-Payload | Sie allein indexiert bekommen; sie ist kein Ranking-Mechanismus |
| Zugestellte Produkt-Feeds | Strukturierte Katalogdateien, die Sie dem Assistenten planmäßig liefern | Die Shopping-Oberfläche von ChatGPT und der Händlerindex von Perplexity – beide verlangen, dass Sie liefern; keiner von beiden crawlt Ihre Website dafür | Technische Tiefe transportieren; Retail-Feed-Schemata setzen GTIN, Listenpreis und eine kaufbare SKU voraus |
| MCP-Endpunkt | Ein gehosteter Server, der typisierte Tools bereitstellt, die ein Agent über HTTP aufruft | Claude (alle Tarife), ChatGPT Developer Mode und Apps, Gemini Enterprise, Copilot, IDE-Agenten und die Agenten Ihrer eigenen Kunden | Den anonymen Long Tail erreichen; der Nutzer oder sein Administrator muss ihn verbinden |

### 1. Serverseitig gerenderte Seiten mit strukturierten Daten

Dies ist die einzige Oberfläche, die einen Assistenznutzer erreicht, der nichts konfiguriert hat.

Die wichtigste technische Tatsache dazu: KI-Crawler führen Ihr JavaScript nicht aus. Die Crawler-Analyse von Vercel – 569 Millionen GPTBot-Abrufe und 370 Millionen Claude-Abrufe in einem einzigen Monat – ergab, dass diese Crawler JavaScript-Dateien zwar herunterladen (11,50 % bzw. 23,84 % der Anfragen), sie aber nicht ausführen, und kam zu dem Schluss, dass „keiner der großen KI-Crawler derzeit JavaScript rendert“ – namentlich genannt wurden OpenAI, Anthropic, Meta, ByteDance und Perplexity. Unabhängige Nachtests im Verlauf des Jahres 2026 kamen zum selben Urteil. Wenn Ihre parametrische Tabelle, Ihre Bestandsanzeige oder Ihre Dokumentenliste clientseitig eingefügt wird, existiert sie für diese Clients nicht. Googlebot rendert JavaScript und bleibt die Ausnahme – und genau deshalb kommen Teams, die ihre Sichtbarkeit in Google prüfen, fälschlich zu dem Schluss, es sei alles in Ordnung.

Googles eigene Dokumentation ist beim Rest erfrischend deutlich: Um in AI Overviews oder im AI Mode zu erscheinen, „muss eine Seite indexiert und geeignet sein, in der Google-Suche mit einem Snippet angezeigt zu werden“, und weitere technische Anforderungen, ein KI-spezifisches Schema oder besondere Dateien gibt es nicht. Strukturierte Daten verdienen sich ihren Platz dennoch, weil sie die Unklarheit darüber beseitigen, welche Zahl der Bemessungsstrom und welche der Spitzenwert ist – aber sie sind ein Werkzeug zur Vereindeutigung, kein magischer Auslöser.

Schließlich hat die Crawler-Ebene eine Policy-Dimension, die die meisten Kataloge ignorieren. OpenAI dokumentiert drei getrennte Agenten – GPTBot für das Training von Foundation Models, OAI-SearchBot für die Darstellung von Websites in der ChatGPT-Suche und ChatGPT-User für nutzerinitiierte Abrufe. Anthropic dokumentiert nach demselben Muster ClaudeBot, Claude-User und Claude-SearchBot. Es sind eigenständige `robots.txt`-Einträge. Ein pauschales Disallow, das auf das Training zielt, schaltet zugleich den Retrieval-Crawler ab, der Sie hätte zitieren können.

### 2. Markdown- und Klartextansichten

Das ist die im Jahr 2026 am stärksten überverkaufte Oberfläche – seien Sie hier also präzise.

Kein verbreiteter Consumer-Assistent veröffentlicht einen Content-Negotiation-Vertrag, der besagt: „Schicken Sie mir `Accept: text/markdown`, und ich bevorzuge es.“ Die `llms.txt`-Konvention ist technisch stimmig und unter Websites mit Entwicklerdokumentation durchaus verbreitet, doch Google erklärt unumwunden, dass Sie keine KI-Textdateien brauchen, um in seinen KI-Funktionen zu erscheinen, und Verbreitungsforschung aus dem Jahr 2026 ergab, dass die Crawler von OpenAI, Google und Anthropic die Datei nicht in nennenswertem Umfang anfordern.

Was tatsächlich zutrifft, ist enger gefasst und dennoch lohnend. Text, der aus einer navigations- und skriptlastigen Seite extrahiert wird, ist verrauschter als Text, der von vornherein als Fließtext ausgeliefert wird; aufgeräumte Ansichten überstehen die Extraktion also besser. Und genau diese aufgeräumte Darstellung sollten Ihre MCP-Tools als Payload zurückgeben. Bauen Sie Markdown-Ansichten als Wiederverwendungsartefakt des kanonischen Datensatzes und nicht als Wachstumstaktik, dann werden Sie nicht enttäuscht.

### 3. Zugestellte Produkt-Feeds

Hier ist die Tatsache, die die meisten Roadmaps umstellt: Die Shopping-Oberfläche von ChatGPT wird aus Daten gespeist, die Händler aktiv liefern, nicht durch Crawling. Nach der veröffentlichten Feed-Spezifikation stellen Händler TSV, CSV, XML oder JSON an einen einvernehmlich vereinbarten, freigeschalteten Endpunkt über verschlüsseltes HTTPS zu, und das System akzeptiert alle 15 Minuten Aktualisierungen. Das Händlerprogramm von Perplexity funktioniert der Form nach genauso – Produktdaten als CSV- oder XML-Dateien in einem vorgegebenen Format, geliefert vom Händler. Keine noch so gute On-Page-Optimierung ersetzt die Anmeldung.

Der ehrliche Vorbehalt für Industriekataloge lautet: Diese Schemata sind auf den Einzelhandel zugeschnitten. Sie setzen eine GTIN, einen Listenpreis und eine kaufbare Variante voraus. Ein Distributor mit 40.000 Artikeln, kundenspezifischen Vertragspreisen und ohne GTIN für die halbe Palette wird die Passung schlecht finden. Feeds sind dort wertvoll, wo Sie einen veröffentlichten Preis an einen identifizierbaren Endkunden verkaufen – und weitgehend irrelevant, wo Sie individuell anbieten.

### 4. Ein MCP-Endpunkt

MCP ist die Oberfläche mit der höchsten Datentreue und heute mit dem kleinsten Publikum. Präzision ist hier wichtig, weil die Reichweite je nach Assistent stark schwankt:

- **Claude** unterstützt benutzerdefinierte Remote-MCP-Connectors in den Tarifen Free, Pro, Max, Team und Enterprise, wobei Free-Nutzer auf einen Connector begrenzt sind. Der Server muss aus den IP-Bereichen von Anthropic über das öffentliche Internet erreichbar sein.
- **ChatGPT** stellt benutzerdefinierte MCP-Server über den Developer Mode bereit; schreibfähige benutzerdefinierte Connectors sind auf Business, Enterprise und Edu beschränkt, während einzelne Plus- und Pro-Nutzer nur lesende erhalten. Das Apps SDK, auf dem die Apps innerhalb von ChatGPT laufen, basiert selbst auf MCP, und Einreichungen durchlaufen eine Verzeichnisprüfung.
- **Gemini** bietet Verbindungen zu benutzerdefinierten MCP-Servern über Gemini Enterprise an, wobei ein Administrator Ihren Streamable-HTTP-Server als Datenspeicher innerhalb seines Tenants registriert. Es ist keine Consumer-Funktion.

Die erreichbare Zielgruppe besteht also aus Ingenieuren, die einen Connector einrichten, und aus Firmenkunden, deren IT-Abteilung Ihren Server registriert. Für einen Komponenten- oder Bauprodukthersteller ist das eine bemerkenswert treffende Beschreibung des Planers und des Einkaufsteams – aber es ist nicht der anonyme Long Tail, und wer Ihnen erzählt, ein MCP-Endpunkt allein mache Sie „KI-sichtbar“, will Ihnen etwas verkaufen.

## Warum ist ein leerer MCP-Server wertlos?

Weil ein Tool-Aufruf ein Versprechen auf Richtigkeit ist – und eine falsche Antwort, die über ein Tool geliefert wird, schlimmer ist als gar keine Antwort.

Wenn ein Assistent Ihre Webseite liest, schränkt er ein: Das Modell weiß, dass es ein Dokument zusammenfasst. Wenn es `get_part` aufruft und `{"rated_current_a": 32}` zurückbekommt, schränkt es nichts ein. Es nennt den Wert. Wenn Ihr PIM 32 A für die Baugröße und 25 A für die konkrete Variante führt und das Tool auf die falsche aufgelöst hat, haben Sie nicht Ihre KI-Sichtbarkeit verbessert – Sie haben einen Spezifikationsfehler industrialisiert und die Autorität Ihrer Marke daran gehängt.

Deshalb bauen die glaubwürdigen Bauteile-MCP-Server, die heute in Betrieb gehen, auf einer verifizierten Datenschicht auf und nicht auf einem Protokoll-Furnier. Der kostenlose öffentliche MCP-Server von Microchip, gestartet im November 2025, stellt verifizierte Produktspezifikationen, Datenblätter, Bestände, Preise und Lieferzeiten über Streamable HTTP bereit – der Schwerpunkt der Ankündigung liegt auf *verifizierten, aktuellen* Daten, nicht auf dem Transport. Der Storefront-MCP-Server von Shopify, erreichbar unter `https://{shop}.myshopify.com/api/mcp`, funktioniert, weil ein Shopify-Store bereits über einen autoritativen Produktdatensatz mit typisierten Feldern verfügt.

Ein MCP-Endpunkt vor drei sich widersprechenden Tabellen, einem PIM, das seine Einheiten verloren hat, und einem Ordner voller PDFs ist nur ein schnellerer Weg, falsch zu liegen. Die Reihenfolge der Arbeit lautet: kanonischer Datensatz, Verifizierung, dann Protokoll.

## Das Reifegradmodell der Agentenbereitschaft

| Stufe | Bezeichnung | Was auf dieser Stufe gilt | Typisches Versagen |
| --- | --- | --- | --- |
| 0 | Unsichtbar | Clientseitig gerenderter Katalog; technische Daten existieren nur in PDFs; keine strukturierten Daten | Ein Client ohne Browser erhält eine leere Hülle |
| 1 | Crawlbar | Serverseitig gerenderte Produktseiten; schema.org-Markup passend zum sichtbaren Text; eine ausdrückliche, bewusste KI-Crawler-Policy in der `robots.txt` | Die pauschale Trainingssperre bringt auch die Retrieval-Crawler zum Schweigen |
| 2 | Extrahierbar | Ein kanonischer Teiledatensatz; parametrische Angaben typisiert gegen ein gemeinsames Wörterbuch (ETIM, ECLASS, UNSPSC); Dokumente als Datensätze modelliert, nicht als Links; stabile Identifikatoren | Attribute existieren, widersprechen sich aber zwischen Web, PIM und Datenblatt |
| 3 | Aufrufbar | Gehosteter MCP-Endpunkt über Streamable HTTP mit parametrischer Suche, Teilesuche, Alternativen, Konformitätsdokumenten und CAD; Feeds dort zugestellt, wo die Oberfläche existiert | Tools gehen ohne Aktualitäts- und Herkunftsangaben live, sodass niemand eine Antwort prüfen kann |
| 4 | Autorisierter Agentenkanal | OAuth-geschützte Bestände und Vertragspreise je Kunde; kontinuierliche Genauigkeitsüberwachung; Agenten-Analytics; eine veröffentlichte Policy dazu, worauf Agenten zugreifen dürfen | Keines, sofern die Überwachung echt ist – das ist der Zielzustand |

Die meisten Organisationen stellen fest, dass sie auf Stufe 0 oder 1 stehen, während sie sich auf Stufe 2 wähnen. Die entscheidende Frage lautet nicht „Haben wir strukturierte Daten?“, sondern „Wenn zwei Systeme sich über dieses Attribut uneinig sind: Welches hat recht, und kann eine Maschine das erkennen?“

## Wie finden Sie heraus, auf welcher Stufe Sie stehen?

Fünf Prüfungen, der Reihe nach, jede in wenigen Minuten erledigt:

1. **Rufen Sie eine Produktseite mit einem einfachen Client ohne Browser ab** und lesen Sie die rohe Antwort. Fehlen die technischen Daten im HTML, stehen Sie auf Stufe 0 – ganz gleich, wie die Seite im Browser aussieht.
2. **Lesen Sie Ihre `robots.txt` als Policy-Dokument.** Listen Sie jeden KI-User-Agent auf, den Sie erlauben und den Sie verbieten, und stellen Sie sicher, dass jede Zeile eine tatsächliche Entscheidung zwischen Training und Retrieval widerspiegelt.
3. **Validieren Sie einen JSON-LD-Block** und prüfen Sie jeden Wert gegen die sichtbare Seite. Abweichungen sind schlimmer als Auslassungen.
4. **Wählen Sie zehn Bauteile und stellen Sie drei Assistenten eine Faktenfrage**, deren richtige Antwort Sie aus dem Effeff kennen. Notieren Sie die falschen Antworten. Diese Fehlerquote ist Ihre tatsächliche Ausgangsbasis.
5. **Versuchen Sie, eine parametrische Frage aus Ihren eigenen Daten zu beantworten** – jedes Teil, das drei Bedingungen erfüllt – und nutzen Sie dabei nur das, was eine Maschine erreichen kann. Muss ein Mensch dafür ein PDF öffnen, müsste ein Agent es auch – und er wird es nicht tun.

## Was haben wir bei 984 Unternehmen gefunden?

Im August 2026 haben wir 984 Distributoren- und Herstellerdomains weltweit geprüft, in Nordamerika, Europa und Asien. Das Gesamtbild war einheitlich genug, um unangenehm zu sein:

- Der Median der KI-Sichtbarkeit lag bei rund 50 von 100 Punkten.
- 38 % lieferten einem gewöhnlichen Client ohne Browser überhaupt keine lesbare Katalogseite aus.
- Nur 19 % veröffentlichten überhaupt eine ausdrückliche KI-Crawler-Policy, und darunter blockierten mehr als doppelt so viele einen großen Crawler, wie ihn einluden.
- Keine einzige wies einen MCP-Endpunkt aus.

Die Verteilung ist aufschlussreicher als der Median. Der Abstand zwischen dem obersten Dezil und der Mitte lag nicht an Budget oder Personalstärke, sondern daran, ob die Organisation einen kanonischen Produktdatensatz besaß oder mehrere konkurrierende. Alles Weitere folgte daraus.

## Was sollten Sie zuerst aufbauen?

1. **Etablieren Sie einen kanonischen Datensatz je Teil**, mit typisierten Attributen, Einheiten, Herkunftsangaben und einem Zeitstempel der letzten Verifizierung. Alles Folgende ist eine Projektion davon.
2. **Rendern Sie den Katalog serverseitig**, sodass die vollständige Spezifikation in der ersten HTML-Antwort enthalten ist.
3. **Ergänzen Sie strukturierte Daten, die zur Seite passen**, und prüfen Sie sie anschließend, statt dem Generator zu vertrauen.
4. **Formulieren Sie eine bewusste KI-Crawler-Policy**, Agent für Agent, und dokumentieren Sie, warum jede Entscheidung so getroffen wurde.
5. **Stellen Sie Feeds dort zu, wo für Ihr Geschäftsmodell eine Oberfläche existiert** – und lassen Sie sie ehrlicherweise dort weg, wo das nicht der Fall ist.
6. **Stellen Sie einen MCP-Endpunkt bereit**, der parametrische Suche, Teilesuche, Alternativen, Konformitätsdokumente und CAD bietet, mit OAuth für alles Kundenspezifische.
7. **Überwachen Sie die Genauigkeit kontinuierlich**, denn der Fehlerfall ist nicht Schweigen, sondern selbstsicherer Irrtum.

Partsgraph baut das als Overlay: Wir übernehmen den Katalog, den Sie bereits haben – Datenblätter, parametrische Daten, CAD und Konformitätsdokumente –, führen ihn zu einem verifizierten Parts Graph zusammen und bedienen damit alle vier Oberflächen, ohne Ihre Website anzufassen.

Wenn Sie die Ausgangsbasis vor der Roadmap wollen, lassen Sie Ihre Domain durch unseren kostenlosen Grader unter [/audit](/audit) laufen. Er zeigt, was ein Client ohne Browser heute tatsächlich von Ihrem Katalog erhält und welche der vier Oberflächen Ihnen fehlen.

## Häufige Fragen

### Ist ein agentenbereiter Katalog nur SEO unter neuem Namen?

Nein, es gibt aber Überschneidungen. Klassisches SEO optimiert eine einzige Oberfläche – eine crawlbare HTML-Seite – für einen einzigen Abnehmer, einen Suchindex. Agentenbereitschaft umfasst vier Oberflächen mit unterschiedlichen Abnehmern, von denen zwei (zugestellte Feeds und MCP) überhaupt nicht gecrawlt werden: Dorthin liefern Sie die Daten aktiv. Auf der Crawl-Ebene ist die Überschneidung real, denn nach Googles eigener Dokumentation greifen AI Overviews und der AI Mode auf denselben Index und dieselben technischen Anforderungen zurück wie die gewöhnliche Suche.

### Brauche ich llms.txt?

Mit ziemlicher Sicherheit nicht als Priorität. Google stellt unmissverständlich klar, dass Sie keine neuen maschinenlesbaren Dateien oder KI-Textdateien anlegen müssen, um in seinen KI-Funktionen zu erscheinen, und eine unabhängige Verbreitungsanalyse aus dem Jahr 2026 ergab, dass die großen KI-Crawler llms.txt nicht in nennenswertem Umfang anfordern. Eine solche Datei zu veröffentlichen, kostet wenig – sie sollte auf Ihrer Roadmap aber niemals serverseitig gerenderte Seiten, einen Feed oder einen MCP-Endpunkt verdrängen.

### Welche einzelne Oberfläche sollte ein Hersteller zuerst aufbauen?

Serverseitig gerenderte, strukturierte Produktseiten – weil das die einzige Oberfläche ist, die den anonymen Long Tail der Assistenznutzer erreicht, und weil sie Sie dazu zwingt, den kanonischen Produktdatensatz aufzubauen, den jede andere Oberfläche wiederverwendet. Feeds und MCP sind günstig, sobald dieser Datensatz existiert – und nahezu unmöglich, solange er es nicht tut.

### Können KI-Assistenten ein PDF-Datenblatt lesen?

Manchmal, schlecht und unvorhersehbar. Ein Crawler, der ein PDF erreicht, kann daraus Text extrahieren, doch Tabellen, in Fußnoten ausgelagerte Bedingungen und mehrspaltige parametrische Angaben leiden dabei erheblich, und die gewonnenen Werte kommen ohne Einheiten, Toleranzen oder Prüfbedingungen an. Ein PDF ist eine Darstellung Ihrer Daten, nicht Ihre Daten. Die Lösung besteht darin, die parametrischen Angaben als strukturierte Datensätze zu führen und das PDF als eine Repräsentation unter mehreren zu behalten.

### Ersetzt ein MCP-Endpunkt meine Website?

Nein. MCP wird neben der Website betrieben, nicht an ihrer Stelle. Es erreicht ein engeres, dafür kaufbereiteres Publikum: Ingenieure, die einen Connector einrichten, und Firmenkunden, deren IT-Administrator Ihren Server registriert. Das öffentliche Web trägt weiterhin die anonyme Mehrheit des Assistenz-Traffics – die beiden Kanäle bedienen also unterschiedliche Hälften desselben Funnels.

### Woran erkenne ich, ob KI-Assistenten meinen Katalog korrekt lesen?

Testen Sie es, statt es anzunehmen. Rufen Sie Ihre eigenen Produktseiten mit einem einfachen Client ohne Browser ab und sehen Sie sich an, was zurückkommt; stellen Sie mehreren Assistenten Faktenfragen zu Bauteilen, deren richtige Antworten Sie kennen; und instrumentieren Sie jeden MCP-Endpunkt und jeden Feed, damit Sie erkennen, welche Teile abgefragt werden und welche Abfragen scheitern. Die Überwachung der Genauigkeit ist wichtiger als das Volumen – eine mit Überzeugung falsch genannte Spezifikation richtet kommerziell mehr Schaden an als eine fehlende.

### Was bringt mir Stufe 4, das Stufe 3 nicht bietet?

Autorisierung und Beobachtbarkeit. Auf Stufe 3 kann ein Agent Ihren öffentlichen Katalog abfragen. Auf Stufe 4 sieht ein authentifizierter Agent Vertragspreise und Live-Bestände für einen bestimmten Kunden, Sie sehen, welcher Agent was abgefragt hat, und Sie können messen, ob die gelieferten Antworten korrekt waren. Damit wird aus einem SEO-nahen Projekt ein Kanal mit Berechtigungsmodell und Kennzahlen.

## Quellen

1. [Vercel, The rise of the AI crawler (crawl volumes and JavaScript rendering analysis)](https://vercel.com/blog/the-rise-of-the-ai-crawler)
2. [SearchOptimo, Do AI crawlers render JavaScript? GPTBot, ClaudeBot and Perplexity in 2026](https://searchoptimo.com/blog/do-ai-crawlers-render-javascript)
3. [Google Search Central, AI Features and Your Website](https://developers.google.com/search/docs/appearance/ai-features)
4. [Google Search Central, Guide to optimizing for generative AI features](https://developers.google.com/search/docs/fundamentals/ai-optimization-guide)
5. [OpenAI, Overview of OpenAI crawlers (GPTBot, OAI-SearchBot, ChatGPT-User)](https://developers.openai.com/api/docs/bots)
6. [Anthropic, Does Anthropic crawl data from the web, and how can site owners block the crawler?](https://support.claude.com/en/articles/8896518-does-anthropic-crawl-data-from-the-web-and-how-can-site-owners-block-the-crawler)
7. [Agentic Commerce Protocol, Product Feed Specification](https://agentic-commerce-protocol.com/docs/commerce/specs/feed)
8. [OpenAI Developers, Product feeds (Agentic Commerce)](https://developers.openai.com/commerce/specs)
9. [Perplexity, Merchant Program Terms of Service](https://www.perplexity.ai/hub/legal/merchant-program-terms-of-service)
10. [Anthropic, Get started with custom connectors using remote MCP](https://support.claude.com/en/articles/11175166-get-started-with-custom-connectors-using-remote-mcp)
11. [OpenAI Help Center, Developer mode and MCP apps in ChatGPT](https://help.openai.com/en/articles/12584461-developer-mode-and-mcp-apps-in-chatgpt)
12. [Google Cloud, Set up your custom MCP server data store (Gemini Enterprise)](https://docs.cloud.google.com/gemini/enterprise/docs/connectors/custom-mcp-server/set-up-custom-mcp-server)
13. [Model Context Protocol, MCP joins the Agentic AI Foundation (9 December 2025)](https://blog.modelcontextprotocol.io/posts/2025-12-09-mcp-joins-agentic-ai-foundation/)
14. [Shopify, Storefront MCP server documentation](https://shopify.dev/docs/apps/build/storefront-mcp/servers/storefront)
15. [Microchip Technology, Microchip unveils Model Context Protocol (MCP) Server (6 November 2025)](https://ir.microchip.com/news-events/press-releases/detail/1344/microchip-technology-unveils-model-context-protocol-mcp-server-to-power-ai-driven-product-data-access)
16. [Forrester, B2B Buyers Make Zero-Click Buying Number One (22 January 2026, Buyers' Journey Survey)](https://www.forrester.com/blogs/b2b_buyers_make_zero_click_buying_number_one/)
17. [Presenc AI, State of llms.txt 2026 (adoption and crawler request data)](https://presenc.ai/research/state-of-llms-txt-2026)

## Other languages

- English: https://partsgraph.ai/blog/what-is-an-agent-ready-product-catalog/md
- Français: https://partsgraph.ai/fr/blog/what-is-an-agent-ready-product-catalog/md
- Español: https://partsgraph.ai/es/blog/what-is-an-agent-ready-product-catalog/md
- Italiano: https://partsgraph.ai/it/blog/what-is-an-agent-ready-product-catalog/md
- Nederlands: https://partsgraph.ai/nl/blog/what-is-an-agent-ready-product-catalog/md
- Polski: https://partsgraph.ai/pl/blog/what-is-an-agent-ready-product-catalog/md
- Português: https://partsgraph.ai/pt/blog/what-is-an-agent-ready-product-catalog/md
- Svenska: https://partsgraph.ai/sv/blog/what-is-an-agent-ready-product-catalog/md
- Türkçe: https://partsgraph.ai/tr/blog/what-is-an-agent-ready-product-catalog/md
- 日本語: https://partsgraph.ai/ja/blog/what-is-an-agent-ready-product-catalog/md
- 한국어: https://partsgraph.ai/ko/blog/what-is-an-agent-ready-product-catalog/md
- 简体中文: https://partsgraph.ai/zh/blog/what-is-an-agent-ready-product-catalog/md

---

Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/de/audit