Agent Commerce Evidence: was Händler messen können.
Ein praktischer Leitfaden zu den Signals auf Anfrageebene, die KI-Shopping-Agenten hinterlassen, warum die meisten Analyse-Stacks sie übersehen und wie Cartograph entwickelt wird, um diese Lücke zu schließen.
Veröffentlicht · Aktualisiert
Was ist Agent-Commerce-Evidenz?
Agent-Commerce-Evidenz ist die Menge der anforderungsbezogenen Signale, die zeigen, dass ein KI-gesteuerter Käufer mit Ihrem Katalog, Schaufenster, Warenkorb oder Ihrer Kasse interagiert hat. Im Gegensatz zu traditionellen Webanalysen, die auf der JavaScript-Ausführung in einem Browser basieren, beginnt die Evidenz am Ursprung: Konfigurierte Server-, CDN- und Anwendungslogs können Anfragen erfassen, die diese Beobachtungspunkte erreichen, selbst wenn ein Browser-seitiges Pixel nicht ausgelöst wird; die Abdeckung ist nicht standardmäßig vollständig und hängt von der Quelleneinbeziehung, dem Routing, der Stichprobenbildung, der Aufbewahrung und dem Zustand der Sammlung ab.
Die zentrale Beobachtung ist einfach: Ein KI-Agent, der eine Produktseite abruft, einen Artikel hinzufügt oder einen delegierten Checkout abschließt, sendet immer noch HTTP-Anfragen. Diese Anfragen enthalten User-Agent-Strings, Referrer, Tokens und Timing-Muster. Wenn sie auf der Log-Schicht erfasst und konsistent gekennzeichnet werden, werden sie zu Evidenz.
Cartograph wird entwickelt, um diese Evidenz zu sammeln, zu normalisieren und zu kennzeichnen, damit Händler Fragen beantworten können, die ihr aktueller Stack nicht beantworten kann: Wie viel meines Traffics ist agentengetrieben? Welche Anfragen sind unklassifiziert? Wo fallen Agenten zwischen Katalog und Kasse ab?
Adobe Digital Insights berichtete, dass der KI-vermittelte Traffic auf US-Einzelhandelsseiten wuchs 393% year over year in Q1 2026. In March 2026, diese Besuche wurden konvertiert 42% better und generiert 37% higher revenue per visit als Nicht-KI-Traffic. Adobe sagt, die zugrunde liegende US-Einzelhandelsanalyse deckt ab more than one trillion visits.
Adobe-reported historical data; not Cartograph customer data. Growth rate does not indicate channel share.
Ihr Stack sieht die Einzelteile. Die geplante Integration verbindet die Evidenz.
Cartograph is not a bot detector, PIM, analytics platform, PSP, or commerce platform. It is being built as the agent-commerce evidence layer across them.
Lesbar, Konsistent, Transaktionsfähig.
This is a readiness framework, not an ACES taxonomy, classifier, confidence model, grade, or score. Each category names the merchant surface, the observation method, and its limitation.
Kann der definierte Scanner oder Collector die genannte Händleroberfläche abrufen und parsen?
Grenze: kein externes Modellverständnis, Zitation, Präferenz oder Empfehlung.
Stimmen benannte, vom Händler autorisierte Oberflächen innerhalb eines definierten Beobachtungsfensters und einer Vergleichsrichtlinie materiell überein?
Grenze: kein externes Agentenvertrauen, Glaube, Vertrauen, Präferenz, Ablehnung oder Platzierung im Consideration Set.
Zeigen vom Händler beobachtete Ereignisse oder eine separat autorisierte synthetische Diagnose den Fortschritt durch die genauen Warenkorb- oder Checkout-Meilensteine im Umfang?
Grenze: kein Nachweis der vollständigen Journey, Auftragsabschluss, Zahlungsautorisierung, Anbieter-Support oder Konvertierung.
Evidenz, keine Spekulation.
The v0.1 specification defines deterministic traffic labels and evidence codes. It does not infer intent, score actors, or treat missing agent evidence as proof of human traffic.
Die v0.1-Spezifikation definiert fünf Traffic-Labels: verified agent, declared bot — verified, declared bot — unverified, AI-referred und unclassified. Diese Labels beschreiben verfügbare Nachweise zum Zeitpunkt der Erfassung; sie besagen nicht, dass unklassifizierter Traffic menschlich ist.
Was Ihr Stack sieht – und was nicht
Die meisten Händler-Stacks wurden für menschliche Käufer konzipiert. Web-Analysen benötigen einen Browser und einen zustimmenden Benutzer. Bot-Management sucht nach Missbrauch, nicht nach Attribution. Produktinformations-Managementsysteme wissen, was Sie verkaufen, aber nicht, wer gefragt hat. Zahlungsabwickler sehen Transaktionen, aber selten den vorgelagerten Agenten, der die Reise initiiert hat.
Das Ergebnis ist ein blinder Fleck: Ein messbarer Anteil an qualifizierten Storefront-Anfrageereignissen bleibt nicht klassifiziert nach deterministischer Kennzeichnung. Diese Lücke zu schließen, erfordert die Kombination von Log-Ursprungsanforderungsereignissen mit einem Kennzeichnungsmodell, das vom Anbieter dokumentierte Agenten und agentenähnliches Verhalten erkennt.
Wie Cartograph plant, die Evidenz zu verbinden
Die geplante Architektur von Cartograph behandelt Händlerschnittstellen als Ereignisproduzenten: Feeds, Storefronts, Warenkörbe, Kassen und Zahlungsflüsse senden jeweils Anforderungsereignisse. Die Plattform wird entwickelt, um diese Ereignisse aus serverseitigen Protokollen aufzunehmen, einen v0.1-Evidenzlabel-Satz anzuwenden und eine Oberfläche bereitzustellen. Unidentifizierter Traffic Metrik: der unlabelte Anteil qualifizierter Anfrageereignisse.
Im Laufe der Zeit ist es das Ziel, deterministische Labels für von Anbietern dokumentierte Agenten, heuristische Labels für unbekannte, aber agentenähnliche Fetcher und händlereigene Signale wie signierte Checkout-Tokens hinzuzufügen. Das Ergebnis ist eine gemeinsame Evidenzschicht, über die Analyse-, Produkt-, Sicherheits- und Zahlungsteams gemeinsam nachdenken können.
Agent-commerce evidence is the set of request-level signals that show an AI-mediated shopper interacted with a merchant's catalog, storefront, cart, or checkout — captured at the log layer rather than in the browser.
Cartograph Intelligence, "Agent Commerce Evidence: Ein Feldführer für Händler." https://cartographintelligence.com/de/agent-commerce-evidence