RAO statt SEO: Wie Walmarts Sparky die Produktentdeckung mit agentischer KI neu definiert

Kurzfassung

Agentische KI verschiebt den Wettbewerb im Handel von Sichtbarkeit zu Machbarkeit. Mit Sparky testet Walmart seit Juni 2025 einen agentischen Shopping-Assistenten, der komplette Aufgabenketten plant und ausführt. Für Marken bedeutet das: von SEO und AEO zu RAO wechseln, also Daten und Policies so ausspielen, dass Einkaufsagenten zuverlässig entscheiden, planen und kaufen können.

Anlass und Einordnung

• Am 17. und 18. September 2025 berichtete Barron’s über Walmarts Vorstoß in agentische KI und die Weiterentwicklung von Sparky zum handlungsfähigen Einkaufsagenten. Siehe Barron’s zur Sparky-Offensive.
• Walmart beschreibt Sparky als multimodal, auf Alltagsaufgaben ausgerichtet und bereits in der App erlebbar. Siehe Walmart stellt Sparky vor.

Parallel skizziert Walmart eine Zukunft mit Multi-Agent-Orchestrierung vom Entdecken bis zum Kauf sowie zunehmender Automatisierung im Service. Zudem positioniert das Unternehmen Super Agents für Shopper, Associates, Anbieter und Entwickler.

Von SEO und AEO zu RAO

Wenn Produktempfehlungen nicht mehr primär über Suchergebnisse oder generative Antworten laufen, sondern über Einkaufsagenten, verschiebt sich die Optimierung. Retail-Agent-Optimierung (RAO) bedeutet: Angebote so strukturieren, dass Agenten sie in Aufgabenketten bevorzugt wählen – etwa für Warenkorb-Zusammenstellung, Alternativen, Liefer- und Preis-Trade-offs oder Budgetplanung.

Was Agenten wirklich brauchen

Agenten entscheiden entlang von Constraints, Kosten, Zeit und Risiko. Dafür zählen maschinenlesbare, aktuelle, verlässliche und verknüpfbare Signale. Die wichtigsten Hebel:

1) Aktions- und Constraints-Metadaten im Produktfeed

Ergänzen Sie über klassische Attribute hinaus explizite Handlungs- und Regel-Signale:

• Budget und Preislogik: Mindestpreis, Maximalpreis, Mengenrabatt, Bundle-Preis, Preishaltbarkeit für X Minuten
• Substitutionen: ähnliche Artikel, harte Ausschlüsse, Up- und Downtrade-Pfade, Allergene und Diätregeln
• Lieferfenster: früheste Zustellung, Same-Day verfügbar, Cutoff, Abholoptionen, ETA-Konfidenz
• Service-Fähigkeit: Installation, Montage, Rücknahme Altgerät, Terminbuchung erforderlich
• Compliance und Policy: Altersfreigabe, Gefahrgut, Kühlkette, Rückgabefrist, Restocking Fee
• Nachhaltigkeit: CO2-Schätzung pro Lieferung, Verpackungstyp, Mehrwegoption
• Eignung für Aufgaben: rezepttauglich, eventtauglich, kompatible Zubehör-Listen
• Qualitätssignale: geprüfte Bewertungen, Verifizierungsgrad, Garantiebedingungen

2) Echtzeit-Signale priorisieren

Statische Kataloge verlieren gegen Live-Daten. Stellen Sie Feeds mit hoher Frequenz bereit:

• Preis in Echtzeit inklusive Steuern, Gebühren, Promotions, Coupon-Elasticity
• Bestand und Reservierung: Store- und Fulfillment-Level, Safety Stock, Backorder-ETA
• Nähe und Fulfillment-Fähigkeit: nächstgelegene Quelle, Slot-Verfügbarkeit, Kapazität, Lieferdauer in Minuten
• Risiko und Verlässlichkeit: Stornoquote, Substitutionsquote, Pünktlichkeitsrate, SLA-Konfidenz
• Dynamische Eignung: Temperatur- oder Wetterabhängigkeit, Saison, Ereignisbezug

3) Agent-freundliche Angebots- und Verfügbarkeits-APIs

Agenten brauchen transaktionstaugliche, deterministische Endpunkte:

• Offers-API: personalisierte Endpreise, Promotions, Lieferoptionen pro Warenkorb, Quotenhaltung 5–10 Minuten
• Availability-API: atomar pro SKU und Standort, mit ETA, Menge, Konfidenzintervall und Substitutionsvorschlägen
• Eligibility-API: Compliance, Altersverifikation, Lieferrestriktionen, Zahlungsarten
• Orchestrierungs-Contracts: idempotente Cart-Operationen, Reservierungstokens, Rollback bei Teilerfolg
• Performance: P95 unter 300 ms, klare Fehlercodes, Fallback-Szenarien, Versionierung

4) Angebotsverpackung für Aufgabenketten

Denken Sie in Plänen, nicht in Produkten:

• Task-Bundles: vorkonfektionierte Sets inklusive Substitutionsgraphen und Budgetleitplanken
• Entscheidungsregeln: Wenn A nicht vorrätig ist, dann B innerhalb von Preisdelta 10 Prozent, sonst C mit Lieferzeit plus 1 Tag
• Kontext-Tags: Anlass, Personenanzahl, Diät, Werkzeug-Level, Raumgröße, Zeitbudget

5) Policy-Transparenz als Feature

Agenten bevorzugen planbare Risiken. Machen Sie Rückgaben, Gebühren, Lieferfenster und Service-Level maschinenlesbar. Klare Policies reduzieren Unsicherheit und erhöhen die Wahrscheinlichkeit für Auswahl in der Kette.

Agent Trials: das neue Retail-Media-Format

Wenn Agenten entscheiden, müssen Marken Wirkung in der Kette messen. Agent Trials sind kontrollierte Einbindungen von Angeboten in Agenten-Workflows.

• Trial-Typen: Plan-Bau, Substitution-Test, Trade-up-Test
• Metriken: Consideration in der Kette, Chain Insertion Rate, Primary vs Fallback Share, Constraint Satisfaction Score, Basket Completion Rate, Plan Acceptance, Time-to-Decision, Recourse Rate, ETA-Hitrate, Post-Delivery CSAT
• Gebotslogik: Cost per Chain Insertion, Cost per Successful Plan, Cost per Kept Substitution, Frequency Caps pro Nutzer und pro Aufgabe
• Experiment-Design: Randomisierung auf Agentenebene, Slot- und Pfadkontrolle, Preiskontrolle via dynamische Preisbindung, sequenzielle Tests mit Frühabbruchregeln
• Brand Safety: Policies als Whitelist, negative Constraints respektieren, transparente Audit-Logs

Mess- und Daten-Taxonomie für RAO

Verschieben Sie die Kennzahlen von Impressionen zu Kettenwirkung:

• Exposure wird zu Agent Consideration Event
• Click wird zu Plan Step Selection
• Add-to-Cart wird zu Chain Action Commit
• Conversion wird zu Plan Acceptance und Fulfillment Success
• Attribution: Last-Click ersetzt durch Chain Contribution mit Shapley- oder Markov-Logik auf Schrittbasis

Technischer Blueprint

• RAO-Feed v1: JSON-Feed mit Aktions- und Constraints-Metadaten, Substitutionsgraph, Policy-Blöcken, Nachhaltigkeitsfeldern
• Live-Layer: Webhooks oder Streaming für Preis, Bestand, ETA, Kapazität
• Orchestrierungs-APIs: Offers, Availability, Eligibility, Cart, Reservation, Checkout
• Qualität: Schema-Validierung, Freshness-Checks, synthetische Agent Tests vor Rollout

30-60-90 Tage Fahrplan

• 30 Tage: Audit vorhandener Feeds, Lückenanalyse zu Constraints, Definition Substitutionsgraph, ETA-Schätzung als MVP
• 60 Tage: Offers- und Availability-API mit P95-Ziel live, RAO-Feed v1 ausrollen, zwei Agent Trials auf Neutralpfad
• 90 Tage: Attribution auf Chain Contribution, Bidding-Strategien für Agent Trials, Governance und Policy-Transparenz automatisieren

Häufige Stolpersteine

• Statische Preise ohne Preisbindung führen zu Planabbrüchen
• Fehlender Substitutionsgraph erzeugt Dead-Ends in der Kette
• Unklare Rückgaberichtlinien verringern Agent-Konfidenz
• Langsame oder uneinheitliche APIs werden von Agenten depriorisiert

Was das für Marken bedeutet

Sparky und ähnliche Agenten verschieben die Spielregeln von Sichtbarkeit hin zu Machbarkeit. Marken, die ihre Daten als Aktions- und Constraint-Signale bereitstellen, mit Echtzeit-Feeds arbeiten und Agent Trials als neues Media-Format nutzen, werden in kettenbasierten Einkaufsentscheidungen bevorzugt. Das ist RAO in der Praxis.

Weiterführende Playbooks

• Vertiefung zur Browser-zentrierten AEO: AEO wandert in den Browser
• Ranking in agentischen Sitzungen: SessionRank für Chrome Gemini
• Von AEO zu GEO: AEO zu GEO 16 Leitfaden