Ein KI-Agent für Magento, der Ihren Katalog kennt und Ihre APIs nutzt

Magento nimmt eine einzigartige Stellung im E-Commerce ein. Es ist die Plattform, die Händler wählen, wenn ihr Katalog zu komplex für einfachere Lösungen ist – wenn Produkte in Dutzenden von Attributkombinationen vorliegen, wenn derselbe Shop B2B-Großhandelskunden und B2C-Einzelhandelskunden bedient, wenn Multi-Store-Setups verschiedene Marken oder Regionen unter einer einzigen Admin-Oberfläche abdecken. Diese Komplexität macht Magento leistungsstark. Sie macht aber auch den Kundensupport auf einem Magento-Shop außerordentlich schwierig zu automatisieren.

Ein typischer Magento-Katalog ist keine flache Liste von Produkten mit einem Namen, Preis und einer Beschreibung. Es ist ein Netz von Produkttypen, die jeweils unterschiedliche strukturelle Logiken aufweisen. Ein konfigurierbares Produkt – sagen wir, eine Performance-Laufjacke – kann 48 einfache Produkt-Kinder haben, die jede Kombination aus Größe (XS bis XXL) und Farbe (Schwarz, Marineblau, Purpurrot, Anthrazit, Oliv, Stahl) darstellen. Ein Bundle-Produkt ermöglicht es dem Kunden, Komponenten auszuwählen – ein Heimkinosystem, bei dem er den Receiver, die Lautsprecher und den Subwoofer aus kuratierten Optionslisten auswählt, die jeweils eigene Preise haben. Gruppierte Produkte verknüpfen verwandte Artikel – ein Möbelset, bei dem der Esstisch, die Stühle und die Bank zusammen angezeigt, aber einzeln gekauft werden. Jede Support-Konversation über eines dieser Produkte erfordert das Verständnis nicht nur des Produkts selbst, sondern auch seines Typs, seiner Kinder, seiner Attribute und wie diese mit der tatsächlichen Frage des Kunden zusammenhängen.

Wenn ein Kunde den Support kontaktiert und fragt: "Gibt es die Alpine Performance Jacke auch in Rot in Größe L?" – das ist keine einfache Abfrage. In Magentos Datenmodell fragt der Kunde, ob ein spezifisches einfaches Produkt innerhalb der Attributmatrix eines konfigurierbaren Produkts existiert. Ein Support-Agent müsste das konfigurierbare Produkt finden, seine zugehörigen einfachen Produkte überprüfen und feststellen, ob die Schnittmenge von Farbe=Rot und Größe=L existiert und aktiviert ist. Ein FAQ-Chatbot hat keine Chance, dies genau zu beantworten. Er würde entweder eine allgemeine Antwort wie "Bitte überprüfen Sie die Produktseite" geben oder falsch raten. Ein KI-Agent, der das Shop-Frontend durchsucht und die Produktstruktur versteht, kann eine direkte Antwort geben – "Ja, die Alpine Performance Jacke ist in Rot / Größe L erhältlich. Sie kostet 129,00 $ und wird innerhalb von 2 Werktagen versandt", weil er die Attributmatrix des Produkts durch das Crawlen derselben Produktdetailseite gelernt hat, die der Kunde sieht.

Der KI-Agent von Asyntai nähert sich einem Magento-Katalog so, wie es ein gut geschulter Support-Mitarbeiter tun würde: indem er das Shop-Frontend liest. Er durchsucht Ihre Produktseiten, Kategorieseiten, CMS-Inhaltsseiten und Richtlinienseiten. Er liest die Produktbeschreibungen, die Attributtabellen, die Kategorienstrukturen, die Layered-Navigation-Optionen. Er liest die CMS-Blöcke, die Sie in Header eingebettet haben, und die statischen Seiten mit Ihren Versand- und Rückgaberichtlinien. Wenn ein Kunde eine Frage stellt, greift der Agent auf diese gecrawlte Wissensdatenbank zurück – dieselben Informationen, die der Kunde durch die Navigation auf Ihrer Website finden könnte, aber sofort in einem konversationellen Format ohne den Aufwand des Surfens geliefert.

Aber gecrawlte Inhalte decken nur die Hälfte der Support-Gleichung ab. Die andere Hälfte – und die, die den Großteil der Support-Tickets generiert – beinhaltet Live-Daten. "Wo ist meine Bestellung?" "Ist dieser SKU auf Lager?" "Wie hoch ist mein Kontostand?" "Kann ich das noch zurückgeben?" Diese Fragen können nicht aus einer statischen Wissensdatenbank beantwortet werden, da sich die Antworten mit jeder Transaktion, jeder Lieferung, jeder Lagerbestandsanpassung ändern. Hier wird die REST-API von Magento zum kritischen Integrationspunkt, und hier verwandeln die Custom Tools von Asyntai den KI-Agenten von einem sachkundigen Assistenten in einen operativen Agenten.

Magento 2 wird mit einer umfassenden REST-API ausgeliefert. Bestelldaten befinden sich unter /rest/V1/orders. Der Lagerbestand kann über /rest/V1/stockItems/{sku} abgefragt werden. Kundendaten liegen hinter /rest/V1/customers. CMS-Inhalte, Katalogregeln, Warenkorbdaten, Versandverfolgung – fast jede Entität in Magentos Architektur ist API-zugänglich. Mit Custom Tools kann der KI-Agent diese Endpunkte mitten in der Konversation aufrufen. Ein Kunde fragt nach seiner Bestellung. Der Agent extrahiert die Bestellnummer aus der Nachricht, ruft Ihren Magento-Bestellendpunkt auf, erhält den Bestellstatus, die Artikeldetails, die Versandverfolgung und die Zahlungsinformationen und erstellt eine vollständige Antwort. Der gesamte Durchlauf – Parsen der Frage, Aufruf der API, Interpretation der Antwort, Generierung der Antwort – erfolgt in Sekunden.

Der praktische Unterschied, den dies erzeugt, ist erheblich. Ohne API-Zugriff kann eine KI bei einer Bestellfrage bestenfalls Ihre allgemeinen Tracking-Anweisungen wiedergeben: "Sie finden Ihren Bestellstatus unter Mein Konto > Bestellungen und Retouren." Mit Custom Tools, die mit der Bestell-API von Magento verbunden sind, sagt der Agent: "Ihre Bestellung #100000042 wurde am 17. Juni per UPS Ground versandt – Sendungsverfolgungsnummer 1Z999AA10123456784. Sie befindet sich derzeit im Transit in Chicago und wird voraussichtlich am 21. Juni ankommen. Die Bestellung enthält die Alpine Performance Jacke in Marineblau / Medium und die Trail Running Cap in Anthrazit." Das ist keine Hilfe. Das ist eine Lösung. Der Kunde hat seine Antwort erhalten. Das Ticket ist geschlossen. Es war kein Mensch beteiligt.

Bestandsfragen sind für Magento-Shops besonders wertvoll, gerade wegen der Katalogkomplexität. Ein Kunde, der ein konfigurierbares Produkt mit 48 Varianten durchstöbert, möchte wissen, ob seine spezifische Kombination auf Lager ist, bevor er sich entscheidet. Auf vielen Magento-Shops wird auf der Produktseite bei konfigurierbaren Produkten "Auf Lager" angezeigt, auch wenn spezifische Größen-Farb-Kombinationen ausverkauft sind – der Kunde erfährt dies erst, wenn er seine Optionen auswählt und "Nicht auf Lager" in roter Schrift sieht. Dies führt zu Frustration und Support-Tickets. Der KI-Agent kann dies vollständig umgehen. "Ist die Alpine Performance Jacke in Oliv, XL auf Lager?" – der Agent ruft den Bestandsendpunkt für die SKU dieses spezifischen einfachen Produkts auf, prüft die Menge und antwortet: "Die Oliv / XL hat derzeit 7 Einheiten auf Lager. Sie ist versandbereit." Oder, wenn sie ausverkauft ist: "Die Oliv / XL ist derzeit ausverkauft, aber die Oliv in L und XXL sind verfügbar. Die Marineblau / XL ist ebenfalls auf Lager, falls Sie bei der Farbe flexibel sind." Der Agent beantwortet nicht nur die Frage – er bietet Alternativen an, weil er die Produktstruktur versteht.

Retouren sind ein weiterer Bereich, in dem die Komplexität von Magento den Support-Aufwand vervielfacht. Ein Magento-Shop hat möglicherweise unterschiedliche Rückgaberichtlinien für verschiedene Produkttypen – Elektronik mit einem 15-Tage-Fenster, Bekleidung mit 30 Tagen, kundenspezifische oder personalisierte Artikel, die vom Umtausch ausgeschlossen sind. Die Rückgaberichtlinie kann sich auf einer CMS-Seite befinden. Die Bestelldaten befinden sich in der Datenbank, zugänglich über die API. Eine Retourenanfrage erfordert beides: die Überprüfung des Bestelldatums anhand der geltenden Richtlinie und die anschließende Bearbeitung der RMA. Mit Custom Tools übernimmt der KI-Agent den gesamten Workflow. Er ruft die Bestell-API auf, um das Bestelldatum und die Artikeldetails abzurufen. Er prüft diese anhand der Rückgaberichtlinie, die er durch das Crawlen Ihrer CMS-Inhalte gelernt hat. Wenn der Kunde berechtigt ist, kann er einen Retouren-Endpunkt aufrufen, um die RMA einzuleiten – wobei er den Artikel, den Grund und die Kontaktinformationen des Kunden erfasst. Der Kunde erhält eine Lösung in einer einzigen Konversation. Ihr Support-Team erhält eine abgeschlossene RMA in seiner Warteschlange anstelle einer unstrukturierten E-Mail, die es recherchieren muss.

Multi-Store ist ein definierendes Merkmal von Magento und schafft eine einzigartige Support-Herausforderung. Eine einzige Magento-Installation kann mehrere Websites bedienen, jede mit mehreren Store Views – unterschiedliche Marken, unterschiedliche Regionen, unterschiedliche Sprachen, unterschiedliche Kataloge, unterschiedliche Preise. Ein Händler, der einen B2C-Shop und ein B2B-Großhandelsportal von derselben Magento-Instanz aus betreibt, benötigt Support, der versteht, auf welchem Shop sich der Kunde befindet, und die richtige Katalog-, Preis- und Richtlinienlogik anwendet. Asyntai löst dies, indem es jedem Store View eine eigene Widget-Konfiguration ermöglicht. Der B2C-Shop erhält einen Agenten, der mit Produktseiten für Verbraucher und Standard-Einzelhandelspreisen antwortet. Das B2B-Portal erhält einen Agenten, der mit Großhandelskatalogen mit ausgehandelten Preisgestaltungslogiken und Workflows für Firmenkonten antwortet. Jedes Widget durchsucht sein eigenes Shop-Frontend. Jedes verbindet sich mit dem relevanten API-Scope. Der Kunde auf Ihrem Großhandelsportal fragt nach den ausgehandelten Preisen seines Unternehmens – der Agent kennt diesen Kontext, weil er innerhalb dieser Store View agiert.

Die B2B-Dimension von Magento – insbesondere in Adobe Commerce – fügt eine weitere Ebene der Support-Komplexität hinzu. B2B-Käufer haben Firmenkonten, geteilte Kataloge mit kundenspezifischen Preisen, Wunschlisten und Bestellprozesse für Bestellungen. Dies sind keine Randfälle – sie sind der Kern dessen, wie B2B-Käufer mit der Plattform interagieren. Ein KI-Agent, der mit den B2B REST-API-Endpunkten von Magento verbunden ist, kann den geteilten Katalog eines Unternehmens nachschlagen, um dessen ausgehandelte Preise für ein bestimmtes Produkt zu bestätigen. Er kann eine Wunschliste überprüfen und dem Käufer mitteilen, ob Artikel seit der letzten Aktualisierung ausverkauft sind. Er kann den Status eines ausstehenden Angebots oder einer zur Genehmigung anstehenden Bestellung abrufen. Für B2B-Händler ist dies keine Bequemlichkeit – es ersetzt einen erheblichen Teil der Kontoverwaltungsarbeit, die sonst ein engagierter Vertriebsmitarbeiter oder Kundendienstmitarbeiter manuell erledigen müsste.

Die Performance ist ein ständiges Anliegen für Magento-Händler, und das zu Recht. Magento-Shops laufen typischerweise hinter einem Varnish Full-Page-Cache, oft mit Fastly oder Cloudflare als CDN-Schicht. Sie haben Zeit damit verbracht, Cache-Warming, Hole-Punching für dynamische Inhalte und TTL-Regeln für verschiedene Seitentypen zu konfigurieren. Jedes Tool, das zur Website hinzugefügt wird, muss innerhalb dieser Infrastruktur funktionieren, nicht dagegen. Das JS-Snippet von Asyntai wird asynchron geladen – es blockiert das Rendern der Seite nicht, stört keine Varnish-Cache-Regeln und erfordert keine Konfiguration von Cache-Löschungen oder Hole-Punching. Das Snippet ist ein einziges asynchrones Skript-Tag. Der Crawler liest dieselben gecachten Seiten, die Ihre Besucher sehen. Ihr sorgfältig abgestimmter Magento-Performance-Stack bleibt unberührt.

Der Installationsprozess spiegelt wider, wie Magento-Shops tatsächlich funktionieren. Sie haben zwei Wege. Der Entwicklerweg: Fügen Sie das Skript-Tag zur default_head_blocks.xml-Layoutdatei Ihres Themes hinzu, stellen Sie es bereit, und fertig. Der Admin-Weg: Fügen Sie das Skript in einen CMS-Static-Block ein, der in Ihrem Header referenziert wird, speichern Sie, leeren Sie den Cache, fertig. Wenn Sie bereits Google Tag Manager auf Ihrem Shop verwenden, können Sie das Snippet als benutzerdefiniertes HTML-Tag hinzufügen – keine Theme-Änderungen, keine Bereitstellung, keine Composer-Updates. Der Punkt ist, dass das Hinzufügen des KI-Agenten Ihren Magento-Codebasis nicht berührt. Es muss kein Modul installiert, kein setup:upgrade ausgeführt, keine DI-Konfiguration vorgenommen und kein Kompilierungsschritt durchgeführt werden. Es ist rein Frontend – eine JavaScript-Datei, die im Browser geladen wird und mit dem Backend von Asyntai kommuniziert. Ihre Magento-Version, Ihre benutzerdefinierten Module, Ihre Bereitstellungspipeline – nichts davon ändert sich.

Die Konfiguration von Custom Tools für Magento folgt einem vorhersehbaren Muster, da die REST-API von Magento gut dokumentiert und standardisiert ist. Das erste Tool, das die meisten Magento-Händler erstellen, ist der Bestellstatus: Endpunkt /rest/V1/orders?searchCriteria[filterGroups][0][filters][0][field]=increment_id&searchCriteria[filterGroups][0][filters][0][value]={bestellnummer}, mit einem Integrationstoken im Auth-Header. Der Agent extrahiert die Bestellnummer aus der Konversation, führt den Aufruf durch und gibt die relevanten Felder zurück – Status, Artikel, Versandverfolgung. Das zweite Tool ist typischerweise der Lagerbestand: /rest/V1/stockItems/{sku}, wobei die SKU aus der Produktfrage des Kunden extrahiert und der Lagerquelle zugeordnet wird. Von dort aus fügen Händler Tools basierend auf ihren spezifischen Support-Mustern hinzu – Kundenkontenabfrage, Retourenabwicklung, Punktestand, Guthaben für Geschenkkarten, Angebotsstatus. Jedes Tool benötigt fünf Minuten für die Konfiguration im Dashboard. Kein Code. Keine Middleware. Nur eine Endpunkt-URL, Parameter, ein Auth-Token und eine Beschreibung in einfachem Deutsch, wann der KI-Agent es verwenden soll.

Das Authentifizierungsmodell für Magento API-Tools ist unkompliziert. Magento unterstützt Integrationstoken – langlebige API-Token, die im Admin-Panel unter System > Integrationen erstellt werden. Sie erstellen eine Integration mit Zugriff auf die spezifischen API-Ressourcen, die der KI-Agent benötigt (Bestellungen, Lagerbestand, Kunden), kopieren das Zugriffstoken und fügen es im Feld für den Auth-Header des Custom Tools in Asyntais Dashboard als Authorization: Bearer Ihr-Integrationstoken ein. Das Token gelangt niemals in den Browser des Kunden – Asyntai ruft Ihre Magento API serverseitig auf, empfängt die Antwort und verwendet die Daten, um die Chat-Antwort zu verfassen. Ihr Integrationstoken verbleibt zwischen der Infrastruktur von Asyntai und Ihrem Magento-Backend. Sie können den Zugriff der Integration auf schreibgeschützte Ressourcen beschränken, wenn der Agent Daten nachschlagen, aber nicht ändern soll – ein angemessener Ausgangspunkt, bevor Sie Schreibvorgänge wie die RMA-Erstellung aktivieren.

Saisonale Verkehrsmuster treffen Magento-Shops besonders hart. Black Friday, Cyber Monday, Weihnachtsgeschäft, saisonale Ausverkäufe – diese Ereignisse können den Traffic und das Bestellvolumen innerhalb weniger Stunden um das 5- oder 10-fache steigern. Das Support-Ticketvolumen folgt diesem Muster. "Wo ist meine Bestellung?" steigt am Tag nach einem großen Verkauf an. "Ist das noch auf Lager?" steigt während Flash-Aktionen sprunghaft an. "Kann ich das zurückgeben?" erreicht seinen Höhepunkt im Januar. Saisonale Support-Mitarbeiter für ein dreiwöchiges Zeitfenster einzustellen, ist teuer, und die Anlaufzeit bedeutet, dass sie kaum geschult sind, bevor der Höhepunkt vorbei ist. Ein KI-Agent benötigt keine Schulung, muss Ihre Rückgaberichtlinie nicht lernen und verlangsamt sich nicht, wenn das Volumen steigt. Er beantwortet die tausendste "Wo ist meine Bestellung?"-Anfrage genauso wie die erste – indem er Ihre Magento API aufruft, die Live-Daten abruft und eine vollständige Antwort gibt. Ihr Support-Team konzentriert sich auf die komplexen Probleme – die Randfälle, die Eskalationen, die verärgerten Kunden, die eine menschliche Note benötigen – während der Agent das repetitive Volumen bewältigt, das 70-80% der Tickets während der Hochsaison ausmacht.

Die mehrsprachige Dimension ist erwähnenswert, da die Multi-Store-Architektur von Magento häufig für sprachbasierte Store Views genutzt wird. Ein Händler, der die USA, Deutschland und Frankreich bedient, hat möglicherweise drei Store Views mit in jeder Sprache übersetzten Inhalten. Der KI-Agent behandelt dies auf natürliche Weise. Beim Crawlen der deutschen Store View lernt er die deutschen Produktbeschreibungen, deutschen Richtlinienseiten und deutschen CMS-Inhalte. Wenn ein Kunde in dieser Store View eine Frage auf Deutsch stellt, antwortet der Agent auf Deutsch – basierend auf den deutschen Inhalten, die er gecrawlt hat. Antwortdaten von Custom Tools, die von der Magento API stammen (die typischerweise Daten in der Standardsprache der API zurückgeben), werden von der KI automatisch in die Sprache des Kunden übersetzt. Der deutsche Kunde erhält deutsche Antworten, auch wenn die zugrunde liegende API englische Feldnamen und Statuswerte zurückgibt. Kein zusätzlicher Lokalisierungsaufwand auf der Magento-Seite. Die KI übernimmt die Übersetzungsschicht automatisch.

Daten aus den Protokollen von Custom Tool-Aufrufen liefern operative Erkenntnisse, die über grundlegende Chatbot-Analysen hinausgehen. Wenn Sie sehen, dass diesen Monat 300 Kunden das Bestellstatus-Tool aufgerufen haben und 40% davon innerhalb von 24 Stunden nach ihrer Bestellung, wissen Sie, dass Ihre Bestellbestätigungs-E-Mails den Kunden nicht genügend Vertrauen geben, dass ihr Kauf erfolgreich war. Wenn die Aufrufe zur Lagerbestandsprüfung für eine bestimmte SKU sprunghaft ansteigen, die auf der Produktseite als "auf Lager" aufgeführt ist, aber durchweg eine Menge von Null von der API zurückkommt, haben Sie ein Synchronisationsproblem zwischen Ihrer Lagerquelle und Ihrem Magento-Lagerindex gefunden. Wenn Retourenanfragen sich auf eine bestimmte Produktkategorie häufen, haben Sie ein Problem mit der Qualität oder der Erwartungsabdeckung identifiziert, bevor Ihr Retourenbericht dies im nächsten Quartal aufdeckt. Der Aufrufverlauf des KI-Agenten wird zu einer Echtzeit-Diagnoseschicht für Ihren Magento-Betrieb – eine, die nicht nur zeigt, was Kunden fragen, sondern was sie zu tun versuchen und wo Ihr Shop ihre Erwartungen nicht erfüllt.

Magento-Händler, die bereits in ihre REST API investiert haben – durch die Erstellung von Endpunkten für mobile Apps, Headless-Frontends, ERP-Integrationen oder Drittanbieter-Marktplatz-Konnektoren – erzielen einen überproportionalen Mehrwert aus Custom Tools, da diese Endpunkte bereits existieren. Sie bauen nichts Neues. Sie richten den KI-Agenten auf denselben Bestellstatus-Endpunkt aus, den ihre mobile App verwendet, denselben Lagerbestandsendpunkt, den ihr POS-System prüft, denselben Kundenendpunkt, mit dem ihr CRM synchronisiert wird. Der KI-Agent wird zu einem weiteren Verbraucher derselben API-Infrastruktur – einem, der zufällig eine konversationelle Oberfläche hat und den Kunden direkt bedient. Die Investition, die sie in ihre API getätigt haben, zahlt sich in einer Dividende aus, die sie nicht geplant hatten: KI-gestützter Kundensupport, der Tickets mithilfe derselben Datenquellen löst, die den Rest ihres Betriebs versorgen.

Die Wettbewerbssituation für Magento-Händler besteht darin, dass sich die Kundenerwartungen nicht an die Plattformkomplexität anpassen. Ein Kunde, der in einem Magento-Shop mit 50.000 konfigurierbaren Produkten und einem Multi-Warehouse-Lagerbestand einkauft, erwartet das gleiche sofortige, genaue Support-Erlebnis, das er von einem Shopify-Shop mit 50 Produkten erhält. Er erwartet, nach seiner Bestellung fragen und eine Sendungsverfolgungsnummer erhalten zu können. Er erwartet, nach der Produktverfügbarkeit fragen und eine echte Antwort erhalten zu können. Er erwartet, eine Retoure beantragen und diese abgewickelt bekommen zu können, ohne drei E-Mails senden zu müssen. Die Plattformkomplexität ist das Problem des Händlers, nicht das des Kunden. Ein KI-Agent, der die Katalogstrukturen von Magento versteht und sich mit seiner REST API verbindet, schließt diese Erwartungslücke – er liefert das sofortige, datengesteuerte Support-Erlebnis, das Kunden fordern, unabhängig von der zugrunde liegenden strukturellen Komplexität.

Der Weg von der Installation bis zu einem voll funktionsfähigen KI-Agenten auf einem Magento-Shop folgt typischerweise einem klaren Fortschritt. Woche eins: Fügen Sie das Snippet hinzu, lassen Sie den Agenten den Katalog und die Inhalte crawlen und aktivieren Sie ihn für grundlegende Produkt- und Richtlinienfragen. Der Agent bearbeitet sofort "Wie lautet Ihre Rückgaberichtlinie?" und "Versenden Sie nach Kanada?" und "Erzählen Sie mir von der Alpine Performance Jacke" – die Wissensdatenbank-Schicht funktioniert ab dem ersten Tag. Woche zwei: Verbinden Sie die Order-Status-API und die Lagerbestandsprüfungs-Endpunkte. Nun bearbeitet der Agent "Wo ist meine Bestellung?" und "Ist das auf Lager?" – die beiden volumenstärksten Support-Fragen im E-Commerce. Woche drei: Fügen Sie die Retourenabwicklung, die Abfrage von Kundenkonten und alle spezialisierten Endpunkte hinzu, die Ihr Shop benötigt. Am Ende des Monats bearbeitet der KI-Agent den Großteil Ihres Support-Volumens autonom, Ihre menschlichen Agenten konzentrieren sich auf komplexe Probleme, die wirklich eine Person erfordern, und Ihre Support-Warteschlange sieht grundlegend anders aus als dreißig Tage zuvor. Nicht, weil Sie eine Enterprise-KI-Plattform bereitgestellt haben. Sondern weil Sie ein Skript-Tag hinzugefügt und einige API-Tools auf Endpunkte ausgerichtet haben, die bereits existierten.