Voice Commerce 2026: Sprachsteuerung im Online-Shop

Sprache als Eingabe ist im Handel keine Zukunftsfrage mehr, sondern eine Frage der Umsetzung. 26 % der Unternehmen in Deutschland setzen Technologien der künstlichen Intelligenz ein (Statistisches Bundesamt); von ihnen nutzen 42 % Spracherkennung und 34 % Verfahren zur Erzeugung natürlicher Sprache (Statistisches Bundesamt). Damit sind die beiden Hälften einer Sprachbedienung – Zuhören und Antworten – bereits im Bestand vieler Betriebe angekommen, nur selten im Online-Shop selbst. Dieser Beitrag ordnet, was an Sprachsteuerung belegbar ist, wo sie einem Shop messbar nützt und welche Pflichten aus Zugänglichkeit und Datenschutz daran hängen. Wer die KI-Funktionen eines Shops plant, entscheidet dabei zuerst über die Datenwege, nicht über die Stimme.

Wie verbreitet Sprachtechnik im Handel wirklich ist

Die Grundlage jeder Überlegung zur Sprachbedienung ist die Reichweite des Onlinehandels selbst. 95 % der 16- bis 74-Jährigen in Deutschland haben das Internet in den letzten drei Monaten genutzt, 86 % haben schon einmal online eingekauft und 70 % taten dies in den letzten drei Monaten (Statistisches Bundesamt). 80 % dieser Altersgruppe suchen online nach Informationen über Waren und Dienstleistungen (Statistisches Bundesamt). Die Suche nach Produkten ist damit der häufigste Anlass, überhaupt in einen Shop zu gehen – und genau dort setzt eine Sprachbedienung an.

Auf der Unternehmensseite ist der Einsatz künstlicher Intelligenz binnen eines Jahres stark gewachsen: 41 % der Unternehmen ab zwanzig Beschäftigten nutzen sie, ein Jahr zuvor waren es 17 % (Bitkom). Von den nutzenden Unternehmen setzen 88 % die Technologie im Kundenkontakt ein (Bitkom). Der Erhebung liegen 604 telefonisch befragte Unternehmen ab zwanzig Beschäftigten zugrunde, sie beschreibt also den gewerblichen Querschnitt und nicht allein den Handel.

• Nach Größenklassen unterscheidet sich der Einsatz deutlich: 26 % aller Unternehmen nutzen künstliche Intelligenz, bei 50 bis 249 Beschäftigten sind es 36 % und ab 250 Beschäftigten 57 % (Statistisches Bundesamt).
• Unter den nutzenden Unternehmen liegt Text Mining mit 52 % vorn, die Automatisierung von Arbeitsabläufen und Entscheidungen erreicht 27 % (Statistisches Bundesamt) – Sprachbedienung setzt beide Bausteine voraus.
• Der Markt für die zugrunde liegende Sprachverarbeitung wächst im Prognosezeitraum 2026 bis 2031 jährlich um 25,7 % (MarketsandMarkets); die Werkzeuge werden also eher günstiger als knapper.

Was die Suche im Shop heute leistet

Bevor Sprache ins Spiel kommt, lohnt der Blick auf die vorhandene Suche. In der Untersuchung des Baymard Institute unterstützen 56 % der geprüften Shops und Apps die Suchanfragen ihrer Nutzer nicht ausreichend (Baymard Institute). Gemeint sind damit nicht Tippfehler, sondern Anfragen, die ein Merkmal, eine Verwendung oder eine Produktgruppe beschreiben statt eines Produktnamens – also genau die Art von Anfrage, die jemand einem Gerät auch zusprechen würde.

Die technische Ausstattung ist dabei nicht das Problem. 80 % der untersuchten Shops bieten eine Suchvorschlagsliste an, aber nur 19 % setzen dabei alle geprüften Gestaltungsmuster richtig um (Baymard Institute). Bleibt die Suche ohne Treffer, bietet die Hälfte der Shops keinen wirksamen Ausweg an: 50 % führen weder zu einer alternativen Ergebnisliste noch zu einer sinnvollen Korrektur (Baymard Institute). Eine Sprachbedienung erbt diese Schwächen unverändert, denn sie greift auf dieselbe Suchlogik zu.

Was eine schwache Suche kostet, hat eine Befragung von mehr als zehntausend Verbraucherinnen und Verbrauchern sowie zweihundert Website-Verantwortlichen im US-Handel erhoben: 76 % der befragten Verbraucher berichten von einem Kauf, der an einer gescheiterten Suche gescheitert ist (Google Cloud). Die Zahl stammt aus dem US-Markt und lässt sich nicht ohne Weiteres auf Deutschland übertragen; sie beschreibt aber ein Verhalten, das jeder Shopbetreiber im eigenen Suchprotokoll nachprüfen kann.

Gesprochene Anfragen sind länger als getippte

Gesprochene Anfragen sind länger als getippte, und längere Anfragen werden anders beantwortet. Bei Suchen aus einem oder zwei Wörtern erschien in 8 % der Fälle eine maschinell erzeugte Antwort, bei Suchen ab zehn Wörtern in 53 % der Fälle (Pew Research Center). Wer spricht, formuliert eher einen Satz als ein Stichwort – die Anfrage landet damit häufiger in einem Umfeld, in dem eine Maschine zusammenfasst, statt eine Trefferliste auszugeben.

Dass maschinell erzeugte Antworten kein Randphänomen mehr sind, zeigt die Reichweite: Die KI-Übersichten der Suche erreichen nach Angaben des Anbieters mehr als 1,5 Milliarden Nutzer in 200 Ländern und Regionen (Google). Für einen Shop heißt das zweierlei: Die eigene Suche muss längere Anfragen verstehen, und die eigenen Produktseiten müssen so aufgebaut sein, dass eine Maschine sie korrekt wiedergeben kann – beides Voraussetzungen dafür, dass eine gesprochene Frage überhaupt beim eigenen Sortiment landet.

Sprachbedienung ist zuerst eine Frage der Zugänglichkeit

Der belastbarste Grund für eine Sprachbedienung ist nicht der Umsatz, sondern der Zugang. Zum Jahresende 2025 lebten in Deutschland gut 7,8 Millionen Menschen mit schwerer Behinderung, das entspricht 9,4 % der Bevölkerung (Statistisches Bundesamt). Weltweit leben rund 16 % der Menschen mit einer erheblichen Behinderung, das sind etwa 1,3 Milliarden Personen (Weltgesundheitsorganisation). Sprache ist für einen Teil dieser Gruppe der einzige bequeme Weg, einen Warenkorb zu füllen.

Wirtschaftlich ist die Gruppe größer, als sie in Planungen meist vorkommt: Der erweiterte Markt umfasst 2,3 Milliarden Menschen mit 6,9 Billionen US-Dollar verfügbarem Einkommen im Jahr (W3C Web Accessibility Initiative). Der Zustand der Seiten passt dazu nicht. Auf 95,9 % der untersuchten Startseiten wurden Verstöße gegen WCAG 2 erkannt, und 33,1 % der Formularfelder waren nicht korrekt beschriftet (WebAIM). In einem Test von Aktion Mensch waren 20 von 65 geprüften Shop-Websites allein über die Tastatur bedienbar – eine Sprachbedienung setzt genau dort an, wo die Bedienung ohne Maus heute endet.

Seit Juni 2025 ist der elektronische Geschäftsverkehr an Verbraucher vom Barrierefreiheitsstärkungsgesetz erfasst. Der Bußgeldrahmen reicht je nach Tatbestand bis zu 100.000 Euro, in den übrigen Fällen bis zu 10.000 Euro (BFSG). Ausgenommen sind Kleinstunternehmen, die weniger als zehn Personen beschäftigen und entweder höchstens 2 Millionen Euro Jahresumsatz erzielen oder deren Jahresbilanzsumme diesen Wert nicht übersteigt (BFSG). Wer den eigenen Stand prüfen will, findet das Vorgehen im Beitrag zum Barrierefreiheits-Audit und auf unserer Seite zur Barrierefreiheit.

Sprache im Markup: welche Angaben ein Shop braucht

Sprachausgabe und Sprachbedienung setzen voraus, dass die Seite ihre Sprache überhaupt angibt. Erfolgskriterium 3.1.1 der WCAG verlangt eine programmatisch bestimmbare Sprache je Webseite (W3C). Die europäische Norm greift das in Kapitel 10.3.1.1 für die Dokumentsprache und in Kapitel 10.3.1.2 für die Sprache einzelner Passagen auf (ETSI). Für einen Shop mit deutschen Beschreibungen und englischen Herstellerangaben ist das kein formaler Punkt: Ohne Auszeichnung liest die Sprachausgabe den englischen Absatz mit deutscher Aussprache vor.

Wie oft diese Angabe fehlt, zeigt die jährliche Auswertung von einer Million Startseiten: Auf 13,5 % von ihnen fehlte die Angabe der Dokumentsprache (WebAIM). Der Fehler kostet nichts in der Behebung – ein Attribut am Wurzelelement – und ist trotzdem einer der häufigsten Befunde überhaupt.

Mehrsprachigkeit ist dabei kein Randthema des Exports. 76 % der Befragten bevorzugen Produkte mit Informationen in der eigenen Sprache, und 40 % kaufen nicht auf fremdsprachigen Seiten (CSA Research). Innerhalb der Europäischen Union können 59 % der Befragten ein Gespräch in mindestens einer weiteren Sprache führen (Eurobarometer) – was nicht heißt, dass sie darin auch bestellen wollen. Eine Sprachbedienung muss deshalb dieselbe Sprachlogik tragen wie der übrige Shop.

Datenschutz: was bei Sprachaufnahmen gilt

Eine Sprachaufnahme ist ein personenbezogenes Datum, und der Zugriff auf das Endgerät ist eigens geregelt. Das Speichern von Informationen auf dem Endgerät und der Zugriff darauf sind nach § 25 TDDDG nur mit Einwilligung zulässig, soweit sie nicht unbedingt erforderlich sind (Bundesministerium der Justiz). Für die Verarbeitung selbst gelten die Grundsätze aus Artikel 5 DSGVO, für die Rechtsgrundlage Artikel 6 DSGVO und für die Gestaltung Artikel 25 DSGVO – Datenschutz gehört also in die Architektur der Sprachfunktion und nicht in einen Hinweistext darunter.

• Das Mikrofon wird erst nach einer bewussten Handlung aktiv, nie im Hintergrund und nie dauerhaft.
• Die Aufnahme wird nach der Umschrift verworfen; gespeichert wird höchstens der Text, und auch der nur, solange er für die Bestellung gebraucht wird.
• Stimmprofile, Sprechererkennung und Emotionsanalyse bleiben außen vor: Sie sind für die Suche nicht nötig und heben den Schutzbedarf deutlich an.
• Die Datenflüsse zwischen Shop, Umschrift und Sprachmodell gehören in das Verzeichnis von Verarbeitungstätigkeiten nach Artikel 30 DSGVO.
• Übertragung und Speicherung brauchen dem Risiko angemessene technische Maßnahmen nach Artikel 32 DSGVO; eine Sprachaufnahme über eine ungesicherte Verbindung ist kein vertretbarer Zustand.
• Ist ein hohes Risiko für die Rechte und Freiheiten der Betroffenen zu erwarten, ist nach Artikel 35 Absatz 1 DSGVO eine Datenschutz-Folgenabschätzung durchzuführen.
• Die Einwilligung muss widerrufbar sein, und der Widerruf muss den Sprachweg tatsächlich abschalten, nicht nur ausblenden.
• Kinder und Gäste am selben Gerät sind der Regelfall, nicht die Ausnahme: Eine Sprachbestellung ohne zweite Bestätigung ist deshalb keine gute Voreinstellung.

Wo das Sprachmodell läuft

Wo das Sprachmodell rechnet, entscheidet über den Schutzbedarf. Der Europäische Datenschutzausschuss hat seine Stellungnahme zu KI-Modellen am 17. Dezember 2024 angenommen und hält darin fest, dass ein Modell nur unter zwei kumulativen Bedingungen als anonym gelten kann (EDSA). Das Bundesamt für Sicherheit in der Informationstechnik beschreibt für extern betriebene Modelle ausdrücklich die Möglichkeit, dass das betreibende Unternehmen auf Ein- und Ausgaben zugreift und sie zum weiteren Training nutzt (BSI). Für eine Sprachfunktion im Shop ist das die eigentliche Weichenstellung.

• In Systemprompts dürfen keine sensiblen Daten integriert werden (BSI) – eine Sprachfunktion, die Kundendaten in den Prompt schreibt, verstößt gegen diese Vorgabe.
• Lokaler Betrieb bezeichnet den Betrieb eines KI-Modells in eigener Verantwortung auf eigener Hardware (BSI); das ist der Maßstab, an dem sich jede Auslagerung messen lassen muss.
• Für ein geplantes Nachtraining ist die lokale Verarbeitung auf dem genutzten Endgerät zu bevorzugen (DSK).
• Die Umschrift im Browser hält Audiodaten auf dem Gerät und macht die Einwilligung für den Versand entbehrlich, solange nichts anderes übertragen wird.
• Wird doch ausgelagert, gehört der Auftragsverarbeitungsvertrag vor die erste Aufnahme und nicht hinter den ersten Vorfall.
• Ein Ausfall des Sprachwegs darf den Shop nicht anhalten: Die getippte Suche bleibt der Hauptweg, die gesprochene ist die Ergänzung.

Technisch ist der Betrieb im Browser inzwischen die realistische Möglichkeit. Die Schnittstelle für Berechnungen auf der Grafikeinheit wird von 85,72 % der gemessenen Browser-Sitzungen voll und von 1,63 % teilweise unterstützt (caniuse.com). Ein Sprachmodell im Browser hält dabei bis zu 80 % der nativen Geschwindigkeit desselben Geräts (WebLLM). Das reicht für Umschrift und Absichtserkennung, nicht für einen vollständigen Katalogabgleich – der bleibt auf dem Server. Wie sich das im Shop aufteilen lässt, zeigt der Beitrag zu KI-Funktionen ohne Datenabfluss.

Sichtbarkeit: was Sprachantworten aus einem Shop zitieren

Der zweite Grund, sich mit gesprochenen Anfragen zu befassen, liegt außerhalb des eigenen Shops. Ein Teil der Besucher kommt inzwischen über die Antwort eines Assistenten statt über eine Trefferliste. Dieser Verkehr verhält sich anders als der übrige: Wer so kommt, hat die Vorauswahl bereits hinter sich und prüft, statt zu suchen. Wie groß der Anteil im eigenen Shop ist, zeigen die Verweisquellen im Besucherbericht.

Die Verbreitung ist dabei geringer, als die Diskussion vermuten lässt. Das Product-Schema erscheint auf 0,77 % aller gemessenen Seiten (HTTP Archive), während JSON-LD insgesamt auf 41 % der erfassten Seiten vorhanden ist (Web Almanac). Für die KI-Funktionen der Suche verlangt der Anbieter ausdrücklich kein eigenes Schema und keine zusätzlichen maschinenlesbaren Dateien (Google). Wer Produktdaten sauber auszeichnet, tut das also für die Korrektheit der Wiedergabe, nicht für einen versprochenen Rang.

Umsetzung: von der Spracheingabe bis zum Abschluss

Am Ende steht der Abschluss, und der ist die härteste Stelle im Shop. Der über fünfzig Studien gemittelte Warenkorbabbruch im Onlinehandel liegt bei 70,22 % (Baymard Institute). Große Shops können ihre Conversion Rate durch eine bessere Gestaltung des Bestellwegs im Mittel um 35,26 % steigern (Baymard Institute). Eine Sprachbedienung wirkt auf diese Zahlen nur, wenn sie Schritte einspart – nicht, wenn sie einen zweiten Weg danebenstellt.

1. Suche zuerst: Bevor Sprache dazukommt, werden Synonyme, Eigenschaften und die Behandlung von Anfragen ohne Treffer in der getippten Suche in Ordnung gebracht.
2. Sprache als Eingabe, nicht als eigener Kanal: Das Ergebnis der Umschrift landet im vorhandenen Suchfeld, damit Protokoll, Filter und Auswertung unverändert greifen.
3. Bestellweg kürzen: Ein durchschnittlicher Bestellweg zeigt 23,48 Formularelemente, davon 14,88 echte Eingabefelder, während 12 bis 14 Elemente als kurzer Ablauf gelten (Baymard Institute).
4. In den meisten Bestellwegen lässt sich die Zahl der angezeigten Formularelemente um 20 bis 60 % verringern (Baymard Institute) – dieser Schritt wirkt auf jeden Eingabeweg, den gesprochenen eingeschlossen.
5. Messen statt schätzen: Suchanfragen ohne Treffer, Abbrüche je Schritt und Bedienzeit je Eingabeart gehören vor und nach der Einführung erhoben, sonst bleibt der Nutzen eine Behauptung.

Tempo ist dabei kein Nebenaspekt. Eine um ein Zehntel einer Sekunde schnellere mobile Ladezeit ging im Handel mit 8,4 % höherer Conversion und 9,2 % höherem Bestellwert einher (Deloitte). Eine Sprachfunktion, die beim Laden der Seite ein Modell nachzieht, kann diesen Gewinn allein aufzehren – sie gehört deshalb hinter eine bewusste Handlung und nicht in den ersten Seitenaufbau.

Sprachsteuerung mit XICTRON umsetzen

XICTRON baut Sprachbedienung als Teil des Shops, nicht als aufgesetzten Zusatz. Wir prüfen zuerst die vorhandene Suche und die Stammdaten, klären anschließend, welche Verarbeitung auf dem Gerät bleiben kann, und binden die Spracheingabe an den bestehenden Bestellweg an – mit Protokoll, Widerruf und einem getippten Hauptweg, der ohne die Sprachfunktion vollständig funktioniert. Unsere Arbeit an KI-Funktionen und an der Barrierefreiheit greift dabei ineinander, weil dieselben Stellen im Shop betroffen sind.