KI-bereite Produktdaten: Was KI-Shopping-Agenten und Antwortmaschinen brauchen

Sie machen Produktdaten bereit für KI-Suche und Agentic Commerce, indem Sie sie an der Quelle korrigieren: ein gepflegter Datensatz pro Produkt im PIM-System, mit Attributen und Einheiten, GTIN, Marke, aktuellem Preis und Bestand sowie Übersetzungen, die in jeder Sprache dasselbe aussagen. Aus diesem Datensatz veröffentlichen Sie schema.org-Product-Markup auf Ihren Produktseiten, einen vollständigen Produkt-Feed für Marktplätze, Google und ChatGPT sowie Zugriff über eine API oder MCP für Agenten. Die Checkliste unten zeigt Punkt für Punkt, wie ein guter Zustand aussieht, wie ein PIM-System dabei hilft und wie Sie es prüfen, gefolgt von einem JSON-LD-Beispiel zum Übernehmen.

KI-Shopping-Agenten und Antwortmaschinen werden zu einem Eingang zu Ihrem Katalog. Sie lesen Ihren Onlineshop nicht. Sie lesen Ihre Produktdaten, und sie empfehlen nur, was sie verstehen und begründen können. Diese Seite erklärt, was das verlangt, was „KI-bereit“ konkret heißt, was Sie im PIM-System tun und wo es schiefgeht. Sie ersetzt eine Reihe kürzerer Meinungsbeiträge und Webinar-Notizen von 2024 bis 2026 durch eine zusammenhängende Argumentation. Zu KI-Funktionen innerhalb eines PIM-Systems (Anreicherung, Klassifikation, Übersetzung) lesen Sie was KI im PIM-System wirklich leistet und wo sie scheitert, und für einen Vergleich nach Anbieter PIM-Systeme mit den besten KI-Funktionen 2026.

Was gehört auf die Checkliste für KI-bereite Produktdaten?

Arbeiten Sie diese neun Punkte der Reihe nach ab. Die ersten vier entscheiden, ob ein Agent Ihr Produkt überhaupt erkennen und zuordnen kann. Die letzten fünf entscheiden, ob er dem Gefundenen vertraut und damit handeln kann.

Punkt	Wie ein guter Zustand aussieht	Wie ein PIM-System hilft	Wie Sie es prüfen
Vollständigkeit der Attribute	Jedes Attribut, nach dem Käufer filtern oder fragen, ist für jede verkaufsfähige SKU gefüllt, je Kanal und Sprache	Vollständigkeitsregeln je Produktfamilie und Kanal, Pflichtattribute, ein Workflow, der die Veröffentlichung unter der Schwelle sperrt	Vollständigkeitsbericht je Attributgruppe; stellen Sie einem Assistenten die drei wichtigsten Kauffragen zu zehn SKUs
Spezifikationen und Attribute mit Einheiten	Zahlen in eigenen Feldern mit Einheit (0,9 kg, 22 l, 16 Zoll), feste Auswahllisten statt Freitext	Typisierte Attribute (Zahl, Maß, Auswahlliste), Umrechnung von Einheiten, Validierung auf Mindest- und Höchstwerte	Zählen Sie Freitextattribute, die eine Zahl enthalten; prüfen Sie stichprobenartig die Einheiten in einer Kategorie
GTINs und Kennungen	Jeder verkaufsfähige Artikel hat eine von GS1 vergebene GTIN, dazu Marke, SKU und Herstellerartikelnummer	Prüfung auf eindeutige Werte bei Kennungsattributen, Importprüfungen auf Prüfziffern und Dubletten	Anteil der SKUs mit gültiger, eindeutiger GTIN; Dubletten zwischen Varianten
schema.org-Product-Markup	Jede Produktseite enthält JSON-LD mit name, image, sku, GTIN, brand und offers, erzeugt aus dem PIM-Datensatz	Export sauberer Felder an Shop oder CMS, die das JSON-LD ausgeben; ein Feld je Eigenschaft	Google Rich Results Test oder Search Console an einer Stichprobe von Produktseiten
Produkt-Feeds	Ein aktueller, vollständiger Feed für Google Merchant Center, Marktplätze und ChatGPT, mit denselben Werten wie die Seite	Kanal-Mappings und Exportprofile je Feed, geplante oder ereignisgesteuerte Exporte	Feed-Diagnose in jedem Kanal; Feed-Werte mit der Seite für zehn SKUs vergleichen
Mehrsprachige Inhalte	Übersetzungen je Sprache für Titel, Beschreibungen und Optionswerte, mit Einheiten und Begriffen je Markt	Sprachen und Kanäle im Datenmodell, Übersetzungs-Workflow, Glossare, Vollständigkeit je Sprache	Vollständigkeit je Sprache; dieselbe Frage in zwei Sprachen stellen und die Antworten vergleichen
Aktualität	Preis, Bestand und Spezifikationen ändern sich, sobald sie sich ändern; Seiten zeigen ein sichtbares Datum der letzten Änderung	Ereignisgesteuerte Exporte, Änderungshistorie, Datumsangaben an Datensätzen	Zeit zwischen einer Änderung in ERP oder PIM und der Änderung in jedem Feed und auf der Seite
Konsistenz über Kanäle	Ein Wert pro Fakt auf Ihrer Website, bei Händlern, auf Marktplätzen und in Feeds	Ein Verantwortlicher je Attribut, Syndizierung aus dem PIM-System statt Änderungen in jedem Kanal	Fünf Kernattribute derselben SKU in drei Kanälen vergleichen
Maschinenzugriff und Governance	Eine dokumentierte API und, wo Agenten sie brauchen, ein MCP-Server, mit begrenzten Rechten und Audit-Trail	API-Benutzer und Rollen, Rechte je Attributgruppe und Sprache, Protokollierung jeder Schreibaktion	Lassen Sie sich vom Anbieter einen Agenten zeigen, der auf eine Kategorie beschränkt ist und nur Vorschläge machen darf

Keiner dieser Punkte ist neu. Neu ist der Leser. Ein Mensch verzeiht eine fehlende Einheit oder einen veralteten Preis. Ein Agent lässt das Angebot fallen, und die verlorene Antwort sehen Sie in Ihrer Webanalyse nie.

Wie sieht schema.org-Product-Markup für ein KI-bereites Produkt aus?

schema.org Product ist das gemeinsame Vokabular, das Suchmaschinen und viele KI-Systeme aus einer Produktseite lesen. Googles Dokumentation zu Händlereinträgen (Merchant Listings) verlangt name, image und offers und empfiehlt unter anderem brand, eine GTIN, color, material und sku. Das Beispiel unten ist ein erfundener Rucksack: Marke, GTIN, URLs und Preis sind Beispielwerte, ersetzen Sie sie durch Ihre eigenen. Jeder Eigenschaftsname darin ist auf schema.org aufgeführt.

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Beispiel Pendlerrucksack 22 l, wasserdicht, Schwarz",
  "description": "Wasserdichter Pendlerrucksack mit 22 Litern und gepolstertem Fach für Laptops bis 16 Zoll.",
  "sku": "EX-CB22-BLK",
  "mpn": "CB22-BLK",
  "gtin13": "2001234567893",
  "brand": { "@type": "Brand", "name": "Beispielmarke" },
  "category": "Taschen > Rucksäcke > Laptoprucksäcke",
  "color": "Schwarz",
  "material": "Recyceltes Polyester",
  "image": ["https://www.example.com/images/cb22-black-front.jpg"],
  "weight": { "@type": "QuantitativeValue", "value": 0.9, "unitCode": "KGM" },
  "additionalProperty": [
    { "@type": "PropertyValue", "name": "Volumen", "value": 22, "unitCode": "LTR" },
    { "@type": "PropertyValue", "name": "Maximale Laptopgröße", "value": 16, "unitCode": "INH" },
    { "@type": "PropertyValue", "name": "Verschluss", "value": "Rollverschluss" }
  ],
  "offers": {
    "@type": "Offer",
    "url": "https://www.example.com/p/ex-cb22-blk",
    "price": "129.00",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition",
    "priceValidUntil": "2026-12-31"
  }
}

Was jeder Teil für einen Agenten leistet:

• gtin13, sku, mpn und brand lassen eine Maschine denselben Artikel auf Ihrer Website, bei Händlern und auf Marktplätzen wiedererkennen. schema.org kennt gtin8, gtin12, gtin13, gtin14 und eine allgemeine gtin-Eigenschaft; verwenden Sie die, die zur von GS1 vergebenen Nummer passt.
• weight und additionalProperty tragen die Spezifikationen. Ein PropertyValue hat name, value und unitCode, und unitCode erwartet einen dreistelligen UN/CEFACT-Code (KGM für Kilogramm, LTR für Liter, INH für Zoll). Schreiben Sie die Zahl in value und die Einheit in unitCode, nicht „22 Liter“ als einen Text.
• offers enthält, was ein Agent zum Kaufen braucht: price, priceCurrency im Format ISO 4217, availability als schema.org-Wert wie InStock oder OutOfStock und die URL des Angebots.
• category, color und material sind die Attribute, nach denen Käufer filtern. Verwenden Sie dieselben Werte wie in Ihren Feeds.

Varianten gehören in eine ProductGroup. schema.org definiert productGroupID, variesBy (die Eigenschaften, in denen sich die Varianten unterscheiden) und hasVariant (die Produkte der Gruppe):

{
  "@context": "https://schema.org",
  "@type": "ProductGroup",
  "name": "Beispiel Pendlerrucksack 22 l",
  "productGroupID": "EX-CB22",
  "brand": { "@type": "Brand", "name": "Beispielmarke" },
  "variesBy": ["https://schema.org/color"],
  "hasVariant": [
    {
      "@type": "Product",
      "sku": "EX-CB22-BLK",
      "gtin13": "2001234567893",
      "color": "Schwarz",
      "offers": { "@type": "Offer", "price": "129.00", "priceCurrency": "EUR", "availability": "https://schema.org/InStock" }
    },
    {
      "@type": "Product",
      "sku": "EX-CB22-OLV",
      "gtin13": "2001234567909",
      "color": "Oliv",
      "offers": { "@type": "Offer", "price": "129.00", "priceCurrency": "EUR", "availability": "https://schema.org/OutOfStock" }
    }
  ]
}

Schreiben Sie dieses Markup nicht von Hand für jede Seite. Erzeugen Sie es über Ihren Shop oder Ihr CMS aus dem PIM-Datensatz, damit Seite, Feed und API immer dieselben Werte tragen.

Welches PIM-Feld speist welche Eigenschaft?

Derselbe Datensatz speist das Markup der Seite und den Produkt-Feed. Die Commerce-Dokumentation von OpenAI beginnt eine Integration des Agentic Commerce Protocol mit der Bereitstellung eines strukturierten Produkt-Feeds, und ihre Feed-Spezifikation nennt neun Pflichtfelder. Die Tabelle ordnet einen typischen PIM-Datensatz beiden zu.

PIM-Attribut	schema.org-Eigenschaft	Feld im Produkt-Feed von OpenAI
Produkt-ID oder SKU	sku	item_id (id und sku werden als Alias akzeptiert)
Produktname	name	title
Beschreibung	description	description
Marke	brand (Brand mit name)	brand
GTIN	gtin13 oder gtin	gtin (optional)
Hauptbild	image	image_url
URL der Produktseite	offers.url	url
Preis und Währung	offers.price und offers.priceCurrency	price
Bestandsstatus	offers.availability	availability (in_stock, out_of_stock, pre_order, backorder, unknown)
Verkäufer im Feed	offers.seller	seller_name
Spezifikationen mit Einheiten	weight, additionalProperty mit unitCode	nicht unter den neun Pflichtfeldern

Die Feed-Spezifikation schreibt keinen Aktualisierungsrhythmus vor. Sie verlangt, Preise und Verfügbarkeit im Feed zu aktualisieren, sobald sie sich ändern, und das ist der Aktualitätspunkt der Checkliste in einem Satz.

Warum verändern KI-Shopping-Agenten und Antwortmaschinen den Zweck von Produktdaten?

Zehn Jahre lang wurde die Produktseite für Menschen geschrieben, die über fehlende Angaben hinwegsehen. Sie überfliegen, öffnen einen anderen Tab oder fragen im Laden nach. Suchmaschinen, Marktplätze und Vergleichsportale belohnten schon vollständige Daten. Agenten machen daraus eine Ja-Nein-Frage.

Eine Käuferin bittet einen Assistenten um einen Kindersitz, der in ein bestimmtes Auto passt, für eine bestimmte Gewichtsklasse zugelassen ist, eine Sicherheitsnorm erfüllt, einen waschbaren Bezug hat und innerhalb von zwei Tagen geliefert wird. Sie öffnet keine fünf Händler-Tabs. Sie bekommt eine Shortlist. Steht die Kompatibilität in einem PDF, ist der Bezugsstoff Werbetext und widersprechen sich zwei Händler bei der Gewichtsklasse, rät das Modell nicht. Es wählt ein Angebot, das es begründen kann. Dieses Szenario stammt aus Akeneos Leitfaden zur Vorbereitung von Produktdaten auf Agentic Commerce.

Die Analyse von Searchable zu ChatGPT-Shopping-Antworten, die Salsify in seinem Beitrag AEO 101 beschreibt, geht in dieselbe Richtung. Target, Walmart und eBay tauchten weit häufiger auf als Amazon, Berichten zufolge weil ein großer Teil des Amazon-Katalogs für OpenAI gesperrt ist. Katalogumfang und Werbebudget gaben nicht den Ausschlag. Den gaben zugängliche, strukturierte Produktdaten. Im letzten Jahrzehnt kämpften Sie um Seite eins. Jetzt kämpfen Sie darum, in der Empfehlung selbst vorzukommen.

Googles eigenes Produkt zeigt das Muster. Als Google im Oktober 2024 Google Shopping um KI herum neu aufbaute, beschrieb es einen Shopping Graph mit 45 Milliarden Produktangeboten, angereichert mit Gemini-Modellen (Googles Ankündigung). Der Graph bildet Beziehungen zwischen Produkten und Attributen ab, sodass eine Suche nach einer Jackenart Artikel liefert, die zu diesen Attributen passen, statt einer losen Stichwortübereinstimmung. Angebote ohne dieses Detail fallen heraus. Der Graph kann nur ranken, was Sie tatsächlich geliefert haben.

Käufer geben Teile der Aufgabe bereits an KI ab

Eine Umfrage von Harris Poll und Quad, über die Retail Dive berichtet, ergab, dass 62 % der Gen-Z- und Millennial-Käufer KI-gestützte Shopping-Werkzeuge bevorzugen, gegenüber 51 % aller Verbraucher. Sie nutzen sie, um das Risiko eines Fehlkaufs zu senken. Dieselbe Umfrage ergab, dass 75 % der Amerikaner das Vertrauen in KI-Shopping verlören, wenn die Ergebnisse gesponsert oder bezahlt wären.

Die zweite Zahl betrifft Sie. Wenn Sie sich eine Spitzenposition kaufen und damit das Vertrauen in den Kanal zerstören, bleibt nur ein dauerhafter Weg: das Produkt zu sein, das der Agent von sich aus zeigt, weil Ihre Daten die Frage am besten beantworten.

Vom Empfehlen zum Kaufen

Meta kündigte Muse im September 2026 an. Es ist ein persönlicher Agent, der auf einem eigenen gesicherten Cloud-Rechner läuft, vor sensiblen Aktionen wie einem Kauf bei der Person nachfragt und über Link von Stripe mit einer Einmalkarte bezahlen kann (Metas Ankündigung). Der Käufer gibt den Gesamtbetrag weiterhin frei. Der Agent übernimmt das Suchen und Klicken, das Menschen früher selbst erledigten.

Es geht also nicht mehr nur darum, ob eine Antwortmaschine Sie zitiert. Es geht darum, ob ein Agent Ihren Katalog finden, ihm vertrauen und dort kaufen kann, ohne zu raten.

Was bedeuten KI-bereite Produktdaten in der Praxis?

„KI-bereit“ ist leicht gesagt und leicht zu einem Häkchen verkürzt. Sieben Eigenschaften machen es konkret.

• Fakten als Attribute, mit Einheiten. Höhe, Breite, Tiefe, Gewicht, Material, Fassungsvermögen, Kompatibilität und Kennungen sind Felder, keine Sätze. „Stellfläche von 6 Zoll, passt unter Standard-Küchenschränke“ kann ein Modell zuordnen. „Schlankes Design“ ist Rauschen.
• Eine Taxonomie und ein Datenmodell, denen Maschinen folgen können. Kategorien, Varianten, Bundles und Beziehungen (Zubehör passt zu Produkt, Ersatz für Produkt) müssen ausdrücklich abgebildet sein. Vorhersehbare, normalisierte Hierarchien zählen am meisten bei technischen, B2B- und konfigurierbaren Sortimenten. Wenn Sie nach einem Standard klassifizieren, lesen Sie GS1, ETIM und ECLASS.
• Vollständigkeit, gemessen an Fragen statt an Feldern. Reichern Sie rund um Umgebungen, Anlässe, Kompatibilität und das Problem an, das der Käufer lösen will. „Wasserdichter Rucksack für den Arbeitsweg mit einem 16-Zoll-Laptop“ braucht Wasserdichtigkeit, Laptopgröße, Volumen und Verwendungszweck als Fakten.
• Ein Wert pro Fakt in jedem Kanal. Ein Agent begegnet Ihrem Produkt auf Ihrer Website, bei einem Händler, auf einem Marktplatz, in einem Feed und auf einer Bewertungsseite. Widersprüchliche Spezifikationen sind kein Kanalproblem. Sie sind ein Vertrauensproblem, und der Agent wendet sich ab.
• Aktualität, die man sieht. Aktueller Preis, Bestand und Spezifikationen, mit sichtbarem Datum der letzten Änderung, wo eine Seite die Quelle ist. inriver nennt ein sichtbares Datum unter den Vertrauenssignalen, die Antwortmaschinen auswerten können.
• Vertrauen und Herkunft. Woher ein Zertifikat, eine Bewertung oder eine Aussage stammt und wer dafür verantwortlich ist. Agenten können nicht erklären, was sie nicht sehen, und Käufer vermuten ohnehin verdecktes Sponsoring.
• Maschinenlesbarer Zugriff. Strukturiertes Markup auf Seiten, saubere Händler-Feeds und eine dokumentierte API oder MCP-Schnittstelle, damit Agenten und Plattformen die Daten lesen und, wo erlaubt, damit arbeiten können. Siehe den Abschnitt zu MCP weiter unten.

Die Auswertung der Umfrage durch Retail Dive ergänzt einen Punkt, den man festhalten sollte: Kontext zählt so viel wie Spezifikationen. Verwendungszwecke, Kompatibilität, Nachhaltigkeitskennzeichen und regionale Regeln gehören zum Produkt, und Bestand, Lieferzeiten und Verfügbarkeit müssen eng am Produktdatensatz hängen.

Wie Produktdaten einen Agenten erreichen

Das Diagramm macht einen Punkt deutlich. Agenten und Antwortmaschinen sind eine weitere Gruppe von Kanälen, und die am wenigsten nachsichtige. Alles, was davor liegt (Lieferantendateien, ERP-Spezifikationen, Engineering-Daten, Medien), muss abgeglichen sein, bevor es hinausgeht, denn der Empfänger kann keinen Kollegen fragen, was Sie meinten.

Wovor hat Gartner tatsächlich gewarnt?

Gartners Pressemitteilung vom Februar 2025, Lack of AI-Ready Data Puts AI Projects at Risk, enthielt zwei Aussagen, die Sie genau zitieren sollten. 63 % der Organisationen haben die richtigen Datenmanagement-Praktiken für KI nicht oder sind nicht sicher, ob sie sie haben. Und Gartner prognostizierte, dass Organisationen bis einschließlich 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-bereite Daten gestützt sind.

Die Praktiken, auf die Gartner-Analystin Roxane Edjlali verwies, sind nicht exotisch: Daten am KI-Anwendungsfall ausrichten, sie steuern, Metadaten aktuell halten, verlässliche Datenpipelines aufbauen und die Qualität laufend sichern. Ausgerechnet ihren Punkt zur Governance überspringen Produktteams. Sie braucht Verantwortung auf Führungsebene und eine bereichsübergreifende Anstrengung, kein Aufräumprojekt eines einzelnen Teams.

Verstehen Sie das als Aussage über die Datenschicht. Mehrere Meinungsbeiträge aus 2026 wiederholen „60 % der KI-Projekte“ ohne Quelle. Die Quelle ist Gartner, es ist eine Prognose, und sie betrifft KI-Projekte allgemein, nicht speziell Produktdaten.

Die verborgenen Datenkosten

Akeneo befragte 1.000 leitende IT-Entscheider in den USA und Europa und veröffentlichte die Ergebnisse am 9. September 2026 (Pressemitteilung von Akeneo). 95 % sagten, sie seien zuversichtlich, dass ihre Organisation für KI-getriebenen Handel bereit sei, und 87 % erwarten steigende KI-Budgets. Unter den US-Befragten wenden 44 % mehr als die Hälfte des gesamten KI-Projektaufwands für Datenvorbereitung auf. Akeneo ist ein PIM-Anbieter, lesen Sie die Umfrage also als Studie eines Anbieters, aber das Muster deckt sich mit dem, was wir sehen: Die Zuversicht ist groß, und jeder neue KI-Anwendungsfall löst eine weitere Runde aus, in der derselbe Katalog in Ordnung gebracht wird.

Es geht nicht um den Prozentsatz. Wenn Sie für jede Initiative dieselben Daten bereinigen und neu strukturieren, bauen Sie nichts Dauerhaftes auf. Sie legen jedes Mal das Fundament neu. Tun Sie es einmal, im führenden System.

Wie hängen SEO und AEO mit Produktdaten zusammen?

Um Answer Engine Optimization (AEO) wird viel Lärm gemacht. Der Beitrag von inriver zu AEO und SEO ist hilfreich, weil er sich aus dem Streit um Abkürzungen heraushält. Praktisch heißt das: Behandeln Sie AEO als SEO mit einer zusätzlichen Zitierschicht. Starke organische Sichtbarkeit hilft, zitiert zu werden. Bei schwachem SEO landen Sie so gut wie sicher nicht in der Antwort. inriver argumentiert außerdem, dass Taktiken wie llms.txt-Dateien, Seiten in Fragmente zu zerlegen und Texte für Maschinen umzuschreiben wenig bringen, und Googles Leitlinie bleibt, für Menschen zu schreiben.

Zwei Befunde sind für Produktteams wichtig. Erstens berichtet inriver über HubSpots Analyse von 2026 zu Zitierungen in ChatGPT, Perplexity, Gemini und Google AI Overviews: Produktangebote und Landingpages werden oft zitiert, Vergleichsinhalte und Dokumentation behaupten sich, und redaktionelle Inhalte geben den Rahmen der Entscheidung vor, während Produktinhalte die Antwort liefern. inriver ist ein PIM-Anbieter und gibt die HubSpot-Zahlen aus zweiter Hand wieder, prüfen Sie also den Originalbericht, bevor Sie Prozentwerte zitieren. Zweitens lässt sich eine einzelne Seite mit klaren Abschnitten, echten FAQ-Fragen, Schema, harten Zahlen und einem sichtbaren Datum auf Zitierungen ausrichten. Über Tausende SKUs, Märkte und Kanalformate stößt dieser Rat auf ERP-Spezifikationen in einem System, Engineering-Daten in einem anderen und Marketingtexte in einem Ordner, für den niemand zuständig ist.

Deshalb ist ein „AEO-Content-Sprint“ meist die falsche Budgetdiskussion. Ein Redaktionsplan behebt keine widersprüchlichen Maße zwischen Ihrer Website und einem Händler. Er erfindet keine Kompatibilitätsattribute und sorgt nicht dafür, dass Datumsangaben stimmen, wenn die maßgebliche Quelle aus drei Postfächern und einer Tabelle besteht. Ihre Inhalte verdienen Zitierungen Seite für Seite. Vertrauen, und damit die Chance, dass ein Agent bei Ihnen bestellt, gibt es für den ganzen Katalog oder gar nicht.

Was tun Sie Schritt für Schritt im PIM-System?

Ein PIM-System verwaltet und kontrolliert Daten. Es erzeugt sie nicht, verbessert sie nicht und passt sie nicht von selbst an. Viele Organisationen haben Zentralisierung und Syndizierung gelöst und haben dennoch einen gut organisierten Katalog mittelmäßiger Datensätze. KI-bereit zu werden ist vor allem diese unspektakuläre Arbeit, in dieser Reihenfolge.

1. Testen Sie, wie ein Agent liest

   Wählen Sie zehn Produkte, die Umsatz bringen. Stellen Sie ChatGPT, Perplexity und, wo möglich, einem Shopping-Agenten die Fragen, die Kunden bereits stellen. Notieren Sie, wo die Shortlist scheitert: fehlende Kompatibilität, vage Materialien, zwei Kanäle, die sich widersprechen, ein Fakt, der nur in einem PDF steht. Prüfen Sie, ob die Antwort stimmt und ob ein Agent mit dem, was er findet, einen Kauf abschließen könnte.

2. Ermitteln Sie den Ist-Zustand

   Die meisten Teams können nicht berichten, wie lange es von der Anlage eines Produkts bis zur Publikationsreife dauert, wie vollständig jede Attributgruppe ist, wie hoch die Fehlerquote je Datenquelle ist oder wie genau Übersetzungen je Sprachpaar sind. Bauen Sie diese Messung zuerst auf, bevor Sie KI-Werkzeuge auf einen Katalog richten, den Sie nicht gemessen haben. Siehe Produktdatenqualität und Governance.

3. Korrigieren Sie Modell und Attribute

   Legen Sie fest, welche Attribute für Auffindbarkeit, Vergleich und Compliance zählen. Hinterlegen Sie jede Bedingung in einem Attribut mit Einheit und kontrolliertem Vokabular. Entfernen Sie Adjektive, die sich nicht prüfen lassen. Bringen Sie Retourengründe, Kundenfragen und Suchanfragen ins Modell: Das ist die Intentionsschicht, die die meisten Kataloge nie gespeichert haben.

4. Sorgen Sie dafür, dass alle Kanäle übereinstimmen

   Gleichen Sie dieselbe SKU über Ihre Website, Händler, Marktplätze und Feeds ab. Bestimmen Sie je Attribut einen Verantwortlichen und je Fakt eine Quelle. Behandeln Sie regionale und kanalspezifische Unterschiede als kontrollierte Varianten, nicht als Abspaltungen.

5. Ergänzen Sie Struktur und Zugriff

   Erzeugen Sie schema.org-Product-Markup aus dem PIM-Datensatz, halten Sie Produkt-Feeds detailliert und aktuell und stellen Sie die Daten über eine dokumentierte API bereit. Ergänzen Sie MCP-Werkzeuge, wo die Agenten, auf die es Ihnen ankommt, sie brauchen. Halten Sie Spezifikationen und Datumsangaben aktuell.

6. Überwachen Sie Zitierungen und Richtigkeit

   Wiederholen Sie den Test mit zehn Produkten in festem Rhythmus, prüfen Sie dieselben zehn Produkte mit einem Markup-Test und vergleichen Sie jede Seite mit Ihren Feeds. Eine selbstbewusst falsche Antwort ist fast so schlecht wie Schweigen. Führen Sie Erkenntnisse ins Modell zurück, nicht in den nächsten Flicken auf einer Seite.

Dieselbe Reihenfolge gilt für Lieferantendaten. Die meisten Altlasten im Katalog beginnen bei schlechten Lieferantendateien, und ein Agent macht diese Altlasten öffentlich. Kommen Lieferantendaten bei Ihnen als Tabelle per E-Mail an, beginnen Sie dort. Trends im PIM, Teil 1 zeigt, dass sich die Lieferantenerfassung als eigene Ebene vor dem PIM ablöst, mit eigenen Anbietern und eigener Validierung. Dieser Posteingang ist die erste Stelle, die die neue Ebene auffangen muss, und deshalb beginnt die Reihenfolge oben für Lieferantendateien dort.

Maschinenzugriff: APIs, MCP und agentenfähige Architektur

Das Model Context Protocol (MCP) gibt KI-Agenten strukturierten, berechtigungsgesteuerten Zugriff auf Werkzeuge und Daten. Für ein PIM-System heißt das: Ein Agent kann Produktdaten abfragen, anreichern und Aktionen damit ausführen, ohne dass sich jemand anmeldet und die Oberfläche bedient. Die Benutzeroberfläche wird zu einer Zugriffsart unter mehreren.

In einem PIMvendors-Webinar beschrieb Morten Næss von Bluestone PIM KI-Reife im PIM-System als vier Schichten: Inhaltsanreicherung und Übersetzung, agentengestützte Workflows im PIM-System, die API- und MCP-Schicht, die Produktdaten externen Agenten bereitstellt, und die IT-Architektur, die entscheidet, ob all das skaliert. Sein Punkt war, dass die meisten Organisationen nur an der ersten Schicht arbeiten. Bessere Beschreibungen und schnellere Übersetzungen helfen, sind aber die Schicht, die Agenten am schnellsten automatisieren. Die Schichten, die über Sichtbarkeit entscheiden, sind Zugriff und Architektur. In einer Session mit Crystallize zeigte sich dasselbe Muster von der Headless-Seite: Eine selbstbeschreibende API lässt einen Agenten Produktformen, Varianten, Medien und Bestand entdecken, ohne fragile Individualschnittstellen.

Praktische Folgen für die Auswahl:

• Gewichten Sie API-Qualität, MCP-Werkzeuge und das Governance-Modell für Agentenzugriff neben der Bedienbarkeit. Siehe So wählen Sie das richtige PIM-System.
• Fragen Sie, was ein Agent zurückschreiben darf und welche Validierungsregeln dann noch gelten. Ein Agent, der Datensätze anreichert, kann Fehler auch mit Maschinengeschwindigkeit verbreiten.
• Betrachten Sie ein Composable-, API-First-Setup als Möglichkeit, kanalspezifische und agentengerichtete Erlebnisse zu bauen, ohne auf die Roadmap eines Anbieters zu warten. Zur Architekturseite siehe Headless und Composable Commerce mit PIM.

Welche KI-Funktionen im PIM-System helfen Ihnen dabei?

KI im PIM-System kann einen Teil der Checkliste für Sie erledigen. Generierung füllt Beschreibungen aus Attributen, Extraktion holt Spezifikationen aus Lieferanten-PDFs, Übersetzung füllt Sprachen, und Bild-KI verschlagwortet Assets. Nichts davon ersetzt Modell und Governance: Eine generierte Beschreibung auf Basis eines falschen Attributs bleibt falsch, sie klingt nur flüssiger. Sehen Sie KI-Funktionen als Weg, Lücken schneller zu schließen, sobald Sie wissen, welche Lücken zählen.

Was Anbieter tatsächlich liefern, unterscheidet sich stark. Manche dokumentieren Generierung, Übersetzung und Asset-Tagging in ihrem Hilfecenter mit klaren Regeln je Edition, andere kündigen Agenten an, die sich noch in der Vorschau befinden. Wir haben die KI-Funktionen verglichen, die dreizehn PIM-Anbieter dokumentieren, mit einem Quellenlink in jeder Zelle: PIM-Systeme mit den besten KI-Funktionen 2026. Prüfen Sie damit, ob die KI eines Anbieters mit den Attributen der Checkliste oben arbeiten kann und ob ihre Ergebnisse eine Prüfung durchlaufen, bevor sie einen Kanal erreichen.

Wo geht es schief?

• Vollständigkeit als Formular behandeln. Ein Vollständigkeitswert von 100 % bei Pflichtfeldern kann die Kompatibilitätsfrage trotzdem unbeantwortbar lassen. Messen Sie an den Fragen, die Käufer stellen.
• KI auf einen Katalog ohne Messung loslassen. Ohne Ausgangslage wissen Sie nicht, ob KI geholfen hat. Ohne Modell und Governance beschleunigt KI für die Anreicherung schlechte Daten.
• Ein AEO-Sprint statt einer Datenkorrektur. Inhalte können widersprüchliche Spezifikationen oder fehlende Attribute nicht reparieren.
• Markup, das dem Feed widerspricht. Nennt das JSON-LD auf der Seite einen anderen Preis als der Feed, haben Sie Maschinen beigebracht, dass Ihre Daten unzuverlässig sind. Erzeugen Sie beides aus demselben Datensatz.
• Keine Governance. In einem PIMvendors-Webinar beschrieb Yann Chilvers von Covalo Unternehmen, die große Modelle auf schlecht verwaltete Daten voller veralteter Versionen losließen und ihr KI-Jahresbudget schon Anfang 2026 aufgebraucht hatten. Das ist der Bericht eines einzelnen Sprechers, aber die Lehre gilt: Zu wissen, welche Daten es gibt, was aktuell ist und was weg kann, ist eine Kostenfrage, nicht nur eine IT-Frage.
• Der Führung aufs Wort glauben. In Akeneos Umfrage fühlten sich 95 % bereit, während viele Teams den größten Teil ihres KI-Aufwands noch in Datenvorbereitung stecken. Zuversicht ist keine Messgröße.
• Vergessen, dass Daten Unternehmensgrenzen überschreiten. Interne Daten sind notwendig, aber nicht ausreichend. Covalo, entstanden als Suchmaschine für kosmetische Inhaltsstoffe und gewachsen zu einer gemeinsamen Datenschicht für Körperpflege, argumentiert, dass KI-Agenten in dieser Branche Inhaltsstoffdaten brauchen, angereichert um regulatorischen und sicherheitsbezogenen Kontext, den keine einzelne Marke allein hat. Wo Ihre Branche einen gemeinsamen Standard oder Datenpool hat, nutzen Sie ihn. Wie Regulierung zu standardisierten Attributen drängt, lesen Sie in PIM und Marktplätze und im Beitrag zum Digitalen Produktpass (DPP).
• Vertrauen ignorieren. Agenten und Käufer gewichten unbelegte Aussagen gleichermaßen herunter. Halten Sie die Herkunft von Bewertungen, Ratings und Zertifikaten fest und behalten Sie eine Preislogik, die Sie beschreiben können.

Wer hat was über KI-bereite Produktdaten gesagt?

• Gartner (Februar 2025): 63 % haben die richtigen Datenpraktiken für KI nicht oder sind unsicher; 60 % der KI-Projekte ohne KI-bereite Daten werden bis einschließlich 2026 voraussichtlich aufgegeben.
• Akeneo (September 2026): Umfrage unter 1.000 leitenden IT-Entscheidern; große Zuversicht, hoher Aufwand für Datenvorbereitung.
• Salsify und Searchable: Zugängliche, strukturierte Daten schlugen Katalogumfang in ChatGPT-Shopping-Antworten.
• inriver: AEO als SEO plus Zitierschicht behandeln und Daten im ganzen Katalog korrigieren, nicht Seite für Seite.
• Harris Poll und Quad: Jüngere Käufer bevorzugen KI-Shopping-Werkzeuge; gesponserte Ergebnisse würden Vertrauen kosten.
• Google (Oktober 2024): Der Shopping Graph rankt die Attribute, die Sie tatsächlich geliefert haben.
• OpenAI (Commerce-Dokumentation): Eine Integration für Agentic Commerce beginnt mit einem strukturierten Produkt-Feed, den Sie aktualisieren, sobald sich Preise und Verfügbarkeit ändern.

Wie passt das zu Ihrer übrigen PIM-Arbeit?

Das Argument für KI-bereite Daten ist dasselbe wie für gute Produktdaten, mit einem Leser, der weniger verzeiht. Wenn Sie noch klären, wofür ein PIM-System da ist, beginnen Sie mit Was ist Product Information Management. Wenn Sie eines auswählen, nutzen Sie die beste PIM-Software, bewerten Sie APIs und Governance neben den Funktionen und vergleichen Sie die KI-Seite in PIM-Systeme mit den besten KI-Funktionen 2026. Liegt der Katalog schon in einem PIM-System, zeigt PIM-Funktionen und -Fähigkeiten, was Sie einschalten, und was KI im PIM-System wirklich leistet zeigt, wo KI hilft und wo sie scheitert. Auch die Marktkonsolidierung wird von diesem Argument getrieben: Mehrere Transaktionen aus 2025 und 2026 wurden damit begründet, dass KI-Agenten sauber verwaltete Stammdaten brauchen; siehe Übernahmen und Finanzierung im PIM-Markt.

Wie wir bewertet haben

Dieser Leitfaden verbindet die öffentlichen Quellen unten mit dem, was wir in PIM-Auswahlprojekten und in PIMvendors-Webinaren hören. Checkliste und Feldzuordnung beruhen auf den schema.org-Definitionen von Product, ProductGroup, PropertyValue, QuantitativeValue und Offer, auf Googles Dokumentation zu Händlereinträgen und auf der Commerce-Dokumentation von OpenAI, alle am 3. November 2026 aufgerufen. Die JSON-LD-Beispiele verwenden erfundene Werte und nur Eigenschaftsnamen, die auf schema.org aufgeführt sind. Umfragezahlen zitieren wir mit Datum vom Herausgeber; Studien von Anbietern kennzeichnen wir als solche. PIMvendors ist eine unabhängige Plattform für die PIM-Auswahl, und dieser Leitfaden erstellt kein Ranking von Anbietern.

Quellen

• schema.org, Product, aufgerufen am 3. November 2026.
• schema.org, ProductGroup, aufgerufen am 3. November 2026.
• schema.org, PropertyValue, aufgerufen am 3. November 2026.
• schema.org, QuantitativeValue, aufgerufen am 3. November 2026.
• schema.org, Offer, aufgerufen am 3. November 2026.
• Google Search Central, strukturierte Daten für Händlereinträge, aufgerufen am 3. November 2026.
• OpenAI, Commerce-Dokumentation und Spezifikation für Produkt-Feeds, aufgerufen am 3. November 2026.
• Model Context Protocol, modelcontextprotocol.io.
• Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, veröffentlicht am 26. Februar 2025.
• Akeneo, Pressemitteilung zur Umfrage, veröffentlicht am 9. September 2026.
• Akeneo, Produktdaten auf Agentic Commerce vorbereiten.
• Salsify, AEO 101.
• inriver, AEO und SEO für die Produktauffindbarkeit.
• Google, KI-Update für Google Shopping, Oktober 2024.
• Retail Dive, Millennials and Gen Zers warm up to AI shopping tools.
• Meta, Introducing Muse, September 2026.

Wie es weitergeht

Beide Tools sind kostenlos und unabhängig von jedem Anbieter.

Unsicher, ob Sie schon ein PIM brauchen?

Ein kurzer Check, der zeigt, ob ein eigenes PIM-System Ihrem Katalog hilft oder ob Tabellen und ERP noch ausreichen.

Prüfen, ob ein PIM passt

Bereit, Anbieter zu vergleichen?

Beantworten Sie Fragen zu Größe, Branche und Muss-Kriterien und erhalten Sie eine gerankte Shortlist.

Meine Anbieter-Shortlist erstellen