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

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 verteidigen 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.

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

Zehn Jahre lang wurde die Produktseite für Menschen geschrieben, die Lücken verzeihen. 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, zu einer Gewichtsklasse und einer Sicherheitsnorm, 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 verteidigen 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. Zugängliche, strukturierte Produktdaten taten es. 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.

Lesen Sie die zweite Zahl im Hinblick auf Ihre Lage. Wenn Bezahlen für die Spitzenposition das Vertrauen in den Kanal zerstört, besteht der tragfähige Weg darin, 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 die Navigation, die Menschen früher selbst erledigten.

Die Frage lautet also nicht mehr nur, ob eine Maschine Sie zitiert. Sie lautet, ob ein Agent Ihren Katalog finden, ihm vertrauen und dort kaufen kann, ohne zu raten.

Was KI-bereite Produktdaten in der Praxis bedeuten

„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 geht.
• 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 schon verdeckte Sponsoringeffekte.
• 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, darauf handeln 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. Agenten und Antwortmaschinen sind eine weitere Gruppe von Kanälen, und die am wenigsten nachsichtige. Alles vorgelagerte (Lieferantendateien, ERP-Spezifikationen, Engineering-Daten, Medien) muss abgeglichen sein, bevor es hinausgeht, denn der Abnehmer kann keinen Kollegen fragen, was Sie meinten.

Was Gartner tatsächlich gewarnt hat

Gartners Pressemitteilung vom Februar 2025, Lack of AI-Ready Data Puts AI Projects at Risk, enthielt zwei Aussagen, die man genau zitieren sollte. 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. Ihr Punkt zur Governance ist der, den Produktteams überspringen. 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 Datensteuer

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 Anbieterforschung, 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 keine Fähigkeit auf. Sie bauen jedes Mal das Fundament neu. Tun Sie es einmal, im führenden System.

SEO, AEO und die Daten darunter

Um Answer Engine Optimization (AEO) gibt es viel Rauschen. Inriver-Beitrag zu AEO und SEO ist nützlich, weil er den Streit um Abkürzungen ablehnt. Die praktische Linie: Behandeln Sie AEO als SEO mit einer Zitierschicht obendrauf. Starke organische Sichtbarkeit hilft, zitiert zu werden. Schwaches SEO hält Sie fast sicher aus der Antwort heraus. 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 halten sich, und redaktionelle Inhalte rahmen die Entscheidung, 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 Seite mit klaren Abschnitten, echten FAQ-Fragen, Schema, harten Zahlen und sichtbarem Datum auf Zitierungen trimmen. 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 hält Datumsangaben nicht ehrlich, wenn die maßgebliche Quelle aus drei Postfächern und einer Tabelle besteht. Ihre Inhalte verdienen Zitierungen Seite für Seite. Vertrauen, und die Kaufberechtigung in einem Agentenpfad, gilt für den ganzen Katalog oder gar nicht.

Was Sie im PIM-System tun

Ein PIM-System steuert Daten. Es erzeugt, verbessert oder passt sie nicht von selbst an. Viele Organisationen haben Zentralisierung und Syndizierung gelöst und besitzen 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. Messen Sie eine Ausgangslage

   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 ungemessenen Katalog richten. 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. Bringen Sie jeden Kanal in Übereinstimmung

   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

   Setzen Sie Schema-Markup auf Seiten, halten Sie Händler-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. 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. Schlechte Lieferantendateien sind der Ursprung der meisten Katalogschulden, und ein Agent bringt diese Schulden öffentlich ans Licht. Ist Ihr Intake eine Tabelle in einem Postfach, beginnen Sie dort.

Maschinenzugriff: APIs, MCP und agentenfähige Architektur

Das Model Context Protocol (MCP) gibt KI-Agenten strukturierten Zugriff mit Berechtigungen auf Werkzeuge und Daten. Für ein PIM-System heißt das: Ein Agent kann Produktdaten abfragen, anreichern und darauf handeln, 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, agentische 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 in Maschinengeschwindigkeit verbreiten.
• Sehen Sie ein Composable-, API-First-Setup als Weg, kanalspezifische und agentengerichtete Erlebnisse zu bauen, ohne auf die Roadmap eines Anbieters zu warten. Zur Architekturseite siehe Headless und Composable Commerce mit PIM.

Wo es schiefgeht

• 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 ungemessenen Katalog kippen. 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.
• Nichts steuern. In einem PIMvendors-Webinar beschrieb Yann Chilvers von Covalo Unternehmen, die große Modelle über schlecht gesteuerte, versionsüberladene Daten laufen ließen und ihr Jahresbudget für KI Anfang 2026 früh aufbrauchten. 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.
• Dem Vorstand 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 und 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, und siehe PIM und Marktplätze und den Digitalen Produktpass (DPP) für den regulatorischen Druck zu standardisierten Attributen.
• 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.

Eine kurze Leseliste: Wer hat was 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.

Wie das zu Ihrer übrigen PIM-Arbeit passt

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 und bewerten Sie APIs und Governance neben den Funktionen. 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 Übernahmen aus 2025 und 2026 wurden damit begründet, dass KI-Agenten gesteuerte Stammdaten brauchen; siehe Übernahmen und Finanzierung im PIM-Markt.

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