KI im PIM: Was sie wirklich leistet und wo sie scheitert

KI in einem PIM erledigt eine Handvoll Aufgaben gut, etwa Lieferantendateien mappen, Datenqualität prüfen und Beschreibungen entwerfen, und sie scheitert an Stellen, die Sie vorhersagen können, sobald Sie ein paar Projekte gesehen haben. Für die Planung brauchen Sie beide Seiten, denn die Aufgaben, die sie gut erledigt, zahlen sich nur aus, wenn Sie sich auch um die Stellen gekümmert haben, an denen sie scheitert. Dieser Leitfaden behandelt beides. Anschließend beschreibt er eine stufenweise Einführung, die Governance, die parallel dazu laufen muss, und den Digitalen Produktpass der EU, der dieselbe Datenarbeit mit gesetzlicher Frist erzwingt. Er gehört zu einer Reihe über KI und Product Information Management: Teil 1, Das Produktdatenproblem, das niemand schnell genug löst, erklärt, warum der Status quo bei Produktdaten die Wettbewerbsfähigkeit untergräbt.

Was KI in einem PIM leistet

Drei Arten von KI erledigen den größten Teil der Arbeit an einem Produktkatalog. Natural Language Processing liest und schreibt Text, etwa Lieferantenbeschreibungen und Produkttexte. Machine Learning lernt Muster aus Ihren bestehenden Datensätzen und aus den Korrekturen, die Ihr Team vorgenommen hat, und treibt damit Klassifikation und Anomalieerkennung an. Computer Vision liest Bilder, zum Beispiel um eine Farbe zu verschlagworten oder um zu prüfen, ob ein Foto die Anforderungen eines Kanals erfüllt. Generative KI, also die großen Sprachmodelle hinter Werkzeugen wie ChatGPT, ergänzt die Fähigkeit, Texte zu entwerfen. Jede dieser Aufgaben braucht weiterhin einen Menschen, der weiß, welche Regel das Modell anwendet, denn ein Modell kennt Ihre Attributregeln erst, wenn Sie sie ihm beibringen, und jemand muss bemerken, wenn es sie falsch anwendet.

1. 1✓Dateien vereinheitlichen
2. 2✓Attribute aus Text ziehen
3. 3✓Lücke aus Kontext füllen
4. 4✓Werte prüfen
5. 5✓Pro Kanal mappen
6. 6✓Such-Tags vorschlagen

Lieferantendatei

Item desc

chair vintage wood

→ Name

Wt

-10 kg

→ Gewicht

Col

–

→ Farbe

“A red, vintage, wooden chair with a curved back.”

Ihr PIM-Datensatz Beispiel

Name

Vintage-Holzstuhl

Material

Holz

Farbe

RotFarbe wird gemappt aufAmazon: Product ColorShopify: Variant Color

Gewicht

-10 kg⚠ Unmöglicher Wert: an einen Menschen

Such-Tagsvintagewoodenredchair

✓ Ein Mensch prüft vor der Veröffentlichung

Lieferanten-Onboarding: generative KI für Lieferantendateien

Lieferantendateien kommen selten in der Form an, die Ihr PIM erwartet. Ein Großhändler, der bei vielen Lieferanten einkauft, erhält Tabellen mit unterschiedlichen Spaltennamen, unterschiedlich geschriebenen Einheiten, leeren Feldern und Werten, die nicht stimmen können. Ein großer Teil des Onboarding-Aufwands steckt darin, diese Dateien passend zu machen, bevor irgendjemand ein Produkt anreichern kann. Sobald ein Modell Ihre Standards gelernt hat, kann es einen guten Teil dieser Arbeit übernehmen.

Die erste Aufgabe ist, jede Datei in eine einheitliche Form zu bringen. Das Modell lernt die Formate und Begriffe, die ein bestimmter Lieferant verwendet, und mappt eingehende Zeilen dann auf das Format, das Ihr PIM bereits akzeptiert, einschließlich Produktnamen, SKU-Mustern und der Stelle, die jedes Produkt in Ihrem Kategoriebaum einnimmt. Die zweite ist, Attribute aus Rohtext zu ziehen. Beschreibungen, Kundenfeedback und technische Spezifikationen kommen oft als Fließtext. Das Modell kann die benötigten Attribute extrahieren und sie Ihrem Datenmodell zuordnen, sodass die Anreicherung mit strukturierten Feldern beginnt statt mit einem Textblock.

Das Modell kann auch eine Lücke aus dem Kontext füllen. Ist das Farbfeld leer, nennt die Beschreibung aber die Farbe, kann es das Attribut befüllen. Ein Modehändler, der viele Lieferanten-Feeds erhält, kann auf dieselbe Weise fehlende Materialzusammensetzungen oder Pflegehinweise ergänzen, aus Mustern, die bereits in den Daten stecken. Schließlich lassen sich Attribute mit Quellen abgleichen, denen Sie vertrauen, und derselbe Durchlauf markiert fehlende Werte, unmögliche Werte (ein Gewicht von -10 kg) und Rechtschreibfehler. Jeder Treffer wird entweder korrigiert oder an einen Menschen weitergeleitet, je nachdem, wie sicher Sie sich bei der zugrunde liegenden Regel sind. Die Arbeit verschwindet nicht: Jemand entscheidet weiterhin, welche Lieferantenbegriffe auf welche Ihrer Werte abgebildet werden, und prüft die ersten Lieferungen eines neuen Lieferanten, bis das Mapping trägt.

Prüfung der Datenqualität

Machine Learning lässt sich mit früheren Datensätzen und mit Korrekturen trainieren, die Menschen bereits vorgenommen haben. Daraus lernt es, wie ein normaler Datensatz aussieht, und kann so Anomalien, Inkonsistenzen und Fehler markieren und einen Bereinigungs- oder Standardisierungsschritt vorschlagen, etwa jede Spannung in derselben Einheit anzugeben. Es kann einen Datensatz auch beim Eingang gegen Regeln prüfen, die Sie festlegen: unvollständige Attribute, fehlende oder falsche Zahlen, Artikel, die eine Vorschrift verfehlen. Diese Prüfung vor der Veröffentlichung laufen zu lassen, ist wichtig, weil ein falscher Wert nicht im PIM bleibt. Ist er einmal veröffentlicht, erscheint er im Onlineshop, in jedem Marktplatz-Feed und im Druckkatalog, und ihn dann zu korrigieren heißt, ihm durch jeden Kanal hinterherzulaufen.

Klassifikation und Taxonomie

Ein Modell kann Produkte anhand ihrer Attribute und früherer Klassifikationen einordnen. Ein Technikhändler kann „High-End-Gaming-Laptops“ anhand von Prozessor, Arbeitsspeicher und Grafikkarte von „Budget-Laptops“ trennen und diese Aufteilung beibehalten, während sich das Sortiment ändert, sodass ein neu hinzugefügter Laptop in der richtigen Kategorie landet, ohne dass jemand jede Spezifikation liest. Bei der Taxonomie kann KI eine Hierarchie und die Verbindungen zwischen Kategorien aus Attributen und semantischer Ähnlichkeit vorschlagen. Das hilft am meisten in einem Katalog, der durch Übernahmen oder neue Lieferanten gewachsen ist und in dem dieselbe Art von Produkt an mehreren Stellen unter verschiedenen Namen steht. Eine sauberere Struktur lässt Käufer das Produkt mit weniger Umwegen erreichen, und die Filter auf einer Kategorieseite funktionieren besser, weil die Produkte darin dieselben Attribute teilen. Der Vorschlag braucht trotzdem jemanden, der für den Kategoriebaum verantwortlich ist, denn ein Modell kann Produkte zusammenfassen, die in den Daten ähnlich aussehen, aber von unterschiedlichen Kunden aus unterschiedlichen Gründen gekauft werden.

Kanal-Mapping

Jeder Marktplatz und jeder Kanal hat seine eigene Struktur und seine eigenen Pflichtattribute, und jeder ändert sie von Zeit zu Zeit. Ein Modell kann diese Anforderungen lernen und das Mapping von Ihren Attributen darauf vorschlagen. Es kann zum Beispiel lernen, dass Color bei Amazon auf Product Color und bei Shopify auf Variant Color abgebildet wird. Sie pflegen dann weniger handgebaute Mappings pro Kanal, was vor allem zählt, wenn Sie einen neuen Marktplatz hinzufügen und dessen Mapping sonst Feld für Feld aufbauen würden. Jemand gibt das vorgeschlagene Mapping trotzdem frei, denn eine falsche Zuordnung, etwa ein Nettogewicht, das dorthin geschickt wird, wo der Kanal ein Versandgewicht erwartet, besteht jede technische Prüfung und zeigt sich erst später als abgelehntes Listing oder Kundenbeschwerde.

Beschreibungen, Anreicherung und Übersetzung

Texte aus Attributen zu entwerfen, geht schneller, als jede SKU von Hand zu beschreiben, und der Ton bleibt näher an einem einheitlichen Standard, als wenn mehrere Personen schreiben. Das schafft im Marketing Zeit für die Arbeit, die das Modell nicht übernehmen sollte, etwa Kampagnentexte und die Produkte, die die Marke tragen. Ein Händler für Haushaltsgeräte mit großem Zulauf kann Beschreibungen erzeugen, die Energieeffizienz, die Verwendung des Produkts und seine Alleinstellungsmerkmale abdecken. Aus einer Liste von Laptop-Spezifikationen kann ein Modell erklären, was sie für einen Käufer ohne technisches Wissen bedeuten. Für eine neue Monitorserie kann es Bildschirmgröße, Auflösung, Bildwiederholrate und Anschlüsse in einen strukturierten ersten Entwurf übersetzen, den anschließend jemand prüft. KI-Übersetzung für die Sprachpaare mit dem meisten Traffic folgt demselben Muster: Das Modell schreibt die erste Fassung, und ein Mensch, der den Markt kennt, prüft Produktnamen, Einheiten und die Begriffe Ihrer Branche.

Tags und Produktfragen im Onlineshop

Ein Modell liest Beschreibungen und Attribute und schlägt Tags für die Suche auf der Website vor. Für einen „roten Vintage-Holzstuhl“ schlägt es Vintage, Holz, Rot und Stuhl vor. Es kann auch häufige Produktfragen aus den Attributen beantworten („Unterstützt dieses Telefon kabelloses Laden?“), sodass im Support Kapazität für die schwierigeren Fragen bleibt. Beide Anwendungen hängen vollständig von den zugrunde liegenden Attributen ab, sodass ein Tag oder eine Antwort, die aus einem falschen Attribut erzeugt wurde, dem Käufer falsche Informationen in selbstsicherem Ton liefert.

Rund um das PIM

Manche KI-Anwendungen hängen von Produktdaten ab, ohne im PIM zu leben: Nachfrageprognosen aus vergangenen Verkäufen und Markttrends, Empfehlungen auf Basis von Vorlieben und Kaufhistorie, Bilderkennung, die Farbe, Muster, Form und Textur für die visuelle Suche ausliest, und semantische Suche, die mit Kontext und Absicht arbeitet. Jede davon braucht den angereicherten Datensatz in Marketing-Automation, CMS und Commerce-Plattform. Eine generierte Empfehlung bleibt generierter Text, und die Produktdaten darunter müssen trotzdem stimmen. Deshalb legen diese Anwendungen Lücken im PIM eher offen, als sie zu schließen.

Wo KI in einem PIM scheitert

Über all diese Aufgaben hinweg kehren dieselben Fehlerquellen wieder, und die meisten haben mehr mit dem Prozess rund um das Modell zu tun als mit dem Modell selbst. Die erste ist, dass das Modell Ihre Regeln nicht kennt. Ohne Ihre Attributdefinitionen und Content-Standards erhalten Sie generische Ergebnisse, und Bereinigung von Lieferantendaten, Klassifikation, Beschreibungen und Empfehlungen sind getrennte Schalter, die jeweils eigene Regeln brauchen. Ein Team, das die Erstellung von Beschreibungen sorgfältig konfiguriert hat, hat die Klassifikation damit noch nicht konfiguriert, auch wenn beides im selben PIM läuft.

Die zweite ist das Material, aus dem das Modell lernt und mit dem es arbeitet. Trainingsdaten bringen ihr eigenes Chaos mit: Eine Klassifikation ist nur so konsistent wie die Beispiele, aus denen das Modell gelernt hat, sodass ein Katalog, in dem derselbe Produkttyp in zwei Kategorien steht, dem Modell beibringt, diese Aufteilung zu wiederholen. Externes Material birgt ein ähnliches Risiko. Fotos, nutzergenerierte Inhalte und verwandte Produkte, die außerhalb des PIM gefunden werden, müssen mit dem vertrauenswürdigen Datensatz abgeglichen werden, bevor sie auf einer Produktseite landen, denn nichts im Material selbst verrät Ihnen, ob es zur aktuellen Version des Produkts gehört.

Übergaben bringen eigene Fehler mit sich. Werden Ergebnisse von Hand zwischen einem Chat-Werkzeug und dem PIM kopiert, laufen die Kopien auseinander: Jemand bearbeitet den Text an einer Stelle und nicht an der anderen oder fügt eine Beschreibung bei der falschen Variante ein. Flüssiger Text macht diese Fehler schwerer erkennbar, weil generierter Text gut klingt, ob das zugrunde liegende Attribut stimmt oder nicht. Eine Beschreibung, die in geschliffenen Sätzen die Vorteile eines großen Bildschirms erklärt, ist trotzdem falsch, wenn das Attribut für die Bildschirmgröße, aus dem sie entstanden ist, falsch ist.

Auch die Qualität driftet ab. Ergebnisse, die bei der Konfiguration der Funktion gut waren, bleiben nicht von selbst gut, denn neue Lieferanten, neue Produkttypen und Änderungen am Modell verschieben das Ergebnis. Sie brauchen deshalb Stichproben und Prüfung, lange nach dem Go-live. Schließlich ist Compliance eine andere Aufgabe als Anreicherung. Ein KI-gestütztes PIM ist nicht automatisch bereit für einen Digitalen Produktpass, der verifizierte Lieferanten- und Lebenszyklusdaten mit Audit-Trails verlangt, wie der Abschnitt zum Produktpass weiter unten erklärt.

Daraus ergibt sich eine Reihenfolge. Beginnen Sie mit Extraktion, Anreicherung und Qualitätsprüfung, wo sich die Regeln am leichtesten aufschreiben und die Ergebnisse am leichtesten prüfen lassen. Klassifikation, Taxonomie und regelbasierte Validierung setzen darauf auf, weil sie konsistente Attribute als Grundlage brauchen. In jedem Fall verbessert sich der Katalog nur dort, wo noch jemand für die Regel verantwortlich ist und prüft, was das Modell damit macht. Warum ein Modell keine Daten bereinigen kann, für die es keine Regeln hat, erklärt Datenbereinigung: Warum KI keine Wunderlösung ist.

Relay, Bridge, Highway: wo das Modell sitzt

ChatGPT und Open-Source-Modelle lassen sich leicht ausprobieren, und viele Produktteams haben damit bereits eine Beschreibung entworfen. Aus diesem Experiment einen Produktdaten-Workflow zu machen, ist schwieriger, weil das Modell dann in den Weg vom ERP über das PIM zum Onlineshop passen muss. Drei Positionen beschreiben, wo es auf diesem Weg sitzen kann.

Relay. Generative Werkzeuge stehen außerhalb der Systeme, die Produktdaten speichern und veröffentlichen. Produktdaten beginnen im ERP: Bestand, Preis, SKU. Ein Mensch überträgt sie in ein generatives Werkzeug, um Beschreibungen zu entwerfen, und überträgt den Text dann ins PIM, das an den Onlineshop und andere Kanäle ausspielt. Sie bekommen das Modell, ohne den Prozess zu ändern, und Sie bekommen auch die typischen Fehler von Übergaben: inkonsistente Kopien und Zeitverlust durch Systemwechsel, obwohl die Sätze selbst generiert wurden. Der Gewinn ist ein schnellerer erster Entwurf, wobei weiterhin ein Mensch für das verantwortlich ist, was im Datensatz landet.

Bridge. Die generativen Funktionen wandern in die Systeme, die Sie bereits betreiben. Das ERP kann Produkte kategorisieren und Inkonsistenzen in den Stammdaten mit einem integrierten Modell bereinigen, und das PIM kann Beschreibungen entwerfen und Sets bilden. Angereicherte Daten gehen ohne Einfügeschritt an den Onlineshop und andere Kanäle. Das beseitigt die meisten handgemachten Fehler, und weil der Prozess jedes Mal gleich abläuft, lässt er sich leichter prüfen und messen.

Highway. Die Systeme sind mit dem Modell im Ablauf gebaut. Das ERP speist das PIM, und das Modell im PIM entwirft Beschreibungen, kategorisiert Produkte und prognostiziert Preise und Verkaufsleistung. Es lernt laufend aus Feedback, aus der Nutzung und aus neuen Daten, sodass die Qualität seiner Ergebnisse ebenso von der Qualität dieses Feedbacks abhängt wie von der ersten Konfiguration.

Der praktische Test ist, ob Anreicherung, Mapping und Veröffentlichung noch davon abhängen, dass ein Mensch Text zwischen Bildschirmen bewegt. Wenn ja, sind Sie bei Relay. Dort anzufangen, ist ein vernünftiger Weg, um zu lernen, was ein Modell mit Ihren Daten leisten kann, solange Sie die Zeit und die Fehler mitzählen, die die Übergaben kosten.

Relay

Das Modell steht außerhalb Ihrer Systeme. Ein Mensch trägt den Text hinüber.

Schnellerer erster Entwurf, Übergabefehler

Bridge

Das Modell sitzt im ERP und im PIM. Kein Einfügen mehr.

Weniger manuelle Fehler

Highway

Die Systeme sind mit dem Modell im Datenfluss gebaut, und es lernt weiter.

Entwirft, kategorisiert, sagt voraus

Kopiert noch jemand Text zwischen Bildschirmen? Dann sind Sie bei Relay.

So führen Sie KI im PIM ein: vier Stufen

Der häufigste Fehler ist, mit der Technologieauswahl statt mit einem Datenaudit zu beginnen. Ein Team, das zuerst eine KI-Funktion auswählt, hat keine Ausgangsbasis, an der es sie messen kann, und keine Standards, mit denen es sie konfigurieren kann. Die ersten Monate gehen dann damit verloren, Probleme zu entdecken, die ein Audit von vornherein gezeigt hätte. Die vier Stufen unten bringen die Arbeit in eine Reihenfolge, in der jede Stufe die Belege für die nächste liefert.

1. Monat 1 bis 3

   Fundament: Daten prüfen, Standards festlegen

   Bevor Sie irgendeine KI-Funktion bewerten, erfassen Sie den Ist-Zustand des Katalogs: Vollständigkeit nach Produktkategorie, durchschnittliche Anreicherungszeit pro SKU, Fehler nach Attributtyp, die wichtigsten Datenquellen und deren Verlässlichkeit sowie die Zahl der Datensätze pro Sprache. Diese Ausgangsbasis zeigt, wo KI am meisten hilft, gibt Ihnen eine Möglichkeit, den Return zu messen, und legt die Qualitätsprobleme offen, die jede eingesetzte KI untergraben würden.

   Halten Sie gleichzeitig die Standards schriftlich fest: Attributanforderungen pro Kanal, Regeln für die Kategoriehierarchie, Terminologie und Markenstimme. Bei der Konfiguration von KI dürfen sie nicht vage bleiben, denn ihre Präzision entscheidet darüber, wie konsistent die Ergebnisse sind. Zeit, die Sie vor jeder KI-Konfiguration in sie investieren, spart später Nacharbeit.

2. Monat 3 bis 6

   Gezielte Aktivierung: der sauberste Teil zuerst

   Setzen Sie KI zuerst auf dem saubersten Teil des Katalogs mit der höchsten Priorität ein, typischerweise auf den SKUs, die den Großteil des Umsatzes tragen. Dort lohnt sich die Qualitätsarbeit, und die Ergebnisse lassen sich kommerziell am leichtesten lesen. Drei Anwendungsfälle, in dieser Reihenfolge: generierte Beschreibungen für Standardprodukte mit hohem Volumen, wo der manuelle Aufwand am höchsten und das Ergebnis am einfachsten ist; Lückenerkennung und Vollständigkeitsbewertung über den gesamten Katalog; und KI-Übersetzung für die Sprachpaare mit dem meisten Traffic.

   Messen Sie alles an der Ausgangsbasis aus Stufe 1. Das Ziel dieser Stufe sind validierte Ergebnisse, die die nächste Stufe rechtfertigen. Widerstehen Sie deshalb dem Druck, alle Funktionen auf einmal einzuschalten. Eine Funktion, die auf dem saubersten Teil keine Verbesserung zeigt, wird auch auf dem Rest des Katalogs keine zeigen.

3. Monat 6 bis 12

   Skalierter Einsatz: der ganze Katalog, mit Governance

   Weiten Sie die KI-Workflows auf den gesamten Katalog aus, mit den Standards und der Governance aus den vorherigen Stufen. Workflow-Automatisierung zahlt sich hier am meisten aus: Aufgabenverteilung, automatische Freigabe-Trigger für Datensätze, die die Qualitätsschwellen erfüllen, und KI-gestütztes Import-Mapping für Lieferanten-Feeds. Bleibt die KI-gestützte Content-Arbeit in dem System, das Produktinformationen bereits verwaltet und veröffentlicht, finden Prüfungen und Freigaben statt, bevor Inhalte nach außen gehen.

   Ergänzen Sie KI auch auf der Asset-Seite: Verschlagwortung von Bildern, Qualitätsprüfungen gegen Kanalanforderungen und die Verfolgung von Nutzungsrechten, sodass ein Lieferantenbild weniger Bearbeitung braucht, bevor es veröffentlicht werden kann.

   Haben Sie Pflichten zum Digitalen Produktpass, ist dies die Stufe, um DPP-Attribute und -Prozesse in das PIM-Datenmodell einzubauen: Felder für Lebenszyklusdaten, Validierung von Lieferantendaten und Audit-Trails. Bauen Sie sie jetzt ein, statt sie später als paralleles Compliance-Projekt nachzurüsten.

4. Monat 12 bis 24

   Prädiktive Intelligenz: Qualität mit Ergebnissen verknüpfen

   Verknüpfen Sie die Katalogqualität mit kommerziellen Ergebnissen: Conversion, Retouren, Suchleistung und Ablehnungen durch Kanäle. Diese Feedbackschleifen lassen Content-Modelle besser werden, und sobald Sie zeigen können, dass bessere Produktdaten die Conversion steigern, fallen Finanzierungsentscheidungen leichter. Ab diesem Punkt wird das PIM über seine Rolle im Datenmanagement hinaus auch zu einer Quelle kommerzieller Erkenntnisse.

   Pilotprojekte lohnen sich in dieser Stufe für: dialogbasierte Oberflächen, bei denen Menschen Produkte in natürlicher Sprache anlegen statt Formulare auszufüllen, was die Einarbeitung neuer Nutzer verkürzt; und autonome Anreicherung, bei der das System Attributdaten aus externen Quellen wie Herstellerspezifikationen, regulatorischen Datenbanken und Normungsgremien sammelt und Datensätze zur Prüfung durch Menschen vorbefüllt.

Governance in jeder Stufe

Jede Stufe der Einführung braucht Governance, und die meisten Organisationen investieren zu wenig darin, weil sie kein eigenes sichtbares Ergebnis liefert. Drei Elemente dürfen nicht fehlen.

Das erste ist Content-Governance, und sie muss stehen, bevor Content-Erstellung in großem Maßstab läuft. Dazu gehören klare Richtlinien für die Markenstimme, Trainingsdaten aus Ihren erfolgreichsten Inhalten, Prüfschwellen je Produktkategorie und kommerzieller Bedeutung sowie Stichproben, die KI-Ergebnisse laufend prüfen, statt anzunehmen, dass sie nach der Konfiguration gut bleiben. Prüfen Sie Inhalte zu bekannten, vertrauenswürdigen Marken besonders genau, denn dort erwarten Käufer Genauigkeit. Lassen Sie Menschen die bewertende und kreative Arbeit machen, wo der Eindruck von Automatisierung die Glaubwürdigkeit beeinflusst.

Das zweite sind Data Lineage und Audit-Trails, fest in der Architektur verankert. Für jeden Datensatz sollten Sie wissen, welches Modell ihn erzeugt hat, wann, aus welchem Input und wer ihn vor der Veröffentlichung geprüft hat. Die DPP-Compliance macht das für regulierte Produktkategorien verpflichtend. Gute Praxis ist es überall, weil Sie Qualitätsprobleme so systematisch nachverfolgen und beheben können: Taucht ein falscher Wert auf, finden Sie jeden anderen Datensatz, der auf dieselbe Weise entstanden ist, statt eine Beschwerde nach der anderen zu korrigieren.

Das dritte ist die Abstimmung der Lieferantendaten, früh begonnen. KI-Leistung und DPP-Compliance hängen beide von sauberen, strukturierten Lieferantendaten ab. Legen Sie deshalb klare Anforderungen für Materialherkunft, Komponentendetails und Nachhaltigkeitsdaten fest und vereinbaren Sie das Format, in dem Lieferanten sie liefern. Die häufigste Ursache für Verzögerungen ist ein KI-System, das nichts leisten kann, weil die vorgelagerten Daten inkonsistent oder unvollständig sind oder in Formaten ankommen, die Handarbeit erfordern. Ein Hersteller, der Komponenten von vielen Lieferanten bezieht, kann feststellen, dass die Einigung auf eine einzige Datenvorlage länger dauert als die Konfiguration des Modells.

Die Rollen und Regeln dahinter beschreibt der Beitrag zu Governance von Produktinformationen.

Digitaler Produktpass: dieselbe Datenarbeit

Die meisten PIM-Gespräche drehen sich um Effizienz und Conversion. Der Digitale Produktpass (DPP) der EU verdient dieselbe Aufmerksamkeit, weil er Investitionen in Produktdaten mit gesetzlicher Frist erzwingt, ob der Business Case intern gemacht wurde oder nicht.

Ein DPP ist ein maschinenlesbarer Datensatz pro Produkt, erreichbar über einen Datenträger wie QR-Code, NFC oder RFID. Er umfasst Materialzusammensetzung, Herkunft, Umweltauswirkungen, Rezyklatanteil, Reparierbarkeit und Hinweise zur Entsorgung. Er ist eine Anforderung an die Dateninfrastruktur, kein Marketingdokument: Die Verordnung bestimmt, was hineingehört, und jeder Wert muss korrekt, vollständig und nachvollziehbar sein. Batterien sind die erste Produktgruppe mit verpflichtendem Pass, ab Februar 2027 nach der EU-Batterieverordnung. Weitere Produktgruppen, darunter Textilien und Möbel, folgen schrittweise über Produktvorschriften nach der Ökodesign-Verordnung für nachhaltige Produkte (ESPR). Die Pflichten folgen dem Produkt und gelten daher auch für Hersteller außerhalb der EU, die in die EU verkaufen.

Die meisten Hersteller verlassen sich heute auf verstreute Lieferantendokumente, improvisierte Ökobilanzen, manuelle Prozesse und statische Produktberichte. Ein DPP braucht Datenflüsse, für die die meisten PIM-Implementierungen nicht konzipiert wurden: verifizierte Materialherkunft, Nachhaltigkeitsdaten auf Komponentenebene, Lebenszyklusdaten von Lieferanten und versionierte Audit-Trails. Deshalb ist ein KI-gestütztes PIM nicht automatisch DPP-bereit. KI kann helfen, diese Felder zu befüllen und zu prüfen, sobald die Datenflüsse existieren, aber sie kann nicht verifizieren, woher ein Material stammt, wenn kein Lieferant es Ihnen mitgeteilt hat.

Die beiden Investitionen sind weitgehend dieselbe Investition. KI und DPP-Compliance brauchen beide saubere, strukturierte, zentralisierte Produktdaten, Governance und die Abstimmung mit Lieferanten. Eine Roadmap, die beidem dient, holt aus denselben Infrastrukturausgaben mehr heraus als zwei getrennte Programme, die jeweils ihre eigene Version derselben Produktdaten aufbauen würden. Den Pass selbst behandelt Digitaler Produktpass, die Überschneidung mit Verpackungsregeln PPWR und der Digitale Produktpass.

Was Organisationen tun, die es richtig machen

Die Unternehmen, die mit KI in ihrem PIM kommerzielle Erträge erzielen, haben ein erkennbares Profil. Sie behandeln Produktdaten als Vermögenswert, der Umsatz bringt, und planen das Budget entsprechend, statt sie als Kosten zu sehen, die man niedrig hält. Sie messen den Katalog, bevor sie KI einsetzen, damit sie zeigen können, was sich verändert hat, und sie halten die Reihenfolge ein: zuerst das Datenfundament, dann die gezielte Aktivierung, dann der skalierte Einsatz, dann prädiktive Intelligenz.

Sie bauen außerdem Governance auf, bevor Content-Erstellung in großem Maßstab live geht, und sie stimmen die Anforderungen an Lieferantendaten früh und ausdrücklich ab, statt mitten im Projekt festzustellen, dass Lieferanten nicht liefern können, was das Modell braucht. Und sie betreiben DPP-Compliance und KI auf einem Datenfundament mit einem Budget, statt als getrennte Initiativen, die jeweils für dieselbe Grundlagenarbeit bezahlen.

Nichts davon funktioniert bei einem Katalog, für den niemand verantwortlich ist, denn ein Modell kann nur Regeln anwenden, die jemand aufgeschrieben hat und aktuell hält. Wenn Sie noch entscheiden, ob ein PIM das richtige Fundament ist, beginnen Sie mit Was ist ein PIM? und So wählen Sie das richtige PIM.

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