KI-Agenten brauchen Antworten, keine vollständigen PIM-Datensätze

Akeneos neuer Beitrag darüber, wie man Produktdaten auf Agentic Commerce vorbereitet, beginnt mit einem Kindersitz. Eine Schwester braucht einen, der in ein bestimmtes Auto passt, für einen bestimmten Gewichtsbereich zugelassen ist, eine Sicherheitsnorm erfüllt, einen waschbaren Bezug hat und innerhalb von zwei Tagen geliefert wird. Sie öffnet keine fünf Händler-Tabs. Sie fragt ChatGPT und bekommt eine Shortlist.

Das ist die Käuferseite derselben Geschichte, über die wir schon länger schreiben. Die ChatGPT-Shopping-Daten von Searchable, die wir in Unvollständige Produktdaten bringen Sie nicht auf einen schlechteren Platz. Sie fallen aus der Antwort ausgewertet haben, zeigten, dass Target, Walmart und eBay deutlich häufiger auftauchten als Amazon, weil zugängliche, strukturierte Produktdaten die Größe des Katalogs schlugen. Der Kindersitz ist dieser Befund mit einem Menschen dahinter. Wenn die Kompatibilität in einem PDF steckt, der Bezugsstoff nur im Marketingtext vorkommt und zwei Händler beim Gewichtsbereich nicht übereinstimmen, rät das Modell nicht. Es wählt ein Listing, das es vertreten kann.

Akeneos nützlicher Beitrag ist, zu benennen, was „bereit“ tatsächlich bedeutet, und das ist kein voll ausgefüllter Vollständigkeitsbalken im PIM.

Vollständig für einen Menschen heißt nicht vollständig für einen Agenten

Ein Pflichtfeld-Score im PIM ist eine Teamkennzahl. Ein Agent beantwortet eine Bedingung. „Wasserdichter Rucksack für den Arbeitsweg mit einem 16-Zoll-Laptop“ braucht Wasserdichtigkeit, Laptopgröße, Volumen, Verwendungszweck und Materialien als Fakten, nicht als Stimmung in der Beschreibung. Akeneos Empfehlung ist praxisnah: Reichern Sie an entlang von Umgebungen, Anlässen, Kompatibilität und dem Problem, das der Käufer lösen will.

Dasselbe gilt für Adjektive. „Elegantes Design“ ist Rauschen. „6-Zoll-Stellfläche, passt unter Standard-Küchenoberschränke“ ist etwas, das ein Modell einer Küche zuordnen kann. Retouren, Kundenfragen und Suchanfragen verraten Ihnen bereits, welche Fakten Käufern wichtig sind. Diese Fakten haben es oft nie in den ursprünglichen Datensatz geschafft, weil niemand sie als Attribute verantwortet hat.

Maschinenlesbarkeit ist die andere Hälfte. Höhe, Breite, Tiefe, Material, Identifikatoren und Beziehungen als Felder, nicht als Absatz, den der Agent erst auslesen muss. Schöne Produktdetailseiten wurden für Menschen gebaut, die Lücken verzeihen. Agenten tun das nicht.

Und dann halten Sie den Datensatz überall gleich. Ein Agent begegnet Ihrem Produkt auf Ihrer Website, bei einem Händler, auf einem Marktplatz, in einem Feed oder auf einer Bewertungsseite. Widersprüchliche Spezifikationen sind kein Kanalproblem. Sie sind ein Vertrauensproblem. Der Agent geht weiter.

Der Vorstand hält sich für bereit. Der Projektplan sagt etwas anderes.

Fünf Tage vor diesem Blogbeitrag veröffentlichte Akeneo eine Umfrage unter 1.000 leitenden IT-Entscheidern in den USA und Europa. 95 % sagen, ihre Organisation sei bereit für KI-getriebenen Commerce. 87 % erwarten steigende KI-Budgets. In den USA verwenden 44 % mehr als die Hälfte des gesamten Aufwands in KI-Projekten auf Datenaufbereitung: fehlende Attribute, unordentliche Taxonomien, widersprüchliche Produktinformationen, Bereinigung regionaler Preise und Compliance-Angaben.

Das ist die Datensteuer. Die Zuversicht ist hoch. Die Arbeit besteht aber weiterhin darin, denselben Katalog für jeden neuen Agenten-Anwendungsfall erneut abzugleichen. Romain Fouache bringt es auf den Punkt: Wer dieselben Daten für jede Initiative bereinigt und neu strukturiert, baut keine Fähigkeit auf. Er baut jedes Mal das Fundament neu.

Deshalb ist AEO als Content-Sprint die falsche Budgetdiskussion. SEO brachte eine Seite so weit nach oben, dass ein Mensch klickte. Bei AEO geht es darum, ob eine Engine den Datensatz in einer Antwort verwenden kann. Ein gutes Ranking rettet Sie nicht, wenn die zugrunde liegenden Informationen unvollständig, inkonsistent oder nicht überprüfbar sind. Die Kaufhälfte haben wir bereits in Crystallize baut ein Headless Commerce OS beschrieben: Ohne ein Bestellobjekt, das der Agent anlegen und verfolgen kann, haben Sie eine lesbare Broschüre und keinen Ort, um die Bestellung aufzugeben. Akeneo ist die Katalog-Hälfte dieses Betriebssystems. Erst verlässliche, gesteuerte Produktwahrheit, dann eine Transaktion, die der Agent abschließen kann.

Was wir damit tun würden

Wir würden aufhören, den „KI-fähigen Katalog“ als Häkchen neben den Pflichtfeldern zu behandeln.

Wählen Sie zehn Produkte aus, die tatsächlich Geld verdienen. Stellen Sie ChatGPT und Perplexity die Fragen, die Kunden ohnehin stellen, also Fragen von der Art des Kindersitzes. Notieren Sie, wo die Shortlist scheitert: fehlende Kompatibilität, vage Materialangaben, zwei Kanäle, die sich widersprechen, ein Fakt, der nur in einem PDF existiert.

Korrigieren Sie dann den Datensatz so, wie ein Agent ihn liest. Legen Sie die Bedingung als Attribut mit Einheit an. Streichen Sie das Adjektiv, das sich nicht überprüfen lässt. Bringen Sie das Händler-Listing in Einklang mit der Markenwebsite. Holen Sie Retourengründe und Kundenfragen ins Datenmodell, denn das ist die Absichtsebene, die die meisten Kataloge nie gespeichert haben.

Die meisten Unternehmen kämpfen noch immer damit, überhaupt eine Single Source of Truth für Produktdaten zu schaffen, geschweige denn, diese Wahrheit einem Agenten vorzulegen. Die Kindersitz-Shortlist entsteht bereits heute. Die Datensteuer von 44 % ist die Rechnung dafür, so getan zu haben, als sei Vollständigkeit ein Formular. Produktdaten sind der Verkäufer, neben dem der Merchandiser nicht stehen kann. Machen Sie sie unmissverständlich, sonst kauft der Agent einfach woanders.

Quelle: https://www.akeneo.com/blog/how-to-prepare-your-product-data-for-agentic-commerce/