AI-ready productdata: wat AI-shoppingagents en antwoordmachines nodig hebben

AI-shoppingagents en antwoordmachines worden een voordeur naar je catalogus. Ze lezen je webshop niet. Ze lezen je productdata, en ze raden alleen aan wat ze kunnen begrijpen en verdedigen. Deze pagina legt uit wat dat vraagt, wat "AI-ready" concreet betekent, wat je in een PIM doet en waar het misgaat. Ze vervangt een reeks kortere opiniestukken en webinarverslagen uit 2024 tot 2026 door één betoog. Voor AI-functies binnen een PIM (verrijking, classificatie, vertaling) zie je wat AI in een PIM echt doet en waar het misgaat.

Waarom AI-shoppingagents en antwoordmachines het doel van productdata veranderen

Tien jaar lang is de productpagina geschreven voor iemand die gaten vergeeft. Die persoon scant, opent een ander tabblad of vraagt het in de winkel. Zoekmachines, marktplaatsen en vergelijkers beloonden al volledige data. Agents maken het binair.

Een shopper vraagt een assistent naar een autostoeltje dat past in een specifieke auto, een gewichtsklasse, een veiligheidsnorm, een wasbare hoes en levering binnen twee dagen. Ze opent geen vijf tabbladen van webwinkels. Ze krijgt een shortlist. Staat compatibiliteit in een pdf, is de hoesstof marketingtekst en spreken twee webwinkels elkaar tegen over de gewichtsklasse, dan gokt het model niet. Het kiest een aanbieding die het kan verdedigen. Dit voorbeeld komt uit de gids van Akeneo over productdata voorbereiden op agentic commerce.

De analyse van Searchable van ChatGPT-shoppingantwoorden, door Salsify beschreven in het stuk AEO 101, wijst dezelfde kant op. Target, Walmart en eBay kwamen veel vaker voor dan Amazon, naar verluidt omdat een groot deel van de Amazon-catalogus voor OpenAI gesloten is. Catalogusgrootte en advertentiebudget gaven niet de doorslag. Toegankelijke, gestructureerde productdata wel. Vorig decennium vocht je om pagina één. Nu vecht je om een plek in de aanbeveling zelf.

Het eigen product van Google laat hetzelfde patroon zien. Toen Google in oktober 2024 Google Shopping herbouwde rond AI, beschreef het een Shopping Graph van 45 miljard productvermeldingen, verrijkt met Gemini-modellen (aankondiging van Google). De graph modelleert relaties tussen producten en attributen, zodat een zoekopdracht naar een bepaald type jas items teruggeeft die bij die attributen passen in plaats van een losse trefwoordmatch. Vermeldingen zonder dat detail vallen af. De graph kan alleen rangschikken wat jij daadwerkelijk hebt aangeleverd.

Shoppers geven al een deel van het werk aan AI

Uit een enquête van Harris Poll en Quad, gemeld door Retail Dive, blijkt dat 62% van de Gen Z- en Millennial-shoppers de voorkeur geeft aan AI-shoppingtools, tegenover 51% van de consumenten in totaal. Ze gebruiken ze om het risico op een miskoop te verkleinen. Dezelfde enquête vond dat 75% van de Amerikanen het vertrouwen in AI-shopping zou verliezen als de resultaten gesponsord of betaald waren.

Lees het tweede cijfer voor wat het voor jou betekent. Als betalen voor een topplek het vertrouwen in het kanaal sloopt, is de duurzame route het product te zijn dat de agent uit zichzelf toont omdat jouw data de vraag het best beantwoordt.

Van aanbevelen naar kopen

Meta kondigde Muse aan in september 2026. Het is een persoonlijke agent die draait op een eigen beveiligde cloudcomputer, bij gevoelige acties zoals een aankoop eerst bij de persoon navraagt en kan betalen via Link van Stripe met een eenmalig bruikbare kaart (aankondiging van Meta). De shopper keurt het totaal nog steeds goed. De agent doet de navigatie die mensen vroeger zelf deden.

De vraag is dus niet meer alleen of een machine je citeert. Het is of een agent je catalogus kan vinden, vertrouwen en er kan kopen zonder te gokken.

Wat AI-ready productdata in de praktijk betekent

"AI-ready" is makkelijk gezegd en makkelijk te reduceren tot een vinkje. Zeven eigenschappen maken het concreet.

• Feiten als attributen, met eenheden. Hoogte, breedte, diepte, gewicht, materiaal, inhoud, compatibiliteit en identificatiecodes zijn velden, geen zinnen. "Voetafdruk van 6 inch die onder standaard keukenkastjes past" kan een model matchen. "Strak design" is ruis.
• Een taxonomie en datamodel die machines kunnen volgen. Categorieën, varianten, bundels en relaties (accessoire past bij product, vervanger van product) moeten expliciet zijn. Voorspelbare, genormaliseerde hiërarchieën tellen het zwaarst bij technische, B2B- en configureerbare assortimenten. Classificeer je volgens een standaard, zie dan GS1, ETIM en ECLASS.
• Volledigheid gemeten aan vragen, niet aan velden. Verrijk rond omgevingen, gelegenheden, compatibiliteit en het probleem dat de koper oplost. "Waterdichte rugzak voor woon-werkverkeer met een laptop van 16 inch" vraagt waterdichtheid, laptopmaat, inhoud en beoogd gebruik als feiten.
• Eén waarde per feit in elk kanaal. Een agent komt je product tegen op je site, bij een retailer, op een marktplaats, in een feed en op een reviewpagina. Tegenstrijdige specificaties zijn geen kanaalprobleem. Het is een vertrouwensprobleem, en de agent loopt weg.
• Actualiteit die je kunt zien. Actuele prijs, voorraad en specificaties, met een zichtbare datum van laatste wijziging waar een pagina de bron is. Inriver noemt een zichtbare datum bij de vertrouwenssignalen die antwoordmachines kunnen lezen.
• Vertrouwen en herkomst. Waar een certificering, beoordeling of claim vandaan komt, en wie ervoor verantwoordelijk is. Agents kunnen niet uitleggen wat ze niet zien, en shoppers vermoeden al verborgen sponsoring.
• Machineleesbare toegang. Gestructureerde markup op pagina's, schone productfeeds en een gedocumenteerde API of MCP-interface, zodat agents en platforms de data kunnen lezen en, waar toegestaan, erop kunnen handelen. Zie de sectie over MCP hieronder.

De lezing van Retail Dive van de enquête voegt een punt toe dat de moeite waard is: context telt even zwaar als specificaties. Gebruiksdoelen, compatibiliteit, duurzaamheidslabels en regionale regels horen bij het product, en voorraad, levertijden en beschikbaarheid moeten aan het productrecord gekoppeld blijven.

Hoe productdata een agent bereikt

Het diagram maakt één punt. Agents en antwoordmachines zijn nog een set kanalen, en de minst vergevingsgezinde. Alles stroomopwaarts (leveranciersbestanden, ERP-specificaties, engineeringdata, media) moet op elkaar zijn afgestemd voordat het vertrekt, want de afnemer kan niet aan een collega vragen wat je bedoelde.

Wat Gartner werkelijk waarschuwde

Het persbericht van Gartner van februari 2025, Lack of AI-Ready Data Puts AI Projects at Risk, deed twee beweringen die je nauwkeurig moet citeren. 63% van de organisaties heeft de juiste datamanagementpraktijken voor AI niet of weet niet zeker of ze die hebben. En Gartner voorspelde dat organisaties tot en met 2026 60% van de AI-projecten laten vallen die niet door AI-ready data worden ondersteund.

De praktijken waar Gartner-analist Roxane Edjlali naar verwees zijn niet exotisch: stem data af op de AI-toepassing, regel governance, houd metadata actueel, bouw betrouwbare datapijplijnen en borg de kwaliteit doorlopend. Haar punt over governance is het punt dat productteams overslaan. Het vraagt verantwoordelijkheid op bestuursniveau en een inspanning over domeinen heen, geen opschoonproject van één team.

Lees dit als een uitspraak over de datalaag. Meerdere opiniestukken uit 2026 herhalen "60% van de AI-projecten" zonder bron. De bron is Gartner, het is een voorspelling en het gaat over AI-projecten in het algemeen, niet specifiek over productdata.

De dataheffing

Akeneo ondervroeg 1.000 senior IT-beslissers in de VS en Europa en publiceerde de resultaten op 9 september 2026 (persbericht van Akeneo). 95% zei er zeker van te zijn dat de eigen organisatie klaar is voor AI-gedreven commerce, en 87% verwacht hogere AI-budgetten. Van de Amerikaanse respondenten besteedt 44% meer dan de helft van de totale AI-projectinspanning aan datavoorbereiding. Akeneo is een PIM-aanbieder, dus lees de enquête als onderzoek van een aanbieder, maar het patroon komt overeen met wat wij zien: het vertrouwen is groot, en elke nieuwe AI-toepassing leidt tot weer een ronde om dezelfde catalogus op orde te brengen.

Het gaat niet om het percentage. Als je dezelfde data voor elk initiatief opschoont en herstructureert, bouw je geen capaciteit op. Je bouwt telkens opnieuw de fundering. Doe het één keer, in het systeem van record.

SEO, AEO en de data eronder

Er is veel ruis over answer engine optimization (AEO). Het stuk van Inriver over AEO en SEO is nuttig omdat het de afkortingenstrijd weigert. De praktische lijn: behandel AEO als SEO met een citatielaag erbovenop. Sterke organische zichtbaarheid helpt je geciteerd te worden. Zwakke SEO houdt je vrijwel zeker uit het antwoord. Inriver stelt ook dat tactieken zoals llms.txt-bestanden, pagina's in fragmenten hakken en teksten voor machines herschrijven weinig opleveren, en dat de richtlijn van Google blijft: schrijf voor mensen.

Twee bevindingen zijn relevant voor productteams. Ten eerste meldt Inriver de analyse van HubSpot uit 2026 over citaties in ChatGPT, Perplexity, Gemini en Google AI Overviews: productvermeldingen en landingspagina's worden vaak geciteerd, vergelijkende content en documentatie houden zich staande, en redactionele content kadert de beslissing terwijl productcontent het antwoord levert. Inriver is een PIM-aanbieder en geeft de HubSpot-cijfers uit de tweede hand weer, dus controleer het oorspronkelijke rapport voordat je percentages citeert. Ten tweede kan één pagina worden afgestemd op citaties met duidelijke secties, echte FAQ-vragen, schema, harde cijfers en een zichtbare datum. Over duizenden SKU's, markten en kanaalformaten loopt dat advies vast op ERP-specificaties in het ene systeem, engineeringdata in het andere en marketingteksten in een map waar niemand over gaat.

Daarom is een "AEO-contentsprint" meestal het verkeerde budgetgesprek. Een contentkalender herstelt geen tegenstrijdige afmetingen tussen je site en een retailer. Hij verzint geen compatibiliteitsattributen en houdt datums niet eerlijk als de bron van waarheid drie inboxen en een spreadsheet zijn. Je content verdient citaties pagina voor pagina. Vertrouwen, en geschiktheid voor afrekenen in een agentpad, geldt voor de hele catalogus of niet.

Wat je in een PIM doet

Een PIM beheert data. Het maakt, verbetert of herschrijft ze niet vanzelf. Veel organisaties losten centralisatie en syndicatie op en houden toch een goed georganiseerde catalogus van matige records. AI-ready worden is vooral dat onopvallende werk, in deze volgorde.

1. Test zoals een agent leest

   Kies tien producten die geld opleveren. Stel ChatGPT, Perplexity en, waar mogelijk, een shoppingagent de vragen die klanten al stellen. Noteer waar de shortlist faalt: ontbrekende compatibiliteit, vage materialen, twee kanalen die elkaar tegenspreken, een feit dat alleen in een pdf staat. Controleer of het antwoord klopt en of een agent een aankoop kan afronden met wat hij vindt.

2. Meet een nulmeting

   De meeste teams kunnen niet rapporteren hoe lang het duurt van productaanmaak tot publicatieklaar, hoe volledig elke attribuutgroep is, wat het foutpercentage per databron is of hoe nauwkeurig vertalingen per taalpaar zijn. Bouw die meting eerst, voordat je AI-tools op een niet gemeten catalogus loslaat. Zie productdatakwaliteit en governance.

3. Herstel het model en de attributen

   Bepaal welke attributen ertoe doen voor vindbaarheid, vergelijking en compliance. Leg elke randvoorwaarde vast in een attribuut met een eenheid en een gecontroleerde woordenlijst. Haal bijvoeglijke naamwoorden weg die niet te controleren zijn. Haal retourredenen, klantvragen en zoekopdrachten het model in: dat is de intentielaag die de meeste catalogi nooit hebben opgeslagen.

4. Laat elk kanaal overeenkomen

   Stem dezelfde SKU af over je site, retailers, marktplaatsen en feeds. Wijs per attribuut één eigenaar aan en per feit één bron. Behandel regionale en kanaalverschillen als gecontroleerde varianten, niet als afsplitsingen.

5. Voeg structuur en toegang toe

   Zet schema-markup op pagina's, houd merchant-feeds gedetailleerd en actueel en bied de data aan via een gedocumenteerde API. Voeg MCP-tooling toe waar de agents waar je om geeft die nodig hebben. Houd specificaties en datums actueel.

6. Monitor citaties en juistheid

   Herhaal de test met tien producten volgens een vast ritme. Een stellig fout antwoord is bijna net zo slecht als stilte. Voer wat je leert terug in het model, niet in nog een lapmiddel op een pagina.

Dezelfde volgorde geldt voor leveranciersdata. Slechte leveranciersbestanden zijn waar de meeste catalogusschuld begint, en een agent brengt die schuld in het openbaar naar boven. Is je intake een spreadsheet in een inbox, begin daar dan.

Machinetoegang: API's, MCP en agent-ready architectuur

Het Model Context Protocol (MCP) geeft AI-agents gestructureerde toegang met rechten tot tools en data. Voor een PIM betekent het dat een agent productdata kan bevragen, verrijken en erop kan handelen zonder dat iemand inlogt en de interface bedient. De gebruikersinterface wordt één toegangswijze naast andere.

In een webinar van PIMvendors beschreef Morten Næss van Bluestone PIM AI-gereedheid in PIM als vier lagen: contentverrijking en vertaling, agentische workflows binnen het PIM, de API- en MCP-laag die productdata aan externe agents beschikbaar stelt, en de IT-architectuur die bepaalt of dat alles schaalt. Zijn punt was dat de meeste organisaties alleen aan de eerste laag werken. Betere beschrijvingen en snellere vertalingen helpen, maar zijn de laag die agents als eerste automatiseren. De lagen die zichtbaarheid bepalen zijn toegang en architectuur. In een sessie met Crystallize kwam hetzelfde patroon van de headless kant: een zelfbeschrijvende API laat een agent productvormen, varianten, media en voorraad ontdekken zonder broze maatwerkkoppelingen.

Praktische gevolgen voor selectie:

• Weeg API-kwaliteit, MCP-tooling en het governancemodel voor agenttoegang mee naast gebruiksgemak. Zie hoe je het juiste PIM kiest.
• Vraag wat een agent mag terugschrijven en welke validatieregels dan nog gelden. Een agent die records verrijkt, kan ook fouten op machinesnelheid verspreiden.
• Zie een composable, API-first opzet als manier om kanaalspecifieke en agentgerichte ervaringen te bouwen zonder op de roadmap van een aanbieder te wachten. Voor de architectuurkant zie je headless en composable commerce met PIM.

Waar het misgaat

• Volledigheid behandelen als een formulier. Een volledigheidsscore van 100% op verplichte velden kan de compatibiliteitsvraag toch onbeantwoordbaar laten. Meet aan de vragen die kopers stellen.
• AI storten op een niet gemeten catalogus. Zonder nulmeting weet je niet of AI hielp. Zonder model en governance versnelt AI voor verrijking slechte data.
• Een AEO-sprint in plaats van een datafix. Content kan tegenstrijdige specificaties of ontbrekende attributen niet repareren.
• Niets beheren. In een PIMvendors-webinar beschreef Yann Chilvers van Covalo bedrijven die grote modellen losliet op slecht beheerde data vol versies en begin 2026 hun jaarlijkse AI-budget opmaakten. Dat is het verhaal van één spreker, maar de les geldt: weten welke data bestaat, wat actueel is en wat weg kan, is een kostenkwestie, niet alleen een IT-kwestie.
• Het bestuur geloven. In de enquête van Akeneo voelde 95% zich klaar, terwijl veel teams het grootste deel van hun AI-inspanning nog aan datavoorbereiding besteden. Vertrouwen is geen meting.
• Vergeten dat data bedrijven overschrijdt. Interne data is nodig en niet genoeg. Covalo, begonnen als zoekmachine voor cosmetische ingrediënten en uitgegroeid tot een gedeelde datalaag voor persoonlijke verzorging, stelt dat AI-agents in die sector ingrediëntdata nodig hebben, verrijkt met regelgevende en veiligheidscontext die geen enkel merk alleen heeft. Waar jouw sector een gedeelde standaard of datapool heeft, gebruik die, en zie PIM en marktplaatsen en het digitaal productpaspoort voor de regelgevende druk richting gestandaardiseerde attributen.
• Vertrouwen negeren. Agents en shoppers wegen beide onverklaarde claims af. Bewaar de herkomst van reviews, beoordelingen en certificeringen, en houd prijslogica die je kunt beschrijven.

Een korte leeslijst: wie zei wat

• Gartner (februari 2025): 63% heeft de juiste datapraktijken voor AI niet of weet het niet zeker; 60% van de AI-projecten zonder AI-ready data wordt voorspeld te worden stopgezet tot en met 2026.
• Akeneo (september 2026): een enquête onder 1.000 senior IT-beslissers; groot vertrouwen, zware inspanning voor datavoorbereiding.
• Salsify en Searchable: toegankelijke, gestructureerde data won het van catalogusgrootte in ChatGPT-shoppingantwoorden.
• Inriver: behandel AEO als SEO plus een citatielaag, en herstel data over de hele catalogus, niet pagina voor pagina.
• Harris Poll en Quad: jongere shoppers geven de voorkeur aan AI-shoppingtools; gesponsorde resultaten zouden vertrouwen kosten.
• Google (oktober 2024): de Shopping Graph rangschikt de attributen die je daadwerkelijk hebt aangeleverd.

Hoe dit aansluit op de rest van je PIM-werk

Het pleidooi voor AI-ready data is hetzelfde als dat voor goede productdata, met een lezer die minder vergeeft. Weet je nog niet waar een PIM voor dient, begin dan met wat is productinformatiemanagement. Kies je er een, gebruik dan beste PIM-software en beoordeel API's en governance naast functies. Staat de catalogus al in een PIM, dan laat PIM-functies en -mogelijkheden zien wat je aanzet, en wat AI in een PIM echt doet laat zien waar AI helpt en waar het misgaat. Ook de marktconsolidatie wordt door dit betoog gedreven: meerdere deals uit 2025 en 2026 werden verantwoord met de stelling dat AI-agents beheerde masterdata nodig hebben; zie overnames en financiering in de PIM-markt.

Hoe je verder gaat

Beide tools zijn gratis en onafhankelijk van welke vendor dan ook.

Twijfel je of je een PIM nodig hebt?

Een korte check die laat zien of een dedicated PIM je catalogus helpt, of dat spreadsheets en ERP het nog prima doen.

Check of een PIM past

Klaar om vendors te vergelijken?

Beantwoord vragen over je schaal, sector en harde eisen en krijg een gerangschikte shortlist.

Stel mijn vendor-shortlist samen