Agentic Commerce Qualität von Produktdaten: Schlüssel zur Sichtbarkeit bei KI-Empfehlungen

Anbieter zum Thema

Akeneo GmbH

FIS Informationssysteme und Consulting GmbH

Arvato Systems GmbH

Descartes Systems (Germany) GmbH

Starke Marke, gutes Produkt – und trotzdem keine KI-Empfehlung? Im Agentic Commerce entscheidet nicht das Werbebudget, sondern die Qualität der Produktdaten darüber, was KI-Systeme überhaupt noch sehen.

Ein Nutzer gibt in ChatGPT ein: „Empfiehl mir einen wasserdichten Laufschuh für Herbst und Winter und unter 150 Euro.“ Das System durchsucht die verfügbaren Produktdaten, analysiert die infrage kommenden Produkte und schlägt drei davon vor. Tausende andere kamen nie in die engere Auswahl. Natürlich spielen dabei Faktoren wie Preis, Bewertungen oder Markenbekanntheit eine Rolle. Immer häufiger entscheidet jedoch die Qualität der Produktdaten darüber, welche Produkte von KI-Systemen überhaupt berücksichtigt werden. 

Händler und Marken bemerken das meist gar nicht. Denn im PIM-System selbst gibt es keine Fehlermeldung, keinen Hinweis und keine Rückmeldung, dass irgendetwas nicht stimmt. Ein Produkt taucht in der KI-Empfehlung einfach nicht auf – und das bleibt so, bis jemand aktiv nachfragt, warum der KI-Traffic ausbleibt.

Die Frage, die sich Handelsunternehmen heute stellen müssen, lautet daher: Kann ein KI-Agent mein Produkt verstehen, einordnen und mit relevanten Alternativen vergleichen?

Max Henrychowski, VP EMEA Central bei Akeneo

Im Agentic Commerce reicht es nicht mehr aus, ein gutes Produkt oder eine starke Marke zu haben. Schon ein fehlendes Attribut, eine uneinheitliche Produktbeschreibung oder schlecht strukturierte Informationen können dazu führen, dass ein Produkt gar nicht erst in die engere Auswahl eines KI-Systems gelangt.

Laut einer Analyse von Akeneo beginnen bereits heute 37 Prozent der Verbraucher ihre Produktsuche auf Sprachmodellen statt auf klassischen Suchmaschinen. Damit entsteht ein neuer Vertriebskanal, bei dem nicht mehr Suchalgorithmen oder Marktplätze, sondern KI-Systeme die Gatekeeper sind. Für Händler und Marken wird Sichtbarkeit damit immer stärker zu einer Frage der Qualität ihrer Produktdaten.

Interview

Agentic Commerce: So verlieren Händler nicht den Anschluss an die KI-Revolution

Was KI-Agenten anders bewerten als Menschen

Menschen können Informationslücken einfach überbrücken. Eine vage Beschreibung wird interpretiert, ein vertrauter Markenname gibt Orientierung. KI-Agenten funktionieren anders. Was nicht explizit und strukturiert vorliegt, existiert für sie nicht. 

Zurück zum Laufschuh. Das KI-System prüft also systematisch, ob relevante Informationen vorhanden und vergleichbar sind. Gibt es Angaben zur Wasserdichtigkeit, zum Einsatzbereich, zum Untergrund oder zur Dämpfung? Sind diese Informationen als strukturierte Attribute hinterlegt oder lediglich Teil eines Marketingtextes? Natürlich kann KI auch Marketingtexte auswerten. Für Vergleiche und Empfehlungen sind strukturierte und eindeutig zuordenbare Informationen jedoch deutlich wertvoller.

Markenkraft, Werbedruck und emotionale Markenführung bleiben wichtig. Sie entfalten ihre Wirkung jedoch erst dann, wenn ein Produkt überhaupt in die engere Auswahl eines KI-Systems gelangt. Was zählt sind Vollständigkeit, Konsistenz, Struktur und Vergleichbarkeit der Daten. Bereits ein fehlendes Attribut, eine uneinheitliche Produktbeschreibung oder schlecht strukturierte Information kann darüber entscheiden, ob ein Produkt gefunden, verstanden und empfohlen wird – oder gar nicht erst in Betracht kommt.

Product Information Management

Das ERP-Gefängnis: Warum Produktdaten dort verkümmern – und wie ein PIM sie befreit

Was Produktdaten heute leisten müssen:

• 1. Attribute müssen als eigenständige, maschinenlesbare Felder vorliegen – nicht (nur) eingebettet in Marketingtexte: Ein KI-System kann „wasserdicht bis 10.000 mm Wassersäule“ als strukturiertes Attribut direkt mit Alternativen vergleichen; denselben Wert im Fließtext muss es erst interpretieren, mit entsprechend höherer Fehlerquote. 
• 2. Einheiten und Normen müssen konsistent sein: Schuhgrößen, Gewichtsangaben, technische Maße. Widersprüche zwischen Kanälen (Shop, Marktplatz, Datenblatt) erzeugen für KI-Systeme Unsicherheit, die im Zweifel zum Ausschluss führt. 
• 3. Anwendungsfall-Attribute fehlen besonders häufig: Für welchen Einsatz, welche Zielgruppe, welche Bedingung ist ein Produkt geeignet? Genau diese Informationen sind es, die natürlichsprachliche Anfragen wie „Laufschuh für Herbst und Winter“ auflösbar machen. 

Generative Engine Optimization (GEO)

Agentic Commerce: Die klassische Shop-Website hat ausgedient