Künstliche Intelligenz berührt heute fast alle Arbeiten mit Produktdaten. Sie liest Lieferantendatenblätter, füllt Attribute, schreibt und übersetzt Beschreibungen und ordnet Produkte Kategorien zu. Die Qualität der Ergebnisse hängt weniger vom Modell ab als vom Datenmodell dahinter. Dieser Artikel behandelt, wie KI im täglichen Betrieb mit Produktdaten arbeitet, wo sie scheitert, welche Anforderungen KI-Shopping-Agenten an Produktdaten stellen, und welche Entscheidungen bei Menschen bleiben.
Wichtigste Erkenntnisse
- Sprachmodelle extrahieren Produktattribute gut, wenn der Prompt Attributdefinitionen mit zulässigen Werten sowie überprüfte Beispiele ähnlicher Produkte enthält. Ohne diesen Kontext fällt die Genauigkeit deutlich ab.
- Einheitenumrechnung ist der schwächste Schritt. Lassen Sie das Modell den Wert und die Einheit finden und führen Sie die Umrechnung im Code durch.
- KI-Shopping-Feeds lesen strukturierte Datenfeeds mit strengen Regeln. Ein generiertes „n/a" oder eine erfundene Teilenummer zerstört sie.
- Jede KI-Ausgabe sollte in einen Entwurfszustand mit Datensatz gehen: Modell, Prompt-Version, Eingabedaten und Zeitstempel.
- Menschen verantworten das Attributmodell, Referenzbeispiele, Überprüfung rechtlich relevanter Aussagen und Entscheidungen über Modellwechsel.
Wo KI im PIM-Stack sitzt
Ein Sprachmodell weiß, wie Produkttexte üblicherweise aussehen. Ihr konkretes Produkt existiert für es nur durch die Daten, die Sie übergeben. Die meisten KI-Fehler in der Katalogarbeit beginnen dort.
Der Produktdatensatz lebt in einem System of Record. Für beschreibende Daten ist das ein PIM-System oder eine Master-Data-Plattform. Sie enthält das Attributmodell: Namen, Definitionen, Datentypen, Einheiten, Wertlisten, erforderliche Attribute pro Kategorie und Kanal sowie die Änderungshistorie jeden Wertes. Preise und Lagerbestände kommen üblicherweise aus dem ERP. Bilder und Dokumente sitzen in einem DAM.
KI arbeitet als Prozessor auf diese Datensätze. Sie liest Werte und Quelldokumente, schlägt neue Werte vor und schreibt sie zurück. Das System of Record entscheidet, wo die Ausgabe landet und wer sie überprüft, bevor sie einen Kanal erreicht. Teams, die ein Modell direkt in einen Shop oder Feed schreiben lassen, verlieren die Fähigkeit, das Geschriebene nachzuverfolgbar zu machen oder rückgängig zu machen. Sie finden das meist beim ersten Lieferantenstreit heraus.
Die Aufgaben, die KI heute übernimmt
Attribut-Extraktion aus Lieferantendaten
Hersteller und Distributoren erhalten Produktdaten als PDF-Datenblätter, gescannte Kataloge, Tabellenkalkulationen mit freien Textfeldern und Lieferantenwebseiten. Jahrelang tippte jemand Gewicht, Abmessungen, Material, Spannung und Steckertyp in strukturierte Felder. Ein LLM kann die Quelle lesen und die Werte als JSON zurückgeben, das zu Ihrem Attributschema passt. Hier beseitigt KI die meiste manuelle Arbeit.
Die nützlichste öffentliche Evidenz zu Genauigkeit kommt aus einem Benchmark der Universität Mannheim zu Attribut-Extraktion und Normalisierung. Die Forscher erstellten einen Testsatz mit 565 Produktangeboten von 59 Websites mit 4.687 manuell verifizierten Attributwerten und testeten GPT-3.5 und GPT-4 mit verschiedenen Prompt-Designs. Mit nur dem Attributschema im Prompt erreichte GPT-4 einen F1-Score (ein Maß für Präzision und Recall) von 74%. Zehn Beispielwerte pro Attribut erhöhten ihn auf etwa 80%. Das Hinzufügen von zehn Demonstrationen – also ähnliche Produkte mit korrekten Antworten – erhöhte ihn auf 91%. Das schlug feinabgestimmte BERT-basierte Extraktoren um etwa 10 Punkte.
Die Modelle in dieser Studie sind inzwischen veraltet und neuere schneiden unterschiedlich ab. Das Muster ist das, was sich überträgt. Genauigkeit kam aus Kontext, den ein gut gepflegter Katalog bereits hält: Attributdefinitionen mit Beispielwerten und genehmigte Datensätze ähnlicher Produkte.
In demselben Benchmark hatten 45% der Attributfelder keinen Wert irgendwo im Produkttitel oder der Beschreibung. Ein Modell, das jedes Feld ausfüllt, rät bei etwa der Hälfte. Der Prompt muss also eine explizite leere Antwort ermöglichen und die Pipeline muss Leer als gültiges Ergebnis akzeptieren.
Der Kontext kostet auch Geld. Der beste GPT-4-Extraktions-Prompt war etwa fünfmal länger als die Zero-Shot-Version und Token-Kosten wachsen damit.
Teams wählen die Demonstrationen üblicherweise nach Ähnlichkeit. Das System bettet den eingehenden Produkttext ein, ruft die 3 bis 10 nächsten Produkte ab, die bereits Überprüfung bestanden haben, und fügt sie als Beispiele ein. Jedes überprüfte Produkt verbessert die Prompts für die nächsten.
Normalisierung und Einheitenumrechnung
Extraktion findet „20 lb." in Lieferantentext. Normalisierung wandelt es in den Kilogramm-Wert und das Zahlenformat um, das Ihr Attribut erwartet. In den Mannheim-Tests handhabte GPT-4 Namensexpansion, etwa „HP" zu „Hewlett-Packard", mit 98% F1 und Bereinigung von Teilenummern und ähnlichen Strings mit 95%.
Einheitenumrechnung war die schwache Stelle. Wenn das Modell Extraktion und Umrechnung in einem Schritt durchführen musste, erreichte GPT-4 62% ohne Beispiele und 83,5% mit Beispielen und Demonstrationen. Wenn es nur Werte umrechnete, die ein separater Schritt bereits extrahiert hatte, erreichte es 98%. Die Autoren nennen Konvertierungsfunktionen, die das Modell aufrufen kann, als Richtung für weitere Forschung.
Teilen Sie also Extraktion von Umrechnung. Das Modell gibt die Zahl und die Einheit wie in der Quelle gefunden zurück. Code rechnet um. Eine Konvertierungsfunktion gibt jedes Mal die gleiche Antwort, was mehr ist, als irgendjemand von einem Sprachmodell versprechen kann, das Arithmetik macht.
Klassifizierung und Taxonomie-Mapping
Jeder Kanal möchte seine eigene Kategorie. Ein Hersteller kann ETIM- oder ECLASS-Klassen für B2B-Partner führen, GS1-GPC-Bricks für Einzelhandelsketten, die Google-Produkttaxonomie für Shopping-Feeds und einen separaten Kategoriebaum für jeden Marktplatz. Tausende von SKUs von Hand zu ordnen ist langsam und Mapping-Fehler verstecken Produkte vor Filtern.
Das gängige Muster verbindet Retrieval mit einem LLM. Das System bettet die Produktdaten und die Klassenbeschreibungen ein, erstellt eine Shortlist von Kandidatenklassen und bittet das Modell, eine zu wählen. Selbstgemeldetes Vertrauen von LLMs ist schlecht kalibriert, daher nutzen reife Setups Übereinstimmungsprüfungen. Die Wahl des Modells muss mit einem der Top-Retrieval-Kandidaten übereinstimmen oder zwei unterschiedlich formulierte Prompts müssen sich einigen. Produkte, die bestehen, gehen durch. Der Rest geht in eine Review-Warteschlange.
Wo man die Messlatte setzt, ist eine Geschäftsentscheidung. In ETIM definiert die Klasse, welche Merkmale ein Produkt haben muss, daher produziert eine falsche Klasse einen falschen Merkmalssatz. Eine falsche Marktplatz-Kategorie kostet meist nur Sichtbarkeit.
Generierte Beschreibungen und SEO-Felder
Das ist die sichtbarste Nutzung und die mit dem meisten rechtlichen Risiko. Modelle schreiben lange Beschreibungen, Aufzählungspunkte, kurze Feed-Titel und Meta-Beschreibungen pro Kanal und Sprache.
Eine Regel verhindert die meisten Probleme: Generieren Sie nur aus genehmigten Attributen. Der Prompt erhält die strukturierten Werte dieser spezifischen Variante, den Brand-Voice-Guide, die Termbasis und die Längenlimits des Kanals. Er erhält keine Familie-Level-Marketingtexte oder Konkurrententexte. Nach der Generierung vergleicht eine Prüfung den Text mit den Attributen. Wenn der Text „wasserdicht" sagt und das Produkt keine IP-Bewertung hat, schlägt die Prüfung fehl.
Unsere Kunden wenden sich mit einer Version des gleichen Problems an uns. Ihre ersten KI-Beschreibungen lasen sich gut und behaupteten Dinge, die die Produkte nicht hatten. Ein häufiger Fall ist eine Furniervariantebeschreibung als „massive Eiche", weil der Prompt Familientext enthielt, der für die Premium-Variante geschrieben wurde. Der Fix hat zwei Teile. Prompts erhalten nur Varianten-Level-Attributwerte. Eine Post-Check vergleicht Material-, Zertifizierungs- und Sicherheitsbegriffe im generierten Text mit Attributwerten und leitet Nichtübereinstimmungen an eine Person.
Übersetzung und Lokalisierung
LLM-Übersetzung handhabt Produkttexte gut in häufigen Sprachenpaaren und viele Teams nutzen sie jetzt als Standard.
Sie braucht eine Termbasis: genehmigte Übersetzungen von Produktnamen, technischen Begriffen, Einheiten und Attributwerten, eingefügt in den Prompt und nach der Generierung geprüft. In einem PIM übersetzen Sie Wertlisten einmal auf Attribut-Level. „Edelstahl" wird dann pro Sprache einmal übersetzt statt in 5.000 Beschreibungen und bleibt überall konsistent.
Regulierte Texte brauchen eine separate Regel. Sicherheitswarnungen und rechtlich erforderliche Etiketten brauchen einen qualifizierten menschlichen Prüfer pro Markt. Eine falsch übersetzte Warnung ist ein Produktsicherheitsproblem.
Bilder und digitale Assets
Vision-Modelle können Produktfotos inzwischen zuverlässig genug für Routinearbeiten lesen. Teams nutzen sie, um Alt-Text zu schreiben, Farbe und Muster zu taggen, zu prüfen, dass das Bild die richtige Variante zeigt, und Bilder zu flaggen, die Kanalregeln verletzen, wie Text-Overlays oder nicht-weiße Hintergründe. Der rote Schuh auf der schwarzen SKU ist ein Klassiker und Vision-Prüfungen fangen ihn in Menge.
Generierte Lifestyle-Bilder sind eine separate Entscheidung. Sie zeigen ein echtes Produkt in einer Szene, die nie existierte. Halten Sie sie im DAM als generiert gekennzeichnet und prüfen Sie die unten behandelten EU-Offenlegungsregeln, bevor Sie sie veröffentlichen.
Datenqualitätsprüfungen
Reviewer werden müde. Prüfungen nicht. Nützliche Prüfungen sind Ausreißer innerhalb einer Kategorie, etwa eine 350-ml-Tasse mit 350 kg Gewicht, Beschreibungen, die Attributwerte widersprechen, Near-Duplicates von verschiedenen Lieferanten erstellt und fehlende Attribute, die ein Kanal verlangt. Regeln und einfache Statistiken fangen die meisten Ausreißer günstig. LLMs addieren Wert bei Widersprüchen zwischen Text und Attributen, die Regeln nicht lesen können.
Wie ein gesteuerter KI-Workflow läuft
Die meisten KI-Qualitätsprobleme in Katalogen erweisen sich als Prozessprobleme. Workflows, die in der Produktion halten, teilen diese Schritte:
- Trigger. Ein neues Produkt, ein Lieferantenupdate oder ein geändertes Attribut startet den Job. Regeln entscheiden, welche Felder regeneriert werden, damit eine korrigierte Gewichtsangabe nicht die Marketingtexte in 30 Sprachen regeneriert.
- Kontext-Zusammenstellung. Das System sammelt die Attributwerte der Variante, Attributdefinitionen, Wertlisten, Kanallimits, Termbasis-Einträge und ähnliche genehmigte Produkte.
- Versionierter Prompt. Die Prompt-Vorlage hat eine Versionsnummer und ein Änderungsprotokoll, wie Code.
- Strukturierte Ausgabe. Das Modell gibt JSON gegen ein Schema zurück. Freitext geht nur in Textfelder.
- Deterministische Validierung. Code prüft Datentypen, Wertlisten, Einheiten, GTIN-Prüfziffern, Längenlimits und verbotene Behauptungen.
- Entwurf mit Provenance. Die Ausgabe landet in einem Entwurfs- oder „KI-vorgeschlagen"-Zustand. Der Datensatz speichert das Modell und seine Version, die Prompt-Version, einen Input-Snapshot und einen Zeitstempel.
- Risikobasierte Überprüfung. Sicherheits-, Compliance- und anspruchsbezogene Felder gehen an einen benannten Prüfer. Risikoarme Felder werden beprobt.
- Veröffentlichung und Lernen. Genehmigte Werte fließen zu Kanälen. Ablehnungsgründe geben Rückmeldung in Prompts und Beispiele.
Provenance sieht wie Mehraufwand aus, bis zum ersten Incident. Ein Provider aktualisiert ein Modell und Ihre Titel wechseln Ton über Nacht. Eine Marktüberwachungsbehörde fragt, woher eine Behauptung kam. Mit Provenance wird jedes von diesen eine Anfrage. Ohne sie gräbt jemand durch Exporte und E-Mail-Threads.
AtroCore handhabt das durch sein AI Integration-Modul, das Sprachmodelle wie ChatGPT und Gemini mit Produktdatensätzen verbindet, mit Prompts, die Teams ihrer Brand Voice und ihrem Use Case anpassen. Die Generierung läuft in Menge oder über Workflow-Regeln, wenn Produktdaten sich ändern, und Nutzer überprüfen und bearbeiten die generierten Inhalte, bevor sie gespeichert und veröffentlicht werden. Der Enginen-Wechsel ist eine Dropdown-Wahl, daher kann ein Team den gleichen Prompt gegen zwei Modelle laufen, bevor sie sich festlegen.
Feeds für KI-Shopping-Agenten
KI-Assistenten von OpenAI und Google zeigen jetzt Produkte in Gesprächen und lassen Käufer in einigen Märkten kaufen, ohne den Shop zu besuchen. Sie lesen strukturierte Feeds und strukturierte Seitendaten. Für diese Kanäle ist der Feed die Storefront.
OpenAIs Produktfeed-Spezifikation für ChatGPT zeigt, was das in der Praxis bedeutet. Discovery braucht neun Felder: Artikel-ID, Titel, Beschreibung, Produkt-URL, Marke, Verkäufername, Bild-URL, Verfügbarkeit und Preis. Die Beschreibung muss sachlich und in Klartext sein. Die Spec fordert Titel bis etwa 150 Zeichen und Beschreibungen bis 5.000. Mehrere ihrer Regeln kollidieren mit gedankenlosen KI-Bereicherungen:
- Die Spec sagt, unbekannte Werte auslassen und keine Platzhalter-Strings wie „null", „unknown" oder „n/a" verwenden. Die Mannheim-Forschungsprompts, wie viele Produktions-Prompts, geben „n/a" für fehlende Werte zurück, also bilden Sie sie auf Leer ab, bevor Sie exportieren.
- GTINs brauchen eine gültige Prüfziffer und ihre führenden Nullen. Eine Tabellenkalkulation, die die GTIN als Zahl speicherte, hat sie bereits zerstört.
- Dimensionen müssen das Produkt selbst beschreiben. Paketdimensionen gehören woanders hin und Einheiten sind nie abgeleitet. Lieferantendaten mischen beides ständig.
- Eine Artikel-ID darf nie für ein anderes Artikel wiederverwendet werden und Angebot-IDs dürfen nicht den Preis enthalten.
„Erfinden Sie keinen Wert, um eine fehlende GTIN zu ersetzen." OpenAIs Anmerkung zum Teilenummernfeld liest sich, als wäre sie mit LLM-Bereicherung im Sinn geschrieben.
Ein LLM, das aufgefordert wird, fehlende Kennungen zu vervollständigen, produziert plausible Teilenummern. Kennungsfelder sollten komplett von Generierung ausgeschlossen werden.
Die Spec erwartet auch aktuellen Preis und Verfügbarkeit, aktualisiert wenn sie sich ändern. Produktdaten-Teams besitzen selten diese Werte. Das ERP tut es. Ein agenten-bereiter Feed verbindet also beschreibende Daten aus dem PIM mit kommerziellen Daten aus dem ERP auf einem Refresh-Zyklus, der passt, wie schnell der Bestand sich bewegt.
Optionale Felder tragen mehr Gewicht bei Agenten als bei klassischer Shopping-Ads. Rückgabefenster, Versandgebühren, Materialien und Produktabmessungen lassen einen Assistenten „passt es" und „kann ich es zurückgeben" beantworten, ohne den Käufer auf Ihre Seite zu schicken. Wenn diese Werte fehlen, rät der Assistent oder zieht zu einem Produkt, dessen Daten die Frage beantwortet.
Jede Plattform hat ihr eigenes Schema und die Schemas ändern sich. Das praktische Setup ist ein Master-Datensatz im PIM und ein Channel-Mapping pro Plattform. Ein neuer KI-Kanal wird dann eine Mapping-Aufgabe. Die Standard-OpenAI-Dateiupload zielt derzeit auf den US-Markt, daher können europäische Hersteller ihn als Vorschau der Datenqualitäts-Messlatte lesen, die KI-Kanäle setzen.
Risiken, die jetzt Aufmerksamkeit brauchen
Erfundene Fakten mit Ihrem Namen darauf
Generierte Inhalte sind Ihre Produktaussage. Verbraucherschutz- und Produkthaftungsregeln fragen nicht, welches Tool es geschrieben hat. Die höchsten Risikofelder sind Sicherheitswarnungen, Zertifizierungen, Materialbehauptungen wie „lebensmittelsicher" oder „BPA-frei", Kompatibilitätsaussagen und Leistungswerte.
KI kann einen Fakt formulieren. Sie sollte ihn nie erschaffen.
Jeder Wert in diesen Feldern braucht eine Quelle: ein Lieferantendokument, ein Testbericht, ein Zertifikat oder eine Person, die unterzeichnet.
Prompt-Injection über Produktdaten
Lieferantendateien und gescrapte Seiten sind unsichere Eingaben. Ein Datenblatt kann Text enthalten, den ein Modell als Anweisung liest, in weißer Schrift versteckt oder in einem Metadaten-Feld. Das Risiko wächst, wenn KI-Agenten Schreibzugang zum Katalog über MCP-Server oder ähnliche Connectoren bekommen.
Starten Sie Agenten schreibgeschützt, mit Fragen wie „welche SKUs in dieser Linie fehlt eine Konformitätserklärung". Gewähren Sie Schreibzugang pro Feldgruppe. Leiten Sie Agent-Schreiben durch den gleichen Entwurfs- und Review-Weg wie andere KI-Ausgaben und protokollieren Sie jeden Aufruf.
Modelländerungen, die Sie nicht geplant haben
Provider aktualisieren und ziehen Modelle nach ihrem eigenen Zeitplan zurück. Der gleiche Prompt kann nach einer Aktualisierung unterschiedliche Ausgabe produzieren. Pin-Modellversionen in Produktion. Halten Sie einen festen Evaluationssatz von ein paar hundert überprüften Produkten mit bekannten korrekten Attributen und genehmigten Texten und führen Sie ihn vor jedem Wechsel aus. Vergleichen Sie Ergebnisse pro Feld. Eine durchschnittliche Genauigkeitszahl verbirgt das eine Attribut, das schlechter wurde.
Regulation in der EU
Die Transparentverpflichtungen in Artikel 50 des EU-Regelwerks für künstliche Intelligenz sind seit dem 2. August 2026 gültig. Das Digital Omnibus verschob die meisten hochriskanten Verpflichtungen auf Dezember 2027 und später und ließ Artikel 50 unverändert.
Ein Shopping-Assistent oder Chatbot auf Ihrer Storefront muss klarstellen, dass Nutzer mit einer KI sprechen, es sei denn, das ist offensichtlich. Maschinenlesbares Kennzeichnen generierter Inhalte ist hauptsächlich eine Verpflichtung für Provider von generativen KI-Systemen, mit einer Karenzfrist bis 2. Dezember 2026 für bereits auf dem Markt befindliche Systeme. Realistisch generierte Bilder, die ein Produkt in einer erfundenen Szene zeigen, können als Deep Fakes zählen, die Offenlegung brauchen. Gewöhnliche Produktbeschreibungen fallen allgemein außerhalb der Offenlegungsregel für KI-generierte Texte, die auf Text abzielt, das zur Information der Öffentlichkeit zu Themen von öffentlichem Interesse veröffentlicht wird. Grenzfälle brauchen rechtliche Überprüfung.
Der digitale Produktpass fügt einen zweiten Track hinzu. Der Batteriepass wird am 18. Februar 2027 für mehrere Batteriekategorien, einschließlich EV-Batterien und Industriebatterien über 2 kWh, obligatorisch. Andere Produktgruppen folgen über delegierte Akte. Passport-Daten sind Compliance-Daten: Materialzusammensetzung, recycelter Gehalt, CO2-Fußabdruck und Due-Diligence-Informationen. KI kann ihn aus Lieferantenerklärungen extrahieren und Vollständigkeit prüfen. Sie sollte einen fehlenden Wert nicht schätzen. Jeder Wert braucht ein rückverfolgbares Quelldokument, das ist der oben beschriebene Provenance-Trail.
Datenbelastung und Kosten
Unveröffentlichte Produktdaten an eine externe API geschickt verlässt das Unternehmen. Prüfen Sie, wo der Provider die Daten verarbeitet und ob er Eingaben zum Training nutzt. Einige Hersteller leiten Start-sensitive Produkte zu einem selbstgehosteten Modell aus diesem Grund.
Die Kosten skalieren mit Kontext und Volumen. Few-Shot-Prompts laufen mehrere Male länger als Zero-Shot-Prompts. Ein Prompt-Tweak, der Regenerierung von 50.000 SKUs in 20 Sprachen triggert, ist ein Budget-Event. Regenerieren Sie nur Felder, die eine Änderung betrifft.
Inhalte, die wie die von jedem anderen klingen
Konkurrenten nutzen die gleichen wenigen Modelle mit ähnlichen Prompts. Ihre generierte Kopie konvergiert auf die gleiche Formulierung und Ihre auch. Differenzierung muss nur aus Daten kommen, die nur Sie halten: Testergebnisse, Anwendungsnotizen, Kompatibilitätstabellen und Installationslimits. Packen Sie diese ins Attributmodell, damit der Generator sie nutzen kann.
Was Menschen noch besitzen
In den Mannheim-Tests bewegte der Kontext um das Modell die Genauigkeit mehr als sonst etwas. Dieser Kontext ist menschliche Arbeit.
Jemand definiert jedes Attribut und seine zulässigen Werte. „Größe" ohne Definition produziert Größen in vier Systemen. Jemand kuriert die Referenzprodukte, die als Beispiele und als Evaluationssatz dienen. Jemand entscheidet, welche Felder Überprüfung brauchen und unterzeichnet Behauptungen mit rechtlichem Gewicht. Jemand löst Konflikte, wenn zwei Lieferanten das gleiche Teil widersprechen und handhabt den neuen Produkttyp, der in keine vorhandene Klasse passt. Und jemand genehmigt ein Modell oder einen Prompt-Wechsel nach Prüfung der Evaluationsergebnisse. Jede dieser Rollen braucht einen benannten Eigentümer pro Feldgruppe.
Unsere Kunden wenden sich mit Katalogen an uns, wo die gleiche Property viermal existiert, als „Color", „Colour", „Main color" und „Farbe", jede mit verschiedenem Lieferantenimport gefüllt. KI zu dem Katalog hinzuzufügen produziert vertrauensvolle Werte in alle vier Felder, oft verschiedene. Die Arbeit, die sich zuerst auszahlt, ist Konsolidierung des Attributmodells. KI kommt zweite.
KI skaliert, was immer Sie ihr Datenmodell geben. Ein sauberes Modell skaliert in konsistente Daten. Ein unordentliches skaliert in schnellere Unordnung.
Die Aufgabe von Produktdaten-Managern verschiebt sich dementsprechend. Weniger Tippen, mehr Konfiguration und Überprüfung: Prompts, Wertlisten, Validierungsregeln und Review-Checklisten. Überprüfung braucht auch Struktur. Ein Reviewer mit einer Checkliste pro Feldgruppe fängt erfundene Behauptungen. Ein Reviewer, der fragt, ob etwas gut aussieht, genehmigt es.
Eine praktische Startsequenz
Starten Sie mit einer Kategorie, die gute Quelldokumente und ein klares Attributmodell hat. Bauen Sie den Evaluationssatz, bevor Sie den ersten Prompt schreiben: 200 bis 300 überprüfte Produkte mit verifizierten Werten. Führen Sie Extraktion nur in Entwurfsfelder durch und messen Sie Genauigkeit pro Attribut und Review-Zeit pro Produkt. Wo das Modell scheitert, schauen Sie zuerst auf die Attributdefinition. Vage Definitionen verursachen viele Fehler.
Wechseln Sie zu generierten Beschreibungen, sobald Extraktion zuverlässig ist, weil generierter Text nur so genau ist wie die Attribute darunter. Addieren Sie Übersetzung danach, mit der Termbasis auf Platz. Bilden Sie Channel-Feeds zuletzt ab, einschließlich KI-Shopping-Feeds, und validieren Sie Kennungen, Einheiten und leere Werte im Code vor Export. Geben Sie Agenten zuerst Lesezugang. Schreibzugang kommt, nachdem der Entwurfs- und Review-Weg ein paar tausend KI-Schreiben ohne Überraschungen behandelt hat.