Käufer fanden Ihre Produktdaten früher auf Ihrer eigenen Produktseite. Heute liest ein KI-Assistent sie oft zuerst und entscheidet, ob Ihr Produkt auf die Shortlist kommt. Der Käufer kommt später, bereits halb überzeugt, und prüft, ob Ihre Seite mit dem übereinstimmt, was der Assistent gesagt hat.
Diese Verschiebung hat die Aufgabe eines PIM-Tools verändert. Dieser Artikel behandelt die Mechanismen in einem PIM-Tool, was KI daran geändert hat, und die Risiken, die bereits jetzt live sind. Er ist für Menschen geschrieben, die bereits wissen, was eine SKU ist und eine Meinung zu Tabellenkalkulationen haben.
Wichtigste Erkenntnisse
- Ein PIM-Tool ist eine Regelmaschine für Produktdaten genauso wie ein Speicherort. Datentypen, Einheiten, Vererbung und Validierung entscheiden, was jeden Kanal erreicht.
- KI-Shopping-Feeds sind strenger als die meisten Web-Shops. Sie leiten Einheiten nicht ab und behandeln „n/a" als Müll.
- KI im PIM-Tool funktioniert gut zum Entwerfen und Extrahieren aus strukturierten Daten. Ohne Review-States und feldebenenhistorie erreicht ein schlechter Prompt jeden Kanal gleichzeitig.
- Das EU-Digital-Product-Passport-Verzeichnis ist live, und die ersten Pässe sind ab Februar 2027 für bestimmte große Batterien fällig. Identifizierer und Registrierungsdaten gehören in das PIM-Tool.
- Wählen Sie ein Tool basierend auf der Stärke seines Datenmodells und seiner API aus. KI-Features lassen sich später leicht hinzufügen.
Was ein PIM-Tool tut
Ein PIM-Tool ist das System of Record für beschreibende Produktdaten. Das umfasst Attribute, Klassifizierungen, Beziehungen zwischen Produkten, Medien (oft über integriertes Digital Asset Management), Übersetzungen und die Kanalversionen all dessen.
Es sitzt normalerweise zwischen dem ERP und den Kanälen. Das ERP besitzt Artikelnummern und kommerzielle Daten wie Preis und Bestand. Das PIM-Tool besitzt, was Käufer und Maschinen verstehen müssen, um das Produkt zu verstehen. Kanäle umfassen den Web-Shop, Marktplätze, Druckkataloge, Distributor-Datenpools und nun Feeds für KI-Assistenten.
Eine Tabellenkalkulation kann die gleichen Werte halten. Sie kann sie nicht durchsetzen.
Der Umfang macht den Unterschied. Ein Katalog von 8.000 Artikeln mit 300 möglichen Attributen in sechs Sprachen bietet Platz für etwa 14 Millionen Werte. Niemand prüft das mit bloßem Auge, daher muss die Prüfung im Tool stattfinden.
Die Mechanismen hinter einem PIM-Tool
Der Wert eines PIM-Tools sitzt in einer Handvoll Mechanismen, die jedes Mal ausgeführt werden, wenn jemand einen Datensatz speichert oder einen Export startet.
Typisierte Attribute und Einheiten
Jedes Attribut hat einen Datentyp. Ein Gewicht ist eine Zahl mit einer Einheit. Eine Farbe stammt aus einer Werteliste. Eine Materialzusammensetzung ist ein strukturiertes Feld mit eigenen Regeln. Wenn das Tool den Typ beim Eintrag durchsetzt, gelangt „ca. 1,5 kg" nie in das Gewichtsfeld.
Einheiten sind wichtiger als vor ein paar Jahren. OpenAIs Produktfeed-Spezifikation verlangt eine Einheit neben jedem Gewicht und jeder Dimension und gibt an, dass Einheiten nicht aus dem Markt oder dem Größensystem abgeleitet werden. Sie fordert auch die eigenen Abmessungen des Produkts und sein Nettogewicht ohne Verpackung. Ein Katalog, der seine Dimensionen aus Logistikdaten nahm, hält oft Paketwerte in den Produktfeldern.
Ein PIM-Tool mit Einheitenverwaltung speichert einen Wert einmal und konvertiert beim Export. Das beseitigt den klassischen Fehler, bei dem ein Lieferant Gramm und ein anderer Kilogramm in die gleiche Spalte sendet.
Klassifizierung bestimmt Anforderungen
Die Klassifizierung entscheidet, welche Attribute ein Produkt benötigt. Ein Akku-Bohrer braucht Spannung und Batteriekapazität. Ein Gartenschlauch braucht Länge und Innendurchmesser. Das Zuweisen der Klasse heftet den Attributsatz an, und die Vollständigkeitsprüfung weiß, was fehlt.
Industriehersteller klassifizieren oft nach ETIM oder ECLASS, weil Distributoren diese Strukturen direkt importieren und in Formaten wie BMEcat austauschen. Eine einmalige Zuordnung zu einem Standard spart Neuzuordnung für jeden Distributor.
Vererbung und Varianten
Varianten teilen die meisten Werte. Ein Arbeitsschuh in acht Größen hat eine Beschreibung und eine Materialliste. Vererbung ermöglicht es dem Parent, gemeinsame Werte zu halten, und jedes Child überschreibt nur, was sich unterscheidet, wie Größe, GTIN und Bestand.
KI-Feeds formalisieren diese Struktur. OpenAIs Spezifikation verwendet eine Item-ID pro Variante, eine Gruppen-ID für die Parent-Angebot und eine Angebots-ID pro Verkäufer-Angebot. Alle sollten stabil bleiben, wenn sich Preis, Bestand, Titel oder Bilder ändern, und die Spezifikation sagt deutlich, niemals Preis in eine Angebots-ID einzubeziehen. Exporte, die IDs durch Kleben von SKU und Preis erstellen, verletzen diese Regel ohne Fehlermeldung. Sie sind normalerweise alte Exporte, die für einen einzelnen Marktplatz geschrieben wurden.
Validierung und Vollständigkeit
Validierung läuft bei der Eingabe und beim Import. Typische Regeln prüfen, dass eine GTIN 8, 12, 13 oder 14 Ziffern mit einer gültigen Prüfziffer hat, dass ein Verkaufspreis niedriger als der Regelpreis in der gleichen Währung ist, dass ein als gefährlich gekennzeichnetes Produkt ein Sicherheitsdatenblatt hat, und dass ein Titel in die Längenbeschränkung des Kanals passt.
Vollständigkeit ist Validierung pro Kanal. Das gleiche Produkt kann für den Druckkatalog vollständig und für einen KI-Feed unvollständig sein, der Material und Rückgabebedingungen erwartet.
Platzhalter sind der stille Fehler. Teams geben „n/a" ein, um einen Vollständigkeitsbalken grün zu machen. OpenAIs Spezifikation sagt Händlern, keine Platzhalterzeichenfolgen wie null oder n/a zu verwenden, und ein leerer Wert dort bedeutet überhaupt kein Wert. Es bedeutet nicht null oder false. Das PIM-Tool muss also einen echten Wert statt Füllstoff bereitstellen. Eine Regel, die Füllstoff-Strings in typisierten Feldern ablehnt, ist billige Versicherung.
Kanal-Scoping und Export-Mapping
Ein Produktdatensatz hält verschiedene Werte pro Kanal. Der Marktplatz-Titel folgt dem Muster des Marktplatzes. Der KI-Feed-Titel bleibt im von OpenAI empfohlenen Umfang von 150 Zeichen, und die Beschreibung bleibt unter 5.000 Zeichen reiner Text.
Export-Mapping übersetzt das interne Modell in das Schema jedes Kanals. Für einen Discovery-Feed benötigt OpenAI neun Felder: Item-ID, Titel, Beschreibung, URL, Marke, Verkäufername, Haupt-Bild-URL, Verfügbarkeit und Preis. Der Preis geht als Betrag plus ISO-4217-Währungscode wie „79,99 USD" ein. Der Standard-Upload ist derzeit auf die USA ausgerichtet, und andere Märkte benötigen ein von OpenAI bestätigtes Setup. OpenAI kann auch Google-kompatible Produktdaten-Feeds akzeptieren, sobald es dieses Format für einen registrierten Feed bestätigt. Ein Unternehmen, das bereits einen sauberen Google-Shopping-Export verwaltet, startet im Vorteil.
Workflows und Änderungsverlauf
Workflows verschieben Datensätze durch Status wie Entwurf, Anreicherung, Review, Genehmigt und Veröffentlicht. Berechtigungen auf Feldebene entscheiden, wer was ändern darf. Ein Produktmanager bearbeitet Marketing-Text. Die deklarierte Materialzusammensetzung gehört zur Qualität oder Compliance, und die Marketing-Rolle darf sie nicht ändern.
Der Verlauf zeichnet jede Änderung mit dem alten Wert, dem neuen Wert, dem Benutzer und dem Zeitstempel auf. Das sah nach einem Revisor-Feature aus, bis KI begann, in Produktdatensätze zu schreiben. Jetzt ist es, wie ein Team herausfindet, welches Bulk-Update von einem Modell kam und welches von einem Kollegen.
Syndikations-Timing
Ein Feed ist eine Momentaufnahme. OpenAIs Spezifikation besagt, dass Verkaufsdaten und Verfügbarkeitsdaten in einem Feed nichts planen, daher müssen Händler den neuen Preis oder Status senden, wenn er sich ändert. Eine schlecht formatierte Zeile kann fehlschlagen, während der Rest des Uploads durchgeht, was Upload-Monitoring zu Teil der Arbeit macht.
Preis und Bestand stammen normalerweise vom ERP. Das PIM-Tool leitet sie entweder weiter oder der Feed führt zwei Quellen zusammen. Jemand muss die Update-Häufigkeit in beiden Setups besitzen.
Unsere Kunden kommen zu uns mit Exporten, die Kanal für Kanal gewachsen sind. Ein typischer Fall ist ein Hersteller von technischen Komponenten mit einem separaten Script pro Distributor, jeder mit seiner eigenen Einheitenbehandlung und seiner eigenen Idee eines Produktnamens. Jeder neue Distributor bedeutete ein weiteres Script und ein weiterer Fehler-Satz. Nach dem Umzug der Produktdaten in ein einheitliches Datenmodell mit Kanalunterschieden in Export-Mappings wurde das Hinzufügen eines Kanals zu einer Mapping-Aufgabe. Einheitenumrechnung geschah an einem Ort, sodass eine Reparatur auf jeden Export gleichzeitig angewendet wurde.
Wie KI die Aufgabe eines PIM-Tools verändert hat
KI sitzt jetzt an beiden Enden der Pipeline. Sie liest Produktdaten als Verkaufskanal und schreibt Produktdaten im Tool.
KI-Assistenten lesen Ihre Produktdaten zuerst
Der Traffic ist nicht mehr marginal. Adobe Digital Insights meldet, dass KI-verwiesener Traffic zu US-Einzelhandelsseiten im Juli 2026 um 62% Jahr über Jahr stieg. Diese Besucher konvertierten mit 60% höherer Rate und brachten 53% mehr Umsatz pro Besuch als anderer Traffic. Zwölf Monate zuvor waren Nicht-KI-Besuche 128% mehr wert.
Der gleiche Bericht sagt, dass 66% der Verbraucher die Website einer Marke direkt besuchen, um eine KI-Empfehlung zu überprüfen. Der Käufer vergleicht also die Antwort des Assistenten mit Ihrer Produktseite. Wenn sich Gewicht, Preis oder Kompatibilität unterscheiden, ist die Inkonsistenz zum Moment höchster Kaufbereitschaft sichtbar.
Adobe bewertete auch Produktdetailseiten auf KI-Lesbarkeit nach Einzelhandel-Unterkategorie. Sportartikel führten mit 70%. Allgemeine Waren erzielte 48%, und Möbel und Heim 57%, was Adobe mit stärkerer Abhängigkeit von Bildern und weniger strukturiertem beschreibendem Inhalt verbindet.
Wenn ein Wert nur in einem Produktfoto oder einem gescannten PDF lebt, muss ein KI-Assistent es raten. Vermutungen sind, wo falsche Antworten über Ihre Produkte entstehen.
Die Lösung sitzt im PIM-Tool. Spezifikationen ziehen sich aus Bildern und in typisierte Attribute, und die Produktseite rendert aus den gleichen Attributen wie der Feed. Dann können Seite und Feed sich nicht widersprechen, weil sie das gleiche Feld lesen.
Agenten benötigen geschäftliche Bedingungen als Felder
Assistenten, die Käufe abschließen, brauchen mehr als eine Beschreibung. OpenAIs Spezifikation hat ein separates Checkout-Berechtigungsflag. Es gilt nur, wenn Suchberechtigung auf ist, eine Checkout-Integration aktiviert ist, und Checkout benötigt auch Links zu den Datenschutz- und Nutzungsbedingungen des Verkäufers. Rückgabeakzeptanz, das Rückgabefenster in Tagen und die Rückgabebedingungen-URL sind separate Felder. Für Artikel, die nicht zurückgegeben werden können, erwartet die Spezifikation Rückgaben, die als nicht akzeptiert markiert sind.
Rückgabebedingungen und Versandkosten saßen früher in einer Website-Fußzeile. Sie gehören jetzt in strukturierte Felder pro Produkt, und das PIM-Tool ist ein natürlicher Platz, um sie zu verwalten.
KI schreibt in das PIM-Tool
Beschreibungen zu entwerfen ist das Offensichtliche. Das PIM-Tool assembliert den Prompt aus genehmigten Attributwerten, Tonregeln und der Längenbeschränkung des Kanals, schreibt dann das Ergebnis in ein Draft-Feld mit Review-Status. Extraktion ist die weniger sichtbare und oft wertvollere Verwendung. Ein Modell liest Lieferanten-Datenblätter und schlägt Werte für typisierte Attribute vor, Validierung prüft Typ und Bereich, und eine Person genehmigt. Übersetzung mit einer festen Terminologieliste und Klassifizierungsvorschläge für neue Artikel folgen der gleichen Logik.
KI schlägt vor, das Datenmodell prüft, eine Person genehmigt, und der Verlauf zeichnet auf, wer was tat.
In AtroCore, zum Beispiel, funktioniert die KI-Integration mit mehreren Modellanbietern. Teams wählen zwischen der Überprüfung jeden generierten Texts vor der Veröffentlichung und der regelbasierten Generierung durch Workflows, wenn immer ein Produkt erstellt oder geändert wird. Die Modellwahl ist wichtig. Anbieter ändern Modelle und Preisgestaltung oft, und ein PIM-Tool, das an einen Anbieter gebunden ist, überträgt dieses Risiko auf Sie.
Risiken, die Sie jetzt planen sollten
Zuversichtlicher, falscher Inhalt
Ein Modell, das aus dünnen Daten schreibt, füllt Lücken mit plausibler Texte. „Wasserdicht" zeigt sich dort, wo das Attribut „wasserfest" sagt. In einer regulierten Kategorie ist das ein Compliance-Problem mit einer Artikelnummer.
Die Kontrollen sind einfach zu beschreiben und mühsam einzurichten. Generieren Sie nur aus genehmigten Attributen. Halten Sie eine Liste von Anspruch-Worten, wie wasserdicht oder lebensmittelsicher, die nur erscheinen darf, wenn ein passender Attributwert existiert. Leiten Sie Sicherheits- und Compliance-Ansprüche an einen menschlichen Reviewer weiter. Markieren Sie jeden KI-generierten Wert auf Feldebene, sodass jeder später danach filtern kann. Und testen Sie neue Prompts auf Produktklassen, deren Daten Sie kennen, weil Fehler dort leichter zu erkennen sind.
Massenänderungen mit Maschinengeschwindigkeit
KI-Anreicherung läuft über Tausende von Datensätzen in Minuten. Ebenso ein schlechter Prompt. Pilotieren Sie jeden neuen Prompt zuerst auf einer Produktklasse. Halten Sie Compliance-Felder aus der Schreibberechtigung des Modells, und stellen Sie sicher, dass der Verlauf Rollback pro Feld ermöglicht.
In Lieferanten-Daten verborgene Anweisungen
Lieferant-Beschreibungen und Datenblätter sind nicht vertrauenswürdige Eingaben. Wenn ein Modell im PIM-Tool sie liest, kann Text in einem Datenblatt wie eine Anweisung für das Modell wirken. Behandeln Sie importierte Texte als Daten. Extrahieren Sie sie in typisierte Felder, begrenzen Sie, welche Felder das Modell ändern darf, und halten Sie menschliche Genehmigung für alles, was einen Kanal erreicht.
Identifizierer-Schaden
Tabellenkalkulationen verwandeln GTINs in Zahlen und verlieren führende Nullen. OpenAIs Spezifikation sagt Händlern, Identifizierer als Strings zu halten, genau deshalb. Speichern Sie Identifizierer als Text, validieren Sie sie bei jedem Import, und erfordern Sie Genehmigung für jede GTIN-Änderung bei einem veröffentlichten Artikel.
Regulierung kommt als Datenfelder
Die Europäische Kommission startete das Digital-Product-Passport-Verzeichnis am 20. Juli 2026. Produktdaten bleiben dezentralisiert, aber wirtschaftliche Akteure müssen jeden Pass mit einem eindeutigen Produktidentifizierer und zugehörigen Metadaten im Verzeichnis registrieren. Registrierung läuft durch eine Benutzeroberfläche oder eine API. Die erste Frist ist 18. Februar 2027, für bestimmte Arten großer Batterien.
Das Verzeichnis wird Produktgruppen unter der Ecodesign-für-Nachhaltige-Produkte-Verordnung unterstützen, einschließlich Textilien, Möbel, Reifen, IKT-Produkte, Stahl und Aluminium und energiebezogene Produkte. Es umfasst auch Gruppen unter anderen EU-Gesetzen wie Bauprodukte, Spielzeug und Waschmittel. Sechs harmonisierte Standards sind bereits veröffentlicht, abdeckend eindeutige Identifizierer, Interoperabilität, Datenträger, APIs, Datenaustausch-Protokolle und Datenspeicherung. Die Kommission bietet auch ein kostenloses semantisches Verzeichnis mit maschinenlesbaren Datenmodellen und Vokabularen, was beim Zuordnen von PIM-Attributen zu Pass-Feldern hilft.
In einem PIM-Tool wird der Pass zu ein paar neuen Attributen und einem neuen Prozess. Die Attribute halten den eindeutigen Identifizierer und die Registrierungs-Metadaten. Der Prozess registriert Pässe durch die API und hält den Datensatz aktuell, wenn sich Produktdaten ändern. Der erforderliche Pass-Inhalt unterscheidet sich nach Produktgruppe, daher wird ein Datenmodell, das einen Entwickler für jedes neue Attribut braucht, diese Arbeit verlangsamen.
Wie man ein PIM-Tool evaluiert
Demos sehen ähnlich aus. Ihre eigenen Daten zeigen die Unterschiede. Überprüfen Sie diese Punkte mit Ihrem echten Katalog und Ihrer schlimmsten Lieferantendatei:
- Datenmodelländerungen ohne Code. KI-Feeds und Pass-Regeln fügen ständig Attribute hinzu, und ein Entwickler-Ticket für jeden wird zum Backlog.
- Validierung, die echte Werte von Platzhaltern trennt, plus Vollständigkeit gemessen pro Kanal.
- API-Abdeckung für jede Entität, einschließlich benutzerdefinierter Felder und Relationen. KI-Feeds und Pass-Registrierung laufen beide durch APIs.
- KI mit Herkunft. Achten Sie auf Feldebenen-Markierung generierter Werte, Review-Status und freie Modell-Anbieter-Wahl.
- Feldebenen-Verlauf mit Rollback.
- Unterstützung für die Standards, die Ihre Käufer verwenden, wie GS1-Identifizierer, ETIM- oder ECLASS-Klassen und BMEcat-Austausch.
- Deployment-Optionen. Einige Unternehmen benötigen On-Premises-Hosting für unfreigegebe Produktdaten, andere wollen ein verwaltetes Cloud.
Das Datenmodell trägt einen echten Trade-off. Ein konfigurierbares Modell passt zu ungewöhnlichen Katalogen und braucht eine Person, die es verwaltet. Ein vordefiniertes Modell startet schneller und wehrt ab, wenn Ihre Produkte nicht sein Template passen. Welches Sie wählen, hängt davon ab, wie weit Ihr Katalog vom Standard des Anbieters entfernt ist.
Implementierungs-Notizen aus Projekten
Marketing und Produktmanagement bedeuten selten das gleiche durch „Produktname", und dieses Gespräch muss früh, einmal stattfinden.
Alles zuerst importieren und später bereinigen, und Sie bekommen das alte Durcheinander mit besserer Formatierung.
Starten Sie mit dem strengsten Kanal. Eine KI-Feed-Spezifikation oder eine ETIM-Anforderung eines Distributors zeigt Lücken schneller als Ihr eigener Web-Shop, der fast alles, das Sie ihm geben, anzeigt.
Unsere Kunden kommen zu uns mit Produktdaten, die über ein ERP, ein gemeinsames Laufwerk mit Datenblättern und Marketing-Tabellenkalkulationen verteilt sind, mit Beschreibungen, die pro Kanal von verschiedenen Leuten geschrieben werden. Wenn sich eine Spezifikation änderte, musste jemand jeden Text finden, der sie erwähnte. Nach dem Umzug der Attribute in ein PIM-Tool und der Generierung von Kanaltexten aus diesen Attributen mit Review, erreichte ein korrigierter Wert jeden Kanal beim nächsten Export.
Eine funktionierende Sequenz:
- Attribute pro Produktklasse inventarisieren und die ablegen, die niemand ausfüllt oder liest.
- Identifizierer zuerst reparieren: GTINs als Text gespeichert, stabile Varianten-Gruppen-IDs und Angebots-IDs ohne Preise.
- Validierungs- und Platzhalter-Regeln vor dem ersten Import setzen.
- Eine Produktklasse durch einen strikten Kanal end-to-end durchführen.
- KI-Drafting hinzufügen, nachdem die Attribute zuverlässig sind, mit Review eingeschaltet.
- Pass-Felder hinzufügen, wenn die Regeln für Ihre Produktgruppe veröffentlicht werden.
Schritt fünf ist der, den die meisten Teams zuerst tun wollen. Es funktioniert am besten zuletzt.