Die Produktinformationsverwaltung für E-Commerce hatte lange eine Hauptaufgabe: korrekte Produktdaten schnell in den Online-Shop und auf Marktplätze bringen. Diese Aufgabe existiert noch immer. Aber für einen wachsenden Anteil der Käufer ist der erste Leser Ihrer Produktdaten ein Sprachmodell, das Ihr Produkt mit einem Dutzend anderen vergleicht, bevor ein Mensch Ihre Seite sieht. Dieser Artikel behandelt, was sich für Käufer und für die Teams geändert hat, die Produktdaten erstellen, welche Risiken aktuell bestehen, und wie PIM-Software beide in der Praxis bewältigt.
Wichtigste Erkenntnisse
- KI-Assistenten filtern Produkte vor, bevor Käufer eine Produktseite erreichen. Besucher, die auf diese Weise ankommen, konvertieren besser, sodass die Produktseite zunehmend als Bestätigungsschritt funktioniert.
- Assistenten und Agenten ordnen Produkte strukturierten Attributen zu. Eine Spezifikation, die nur in einem PDF-Datenblatt oder in einem Textabsatz existiert, ist für sie praktisch unsichtbar.
- Generative KI hat Produkttexte verbilligt. Verifizierte Fakten sind jetzt der Engpass, und KI-generierten Text braucht Regeln, die verhindern, dass er Fakten erfindet.
- EU-Regeln, die seit dem 27. September 2026 generische Umweltaussagen verbieten, gelten auch für Produktnamen und bereits online stehende Angebote. Copy-Tools, die standardmäßig „umweltfreundlich" verwenden, schaffen direkte rechtliche Risiken.
- PIM-Software bewältigt dies mit typisierten Datenmodellen, Pro-Kanal-Vollständigkeitsregeln, Validierung, Genehmigungsabläufen und Feed-Mapping. KI-Generierung funktioniert am besten als ein kontrollierter Schritt in dieser Pipeline.
Was PIM für E-Commerce heute abdeckt
Ein PIM-System sammelt Produktdaten aus ihren Quellen, reichert sie an und überprüft sie, sendet sie dann zu jedem Vertriebskanal. Die Quellen sind normalerweise das ERP für SKUs und Logistikdaten, Lieferantendateien, Engineering-Systeme und ein DAM für Bilder und Dokumente. Die Kanäle sind Ihr eigener Shop, Marktplätze, Distributorportale, Google Merchant Center und neuerdings auch Feeds für KI-Shopping-Oberflächen.
Die Daten haben unterschiedliche Schichten, und jede bricht auf ihre eigene Weise zusammen:
- Identifikatoren: GTIN, MPN, interne SKU und Marke. Falsche oder doppelte GTINs zerstören Marktplatz-Listings und Produktabstimmung über Einzelhandelsketten hinweg.
- Typisierte Attribute mit Einheiten: Gewicht in kg, Abmessungen in mm, Leistung in W, Lärm in dB. Diese treiben Shop-Filter, Feed-Felder und KI-Matching an.
- Variantenstruktur: welche Werte das Elternprodukt hält und welche sich pro Variante unterscheiden, wie Größe oder Farbe.
- Inhalte: Titel, Beschreibungen, SEO-Felder und Alt-Text, pro Sprache und pro Kanal.
- Assets und Dokumente: Bilder, Anleitungen, Zertifikate und Sicherheitsdatenblätter.
- Beziehungen: Zubehör, Ersatzteile, Nachfolgemodelle und kompatible Produkte.
- Compliance-Daten: Herstellerkontaktdaten, Sicherheitswarnungen, Energieetiketten, Materialzusammensetzung und bald auch Produktpass-Identifikatoren.
Hersteller erstellen die meisten dieser Daten. Einzelhändler und Marktplätze nutzen diese größtenteils, fügen Preise und Merchandising hinzu und senden Fehlerberichte zurück. Die Qualität eines Listings auf einer Einzelhandelsseite lässt sich also normalerweise auf die Aufzeichnungen des Herstellers zurückführen. KI-Assistenten, die von vielen Einzelhändlern gleichzeitig abrufen, machen jede Inkonsistenz zwischen diesen Kopien sichtbar.
Wie KI das Käuferverhalten und die Erwartungen veränderte
Adobe stützt seine Einzelhandelsdaten auf über eine Billion Besuche auf US-Einzelhandelsseiten, und sein KI-Verkehrsbericht zum ersten Quartal zeigt, wie schnell sich das entwickelt hat. Der Traffic aus KI-Quellen ist im ersten Quartal 2026 um 393 % Jahr über Jahr gewachsen. Im März 2026 konvertierte er 42 % besser als Nicht-KI-Traffic. Ein Jahr zuvor konvertierte er 38 % schlechter. Besucher aus KI-Quellen blieben 48 % länger und sahen sich 13 % mehr Seiten an. In der begleitenden Umfrage sagten 39 % der US-Verbraucher, dass sie KI beim Online-Einkaufen verwendet haben, und 66 % sagten, dass sie glauben, dass KI-Tools genaue Ergebnisse liefern.
Eine wahrscheinliche Erklärung für den Konversionsprung ist, dass sich der Vergleichsschritt verschoben hat. Ein Käufer fragt einen Assistenten nach einem Akku-Bohrschrauber unter 1,5 kg, der mit zwei Batterien und einem Koffer kommt. Der Assistent gibt eine kurze Liste zurück, und der Käufer klickt auf einen. Die Produktseite hat dann eine Aufgabe: bestätigen. Wenn sie 1,8 kg sagt, oder sich der Koffer als extra herausstellt, ist der Verkauf weg.
Anfragen wurden auch länger und spezifischer. Keyword-Suche ordnete Wörter zu. Assistenten lösen Bedingungen: ein Gewichtslimit, eine Nischengröße, eine Lärmgrenze, eine Zertifizierung. Käufer fragen auch nach Grenzen, wie „passt das in einen 60-cm-Schrank" oder „funktioniert das mit meinem alten Ladegerät". Jede davon braucht ein typisiertes Attribut oder einen expliziten Kompatibilitätsdatensatz zum Abgleichen. Ein Geschirrspüler beschrieben als „flüsterleise" ohne numerischen dB-Wert hat nichts anzubieten, wenn die Frage „unter 44 dB" lautet. Produkte beschrieben nur mit positiven Adjektiven geben dem Assistenten nichts, worauf er antworten kann.
Konsistenz über Oberflächen hinweg ist wichtiger als früher. Die Antwort des Assistenten, die Marktplatz-Angebote und Ihre eigene Produktseite sitzen jetzt einen Klick auseinander. Wenn sich der Preis oder eine Spezifikation zwischen ihnen unterscheidet, lesen Käufer das als unzuverlässige Daten. Der Assistent wählt möglicherweise einfach einen Verkäufer, dessen Daten weniger widersprüchlich sind.
Die zweite Zielgruppe ist das Modell selbst. Adobe hat auch gemessen, wie viel Seiteninhalte LLMs tatsächlich lesen können, auf einer Skala von 0 bis 100 %.
US-Einzelhandel-Produktseiten erzielen 66 % auf Adobes KI-Sichtbarkeitsbenchmark, die niedrigste aller Seitentypen im Bericht. Homepages erzielten 75 %. Ungefähr ein Drittel des Produktseiteninhalt ist nicht für die Modelle lesbar, die diesen Traffic senden.
In den Katalogen, mit denen wir arbeiten, liegen die üblichen Ursachen in Specs, die durch JavaScript-Tabs geladen werden, Tabellen, die als Bilder eingebettet sind, technische Daten, die nur in PDF-Datenblättern enthalten sind, und Variantendetails, die nur nach einem Klick erscheinen. Rendering ist ein Shop-Problem. Der PIM-Teil der Lösung sitzt vorgelagert: Wenn jede Spezifikation als typisiertes Attribut existiert, kann der Shop sie als einfaches HTML und strukturierte Daten ausgeben, und Feeds können sie direkt senden, ohne dass jemand eine Seite scrapen muss.
Wie KI die Arbeit mit Produktdaten veränderte
Das Schreiben und Übersetzen von Produkttexten war früher der langsame, manuelle Teil eines Launches. Modelle produzieren jetzt in Sekunden einen ersten Entwurf in jeder Sprache für jeden Kanal. Die knappe Ressource hat sich verschoben. Text ist billig. Verifizierte Fakten sind der Engpass.
Ein Modell, das aufgefordert wird, ein Produkt mit halb leeren Attributen zu beschreiben, füllt die Lücken mit plausiblen Werten. So endet ein Bohrschrauber mit einem Drehmoment-Wert, den niemand gemessen hat, übersetzt in jede Sprache, in der Sie verkaufen, und an jeden Kanal, den Sie bedienen.
Lassen Sie KI die Sätze schreiben. Lassen Sie sie niemals die Fakten liefern.
KI-Aufgaben, die gut in einem PIM funktionieren, teilen eine Eigenschaft: Die Eingabe sind Daten, die das System bereits hält, und jemand hat sie verifiziert. Das Generieren von Titeln und Beschreibungen aus Attributen passt. Ebenso Übersetzung gegen ein Glossar genehmigter Begriffe, SEO-Felder pro Kategorie und Alt-Text aus Bildinhalten und Produktdaten. Klassifizierungsvorschläge für importierte Lieferantenprodukte funktionieren auch, ebenso wie Attributwerte aus Lieferanten-PDFs extrahiert, solange sie bis zu einer Bestätigung durch eine Person als Vorschläge mit Quellreferenz landen. Felder mit rechtlichem Gewicht brauchen einen strengeren Weg: Sicherheitswarnungen, Umwelt- und Haltbarkeitaussagen, Kompatibilitätserklärungen und alles, das in einen Produktpass fließt.
Auch die Verteilung änderte sich. KI-Plattformen nehmen jetzt Produktdaten direkt auf. Google startete das Universal Commerce Protocol im Januar als offenen Standard für agentengesteuerte Handelstransaktionen. Nach Google Merchant Center-Dokumentation zu UCP lässt es teilnehmende Händler in den USA, Kanada und Australien Checkout bei anspruchsberechtigten Listings im KI-Modus in Search und in Gemini anbieten. Nur Listings mit dem Attribut native_commerce zeigen die Buy-Schaltfläche. Merchant Center bleibt der Hub zur Vorbereitung von Produktdaten, und Googles Rat zur Vorbereitung ist, alles von Produkt-Feeds bis zu Marken-Assets vollständig und aktuell zu halten.
OpenAI ging beim Checkout einen anderen Weg. Im März reduzierte es Instant Checkout in ChatGPT, ließ Händler ihren eigenen Checkout behalten und behielt Händler-Produkt-Feeds als Input für die Produkterkennung.
Es ist also noch offen, wo der Kauf stattfindet. Die Notwendigkeit für einen vollständigen und aktuellen strukturierten Feed bleibt auf jeder Plattform gültig. Jede Oberfläche hat ihre eigene Feed-Spezifikation und Aktualisierungsregeln, und die Anzahl der Oberflächen wächst weiter. Teams, die diese Feeds manuell aus Tabellenkalkulationen verwalten, verbringen ihre Zeit mit Formatkonvertierungen.
Risiken, die jetzt zählen
Generische Umweltaussagen in generiertem Text
Die EU-Richtlinie zur Befähigung der Verbraucher für den ökologischen Wandel gilt seit dem 27. September 2026. Sie verbietet generische Umweltaussagen wie „umweltfreundlich" oder „grün", es sei denn, der Händler kann nachgewiesen hervorragende Umweltleistung nachweisen, beispielsweise durch das EU-Umweltzeichen. Sie verbietet auch Nachhaltigkeitslabels, die nicht auf einem Zertifizierungsschema oder von Behörden festgelegt basieren, und Klimaaussagen auf Basis von Ausgleichen.
Eine Analyse von Latham & Watkins der neuen Regeln verweist auf zwei Dinge, die für Produktdaten-Teams wichtig sind. Die Regeln gelten für Aussagen zu Produkten, die bereits auf dem Markt sind, ohne Übergangsfrist. Und Commission-Leitlinien behandeln Produktnamen, Markennamen, Bilder und Farben als mögliche Aussagen. Mitgliedstaaten müssen Höchstbußgelder von mindestens 4 % des Jahresumsatzes in den betroffenen Ländern zulassen. Die Umsetzung ist uneinheitlich: Im Mai leitete die Commission Verletzungsverfahren gegen 20 Mitgliedstaaten ein, sodass Details nach Markt variieren.
Nach den neuen EU-Regeln kann ein grünes Blatt-Symbol neben einem Produkt oder das Wort „Öko" in einem Produktnamen als Umweltaussage zählen. Dies gilt für bereits online stehende Angebote ohne Schonfrist für alte Inhalte.
Nach unserer Erfahrung greifen Sprachmodelle, die um ansprechenden Text für Haushalts- oder Outdoorprodukte gebeten werden, auf dieses Vokabular zurück, wenn eine Regel sie nicht stoppt. Das Risiko sitzt auch in alten Inhalten. Ein über Jahre aufgebauter Katalog enthält Beschreibungen, die von vielen Menschen und Agenturen geschrieben wurden. Ein PIM kann jedes Textfeld in jedem Gebiet nach einer Liste blockierter Begriffe durchsuchen und jede Übereinstimmung zur Überprüfung leiten. Dasselbe über einen Shop, mehrere Marktplätze und einen Stapel Distributor-Tabellenkalkulationen hinweg zu tun, ist langsam und fehleranfällig.
Fehler, die sich auf jeden Kanal auf einmal ausbreiten
Ein falscher Attributwert bedeutete früher eine falsche Seite. Jetzt geht er zum Shop, jedem Marktplatz und jeder KI-Oberfläche, die den Feed aufnimmt. Einige dieser Oberflächen aktualisieren sich nach eigenem Plan, sodass der falsche Wert nach der Behebung an der Quelle sichtbar bleiben kann. Generierter Text fügt einen Multiplikator hinzu: Ein erfundener Wert in einer Beschreibung wird in jede Sprache übersetzt.
Veraltete Preise und Verfügbarkeit
Agenten vergleichen Preis und Bestand über Verkäufer hinweg in einer Ansicht. Ein Feed, der einmal täglich aktualisiert wird, während Preise mehrmals täglich ändern, produziert Unstimmigkeiten, die der Käufer beim Checkout bemerkt. Google Merchant Center lehnt Artikel bereits ab, wenn der Feed-Preis nicht mit der Zielseite übereinstimmt. Preis und Bestand brauchen einen schnelleren Weg als Beschreibungen, normalerweise Delta-Updates über eine API.
Produktpässe und Listing-Pflichten
Compliance-Daten werden zu Produktdaten. Der EU-Batteriepass wird im Februar 2027 verbindlich. Nach ESPR setzt der Arbeitsplan der Commission Eisen und Stahl an erster Stelle für digitale Produktpässe, gefolgt von Textilien. Die Allgemeine Produktsicherheitsverordnung verlangt bereits von Online-Listings, Herstellerkontaktdaten, einen Produktidentifikator, ein Bild oder eine Typbezeichnung und Sicherheitswarnungen anzuzeigen. Das Europäische Barrierefreiheitsgesetz, seit Juni 2025 in vielen Online-Shops in Kraft, fügt Anforderungen wie Textalternativen für Bilder hinzu. Jede davon ist ein Set von Attributen, die einen klaren Eigentümer und eine Änderungshistorie brauchen.
Produktdaten an externe KI-Anbieter gesendet
Nicht freigegebene Produkte, Einkaufspreise und Lieferantenbedingungen sitzen oft im selben System wie die Beschreibungen, die Sie generiert haben möchten. Bevor Sie einen KI-Anbieter anschließen, prüfen Sie, wo er Daten verarbeitet und ob er Eingaben zum Training verwendet. Prüfen Sie auch, ob Sie Anbieter wechseln können, ohne Prompts und Abläufe umzubauen. Selbst gehostete PIM-Installationen und anbieteragnostische KI-Connectors reduzieren diese Abhängigkeit.
Wie PIM-Software Produktdaten in der Praxis handhabt
Ein typisiertes Datenmodell für jeden Produkttyp
Das PIM definiert einen Attributsatz pro Produkttyp durch Klassifizierungen oder Produktfamilien. Bohrschrauber bekommen Drehmoment, Spannung, Spannzangengröße und Batteriekapazität. Geschirrspüler bekommen Lärmstärke, Plätze, Nischengröße und Energieklasse. Jedes Attribut hat einen Datentyp und eine Einheit. Der Text „ca. 1,5 kg" ist nutzlos für einen Filter. Der Wert 1,5 mit der Einheit kg funktioniert in einem Shop-Filter und im Constraint-Check eines Agenten gleichermaßen, und das PIM konvertiert ihn beim Export, wenn ein Kanal Gramm möchte.
Standardklassifizierungen wie ETIM, ECLASS, GS1 GPC oder UNSPSC geben Herstellern Attributsätze, die ihre Distributoren bereits erwarten. Eine Katalog-Zuordnung zur relevanten Norm ersetzt wiederholte Arbeit an jeder Distributor-Vorlage.
Vererbung und Varianten
Gemeinsame Werte leben auf dem Elternprodukt und fließen zu den Varianten hinab. Werte, die sich unterscheiden, wie Größe oder Farbe, leben auf dem Kind. Ändern Sie das Material auf dem Eltern und jede Variante aktualisiert sich. Assistenten verlassen sich auf diese Struktur für Fragen wie „erhältlich in Größe 44 in Schwarz", die nur funktionieren, wenn Größe und Farbe separate Attribute auf jeder Variante sind.
Vollständigkeitsregeln pro Kanal und Sprache
Jeder Kanal hat seine eigenen erforderlichen Felder. Google erwartet Identifikatoren und einen kategoriespezifischen Attributsatz. Ein Distributor-Portal könnte ETIM-Merkmale und eine CAD-Datei erfordern. Ein KI-Shopping-Feed braucht Erfüllungsoptionen neben Preis und Bestand. Das PIM berechnet Vollständigkeit pro Kanal und pro Sprache und nutzt es als Publishing-Gate: Ein Produkt geht zu einem Kanal nur, wenn die Felder, die dieser Kanal benötigt, gefüllt sind. Dashboards zeigen, welche Produktfamilien hinken, sodass Teams Lücken in Reihenfolge der Umsatzauswirkung schließen können.
Validierungsregeln, die Fehler vor der Veröffentlichung fangen
Vollständigkeit prüft, ob ein Feld gefüllt ist. Validierung prüft, ob der Wert sinnvoll ist. Typische Regeln:
- GTIN-Länge und Prüfziffer, plus Duplikat-Erkennung über den gesamten Katalog
- plausible Bereiche pro Attribut, sodass ein tragbarer Staubsauger mit 20 kg markiert wird
- bedingte Anforderungen: Wenn „Batterie enthalten" ja ist, werden Batterietyp und Kapazität erforderlich
- konsistente Einheiten, mit Abmessungen in einer Einheit gespeichert und beim Export pro Kanal konvertiert
- blockierte Begriffe über alle Textfelder und Sprachen, wie generische Umweltaussagen, mit Übereinstimmungen zur Compliance-Überprüfung geleitet
- Zahlen in generierten Beschreibungen überprüft gegen die gespeicherten Attributwerte, wo das PIM Skripte unterstützt
Abläufe, Rollen und Genehmigung
Ein Status-Modell verwandelt Datenarbeit in eine kontrollierte Reihenfolge. Ein Produkt bewegt sich von Entwurf zu technisch vollständig, dann zu angereichert, genehmigt und veröffentlicht. Feld-Ebenen-Berechtigungen entscheiden, wer was ändert. Produktmanagement besitzt technische Werte, Marketing besitzt Text, Compliance besitzt Aussagen und Sicherheitsfelder, und das E-Commerce-Team besitzt Kanal-Zuordnungen. KI-generierter Inhalt trägt ein Flag bis eine Person ihn genehmigt.
Abläufe verbinden die Schritte. Wenn ein Produkt „technisch vollständig" erreicht, generiert der Ablauf Beschreibungen in allen aktiven Sprachen und weist Review-Aufgaben den richtigen Editoren zu. In AtroPIM zum Beispiel baut das KI-Integrations-Modul Prompts aus im System bereits gespeicherten Attributen und lässt Teams KI-Engines wechseln (ChatGPT, Gemini oder Jasper). Kombiniert mit dem Workflow-Modul triggert es Generierung bei Statusänderungen. Editoren sehen die Ausgabe und genehmigen oder bearbeiten sie, bevor sie gespeichert und veröffentlicht wird.
Kanal-Mapping und Feed-Delivery
Ein Masterwert speist viele Ausgaben. Titel-Vorlagen unterscheiden sich pro Kanal; zum Beispiel Marke, Produkttyp, Schlüssel-Attribut und Variante für einen Marktplatz, und eine kürzere Form für den Shop. Attribut-Mapping übersetzt interne Felder in jede Feed-Spezifikation. Einheiten-Konvertierung, Sprach-Fallbacks, Wertelisten und Zeichenlimits laufen beim Export. Vollständige Exports gehen nach Plan. Preis und Bestand gehen als Delta-Updates über die API. Mit diesem Setup ist eine neue KI-Oberfläche ein neues Mapping auf Daten, die bereits existieren.
Lieferanten-Daten-Intake
Einzelhändler und Distributoren bekommen die meisten ihrer Daten von Lieferanten, und Hersteller machen dasselbe für zugekaufte Komponenten. Das PIM importiert Lieferantendateien in BMEcat, Excel, CSV oder über API, und ein einmal eingerichtetes Spaltenmapping wird auf jedem Update wiederverwendet. KI-Extraktion kann Lücken aus Lieferanten-PDFs füllen. Jeder extrahierte Wert landet als Vorschlag, der sein Quelldokument nennt, bis jemand ihn bestätigt.
Änderungshistorie als Beweis
Jede Änderung wird geloggt mit Benutzer, Zeit, altem Wert und neuem Wert. Wenn ein Regulator oder ein Wettbewerber eine Aussage hinterfragt, zeigt die Verlauf, wann die Aussage in den Katalog kam, auf welche Evidenz sie sich stützte, und wer sie genehmigte. Produktpässe brauchen die gleiche Rückverfolgbarkeit.
In Projekten, die wir für Hersteller implementierten, die Konsumgüter in der EU verkaufen, enthüllte die September-Deadline für Grünaussagen das gleiche Muster. Über Jahre von verschiedenen Agenturen geschriebene Beschreibungen, plus neuerer KI-generierter Text, enthielten generische Umweltphrasen, die niemand gegen Evidenz überprüft hatte. Die Lösung kombinierte eine blockierte-Begriffe-Regel über alle Sprachen mit einem dedizierten Aussage-Beweis-Attribut, das mit dem Zertifikat in der Asset-Bibliothek verknüpft ist. Eine Beschreibung darf jetzt eine Zertifizierung nur erwähnen, wenn dieses Attribut gefüllt ist, und der Ablauf leitet jeden gekennzeichneten Text zur Compliance-Überprüfung, bevor er wieder live gehen kann.
Wahl von PIM-Software für KI-gesteuerten E-Commerce
Ein dediziertes PIM fängt an, sich zu bezahlen, wenn Sie über mehrere Kanäle verkaufen, in mehr als einer Sprache, mit Produktdaten aus mehreren Quellsystemen oder mit regulierten Attributen. Das Shop-Backend speichert Produktdaten für einen Kanal. Ein PIM verwaltet ihn für alle.
Feed-Spezifikationen ändern sich ständig, sodass das Datenmodell ohne Entwicklungsarbeit konfigurierbar sein sollte. API-Abdeckung muss Import und Export beinhalten, mit Delta-Updates für Preis und Bestand. Pro-Kanal- und Pro-Sprachen-Werte mit Vollständigkeit-Scoring sind die Kernkomponenten der Kanal-Bereitschaft. Abläufe und Feld-Ebenen-Berechtigungen machen KI-Generierung sicher für Katalog-Skala.
Auf der KI-Seite ist eine Wahl von Anbietern wichtiger als ein eingebautes Modell, da Modelle und ihre Preise schnell ändern. Hosting zählt, wenn Produktdaten und Prompts in Ihrer eigenen Infrastruktur bleiben müssen. Open-Source-Systeme wie AtroPIM, veröffentlicht unter GPLv3 und gebaut auf der AtroCore-Datenplattform, können On-Premises laufen und lassen Ihr Team den Code überprüfen, der Daten an einen KI-Anbieter sendet.