Produktdaten waren früher eine Angelegenheit des Back-Office. 2026 bestimmen sie, wie schnell ein Unternehmen startet, ob ein KI-Assistent ein Produkt anzeigt und ob Waren die EU-Zollabfertigung passieren. Die Disziplin hat sich vom Aufräumen von Tabellenkalkulation zur Verwaltung der Datenschicht entwickelt, die jeden Kanal, jeden Agenten und jede Behörde speist.
Der Markt spiegelt diese Verschiebung wider. Die Schätzungen unterscheiden sich je nachdem, wie Analysten die Grenzen ziehen, aber die Richtung ist eindeutig. Precedence Research beziffert den globalen PIM-Markt auf 20,95 Milliarden Dollar im Jahr 2025 und prognostiziert 121,48 Milliarden Dollar bis 2035 mit einer CAGR von 19,22 %. Mordor Intelligence schätzt 19,95 Milliarden Dollar im Jahr 2026 und erwartet einen Anstieg auf 37,39 Milliarden Dollar bis 2031. Die Zahlen unterscheiden sich. Das zweistellige Wachstum nicht.
Im Folgenden finden Sie die Trends, die 2026 praktisches Gewicht tragen, mit den Daten und den operativen Konsequenzen für Teams, die Produktinformationen verwalten.
Wichtigste Erkenntnisse
- Der globale PIM-Markt liegt zu Beginn des Jahres 2026 bei knapp 20 Milliarden Dollar, mit zweistelligem Wachstum über das gesamte Jahrzehnt hinweg.
- KI in PIM entwickelt sich von einzelnen Vorschlägen zu mehrstufiger Ausführung über Onboarding, Anreicherung, Klassifizierung und Validierung.
- Käufer recherchieren jetzt über KI-Assistenten, daher entscheiden maschinenlesbare Attribute darüber, was angezeigt und was gefiltert wird.
- Das EU Digital Product Passport Registry ist am 20. Juli 2026 live gegangen. Batterien haben die erste verbindliche Frist am 18. Februar 2027.
- Datenqualität ist der Engpass, der alle anderen Trends begrenzt. Agenten, KI-Entdeckung und Pässe schlagen alle bei unvollständigen Datensätzen fehl.
KI wechselt vom Assistieren zur Ausführung
Die KI-Anreicherung hat für viele Teams in den letzten zwei Jahren die Pilotphase verlassen. Die praktischen Anwendungsfälle sind etabliert: Extrahieren von Attributen aus Lieferanten-PDFs und Bildern, Klassifizieren eingehender Produkte gegen eine Taxonomie, Übersetzen und Lokalisieren von Beschreibungen im großen Maßstab und Kennzeichnen von Anomalien in großen Katalogen. Diese Aufgaben reduzieren die manuelle Last und geben Menschen Zeit für die Qualitätskontrolle.
Die Änderung 2026 liegt in dem Umfang dessen, was KI in einem Durchgang tut. Anbieter wechseln von einem Modell, bei dem KI eine Beschreibung vorschlägt oder ein Feld ausfüllt, zu einem Modell, bei dem Agenten eine Aufgabe von Anfang bis Ende ausführen. Ein Agent integriert einen Lieferanten-Feed, ordnet ihn Ihrem Datenmodell zu, bereichert die dünnen Datensätze an, validiert die Vollständigkeit und bereitet das Ergebnis zur Überprüfung vor. Die Person regelt das Ergebnis, anstatt jeden Schritt selbst auszuführen.
Dies funktioniert nur auf einer Grundlage, auf die der Agent einwirken kann. Die autonome Ausführung hängt von sauberen, strukturierten Daten und einer API ab, die Operationen auf der Ebene verfügbar macht, die ein Agent benötigt. Ein Agent, der zur Laufzeit entscheidet, was zu tun ist, kann nicht mit einem einzigen nächtlichen Admin-Schlüssel arbeiten. Er benötigt granulare Endpunkte und granulare Berechtigungen, damit er ein einzelnes Attribut auf einem einzelnen Markt genau bei den Produkten ändern kann, die es benötigen.
Die Abhängigkeit läuft auch andersherum. Schmutzige Daten unterbrechen die autonome Ausführung schneller als ein Mensch, weil eine Person das Durcheinander bemerkt und ein Agent es verbreitet.
Dieses Muster zeigt sich wiederholt in der Verteilung. Kunden kommen mit Lieferanten-Feeds in inkonsistenten Formaten an, die jedes Mal von Hand neu zugeordnet werden, wenn sich ein neuer Lieferant anmeldet. Ein konfigurierbares Datenmodell und ereignisbasierte Regeln entfernen diese manuellen Schritte, was agentenbetriebenes Onboarding eher realistisch als aspirativ macht. Dies spiegelt das wider, was wir in Implementierungen sehen, nicht ein kontrolliertes Benchmark, daher gewichten Sie dies als Praktiker-Kontext statt als gemessener Beweis.
Produktdaten werden zur Eingabe für KI-Entdeckung
Käufer recherchieren jetzt Produkte durch KI-Tools, bevor sie eine Produktseite erreichen. Laut Salsify's 2026-Verbraucherforschung nutzen 22 % der Käufer KI-Suchtools wie ChatGPT für Produktrecherchen, vor Produktbewertungsseiten mit 19 % und Online-Foren mit 14 %. Die Akzeptanz ist bei jüngeren Käufern höher: 30 % der Millennials und 26 % der Gen Z gegenüber 5 % der Baby Boomer. Lesen Sie die Quelle mit ihrem Interesse im Hinterkopf. Salsify verkauft Product Experience Management Software, daher misst seine Forschung die Nachfrage nach einer Funktionalität, die es auch verkauft. Die generationsspezifische Aufteilung und der Vergleich mit anderen Forschungsquellen stimmen mit breiteren Umfragedaten überein, was die Richtung glaubwürdig macht, auch wenn die genauen Anteile ein Unternehmensinteresse widerspiegeln.
Das Vertrauen hinkt der Akzeptanz hinterher. Nur 14 % der Käufer vertrauen einer KI-Empfehlung allein, und weitere 27 % vertrauen ihr, überprüfen aber anderswo vor dem Kauf. Was die Lücke schließt, ist Detail. Wenn KI-Tools gründliche Spezifikationen und Beschreibungen präsentieren, sagen 31 % der Käufer, dass sie zum Kauf überzeugt. Schlechte Daten wirken das Gegenteil. Bei jüngeren Käufern haben 55 % einen Artikel zurückgegeben, weil die Produktdaten falsch waren.
Die Verkehrsdaten zeigen, warum dies kommerziell wichtig ist. Adobe Analytics berichtete, dass der KI-vermittelte Traffic zu US-Einzelhandelsseiten im Q1 2026 um 393 % Jahr über Jahr anstieg, und diese Besucher konvertierten im März 42 % besser als Nicht-KI-Traffic, mit 37 % höherem Umsatz pro Besuch. Ein Jahr zuvor konvertierte derselbe Kanal 38 % schlechter.
Diese Zahlen benötigen einen Hinweis. Das auf einer kleinen 2024er Basis gemessene Wachstum sieht von Natur aus dramatisch aus, und Adobe begann erst Ende 2024 damit, KI-Überweisungen zu verfolgen, sodass Jahresvergleiche echtes Wachstum mit einer noch sich entwickelnden Methodologie vermischen. Adobe verkauft auch Commerce Analytics und ein KI-Sichtbarkeitstool, was ihm ein Interesse an der KI-Entdeckungs-Story gibt. Unabhängige Plattformdaten von Shopify und anderen zeigen die gleiche Richtung, daher ist die Richtung korrekt. Die genauen Größenordnungen sollten eher als Richtung als als genau gelesen werden.
Der Kanal wechselte von einer der schlechtesten konvertierenden Quellen im US-Einzelhandel zu einer der besten und wuchs weiter, während er das tat.
Adobe maß auch, was KI-Modelle tatsächlich lesen können. Ungefähr 34 % des Inhalts der Einzelhandels-Homepage war für KI-Modelle unsichtbar, und Produktseiten hatten durchschnittlich 66 % Sichtbarkeit. Inhalte, die das Modell nicht analysieren kann, werden nicht angezeigt.
Eine neue Praxis ergibt sich aus diesem. Answer Engine Optimization, oder AEO, strukturiert Produktdaten so, dass KI-Systeme sie lesen, vergleichen und empfehlen können. Unvollständige oder unstrukturierte Attribute werden gefiltert, bevor ein Käufer sie sieht. Produkte mit umfangreichen, maschinenlesbaren Spezifikationen werden angezeigt. Die Arbeit sitzt im PIM, weil dort Attribute, Werte, Einheiten und Beziehungen definiert werden. Marketingkopie allein entscheidet nicht mehr über Sichtbarkeit. Strukturierte Attribute tun es.
Digital Product Passports machen Compliance zur PIM-Verantwortung
Produktinformationen haben jetzt Regelgewicht in der EU. Die Verordnung zur Ökodesign-Anforderung für nachhaltige Produkte (EU) 2024/1781 trat im Juli 2024 in Kraft und schafft den Digital Product Passport, einen digitalen Datensatz, der durch einen Datenträger wie einen QR-Code mit einem physischen Produkt verknüpft ist. Der Pass enthält Materialzusammensetzung, Recycling-Inhalte, CO₂-Fußabdruck, Reparatur- und Demontageanleitungen, Deklarationen gefährlicher Stoffe, Lieferkettenursprung und Entsorgunganleitungen.
2026 ist das Infrastruktur-Jahr. Das EU Digital Product Passport Registry wurde am 20. Juli 2026 betriebsbereit, zusammen mit einer Testumgebung, in der wirtschaftliche Betreiber sich anmelden und Registrierungs-Workflows erkunden können. Die Registry speichert die eindeutige Kennung jedes Produkts und obligatorische Registrierungsdaten, und Zoll- und Marktüberwachungsbehörden nutzen sie für die Durchsetzung.
Heute braucht kein Produkt nur aus der ESPR allein einen Pass, weil die Kommission Anforderungen von Produktgruppe zu Produktgruppe durch delegierte Rechtsakte einführt, jeweils mit einer Übergangsfrist von mindestens 18 Monaten. Die erste feste Frist kommt aus separatem Recht. Nach der Batterie-Verordnung (EU) 2023/1542 wird ein digitaler Pass für bestimmte Batterien ab dem 18. Februar 2027 verbindlich, einschließlich Elektrofahrzeug-, Leichtverkehrsmittel- und Industriebatterien.
Der zeitliche Plan der Kommission für die Prioritätsgruppen ist wie folgt:
- 2026 – Eisen- und Stahlrecht, plus Batterie-Zugriffsrechte
- 2027 – Textilien, Reifen und Aluminium; Bauprodukte nach der überarbeiteten Verordnung
- 2028 – Möbel
- 2029 – Matratzen, IKT-Produkte und Recycling-Inhaltsregeln
Energiebezogene Produkte werden zwischen 2026 und 2029 einzeln behandelt, und einige können stattdessen weiterhin das vorhandene EPREL-Register nutzen. Lebensmittel, Arzneimittel sowie lebende Pflanzen und Tiere fallen außerhalb des ESPR-Rahmens.
Für Hersteller in einer abgedeckten Gruppe ist der operative Punkt klar. Die Passdaten müssen von irgendwo strukturiert, versioniert und mit dem Produktdatensatz verknüpft kommen. Tabellenkalkulationen und PDFs, die über Abteilungen verstreut sind, können keinen Registry-Eintrag oder einen maschinenlesbaren Datenträger speisen. Dies zieht Nachhaltigkeits- und Lebenszyklusdaten in das gleiche System, das bereits Attribute und Assets hält, was für die meisten Unternehmen das PIM ist. Teams in Eisen- und Stahlketten, Textilien und Batterie-Lieferketten, die 2026 damit beginnen, diese Daten zu strukturieren, vermeiden einen Ansturm, wenn ihr delegierter Rechtsakt landet.
Architektur bewegt sich zum Komposablen und Agenten-Bereiten
Das monolithische PIM, das auf einem großen Codebase aufgebaut ist, wird zum Engpass, wenn Kataloge und Kanäle wachsen. Updates dauern länger, Integrationen häufen sich an, und Teams verbringen mehr Zeit damit, Konnektoren zu warten als Daten zu verbessern.
Komposable Architektur beantwortet dies mit MACH-Prinzipien: Microservices, API-First, Cloud-Native und Headless. Das PIM wird zu einer Produktdatenschicht, die neben dem ERP, PLM und MDM sitzt, die ein Unternehmen bereits betreibt, zieht Daten aus ihnen und formt Daten für jeden downstream-Kanal. Der gleiche validierte Datensatz speist das Schaufenster, die Marktplätze, den gedruckten Katalog und die KI-Agenten, anstatt hinter einem Bildschirm gefangen zu sein.
Komposabilität trägt ihre eigenen Kosten mit sich, und es ist erwähnenswert, bevor man sich verpflichtet. Die Zusammenstellung best-of-breed-Dienste bedeutet, die Integration, Orchestrierung und Überwachung zu besitzen, die ein Monolith intern gehandhabt hat. Kleine Teams und einfache Kataloge fahren oft schneller auf einer einzelnen gut integrierten Suite als auf einem Stack lose gekoppelter Dienste, die sie zusammendrahten und warten müssen. Der komposable Fall wird stärker, je mehr Kanäle, Katalog-Komplexität und die Notwendigkeit, Komponenten auszutauschen, wachsen. Unterhalb dieses Schwellwerts kann der Overhead die Flexibilität überwiegen.
API-First trägt 2026 mehr Gewicht als zuvor, und der Grund sind Agenten. Eine Backend-Syndikatins-API mit ein paar breiten Endpunkten wurde für einen nächtlichen Job gebaut, bei dem niemand wartet. Ein Agent funktioniert anders. Er ruft Operationen zur Laufzeit auf, benötigt Task-Level-Endpunkte, benötigt Berechtigungen, die enger als ein alles-oder-nichts-Schlüssel sind, und benötigt Antworten, die schnell genug sind, um eine Überlegungsschleife zu fahren. Eine Architektur, bei der jede Schnittstellenoperation ein maschinenaufgerufenes Äquivalent hat, ist der praktische Test dafür, ob ein PIM für Agenten und komposable Stacks bereit ist.
PIM, MDM und DAM konvergieren in Produktdatenplattformen
Die Grenzen zwischen benachbarten Disziplinen werden immer dünner. PIM verarbeitet Produktinhalte, Master Data Management verarbeitet die autoritativen Datensätze, die über Systeme geteilt werden, und Digital Asset Management verarbeitet Bilder, Videos und Dokumente. 2026 laufen diese zunehmend auf einer Plattform und einem Datenmodell statt auf drei zusammengeflickten Tools.
Zwei Kräfte treiben die Konvergenz voran. Anbieter bündeln MDM und generative KI in einzelnen Suiten, was die Kosten für den Betrieb separater Systeme erhöht. Und die neuen Anforderungen ziehen Datentypen zusammen. Ein Digital Product Passport benötigt Produktattribute, Lieferantendatensätze, technische Dokumente und Assets am gleichen Ort, verknüpft und als eins regiert. Answer Engine Optimization benötigt Attribute und reiche Medien, die konsistent beschrieben sind. Keines funktioniert gut, wenn die Daten in getrennten Tools leben.
Das Einzelplattform-Modell passt zu dieser Verschiebung. AtroPIM verwaltet Produktdaten auf einem konfigurierbaren Modell, das auch Lieferantendatensätze, Assets und benutzerdefinierte Entitäten hält, damit ein Unternehmen Domänen hinzufügen kann, ohne zu einem anderen System zu wechseln. In Projekten, die wir durchführten, begannen Teams mit einem Produktkatalog und fügten später Lieferanten-Onboarding und Asset Management auf der gleichen Instanz hinzu, was Eigentümerschaft und Audit-Historie an einem Ort hielt.
Der Einzelplattform-Ansatz ist nicht überall die richtige Antwort, und hier dreht sich die Entscheidung tatsächlich. Ein Unternehmen, das ein reifes spezialisiertes DAM oder ein best-of-breed MDM, das bereits für seine Workflows optimiert ist, betreibt, kann Funktionalität verlieren, indem diese in ein System faltet. Konvergenz bewegt Komplexität ebenso wie sie sie entfernt. Ein einheitliches Modell benötigt disziplinierte Governance, und das Konsolidieren von Tools erhöht die Wechselkosten und die Anbieterabhängigkeit. Der Trade-off hängt von Katalog-Komplexität, bestehenden Investitionen und davon ab, wie eng die Domänen Daten teilen müssen. Wo Produkt-, Lieferanten-, Asset- und Compliance-Daten eng miteinander verknüpft sind, schneidet eine Plattform Reibung. Wo sie nicht miteinander verknüpft sind, können separate best-of-breed-Tools immer noch der bessere Weg sein.
Datenqualität wird zum Limitierungsfaktor
Jeder oben genannte Trend ruht auf der gleichen Grundlage, und es ist die, in die Unternehmen am häufigsten unterinvestieren. Agenten schlagen auf unvollständigen Datensätzen fehl. KI-Entdeckung filtert Produkte mit dünnen Attributen aus. Ein Digital Product Passport benötigt verifizierbare, strukturierte Lebenszyklusdaten. Keines dieser Dinge gelingt auf Daten, die inkonsistent, dupliziert oder fehlend sind.
Die praktische Arbeit ist unglamourös und entscheidend. Vollständigkeits-Scoring zeigt, was fehlt, bevor ein Produkt live geht. Validierungsregeln fangen Fehler beim Eintrag statt beim Zoll oder auf dem digitalen Regal. Governance weist Eigentümerschaft zu, damit ein falsches Attribut eine Person verantwortlich für es hat. Standardisierte Einheiten, Taxonomien und Wertlisten ermöglichen es einer Maschine, Produkte zu vergleichen, ohne zu raten.
Teams, die Datenqualität als Enabler behandeln, erhalten Kompoundrenditen, weil saubere Daten Automation, KI-Entdeckung und Compliance alle gleichzeitig billiger machen. Teams, die es überspringen, finden heraus, dass der Kauf eines Agenten oder einer KI-Funktionalität das zugrunde liegende Durcheinander nicht beheben. Er skaliert es.
Standards-basierte Syndikation bleibt essentiell
Die KI-Story ersetzt die industrielle nicht. Distributoren und Hersteller bewegen Daten immer noch durch etablierte B2B-Standards, und diese Standards sind jetzt wichtiger, nicht weniger. Formate wie BMEcat, ETIM, ECLASS und GS1 bleiben das Rückgrat des Katalogaustauschs zwischen Lieferanten, Distributoren und Einzelhändlern.
Das Abbilden von Attributen zu einem Standard einmal, dann das Generieren der erforderlichen Datei nach Zeitplan, ersetzt den händisch neuaufgebauten Export, der Zeit vor jedem Katalog-Zyklus frisst. Die gleiche strukturierte Abbildung, die eine konforme ETIM- oder GS1-Datei erzeugt, erzeugt auch die maschinenlesbaren Daten, auf die KI-Entdeckung und Digital Product Passports angewiesen sind. Die Disziplinen verstärken sich gegenseitig. Ein Unternehmen, das bereits saubere, standard-abgebildete Daten unterhält, hat die meiste Arbeit geleistet, die AEO und DPP jetzt benötigen.
Praktische Prioritäten für 2026
Die Trends deuten auf konkrete Maßnahmen statt auf abwartendes Beobachten hin. Für Teams, die das Jahr planen:
- Überprüfen Sie jetzt Attribut-Vollständigkeit und Maschinenlesbarkeit, indem Sie Ihre eigenen Daten als Test dessen verwenden, was KI-Systeme lesen können.
- Beheben Sie das Datenmodell, die Validierung und Governance, bevor Sie Agenten hinzufügen, da Automation jede Qualität skaliert, mit der sie beginnt.
- Überprüfen Sie, ob Ihre Produktgruppen unter die ESPR- oder Batterie-Verordnungs-Zeitleiste fallen, und beginnen Sie frühzeitig damit, Lebenszyklusund Compliance-Daten zu strukturieren.
- Bewegen Sie sich zu einer API-First-Architektur mit granularem, Task-Level-Zugriff, damit sowohl komposable Stacks als auch Agenten gegen Ihre Daten arbeiten können.
- Behandeln Sie Produktdaten als gemeinsame Infrastruktur über Marketing, Merchandising, Lieferkette und Compliance hinweg, nicht als ein Team-Asset.
Das Muster über das alles ist einfach. Produktinformationen wurden operativ, dann strategisch, und 2026 wurden sie die Eingabe, die KI-Systeme und Behörden direkt lesen. Unternehmen, die in saubere, strukturierte, gut regierte Daten investieren, werden schneller bei jedem Trend voranschreiten, der daraus folgt.