KI trifft PIM: Wie sich das Produktdatenmanagement jetzt ändert

Produktdatenmanagement gehört in vielen Unternehmen zu den Aufgaben, deren Bedeutung niemand bestreitet, die aber trotzdem selten ganz oben auf der Prioritätenliste stehen. Vielleicht deswegen liegen die Daten oft in unterschiedlichen Systemen, die Zuständigkeiten verteilen sich über mehrere Abteilungen und das Wissen dazu steckt ausschließlich in den Köpfen einiger erfahrener Mitarbeiterinnen und Mitarbeiter. Schlimmer noch: Solange das Tagesgeschäft irgendwie funktioniert, wird sich daran nichts ändern. Keiner liebt Produktdaten.

Dabei hätte das Thema durchaus mehr Aufmerksamkeit verdient. Die Zahl der Produkte, Merkmale, Sprachen und Vertriebskanäle steigt. Gleichzeitig wachsen die Anforderungen an Aktualität, Konsistenz und regulatorische Konformität. Hinzu kommen KI-gestützte Suchsysteme, Assistenten und Agenten, die nur dann zuverlässige Ergebnisse liefern können, wenn sie auf gut strukturierte Daten zugreifen.

Damit entsteht eine interessante Situation: Künstliche Intelligenz verschärft die Anforderungen an das Produktdatenmanagement - kann Unternehmen aber zugleich dabei helfen, die über Jahre gewachsene Komplexität zu beherrschen. "Der Druck wird größer - gleichzeitig wird das Problem durch KI greifbarer und lösbarer", fasst Michael Kirchberger Managing Director bei SNK Core   und Mitgründer der B2B-Digitalagentur schoene neue kinder   , diese Entwicklung zusammen.

Wenn die Anforderungen wachsen, die Kapazitäten aber nicht

Produktinformationen werden heute an deutlich mehr Stellen benötigt als noch vor einigen Jahren. Neben dem eigenen Onlineshop und der Unternehmenswebsite müssen häufig Marktplätze, Großhandelsportale, Apps, Datenpools oder branchenspezifische Plattformen beliefert werden. International tätige Unternehmen müssen dieselben Informationen zudem für verschiedene Sprachen und Märkte aufbereiten.

Mit jedem zusätzlichen Kanal steigt nicht nur die Zahl der benötigten Inhalte. Auch die Anforderungen an Aufbau, Format und Detailtiefe unterscheiden sich. Während ein Marktplatz bestimmte Pflichtfelder vorgibt, benötigt eine Website stärker verkaufsorientierte Texte. Technische Plattformen erwarten wiederum normierte Merkmale, Einheiten und Klassifikationen.

Auf der anderen Seite wachsen die zuständigen Teams und Budgets selten im gleichen Tempo. Die verfügbare Bearbeitungszeit pro Artikel wird eher kürzer als länger. Übersetzungen und Freigaben müssen schneller erfolgen, während gleichzeitig die Qualitätsanforderungen steigen.

Fünf Gründe, warum der Druck auf Produktdaten wächst:

• Mehr Produkte und Merkmale: Sortimente werden erweitert und technische Klassifikationen entwickeln sich kontinuierlich weiter. Dadurch müssen immer mehr Attribute gepflegt, geprüft und aktualisiert werden.
  
  
• Mehr Kanäle: Produktinformationen werden nicht mehr nur in einem Katalog oder Shop benötigt. Jeder zusätzliche Ausgabekanal bringt eigene Datenanforderungen mit.
  
  
• Mehr Sprachen und Märkte: Internationalisierung vervielfacht den Contentbedarf. Eine Produktbeschreibung lässt sich dabei nicht immer unverändert von einem Markt in den nächsten übertragen.
  
  
• Mehr regulatorische Anforderungen: Kennzeichnungen, Warnhinweise, Herstellerangaben und andere Pflichtinformationen müssen strukturiert vorliegen und zuverlässig ausgespielt werden.
  
  
• Höhere Erwartungen an Geschwindigkeit: Neue Produkte und Sortimente sollen schneller verfügbar sein. Lange Bearbeitungs- und Abstimmungsprozesse werden damit zunehmend zum Wettbewerbsnachteil.

Veraltete Austauschformate und historisch gewachsene Systemlandschaften verschärfen das Problem. Manche Formate bilden heutige Anforderungen an Bilder, Preise oder strukturierte Zusatzinformationen nur unzureichend ab. In der Praxis entstehen deshalb parallele Dateien, individuelle Schnittstellen und manuelle Zwischenschritte.

Warum Produktdaten trotzdem selten ein Führungsthema sind

Der Handlungsdruck ist in vielen Unternehmen vorhanden, aber über viele Bereiche verteilt. Marketing benötigt gute Beschreibungen und Bilder. Der Vertrieb braucht verlässliche Produktinformationen für Angebote und Beratung. E-Commerce ist auf vollständige Daten für Shops und Marktplätze angewiesen. Service und Technik wiederum benötigen Dokumentationen, Ersatzteildaten und technische Merkmale. "Der Leidensdruck ist einfach verteilt", sagt Kirchberger.

Das Problem: Wenn irgendwie alle betroffen sind, fühlt sich häufig niemand richtig verantwortlich. "Zuständig" sind immer die "anderen" - und damit niemand. Ohne klaren Owner fehlt jedoch oft auch das Budget für eine systematische Verbesserung.

Hinzu kommt, dass ein großer Teil des Aufwands unsichtbar bleibt. Wenn Beschäftigte Tabellen korrigieren, fehlende Informationen suchen, Datenstände abgleichen oder Inhalte zwischen Systemen übertragen, tun sie dies häufig neben dem eigentlichen Tagesgeschäft und fliegen damit unter dem Radar. Die Kosten für diese Tätigkeiten werden selten erfasst, es gibt kein Budget und meist nicht einmal Ruhm und Ehre.

Mit dem vermehrten Einsatz von KI verändert sich die Lage erstmals. Sichtbarkeit in KI steht in den meisten Unternehmen weit oben auf der Agenda und auch im Unternehmen selbst sollen Prozessen mittels Künstlicher Intelligenz vereinfacht und optimiert werden. Dafür benötigen diese Systeme jedoch verlässliche Informationen.

Das Problem: Ein Sprachmodell kann heute leicht einen flüssigen Produkttext formulieren. Es kann aber nicht erkennen, welche von drei widersprüchlichen technischen Angaben tatsächlich korrekt ist. Fehlt eine wichtige Information vollständig, besteht sogar die Gefahr, dass das System eine plausibel klingende Angabe erzeugt, die sachlich falsch ist.

KI macht schlechte Produktdaten deshalb sichtbarer - und die Arbeit damit riskanter. Gleichzeitig bietet sie Möglichkeiten, diese Daten schneller aufzubereiten. Große Mengen gleichförmiger Informationen lassen sich automatisiert analysieren, ergänzen, übersetzen und prüfen. Aufgaben, die früher an ihrem manuellen Aufwand scheiterten, werden dadurch wirtschaftlich interessanter. Für Kirchberger ist die Entwicklung bereits weit fortgeschritten: "Produktdatenmanagement macht man heute nicht mehr ohne KI-Unterstützung." Das bedeutet allerdings nicht, dass KI die Verantwortung für die Daten übernimmt. Sie kann Abläufe beschleunigen und große Datenmengen bearbeiten - benötigt dafür aber verlässliche Quellen, klare Regeln und geeignete Kontrollen.

Voraussetzung ist daher, dass eine klare Reihenfolge eingehalten wird: Zuerst braucht es eine verlässliche Datenbasis und definierte Regeln. Anschließend kann KI dabei helfen, diese Basis effizienter zu pflegen und in größerem Umfang zu nutzen.

Ein Product Information Management System, kurz PIM, führt Produktinformationen aus verschiedenen Quellen zusammen und stellt sie strukturiert bereit. Es definiert, welche Information verbindlich ist, wie Attribute aufgebaut sind und welche Daten an welche Kanäle übertragen werden.

Das PIM verhindert damit, dass sich unterschiedliche "Wahrheiten" entwickeln. Preise, technische Merkmale, Beschreibungen oder Klassifikationen müssen nicht für jeden Kanal separat gepflegt werden. Stattdessen entsteht eine zentrale Quelle, aus der die benötigten Varianten abgeleitet werden.

Praxisbeispiel 1: Eine zentrale Quelle für den Elektrogroßhandel

Ein klassifizierter Artikel soll gleichzeitig über die Standards BMEcat, IDS Connect und Open Masterdata bereitgestellt werden. Werden die Informationen für jeden Weg separat gepflegt, können schnell unterschiedliche Datenstände entstehen. Ein technisches Merkmal wird in einem System aktualisiert, in einem anderen übersehen.

Ein PIM schafft eine verbindliche Ausgangsbasis. Die Informationen werden zentral gepflegt und anschließend für die jeweiligen Formate aufbereitet. KI kann diesen Prozess unterstützen, etwa indem sie fehlende Zuordnungen erkennt oder auffällige Abweichungen zur Prüfung markiert. Die fachliche Wahrheit sollte jedoch aus dem kontrollierten Produktdatenbestand kommen - nicht aus einer freien Generierung durch das Sprachmodell.

Sechs Aufgaben, die KI dabei übernehmen kann:

• Produktdaten anreichern: KI kann aus vorhandenen Datenblättern, Dokumentationen und strukturierten Quellen zusätzliche Inhalte ableiten. Dazu gehören beispielsweise Anwendungshinweise oder kundenfreundlich formulierte Vorteile.
  
  
• Inhalte übersetzen und lokalisieren: Produkttexte lassen sich für mehrere Sprachen vorbereiten. Neben der reinen Übersetzung können Tonalität, Maßeinheiten oder regionale Begriffe berücksichtigt werden.
  
  
• Texte für Suchmaschinen optimieren: Aus bestehenden Produktinformationen können SEO-Titel, Meta-Beschreibungen, Keywords und verständliche URLs erzeugt werden.
  
  
• Kanalvarianten erstellen: Ein technischer Ausgangstext kann je nach Zielkanal gekürzt, erweitert oder in eine andere Darstellungsform gebracht werden.
  
  
• Datenqualität prüfen: Agenten können fehlende Pflichtfelder, ungewöhnliche Werte, widersprüchliche Einheiten oder Abweichungen von vorgegebenen Wertelisten erkennen.
  
  
• Wiederkehrende Prozesse ausführen: KI-Agenten können nicht nur Vorschläge erstellen, sondern - bei entsprechender Berechtigung - auch Datensätze aktualisieren, Freigabeprozesse anstoßen oder problematische Inhalte aus der Distribution nehmen.

Der letzte Punkt markiert einen wichtigen Unterschied zwischen einem klassischen KI-Assistenten und einem Agenten. Ein Assistent liefert in erster Linie eine Antwort oder einen Textvorschlag. Ein Agent kann darüber hinaus in angebundenen Systemen handeln. Er liest Daten, führt definierte Prozessschritte aus und schreibt Ergebnisse zurück. Damit verändert sich die Rolle der Technologie. "Agenten arbeiten nicht nur wie klassische KI-Assistenten, sondern agieren wie Benutzer der Plattform", erklärt Max Sihvonen , Chief Marketing Officer beim Marketing Software-Anbieter Ibexa   . Sie können also nicht nur Vorschläge erzeugen, sondern - im Rahmen ihrer Berechtigungen - Daten lesen, Prozesse auslösen und Änderungen in angeschlossene Systeme zurückschreiben.

Damit steigen allerdings auch die Anforderungen an Rechte, Protokollierung und Kontrolle. Je weitreichender ein Agent handeln darf, desto klarer müssen seine Grenzen festgelegt sein. "Die Frage ist nicht, ob wir KI auf unsere Daten loslassen können, sondern welche Freigabestufe es an welcher Stelle braucht", sagt Kirchberger. Nicht jeder automatisch erzeugte Inhalt birgt schließlich dasselbe Risiko.

Praxisbeispiel 2: Der mehrsprachige Ersatzteilkatalog

Ein Maschinenbauunternehmen verwaltet einen Ersatzteilkatalog mit 25.000 Positionen und möchte ihn in zwölf Sprachen bereitstellen. Entscheidend ist nicht allein die Erstellung der ersten Produktdatensätze, sondern die große Zahl zusätzlicher Sprachversionen.

Genau bei dieser gleichförmigen Arbeit kann KI skalieren. Sie erstellt Übersetzungsentwürfe, berücksichtigt vorgegebene Terminologie und überführt Inhalte in die benötigten Felder. Menschen müssen dadurch nicht mehr jede Sprachfassung von Grund auf neu anlegen.

Vollständig auf Kontrolle verzichten sollte das Unternehmen trotzdem nicht. Eine sinnvolle Lösung kombiniert automatisierte Übersetzung mit Terminologieregeln, Stichproben und gezielten Freigaben. Je technischer oder sicherheitsrelevanter eine Angabe ist, desto intensiver muss die Prüfung ausfallen.

Qualität ist eine Frage des Risikos

Die Diskussion über KI wird häufig auf eine Ja-oder-Nein-Frage reduziert: Darf ein System Inhalte selbstständig erstellen und veröffentlichen oder muss immer ein Mensch kontrollieren? In der Praxis ist eine abgestufte Betrachtung sinnvoller.

Nicht jeder Fehler hat dieselben Folgen. Eine etwas unbeholfene Formulierung in einem ergänzenden Kategorietext ist ärgerlich, aber meist beherrschbar. Ein falscher Werkstoff, eine fehlerhafte Toleranzangabe oder ein unzutreffender Sicherheitshinweis kann dagegen erhebliche Konsequenzen haben.

Daraus ergeben sich drei Kontrollstufen:

• Automatische Freigabe: Inhalte mit geringem Risiko können nach definierten Regeln automatisch veröffentlicht und anschließend stichprobenartig kontrolliert werden. Dazu können einfache Anwendungstexte, Vorteilsargumentationen oder ergänzende Kategorietexte gehören.
  
  
• Regelbasierte Validierung: Technische Angaben lassen sich gegen Wertelisten, Einheiten, zulässige Bereiche oder vergleichbare Produkte prüfen. Nur auffällige Fälle werden an Fachleute weitergeleitet. So kontrolliert die Maschine zunächst die Ergebnisse der Maschine.
  
  
• Fachliche Freigabe: Bei rechtlichen, medizinischen oder sicherheitsrelevanten Informationen bleibt eine dokumentierte Prüfung durch qualifizierte Personen erforderlich. KI kann Entwürfe vorbereiten und Daten strukturieren, sollte aber nicht die Verantwortung übernehmen.

Wo die Grenzen liegen

Besonders geeignet ist KI für große, verteilte Datenmengen, wiederkehrende Aufgaben und klar definierbare Qualitätskriterien. Weniger zuverlässig wird sie, wenn die Ausgangsdaten unvollständig sind oder das notwendige Fachwissen ausschließlich bei einzelnen Personen liegt.

Was nirgends dokumentiert ist, kann ein System nicht verlässlich rekonstruieren. Eine KI kann zwar Wahrscheinlichkeiten ableiten oder öffentlich verfügbare Informationen recherchieren. Bei unternehmensspezifischen technischen Angaben besteht dann jedoch das Risiko, dass ein plausibler Wert mit einem belegten Wert verwechselt wird.

KI ersetzt deshalb weder Datenverantwortung noch Wissensmanagement. Unternehmen müssen weiterhin festlegen, wo Informationen entstehen, wer sie verantwortet und welche Quelle verbindlich ist. Automatisierung kann einen schlechten Prozess beschleunigen, aber nicht automatisch in einen guten verwandeln.

Den Business Case messbar machen

Damit Produktdatenmanagement nicht dauerhaft ein nachrangiges Infrastrukturthema bleibt, sollte sein Nutzen anhand konkreter Kennzahlen bewertet werden. Geeignet sind insbesondere der Aufwand je Artikel und Lokalisierung, die Fehler- und Beanstandungsquote, die Time-to-Market für neue Sortimente sowie die Reichweite über Sprachen und Kanäle.

Entscheidend ist eine Nullmessung vor Projektbeginn. Wie viele Minuten werden heute für die Anlage und Überarbeitung eines Artikels benötigt? Wie lange dauert eine Übersetzung einschließlich Prüfung? Wie häufig werden Produkte wegen fehlender Informationen zurückgewiesen? Und wie viele Kanäle können mit dem vorhandenen Team zuverlässig bedient werden?

Erst wenn diese Ausgangswerte bekannt sind, lässt sich der Effekt einer PIM- und KI-Einführung belastbar bewerten. Der Nutzen muss dabei nicht ausschließlich in eingesparten Stellen bestehen. Häufig liegt er darin, mit demselben Team mehr Produkte, Sprachen und Kanäle zu bewältigen, Fehler früher zu erkennen oder neue Sortimente schneller auf den Markt zu bringen.

Zuerst definieren, was "gut genug" bedeutet

Der erfolgreiche Einsatz von KI im Produktdatenmanagement beginnt nicht mit der Wahl eines Modells oder einer langen Funktionsliste. Am Anfang steht die Frage, welches Ergebnis für den jeweiligen Prozess ausreichend gut ist.

Bei verkaufsorientierten Texten kann eine hohe, aber nicht vollkommen fehlerfreie Automatisierungsquote akzeptabel sein. Bei technischen Kerndaten oder Sicherheitshinweisen gelten deutlich strengere Maßstäbe. Ohne diese Unterscheidung bleibt jede Bewertung von KI-Ergebnissen subjektiv und jeder Freigabeprozess wird zur Einzelfalldiskussion.

Unternehmen sollten deshalb für jede Datenart Qualitätskriterien, Risikostufen und Verantwortlichkeiten definieren. Auf dieser Grundlage lässt sich entscheiden, welche Aufgaben automatisch erledigt werden dürfen, wann Regeln zur Prüfung genügen und an welchen Stellen Menschen verbindlich freigeben müssen.

KI löst das über Jahre aufgeschobene Problem unstrukturierter Produktdaten nicht von selbst. Sie kann aber zum entscheidenden Beschleuniger werden - vorausgesetzt, es gibt eine verlässliche Datenbasis, klare Prozesse und ein Qualitätsmodell, das zum jeweiligen Risiko passt.

So betrachtet ist KI nicht der Ersatz für gutes Produktdatenmanagement. Sie ist der Hebel, mit dem sich gutes Produktdatenmanagement erstmals in der heute erforderlichen Größenordnung umsetzen lässt.