Von strukturierter Datenhaltung zu generativer Produktsichtbarkeit: Was sich für PIM im KI-Zeitalter verändert

In Kundengesprächen merke ich zunehmend, dass sich eine Frage verschiebt: Nicht mehr nur „Wie pflegen wir unsere Daten?“ – sondern „Wie werden unsere Produkte von KI-Systemen überhaupt gefunden?“.
 
Die Art und Weise, wie Produkte gefunden werden, verändert sich grundlegend. Nutzer suchen nicht mehr nur mit kurzen Keywords, sondern formulieren konkrete Fragen, beschreiben ihren Bedarf in ganzen Sätzen oder bewegen sich dialogisch durch Such-, Shopping- und Assistenten-Oberflächen. Sprachmodelle, Chatbots und KI-gestützte Produktempfehlungen verstärken diese Entwicklung zusätzlich – und die Zahlen zeigen, wie weit sie bereits fortgeschritten ist.
 
Rund die Hälfte aller Konsumenten hat 2025 KI-Tools beim Einkaufen genutzt (PartnerCentric), 80 Prozent planen es für 2026 (Capital One Shopping). Google AI Overviews erscheinen mittlerweile bei einem Großteil der Suchanfrage und Plattformen wie ChatGPT Shopping, Amazon Rufus oder Perplexity haben sich als eigenständige Produktberatungskanäle etabliert.
 
Für Unternehmen ist das eine wichtige Verschiebung. Sichtbarkeit entsteht künftig nicht mehr nur über klassische Trefferlisten, sondern zunehmend auch über generative Antworten und beratende Produktauswahl. Daher basiert gute Produktkommunikation heute mehr denn je auf der Qualität, Struktur und Konsistenz der zugrunde liegenden Produktdaten.

Die neuen Spielregeln: Von SEO zu generativer Sichtbarkeit

Unter den Begriffen Answer Engine Optimization (AEO) und Generative Engine Optimization (GEO) formiert sich gerade eine neue Disziplin. Der Unterschied zu klassischer SEO ist grundlegend: Statt um Keyword-Rankings und Verlinkungsstärke geht es um semantische Klarheit, Entitätserkennung und das Zitiert-Werden als autoritative Quelle. Das Ziel ist nicht einer unter zehn blauen Links – sondern die Antwort.

Das bedeutet nicht, dass klassische SEO an Bedeutung verliert. Im Gegenteil: GEO baut auf den gleichen Grundlagen auf – hochwertige Information, klare Struktur und Vertrauen. Die Inhalte, die von KI-Systemen bevorzugt werden, sind dieselben, die auch in einer klassischer Suche gut funktionieren: faktenbasiert, gut strukturiert und thematisch eindeutig. Was sich ändert, ist die Art, wie diese Inhalte ausgewertet werden. Während eine klassische Google-Suche im Schnitt vier bis fünf Wörter umfasst, liegen Anfragen an KI-Assistenten bei rund 23 Wörtern (OtterlyNectiv). Nutzer führen Gespräche mit KI statt Keyword-Suchen.

Für Unternehmen mit komplexen, erklärungsbedürftigen Produkten ist das eine besonders relevante Erkenntnis. Die Grundlage generativer Sichtbarkeit sind nicht neue Marketing-Maßnahmen, sondern die Qualität und Struktur der vorhandenen Produktdaten.

Das PIM bleibt die Grundlage – aber die Perspektive auf die Daten verändert sich

Die gute Nachricht ist: Für viele Unternehmen beginnt dieses Thema nicht bei null. Produktdaten werden im PIM bereits strukturiert gepflegt, Varianten verwaltet, Inhalte übersetzt und Daten automatisiert in unterschiedliche Kanäle ausgeleitet. Genau diese Struktur ist die Voraussetzung dafür, dass Produktinformationen auch in neuen KI- und Commerce-Kontexten nutzbar werden.

Die eigentliche Veränderung liegt daher oft nicht in der Einführung völlig neuer Daten, sondern in einer erweiterten Sicht auf die vorhandenen Informationen. Die entscheidende Frage lautet nicht mehr nur: Welche Daten brauchen wir für Katalog, Shop, Portal oder Datenblatt? Sondern zunehmend auch: Welche Informationen braucht ein System, um ein Produkt zu verstehen, zu vergleichen, einzuordnen und als Antwort auf eine konkrete Nutzerfrage vorzuschlagen?

Damit verschiebt sich der Fokus von reiner Datenverwaltung hin zu einer zusätzlichen Antwort- und Beratungsperspektive. Das spiegelt sich auch in der Einschätzung führender Analysten wider: PIM wird zunehmend als Backbone für KI-Commerce-Kanäle positioniert. Gleichzeitig zeigen aktuelle Erhebungen, dass acht von zehn Unternehmen Datenlimitierungen als Haupthindernis für die Skalierung agentischer KI nennen (McKinsey & Company). Beides verdeutlicht, wie zentral ein gut gepflegtes PIM-System für die nächste Phase des digitalen Handels wird.

Von sauberen Stammdaten zu antwortfähigen Produktdaten

Produktdaten müssen heute zunehmend auch Fragen beantworten können wie:

• Für welchen Einsatz ist das Produkt geeignet?
• Worin unterscheiden sich zwei Varianten konkret?
• Welche Ausführung passt zu welchem Bedarf?
• Welche Alternative ist in welchem Fall sinnvoll?
• Welche Merkmale sind für die Kaufentscheidung besonders relevant?

Gerade für erklärungsbedürftige, technische oder variantenreiche Produkte ist das ein zentraler Punkt. Viele Produktdatenmodelle sind historisch vor allem auf Stammdaten, Klassifikationen und Kanalexporte ausgerichtet. Für generative Sichtbarkeit reicht das allein oft nicht mehr aus.

Ein konkretes Beispiel zeigt die Tragweite: Ein Analytics-Anbieter berichtet von einem Küchenwarenhändler, bei dem nach dem Rufus-Launch einzelne Produktsegmente Conversion-Einbrüche von bis zu 28 Prozent verzeichneten – während Produkte mit vollständig gepflegten Materialattributen stabil blieben. Auch Amazons eigene Zahlen unterstreichen den Trend: Nutzer, die mit Rufus interagieren, schließen einen Kauf mit 60 Prozent höherer Wahrscheinlichkeit ab (Nova Analytics).

Gefragt sind deshalb anschlussfähige Daten: Informationen, die so strukturiert, aktuell und formuliert sind, dass Suchsysteme, Assistenten und KI-Anwendungen daraus sinnvolle Antworten ableiten können. In der Praxis zeichnen sich dafür fünf Anforderungen ab.

1. Klare Identifikatoren und saubere Variantenlogik

Produkte und Varianten müssen eindeutig und stabil beschrieben sein. Dazu gehören belastbare Identifikatoren wie GTIN, EAN oder MPN, klare Beziehungen zwischen Hauptprodukt und Ausprägungen sowie nachvollziehbare Variantenmerkmale wie Größe, Farbe, Material oder technische Ausführung.

Wichtig ist dabei nicht nur, dass Varianten intern sauber gepflegt sind. Sie sollten auch nach außen so bereitgestellt werden, dass Systeme den Unterschied zwischen Grundprodukt und konkreter Ausprägung zuverlässig erkennen. Gerade hier werden präzise Variantenbeschreibungen, variantenspezifische Titel, Bilder und Merkmale immer wichtiger.

Die Bedeutung zeigt sich auch in harten Zahlen: Google selbst berichtete von bis zu 20 Prozent höheren Conversion-Raten bei korrekt hinterlegten GTINs. Für KI-Shopping-Assistenten sind diese Identifikatoren unverzichtbar – sie dienen als Grundlage für De-Duplizierung, Preisvergleich und kanalübergreifende Zuordnung.

Fehlen solche eindeutigen Strukturen, entstehen schnell Dubletten, unklare Zuordnungen oder fehlerhafte Empfehlungen. Genau deshalb wird Variantenlogik von einem reinen Modellierungsthema im PIM zu einem Sichtbarkeitsthema im Commerce.

2. Semantische Präzision statt Marketing-Prosa

Sprachmodelle tokenisieren Text und bilden interne Beziehungen zwischen Tokens. Ein klar formuliertes Label wie „Max. Betriebstemperatur (°C): 250" wird zu einem verwertbaren Ankerpunkt für Reasoning. Formulierungen wie „Premium-Qualität" oder „innovative Technologie" sind dagegen semantisch leer – ein LLM kann damit nichts anfangen.

Das ist eine wesentliche Verschiebung: Während klassische Produkttexte oft auf Überzeugung zielen, belohnen KI-Systeme objektive Spezifikationen, explizite Anwendungsfälle und vergleichbare Attribut-Wert-Paare. Marketing-Floskeln und subjektive Superlative spielen für KI-Shopping-Assistenten wie ChatGPT Shopping, Google AI Mode oder Perplexity kaum eine Rolle – objektive Spezifikationen und vergleichbare Fakten werden klar bevorzugt.

Für generative Antworten sind daher oft zusätzliche Informationen hilfreich, die über klassische Pflichtfelder hinausgehen – etwa typische Anwendungsfälle, Kompatibilitäten, Entscheidungskriterien oder Abgrenzungen zu ähnlichen Produkten. So entsteht eine zweite Sicht auf das Produkt: nicht nur als Datensatz, sondern als Antwort auf ein konkretes Informations- oder Kaufinteresse.

3. Maschinenlesbare Daten auf Webseiten: Wie Produktdaten für KI sichtbar werden

Interne Strukturen allein genügen nicht. Die Daten müssen auch extern maschinenlesbar ausgespielt werden. Hier spielen strukturierte Daten auf Webseiten eine wachsende Rolle – also maschinenlesbare Auszeichnungen, die KI-Systemen sagen, was auf einer Seite zu finden ist: welches Produkt, zu welchem Preis, in welcher Verfügbarkeit.

Ihre Bedeutung für KI-Sichtbarkeit lässt sich inzwischen auch empirisch beobachten: Seiten mit sauber implementierten, strukturierten Daten erscheinen deutlich häufiger in AI Overviews als solche ohne. Branchenanalysen deuten darauf hin, dass Produkte mit vollständigem Schema-Markup – inklusive Bewertungs- und Rating-Daten – deutlich häufiger in KI-Empfehlungen auftauchen; einzelne Auswertungen sprechen vom Drei- bis Vierfachen.

Besonders wichtig wird 2026 die Tiefe der Vernetzung: Nicht einzelne Auszeichnungen, sondern vernetzte Strukturen – Produkt → Hersteller → Organisation – ermöglichen KI-Systemen die Faktenverifizierung.

Entscheidend ist dabei, in welcher Sicht und in welchem Format die Daten aus dem PIM nach außen exportiert werden: in der richtigen Granularität, mit sauberer Variantenauflösung und in konsistenter Struktur.

4. Konsistenz über alle Kanäle

Ein häufiger Schwachpunkt liegt nicht in der Datenpflege selbst, sondern in der Ausleitung. Preise, Verfügbarkeiten, Variantenbezeichnungen oder Produktschwerpunkte weichen zwischen PIM, Feed und Website voneinander ab. Genau solche Inkonsistenzen werden in KI-gestützten Umgebungen problematisch – denn je stärker Systeme mehrere Quellen parallel auswerten, desto sensibler reagieren sie auf widersprüchliche Angaben.

Auch die Anforderungen an Aktualität verschärfen sich. KI-Shopping-Assistenten prüfen Verfügbarkeit, Preis und Lieferzeit im Moment der Anfrage – veraltete Daten führen zu sofortigem Ausschluss aus Empfehlungen. Die Ära der wöchentlichen Feed-Updates ist vorbei; die meisten Plattformen erwarten inzwischen tägliche oder sogar noch häufigere Aktualisierungen.

Das PIM wird damit zunehmend nicht nur als Datenquelle für Feeds gebraucht, sondern als Echtzeit-Schnittstelle für KI-Systeme.

5. Die Fragen, die Produkte beantworten können müssen

Neben technischen Feldern werden zunehmend auch Inhalte wichtig, die typische Nutzerfragen direkt beantworten: kurze FAQs zu Einsatz und Auswahl, Vergleiche zwischen Varianten, Hinweise zur Eignung für bestimmte Anwendungen oder beratungsnahe Texte wie „Wann eignet sich welche Ausführung?".

Solche Inhalte machen Produktdaten anschlussfähiger für dialogische Systeme. FAQs sind dabei sinnvoll, aber nicht als isolierter Trick. Entscheidend ist, dass echte Fragen mit belastbaren Produktinformationen verbunden werden.

Interessant ist auch, dass Google Anfang 2026 neue Datenattribute für das Merchant Center angekündigt hat: Antworten auf häufige Produktfragen, kompatibles Zubehör, Produktsubstitute und Anwendungsszenarien. Das PIM ist der logische Ort, um diese Inhalte zentral zu pflegen und konsistent auszuliefern.

Datenqualität als Fundament

Ein Punkt verdient besondere Aufmerksamkeit, weil er im Kontext generativer Sichtbarkeit oft unterschätzt wird: die Qualität der Ausgangsdaten. KI-Systeme verstärken sowohl gute als auch schlechte Daten. Während ein Katalogtext mit fehlenden Angaben bisher einfach lückenhaft war, führt er in einem KI-System möglicherweise zu falschen Empfehlungen oder zum vollständigen Ausschluss aus Suchergebnissen.

Das deckt sich mit dem, was wir in Projekten sehen: Die häufigste Ursache für schlechte KI-Ergebnisse sind nicht die Modelle – sondern die Daten, die ihnen zugrunde liegen. Aktuelle Erhebungen bestätigen das: Der Großteil gescheiterter KI-Projekte – Schätzungen reichen von 70 bis 85 Prozent – geht auf datenbezogene Probleme zurück, nicht auf die Modelle selbst.

Genau hier zeigt sich der Wert eines durchdachten PIM-Systems: Es ist der Ort, an dem Datenqualität nicht nachträglich repariert, sondern von Anfang an sichergestellt wird.

Was das für bestehende PIM-Projekte bedeutet

Für viele Unternehmen bedeutet das keine vollständige Neuerfindung des PIM, sondern eine gezielte Erweiterung – und zwar auf einer Basis, die in vielen Fällen bereits solide ist.

Bestehende PIM-Strukturen decken häufig bereits einen großen Teil der notwendigen Grundlage ab: Merkmale, Beziehungen, Varianten, mehrsprachige Texte, Medien, Übersetzungen und automatisierte Ausleitungen. Systeme wie crossbase sind genau auf solche komplexen Anforderungen ausgelegt und bringen mit flexiblem Datenmodell, Produktbeziehungen, Textbausteinen, API-Anbindung und kanalbezogener Ausgabe bereits zentrale Voraussetzungen mit. Die Architektur ist da – sie muss jetzt um eine neue Perspektive erweitert werden.

Der nächste Schritt besteht darin, diese Stärke gezielt auszubauen:

• Welche Informationen fehlen noch für konkrete Nutzerfragen?
• Welche Unterschiede zwischen Varianten werden heute intern verstanden, aber extern nicht explizit genug beschrieben?
• Welche Anwendungsfälle, Kaufgründe oder Entscheidungshilfen sollten ergänzt werden?
• Welche Daten müssen in einer anderen Sicht exportiert werden – etwa für strukturierte Daten auf der Website oder Produkt-Feeds?
• Wie aktuell und konsistent sind Preis-, Verfügbarkeits- und Variantendaten über alle Ausgabekanäle hinweg?

Gerade darin liegt aus PIM-Sicht die eigentliche strategische Aufgabe der kommenden Jahre. Es geht nicht nur darum, mehr Daten zu pflegen, sondern die vorhandene Datenbasis so weiterzuentwickeln, dass sie in verschiedenen Such-, Shopping- und Assistenzkontexten belastbar funktioniert.

Fazit: Das PIM als operative Grundlage generativer Sichtbarkeit

Die Entwicklung hin zu generativen Such-, Beratungs- und Shopping-Erlebnissen verändert nicht die Bedeutung des PIM – sie erhöht sie.

Denn je stärker Systeme Produkte nicht nur finden, sondern verstehen, vergleichen und empfehlen sollen, desto wichtiger werden strukturierte, konsistente und erweiterte Produktdaten. Die Grundlage dafür ist in vielen Unternehmen bereits vorhanden. Neu ist vor allem die Anforderung, vorhandene Datenmodelle um eine Antwortperspektive zu ergänzen und sie in zusätzliche, maschinenlesbare Sichten zu überführen.

Aus meiner Sicht liegt darin auch eine echte Chance für Unternehmen, die bereits sauber mit PIM arbeiten: Sie starten nicht bei null, sondern auf einem Fundament, das viele erst noch aufbauen müssen. Gerade Systeme wie crossbase, die auf komplexe, technische und variantenreiche Produkte spezialisiert sind, sind für diese nächste Phase wie gemacht. Flexibles Datenmodell, integrierte KI-Unterstützung, strukturierte Mehrsprachigkeit und automatisierte Kanalausgabe – das ist genau das Fundament, das KI-Systeme brauchen, um Produkte zuverlässig zu verstehen und zu empfehlen.

Die zentrale Frage lautet deshalb künftig nicht mehr nur, ob Produktdaten vollständig sind. Entscheidend ist, ob sie so modelliert, aktualisiert und ausgespielt werden, dass sie konkrete Fragen beantworten, Varianten verständlich unterscheiden und Kaufentscheidungen unterstützen können – egal ob ein Mensch oder ein KI-System die Anfrage stellt. Genau hier wird aus strukturierter Datenhaltung generative Produktsichtbarkeit.