KI-taugliche Produktdaten: Was der Mittelstand jetzt ändern muss

Für Hersteller sind vollständige und sauber gepflegte Produktdaten kein neues Thema. Technische Spezifikationen, Varianten, Kompatibilitäten, Preise und Verfügbarkeiten müssen bereits heute über verschiedene Systeme und Vertriebskanäle hinweg funktionieren. Neu ist jedoch, wer diese Informationen verarbeitet.

Ein typisches Szenario: Ein Einkäufer sucht einen Industriesensor mit definierter Schutzart, bestimmtem Temperaturbereich, passendem Anschluss und kurzer Lieferzeit. Statt mehrere Herstellerseiten und Datenblätter selbst zu durchsuchen, nutzt er nun ein KI-System zur Vorauswahl.

Der Hersteller selbst hat ein passendes Modell im Sortiment. Die Schutzart steht allerdings nur in einem PDF, der Temperaturbereich wird in zwei Systemen unterschiedlich angegeben und die Information zum Anschluss fehlt im Datenfeed des Vertriebspartners. Für einen Menschen lassen sich solche Lücken durch zusätzliche Recherche schließen. Ein KI-System kann nur mit Informationen arbeiten, auf die es zugreifen und die es einem Produkt zuverlässig zuordnen kann. Bei harten Auswahlkriterien wird eine Datenlücke schnell zum Ausschlusskriterium. Ist nicht erkennbar, ob die geforderte Schutzart erfüllt wird, lässt sich das Produkt nicht verlässlich als passend einstufen.

Dass KI im B2B-Kaufprozess bereits eine Rolle spielt, zeigt eine Gartner-Befragung von 645 B2B-Käufern: 45 Prozent hatten bei einem kürzlich getätigten Kauf generative KI genutzt, vor allem zur Recherche nach Anbietern und Produkten.¹ Hersteller sollten ihre Produktdaten deshalb so aufbereiten, dass sie auch von Maschinen zuverlässig verarbeitet werden können: Vollständig, konsistent, strukturiert und vergleichbar. Dafür braucht es weder ein Großprojekt noch ein großes IT-Team. Für den Einstieg genügen fünf Schritte:

1. Mit einer Produktgruppe anfangen

Wer Zehntausende oder Hunderttausende Artikel verwaltet, sollte nicht den gesamten Katalog gleichzeitig überarbeiten. Sinnvoller ist ein begrenzter Test mit einer strategisch wichtigen Produktgruppe – etwa einem umsatzstarken Sortiment, erklärungsbedürftigen Produkten oder einer Familie mit vielen Varianten.

Für eine erste Prüfung reichen einige Dutzend Datensätze. Dazu werden typische Auswahlfragen gesammelt: Welche Leistung wird benötigt? Mit welchen Bauteilen ist das Produkt kompatibel? Welche Norm erfüllt es? Unter welchen Bedingungen kann es eingesetzt werden? Ist es kurzfristig verfügbar? Anschließend folgt der Abgleich mit den vorhandenen Informationen. Kann jede Frage aus den hinterlegten Daten beantwortet werden? Oder steckt eine entscheidende Angabe nur im PDF-Datenblatt, in einem Freitext oder im Wissen einzelner Mitarbeitenden?

2. Festlegen, was ein Produkt unterscheidet

Eine größere Datenmenge verbessert nicht die Qualität der Daten. Entscheidend ist, welche Merkmale ein Produkt gegenüber Alternativen abgrenzen. Für jede Produktfamilie sollten daher Pflichtattribute definiert werden. Bei Industriekomponenten können das Material, Leistung, Abmessungen, Anschlussarten, Zertifizierungen, Temperaturbereiche oder kompatible Systeme sein.

Besonders wichtig ist der Anwendungskontext. Einkäufer suchen nicht immer nach einer exakten Artikelnummer. Eine Anfrage kann auch lauten: „Sensor für den Außeneinsatz bei Temperaturen bis minus 20 Grad“. Eine allgemeine Beschreibung wie „für anspruchsvolle industrielle Anwendungen geeignet“ hilft bei diesem Vergleich wenig. Schutzart, Einsatzbereich und zulässiger Temperaturbereich sollten als eigene Merkmale hinterlegt sein.

Auch die Begriffswelt muss stimmen. „Edelstahl“, „rostfreier Stahl“ und eine interne Materialkennung können für Mitarbeiterndedasselbe bedeuten. Für automatisierte Auswertung erhöhen unterschiedliche Bezeichnungen den Interpretationsaufwand und das Fehlerrisiko.

3. Widersprüche zwischen den Systemen beseitigen

Gerade in gewachsenen Unternehmen stammen Produktinformationen häufig aus vielen verschiedenen Quellen: ERP, Lieferantendaten, technische Datenblätter, Excel-Dateien, der Shop, Händlerportale oder interne Systeme. Das Problem hierbei ist ihre Verteilung und die unterschiedliche Pflege.

Eine von 3Gem im Auftrag von Akeneo durchgeführte B2B-Studie unter 650 Senior-Entscheidern aus Fertigungsunternehmen mit mehr als 100 Mitarbeitern in Deutschland, Frankreich, Großbritannien und den USA zeigt die Größenordnung: 40 Prozent der befragten Unternehmen verwalten Produktinformationen weiterhin manuell. Im Durchschnitt benötigen sie zwei Wochen, um alle für einen Produktlaunch erforderlichen Daten zusammenzutragen; rund zwölf Prozent brauchen mindestens 31 Tage. In Deutschland umfasste die Stichprobe 150 Befragte.²

Für die ausgewählte Produktgruppe sollte deshalb geprüft werden, ob dasselbe Merkmal an verschiedenen Stellen unterschiedlich geführt wird. Typische Kandidaten sind Maßeinheiten, Variantenbezeichnungen, Materialien, technische Werte, Verfügbarkeit oder auslaufende Artikel. Danach muss feststehen, welche Quelle für jede zentrale Angabe verbindlich ist.

4. Preisstrategie und Produktdaten zusammen denken

In KI-gestützten Vergleichen wird der Preis nicht isoliert, sondern gemeinsam mit anderen Merkmalen wie Ausführung, Verfügbarkeit, Lieferzeit oder Mindestmenge betrachtet. Gerade im B2B existieren oft mehrere Preislogiken nebeneinander: Dazu zählen Listenpreise, Mengenstaffeln, kundenspezifische Konditionen, Aktionspreise sowie Unterschiede nach Region oder Vertriebskanal.

Um einen automatisierten Vergleich durchführen zu können, muss erkennbar sein, welcher Preis zu welcher Variante gehört, für welchen Zeitraum er gilt und welche Bedingungen daran geknüpft sind. Andernfalls können etwa ein Stückpreis und eine Mengenstaffel oder Preise unterschiedlicher Produktvarianten nebeneinanderstehen, obwohl sie nicht direkt vergleichbar sind. Daraus ergibt sich auch eine strategische Aufgabe. Je leichter Systeme Angebote kanalübergreifend gegenüberstellen können, desto wichtiger wird eine nachvollziehbare Preisarchitektur.

Preisunterschiede können sinnvoll und gewollt sein, beispielsweise aufgrund des Serviceumfangs, der Abnahmemenge oder der Vertriebskonditionen. Sie sollten sich aber aus den Daten ableiten lassen und nicht allein aus historisch gewachsenen Kanalstrukturen resultieren.

5. Verantwortung für zentrale Angaben festlegen

Ein bereinigter Datenbestand bleibt nicht automatisch korrekt. Neue Varianten kommen hinzu, Lieferanten ändern Spezifikationen, Preise werden angepasst und Produkte laufen aus.

Für wichtige Merkmale braucht es daher klare Zuständigkeiten: Wer verantwortet technische Spezifikationen? Wo wird eine Änderung zuerst gepflegt? Wie gelangt sie von dort in Datenblätter, Händlerportale und weitere Systeme? Wer prüft, ob kritische Angaben noch aktuell sind?
Gerade in kleineren Organisationen reicht dafür ein klarer Prozess. Entscheidend ist, dass Produktmanagement, Vertrieb, Einkauf und IT nicht dauerhaft unterschiedliche Versionen derselben Angabe führen.

Standards: Die Vorarbeit ist oft schon geleistet

Für Hersteller technischer Produkte ist die Idee strukturierter, maschinenlesbarer Daten nicht neu. In Branchen wie Elektrotechnik, Sanitär, Heizung, Klima oder Bau klassifiziert ETIM (Europäisches Technisches InformationsModell) Produkte über feste Klassen, Eigenschaften, Werte und Einheiten. Ein Leistungsschalter wird dort einer definierten Produktklasse mit festgelegten Merkmalen und zulässigen Werten zugeordnet, statt von jedem Hersteller nach einer eigenen Systematik beschrieben zu werden.

Für den Austausch dieser Daten hat sich in Deutschland lange BMEcat etabliert, ein XML-basiertes Katalogformat des BME. ETIM International empfiehlt für Produktstammdaten inzwischen das eigene, JSON-basierte Format ETIM xChange.

Welches Format sich langfristig durchsetzt, ist für den Einstieg zweitrangig. Entscheidend ist das Prinzip dahinter: Eindeutige Angaben, feste Werte, definierte Einheiten und eine klare Zuordnung zum einzelnen Artikel. Genau darauf sind KI-Systeme angewiesen. Wer seine Produkte bereits nach festen Klassifikationen an den Großhandel liefert, hat einen wichtigen Teil dieser Strukturarbeit bereits geleistet. Die Aufgabe besteht dann darin, diese Disziplin auf alle Kanäle auszudehnen, über die Produktinformationen nach außen gelangen.

Kann eine Maschine Ihr Produkt auswählen?

Ob die vorhandene Struktur trägt, lässt sich ohne Projektaufwand prüfen: Kann ein System anhand der verfügbaren Daten erkennen, welches Produkt eine bestimmte Anforderung erfüllt, es mit Alternativen vergleichen und die dazugehörigen Konditionen korrekt einordnen?

Wenn Kompatibilität, technische Spezifikation, Variante, Verfügbarkeit oder Preis dafür erst aus mehreren PDFs, Tabellen und Systemen zusammengesucht werden müssen, besteht Handlungsbedarf. Denn sobald Maschinen bei der Vorauswahl mitentscheiden, ist eine fehlende Information mehr als ein Schönheitsfehler: Sie kann dazu führen, dass ein passendes Produkt gar nicht erst in die engere Auswahl gelangt.

Autor: Romain Fouache, CEO Akeneo

Literatur&Weblinks

• ¹„Gartner Survey Finds 69% of B2B Buyers Turn to Sales Reps to Validate AI-Generated Insights“,  Gartner, Pressemitteilung vom 20. Mai 2026 (Befragung von 645 B2B-Käufern, August bis September 2025).
• ²B2B Survey, durchgeführt von 3Gem (650 Senior-Entscheider in Fertigungsunternehmen mit mehr als 100 Mitarbeitern in Deutschland, Frankreich, Großbritannien und den USA; Deutschland n=150). – ETIM International zu Klassifikation und Austauschformat ETIM xChange; BME zu BMEcat, Akeneo 2024.

^{Bildnachweis: Depositphotos.com/bananashake2011.hotmail.com}