### ASOS integriert shoppable Videos in Antwort-Engines
ASOS hat eine Integration gestartet, mit der Kunden Produkte direkt über shoppable Videos in ChatGPT entdecken und kaufen können. Über die ASOS Stylist-Funktion können Benutzer in natürlicher Sprache beschreiben, wonach sie suchen – z. B. „ein pinkfarbenes Sommerkleid mit Blumenmuster“ – und erhalten eine kuratierte Auswahl an Produkten aus dem ASOS-Katalog. Jedes Ergebnis kann als Kurzvideo angesehen und dann auf ASOS.com im Detail geöffnet werden, um den Kauf abzuschließen. Der Pilot wird in Großbritannien und den USA ausgerollt und baut auf dem bereits in der ASOS App verfügbaren AI Stylist auf.
Die Erfahrung wird durch die Video-Commerce-Technologie von Bambuser ermöglicht, die den Produktkatalog und die Videoinhalte von ASOS in strukturierte Daten umwandelt, die von großen Sprachmodellen in Echtzeit abgerufen und als shoppable Videos gerendert werden können. ASOS positioniert dies als eine Weiterentwicklung über AI-Shopping-Tools, die auf Text und statischen Bildern basieren, mit dem Ziel, die Modeentdeckung in Konversationsschnittstellen wie ChatGPT „schneller, einfacher und inspirierender“ zu gestalten.
### Vom Produktsuchlauf zum „Answer Commerce“
Die Integration veranschaulicht eine umfassendere Verlagerung im E‑Commerce von such- und listenbasierten Abläufen hin zum „Answer Commerce“, bei dem Benutzer konversationelle Suchanfragen stellen und eine kleine, hochrelevante Auswahl an Optionen erwarten, anstatt durch Filter und Paginierung zu navigieren. In diesem Modell werden die Qualität und Struktur der Produktdaten genauso wichtig wie der Preis oder das Sortiment: Die Antwort-Engine kann nicht anzeigen, was sie nicht verarbeiten kann.
Der Schritt von ASOS ist einer der fortschrittlichsten Versuche auf dem britischen Markt, einen großen, sich schnell verändernden Modekatalog mit einem Allzweck-LLM zu verbinden und dabei die Merchandising-Logik beizubehalten. Die Tatsache, dass die Erfahrung nicht nur Produktkacheln, sondern auch Videos zurückgibt, deutet darauf hin, dass ASOS in die Zuordnung von Produkten, Attributen und Medieninhalten in eine indexierbare, maschinenlesbare Ebene investiert hat, die durch natürliche Sprache anstelle einer starren Suchsyntax abgefragt werden kann.
### Auswirkungen auf Produktfeeds und Content-Infrastruktur
Um einen konversationellen, videoorientierten Ablauf in einer externen Schnittstelle wie ChatGPT zu ermöglichen, muss ein E‑Commerce-Händler seinen Produktfeed als mehr als nur einen einfachen Export für Werbeplattformen behandeln. Daraus ergeben sich mehrere Konsequenzen.
Erstens benötigen die Feeds reichhaltigere Attribute. Eine Eingabeaufforderung wie „pinkes, geblümtes Sommerkleid für eine Tageshochzeit unter 80 £“ kann nur dann gut beantwortet werden, wenn die zugrunde liegenden Produkte mit Farbfamilien, Mustern (Blumenmuster), Anlass, Preis und oft subjektiveren Dimensionen wie „Sommer“ oder „Hochzeitsgast“ versehen sind. Viele Händler verlassen sich immer noch auf begrenzte Feeds, die für Preisvergleichs-Engines optimiert sind. Der Konversations-Commerce treibt sie zu viel detaillierteren Attributtaxonomien und kontrollierten Vokabularen.
Zweitens benötigen die Feeds eine engere Verbindung zu den Medien. Shoppable Videos in Antwort-Engines erfordern eine Zuordnung zwischen SKUs und Videosegmenten: welche Produkte in welchem Video, zu welchen Zeitstempeln und in welchem Kontext (Komplett-Look, Nahaufnahme, Anprobe, Styling-Tipp) erscheinen. Dies wird in der Regel nicht in Standard-Produktfeeds erfasst, die sich auf Bilder und grundlegende Metadaten konzentrieren. ASOS und Bambuser behandeln Video effektiv als ein erstklassiges Datenobjekt, das mit dem Katalog verknüpft ist, und nicht als einen lose angehängten Marketing-Asset.
Drittens müssen die Feeds für den Echtzeitabruf und nicht für den Batch-Export optimiert werden. Um relevant zu bleiben, müssen die Empfehlungen, die von einem LLM angezeigt werden, Lagerbestände, Preisänderungen und Sortimentsaktualisierungen widerspiegeln. Dies bewegt die Händler hin zu APIs und Streaming-Updates anstelle von nächtlichen Feed-Uploads und zu Architekturen, in denen Produktdaten, Lagerbestand und Content so eng synchronisiert sind, dass sie sicher für externe Antwort-Engines zugänglich gemacht werden können.
### Katalogstandardisierung und Maschinenlesbarkeit
Die ASOS-Initiative verdeutlicht, wie Katalogstandards zu einer verbindenden Ebene für KI-gesteuertes Shopping werden. Bambusers „Intelligence Layer“ wird als Transformation des Katalogs und der Videobibliothek in strukturierte Daten beschrieben, die von LLMs verarbeitet werden können. In der Praxis umfasst dies wahrscheinlich mehrere Schritte, die sich in fortschrittlichen E‑Commerce-Stacks zum Standard entwickeln:
* Normalisierung von Produktattributen in konsistente Schemata, so dass „floral“, „Blumendruck“ und „Blütenmuster“ zu einem einzigen, maschinenlesbaren Konzept zusammengefasst werden.
* Anreicherung von Katalogeinträgen mithilfe von Computer Vision und Sprachmodellen, um Farbe, Muster, Silhouette und sogar abgeleitete Anwendungsfälle zu erkennen, wenn die eigenen Daten der Händler unvollständig sind.
* Indizierung von Inhalten für die semantische Suche, so dass Eingabeaufforderungen wie „weiche, atmungsaktive Sommerstoffe“ mit Produkten abgeglichen werden können, die als „Baumwollpopeline“ oder „Leinenmischung“ beschrieben werden, auch wenn der genaue Text nicht vorhanden ist.
Für den breiteren Markt deutet dies auf eine Richtung hin: Kataloge entwickeln sich von menschlich lesbaren, aber maschinell fragilen Beschreibungen hin zu maschinenlesbaren Strukturen, die explizit für den KI-Abruf konzipiert sind. Einzelhändler, die alte, unstandardisierte Kataloge pflegen, werden es schwerer haben, an Antwort-Engines und Konversations-Commerce-Umgebungen teilzunehmen.
### Aufwertung von Produktdetailseiten durch Video
Die Einbindung von Videos in ChatGPT ist nicht nur ein Distributionsspiel; sie hat auch Auswirkungen darauf, wie eine „gute“ Produktdetailseite (PDP) aussieht. Kurzvideos haben sich im Fashion-Bereich bereits als effektiv erwiesen, um die Conversion zu erhöhen und die Retouren zu reduzieren, indem sie Passform, Bewegung und Styling-Kontext zeigen. Durch die Anzeige desselben Contents direkt in der Entdeckungsebene wird der traditionelle Trichter verkürzt: Inspiration, Bewertung und Produktauswahl erfolgen in einer einzigen Interaktion.
Um dies zu unterstützen, muss der zugrunde liegende Produktinhalt tiefgreifender und konsistenter sein. Videos müssen für einen hohen Anteil an SKUs verfügbar sein, nicht nur für die wichtigsten Produkte. Größen-, Passform- und Stoffdetails müssen so präzise sein, dass die Kunden selbstbewusst auf das reagieren können, was sie im Video sehen. Unvollständige oder inkonsistente PDPs werden zu deutlicheren Schwachstellen, wenn der erste Eindruck eine von KI kuratierte Auswahl an shoppablen Videos anstelle eines Rasters von Standbildern ist.
Es gibt auch eine Feedbackschleife: Benutzerinteraktionen mit dem Video (welche Produkte werden pausiert, wiedergegeben, durchgeklickt) erzeugen zusätzliche Verhaltenssignale, die in Ranking-Modelle und die Priorisierung von Inhalten eingespeist werden können. Im Laufe der Zeit kann dies beeinflussen, welche Produkte reichhaltigere Inhalte erhalten und wie Händler in die Videoproduktion investieren.
### Geschwindigkeit der Sortimentsaufnahme und Content-Automatisierung
Für große Modekataloge ist die Content-Erstellung einer der größten Engpässe bei der Sortimentserweiterung: Titel, Beschreibungen, Attribute, Bilder und zunehmend auch Videos. Der Einsatz von shoppablen Videos in Antwort-Engines macht die Geschwindigkeit noch wichtiger: Neu aufgenommene Produkte müssen schnell, nicht erst Wochen nach der ersten Auflistung, in konversationellen Abläufen auffindbar sein.
KI und Automatisierung werden zu zentralen Lösungen hierfür. Computer Vision kann Attribute aus Bildern extrahieren, während Sprachmodelle basierend auf strukturierten Daten erste Beschreibungen generieren können. Video-Workflows können durch Vorlagen, Motion Graphics und KI-gestützte Bearbeitung teilweise automatisiert werden, wobei sich menschliche Teams auf markenkritische Inhalte und Qualitätskontrolle konzentrieren. Händler, die diese Prozesse systematisieren, können die Zeit zwischen Kaufentscheidungen und KI-fähigen Katalogeinträgen verkürzen und sich so einen Vorteil in dynamischen Kategorien verschaffen.
No-Code-Tools spielen ebenfalls eine Rolle. Marketing- und Merchandising-Teams verlassen sich zunehmend auf Schnittstellen, mit denen sie Segmente, Regeln und Content-Varianten ohne Beteiligung von Entwicklern definieren können. In Kombination mit KI-basierten Entdeckungsoberflächen ermöglichen solche Tools technischen Laien die Verwaltung, welche Kollektionen, Trends oder Kampagnen in konversationellen Antworten priorisiert werden sollen („Party-Saison“, „Festival-Looks“, „Back to School“), während zentrale Systeme sicherstellen, dass das zugrunde liegende Schema und die Kennzeichnung konsistent bleiben.
### Antwort-Engines als neuer Vertriebskanal
Die Behandlung von ChatGPT und ähnlichen Systemen als Antwort-Engines anstelle von traditionellen Medienkanälen definiert den E‑Commerce-Vertrieb neu. Anstatt Impressionen oder Keywords zu kaufen, müssen Einzelhändler mit Datenqualität, Relevanz und der Fähigkeit konkurrieren, sich sicher in externe KI-Systeme zu integrieren. Die ASOS-Integration deutet auf ein Modell hin, bei dem:
* Katalog- und Content-Ebenen über sichere APIs oder Widgets freigelegt werden, die Antwort-Engines aufrufen können, ohne ihnen direkten Zugriff auf interne Systeme zu gewähren.
* Händler die Kontrolle über Preise, Checkout und Kundendaten behalten, indem sie Benutzer zur Transaktionsabwicklung auf ihre eigenen Domains zurückführen.
* Personalisierung kann zwischen der Antwort-Engine und den Systemen des Händlers über kontextbezogene Signale geteilt werden, wobei die Datenschutzbestimmungen eingehalten werden.
Diese Architektur hat Auswirkungen auf die Analyse und Zuordnung. Traditionelle Webanalysen sind für Abläufe, die innerhalb eines Konversations-Agenten beginnen und sich über mehrere Oberflächen erstrecken, schlecht geeignet. Händler, die solche Integrationen testen, müssen Protokolle von KI-Plattformen, Video-Commerce-Ebenen und ihren eigenen Web- und App-Analysen abgleichen, um die Auswirkungen auf Conversion, durchschnittlichen Bestellwert und Retourenquoten zu verstehen.
### Strategische Bedeutung für SaaS- und E‑Commerce-Ökosysteme
Aus SaaS-Perspektive veranschaulicht die ASOS-Initiative ein Muster: Spezialplattformen entstehen, die zwischen den Rohdaten der Einzelhändler und allgemeinen KI-Schnittstellen angesiedelt sind. Diese Plattformen verarbeiten die Erfassung, Normalisierung, Anreicherung und Darstellung von Commerce-Daten in Formaten, die LLMs sicher und effizient nutzen können. Für E‑Commerce-Unternehmen kann dies den Bedarf an der Entwicklung einer komplexen KI-Infrastruktur im eigenen Haus reduzieren, erhöht aber die Messlatte für die vorgelagerte Datenverwaltung und Kataloghygiene.
Für den E‑Commerce-Sektor insgesamt beschleunigen die Einsätze von Konversations-Commerce mit Schwerpunkt auf Video in Antwort-Engines mehrere Trends:
* Produktfeeds entwickeln sich zu Wissensgraphen in Echtzeit mit reichhaltigen Attributen.
* Katalogstandards und Taxonomien werden zu Wettbewerbsvorteilen und nicht mehr zu Problemen im Backoffice.
* Die Qualität der PDP wird nicht nur anhand der On-Site-Conversion gemessen, sondern auch danach, wie gut Produkte in externen KI-gesteuerten Umgebungen dargestellt werden können.
* Die Geschwindigkeit der Sortimentsaufnahme hängt zunehmend von KI-gestützter Content- und Medienproduktion ab.
* No-Code- und KI-Tools werden zur operativen Ebene, die kommerziellen Teams ermöglicht, KI-gesteuerte Abläufe ohne ständige technische Unterstützung zu steuern.
Der ASOS-Pilot befindet sich in einem frühen Stadium, und seine kommerziellen Auswirkungen müssen noch quantifiziert werden, aber er signalisiert eine Richtung, in die sich der Fashion-E-Commerce wahrscheinlich entwickeln wird: von statischen Auflistungen zu konversationsorientierter, medienreicher Entdeckung, die sich über mehrere Plattformen erstreckt und auf strukturierten, maschinenlesbaren Inhalten im Kern des Commerce-Stacks basiert.
Die ASOS-Integration mit ChatGPT unterstreicht die wachsende Bedeutung von strukturierten, qualitativ hochwertigen Produktdaten. Dieser Wandel hin zum „Answer Commerce“ unterstreicht einen kritischen Bedarf an effizientem Katalogmanagement und -anreicherung. Für Unternehmen, die dies erreichen möchten, bietet [NotPIM](/blog/product-feed/) eine robuste Lösung, um sicherzustellen, dass Produktfeeds korrekt und konsistent sind und für KI-gestützte Anwendungen bereit sind. Durch die Automatisierung von Aufgaben wie Attributzuordnung, Content-Anreicherung und Feed-Transformation hilft NotPIM E‑Commerce-Unternehmen, sich an diese sich entwickelnde Landschaft anzupassen, die Auffindbarkeit von Produkten zu verbessern und die nahtlose Integration mit Plattformen wie ChatGPT zu erleichtern. Dies hilft unseren Kunden, der Konkurrenz einen Schritt voraus zu sein, indem sie ihre Daten für diese neuen, innovativen E-Commerce-Erfahrungen optimieren. Dies ist besonders nützlich für die Verbesserung von [Produktfeeds](/blog/product_feed/), was für die KI-Integration entscheidend ist. Mit Hilfe von KI können Sie [umsatzstarke Produktbeschreibungen](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/) schnell erstellen. Das Verständnis der Funktionsweise dieser Systeme ermöglicht es Ihnen, keine Angst vor [komplexen Integrationen](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/) zu haben. Händler können auch von der Verwendung eines [Preislistenverarbeitungsprogramms](/blog/price-list_processing_program/) profitieren.