Vom Schlagwort zum Rückgrat: KI-Produktfindung tritt in die kritische Phase ein

Vom Buzzword zum Rückgrat: Die KI-Produktdiscovery geht in die kritische Phase

Ein aktuelles Interview mit dem CMO von Luigi's Box, einem Anbieter von KI-gestützten On-Site-Such- und Produktdiscovery-Tools, zeigt auf, wie Suche, Empfehlungen und Merchandising rund um Machine Learning und generativer KI neu aufgebaut werden. Die Kernbotschaft: In den nächsten fünf Jahren werden sich E-Commerce-Marken nicht mehr durch den Zugang zu KI-Technologie selbst differenzieren, sondern vielmehr durch die Effektivität, mit der sie Produktdaten strukturieren, Content-Workflows orchestrieren und KI mit der Merchandising-Strategie in Einklang bringen. KI-gestützte Produktdiscovery entwickelt sich von einer "Nice-to-have"-Optimierungsebene zu einem zentralen Element des Commerce-Stacks, das bestimmt, was Kunden sehen, wie schnell neue Sortimente live gehen und wie konsequent Katalogstandards durchgesetzt werden.

Dieser Wandel vollzieht sich vor dem Hintergrund der Einführung von generativer KI im Online-Einzelhandel: Große Marktplätze haben bereits KI in Ranking, Preisgestaltung, Content-Erstellung und Kundensupport integriert, während mittelgroße Händler beginnen, KI für die Kataloganreicherung und die No-Code-Automatisierung von Routine-Content-Aufgaben einzusetzen. Branchenkommentare in Publikationen wie McKinsey und Shopify deuten auf eine Konvergenz hin: Suche, Empfehlungen, Personalisierung und Content-Operationen sind keine getrennten Funktionen mehr, sondern Teile einer einzigen, KI-gestützten "Product-Discovery"-Ebene, die über dem Katalog liegt und jede kundenorientierte Oberfläche speist. Gleichzeitig warnen Experten, dass die Qualität der Eingangsdaten, die Katalogstruktur und die Governance ebenso wichtig werden wie die Modelle selbst.

Warum KI-Produktdiscovery jetzt wichtig ist

Produkt-Discovery bedeutete früher Keyword-Suche plus ein paar manuelle Filter und statische Kategorieseiten. KI verändert dies in drei Richtungen gleichzeitig:

• Suchergebnisse sind zunehmend semantisch und verstehen die Absicht des Nutzers und nicht nur exakte Übereinstimmungen in Produkttiteln oder -attributen.
• Empfehlungen basieren auf Verhaltens-Embeddings und Ähnlichkeitsmodellen und nicht auf einfachen "Zusammen gekauft"-Regeln.
• Merchandising wird zu einer Mischung aus algorithmischem Ranking und menschlichen Geschäftsregeln und nicht nur auf regelbasierter Sortierung.

In diesem Zusammenhang betonen Luigi's Box und ähnliche Plattformen, dass die Modellperformance eng mit der Katalogqualität verknüpft ist: Fehlende Attribute, inkonsistente Benennungen, schlechte Kategorisierung und spärliche Beschreibungen beeinträchtigen die Relevanz und Konversion unmittelbar. Fallstudien aus der Industrie zeigen durchweg Verbesserungen, wenn Einzelhändler Produkt-Feeds bereinigen und Attribute anreichern, bevor oder gleichzeitig mit der Einführung von KI. Diese Verflechtung von KI und Katalogqualität erklärt, warum Product Discovery jetzt als strategische Fähigkeit und nicht nur als Such-Upgrade behandelt wird.

Auswirkungen auf Produkt-Feeds: Von statischen Exports zu Live-Knowledge-Graphs

Produkt-Feeds waren traditionell statische Exports, die für Werbeplattformen und Marktplätze optimiert wurden. KI-Produkt-Discovery erfordert ein anderes Profil von Feeds und eine andere operative Denkweise.

Erstens müssen Feeds granularer und standardisierter werden. KI-Modelle sind auf strukturierte Signale angewiesen: normalisierte Kategorien, konsistente Attributnamen, maschinenlesbare Werte (Größen, Materialien, Kompatibilität, Stile, Anlässe), Verfügbarkeits- und Preis-Metadaten, Indikatoren für die Content-Qualität und manchmal sogar Lebenszyklus-Zustände (Neuankömmling, saisonal, Ausverkauf). Während früher eine minimale Anzahl von Feldern ausreichte, um Produkte aufzulisten, erfordert KI-gestützte Discovery ein dichtes Raster von Attributen, um semantisches Verständnis, Filterung und personalisiertes Ranking zu unterstützen.

Zweitens müssen Feeds nahezu in Echtzeit aktualisiert werden. Da sich KI-Empfehlungen an das Nutzerverhalten und den Lagerbestand anpassen, verursachen veraltete Feeds sichtbare Abweichungen: Produkte erscheinen in der Suche, die nicht auf Lager sind, Preise in Widgets weichen vom Warenkorb ab, oder neu hinzugefügte Artikel bleiben "unsichtbar", weil dem Modell unzureichende Signale vorliegen. Viele Commerce-Teams wechseln jetzt von nächtlichen Exports zu ereignisgesteuerten oder Streaming-Architekturen, bei denen Feed-Updates durch Katalogänderungen, Content-Änderungen und Lagerbestandsereignisse ausgelöst werden.

Drittens wird unstrukturierter Content in Feeds zu einem Modell-Input. Titel, Beschreibungen, Spezifikationen, FAQs, UGC-Ausschnitte und sogar interne Tags werden von Embeddings und LLMs für die Ähnlichkeits- und Absichtserkennung verarbeitet. Das zwingt Unternehmen dazu, die Feed-Vorbereitung zu überdenken: Es ist nicht mehr nur eine technische Integrationsaufgabe, sondern ein Content Engineering Prozess, bei dem Textqualität, Sprachkonsistenz und Duplizierung das KI-Verhalten direkt beeinflussen.

Katalogstandards als Wettbewerbsvorteil

Da KI-basierte Discovery-Tools ausgereift sind, entwickelt sich die Katalog-Governance zu einem Differenzierungsvektor. Das Gespräch über Luigi's Box unterstreicht eine breitere Branchenansicht: Die Einzelhändler, die in den nächsten fünf Jahren am meisten von KI profitieren werden, sind diejenigen, die Katalogstandards als strategischen Vorteil und nicht als operative Nebensache behandeln.

Es zeichnen sich mehrere Trends ab:

• Taxonomien und Attributmodelle werden so umgestaltet, dass sie sowohl für Menschen als auch für Maschinen lesbar sind. Anstelle von Ad-hoc-Kategorien wechseln Marken zu robusten, mehrstufigen Taxonomien mit klaren Regeln für die Produktplatzierung und die Attributvererbung.
• Datenverträge zwischen Merchandising-, Content- und Engineering-Teams werden formalisiert. Jedes Attribut hat eine definierte Quelle, Validierungsregeln und Vollständigkeitsziele. Dies reduziert die "stille Entropie", die sich ansammelt, wenn Hunderte von Menschen Produkte auf unterschiedliche Weise erstellen.
• Globale und lokale Varianten werden explizit codiert. Für Einzelhändler, die in mehreren Ländern tätig sind, müssen KI-Modelle regionale Größensysteme, regulatorische Kennzeichnungen, kulturelle Namensunterschiede und Sprachvarianten verstehen. Dies zwingt Katalogstandards, die Lokalisierung von Anfang an zu berücksichtigen.

In Expertenkommentaren wird dies manchmal als das Aufkommen eines "Product Knowledge Graph" und nicht als eine einfache SKU-Liste beschrieben. KI-Discovery-Systeme arbeiten effektiver, wenn Produkte und Attribute in einer grafähnlichen Struktur verknüpft sind, die Beziehungen (Kompatibilität, Ersatzprodukte, Ergänzungen, Kollektionen, Bundles) codiert. Das wiederum ermöglicht es semantischen Such- und Empfehlungsmodellen, über den Katalog nachzudenken, anstatt ihn nur zu indexieren.

Produktdetailseiten: Qualität, Vollständigkeit und KI-gestützte Anreicherung

KI verändert auch die Erwartungen an Produktdetailseiten (PDPs). In der Vergangenheit hing die Qualität von PDPs stark von manuellem Copywriting und vom Anbieter bereitgestellten Inhalten ab. Heute können generative KI-Tools Beschreibungen, Aufzählungszeichen, Größentabellen, FAQs und sogar kreative Assets aus einem strukturierten Attributsatz und einigen Referenzbeispielen erstellen.

Die Praktiker der Branche betrachten KI jedoch zunehmend als Verstärker der zugrunde liegenden Daten und nicht als Ersatz dafür. Wenn Attribute unvollständig oder inkonsistent sind, spiegeln die generierten Beschreibungen diese Lücken wider – sie werden generisch, sich wiederholend oder sachlich dünn. Umgekehrt, wenn die Attribute reichhaltig sind, kann KI mehrere Informationen (Spezifikationen, Materialien, Anwendungsfälle, Pflegehinweise, Kompatibilität) zu kohärenten, zielgruppenspezifischen Erzählungen synthetisieren.

Es ergeben sich mehrere konkrete Veränderungen im PDP-Betrieb:

• Die Attributvollständigkeit wird zu einem vorrangigen KPI. Teams nutzen KI, um fehlende Felder zu erkennen, wahrscheinlich Werte auf der Grundlage ähnlicher Artikel vorzuschlagen und Anomalien zur Überprüfung durch den Menschen aufzuzeigen.
• Content-Variationen werden in großem Umfang generiert. Aus einem einzigen Produkteintrag kann KI Versionen von Beschreibungen erstellen, die auf verschiedene Märkte, Geräte oder Akquisitionskanäle zugeschnitten sind und dennoch auf denselben strukturierten Daten basieren.
• UGC und Kundenfragen werden als zusätzliche Signale abgebaut. Bewertungen und Fragen und Antworten werden analysiert, um wiederkehrende Attribute, Anwendungsfälle und Einwände zu extrahieren, die dann in strukturierte Felder und PDP-Content einfließen.

In den nächsten fünf Jahren werden Marken wahrscheinlich weniger nach der absoluten Originalität ihrer Texte beurteilt, sondern vielmehr nach der Konsistenz, Tiefe und Richtigkeit ihrer Produktinformationen, die durch KI vermittelt werden.

Markteinführungsgeschwindigkeit: Verkürzung des Katalog-Launch-Zyklus

Ein zentrales Thema in Brancheninterviews, auch in denen mit der Führung von Luigi's Box, ist die Verkürzung der Zeit, die es braucht, um von der Produktverfügbarkeit zur Auffindbarkeit zu gelangen. In der Vergangenheit umfasste die Einführung neuer Sortimente mehrere aufeinanderfolgende Schritte: Anbieter-Onboarding, Attributzuordnung, Copywriting, Bilderstellung, Qualitätssicherung, Merchandising-Konfiguration, Suchoptimierung. Jede Übergabe führte zu Verzögerungen und manuellen Fehlern.

KI- und No-Code-Tools werden jetzt verwendet, um einen Großteil dieses Workflows zu parallelisieren und zu automatisieren:

• Schema-gesteuerte Onboarding-Vorlagen leiten Anbieter an, die Daten von Anfang an in der richtigen Struktur bereitzustellen, wodurch die spätere Bereinigung reduziert wird.
• KI-gestützte Mapper ordnen Anbieterattribute internen Taxonomien zu, schlagen die Kategorieplatzierung vor und kennzeichnen mehrdeutige Fälle zur menschlichen Überprüfung.
• Generative Tools erstellen anfängliche PDP-Inhalte, Alt-Texte und interne Suchsynonyme direkt aus dem strukturierten Datensatz, die Editoren dann verfeinern, anstatt sie von Grund auf neu zu schreiben.
• Automatisierte Relevanzprüfungen und simulierte Suchtests validieren, dass neu aufgenommene Produkte für wichtige Suchanfragen auffindbar sind, bevor sie live gehen.

Infolgedessen verlagert sich der Engpass in vielen Organisationen von der Content-Erstellung zur Prozessgestaltung: Wie schnell können Teams Katalogregeln, Qualitätsstandards und KI-Prompts definieren und anpassen, ohne dass Ingenieure eingreifen müssen? Hier treten No-Code-Orchestrierungsebenen in den Vordergrund.

No-Code, KI und die neue Content-Infrastruktur

Der wachsende Fokus auf KI-Produktdiscovery beschleunigt die Investitionen in No-Code- und Low-Code-Tools, die zwischen den Kern-Commerce-Plattformen und den kundenseitigen Anwendungen angesiedelt sind. Diese Tools zielen darauf ab, Business-Anwendern die direkte Kontrolle darüber zu geben, wie KI mit Katalogdaten und -inhalten interagiert.

Wichtige Muster sind:

• No-Code-Konfiguration von Ranking-Regeln und Geschäftslogik auf der Grundlage von KI-Modellen. Merchandiser können Bedingungen wie Gewinnspannenprioritäten, Markenexpositionsbegrenzungen oder saisonale Boosts festlegen, ohne den Modellcode zu ändern.
• Visuelle Oberflächen für den Aufbau von Anreicherungsworkflows. Nicht-technische Anwender können definieren, wann KI fehlende Attribute generieren, Übersetzungen vorschlagen oder interne Tags basierend auf Leistungsindikatoren aktualisieren soll.
• Prompt Management als Systemkomponente. Da generative KI für Beschreibungen, Kategorietexte und On-Site-Texte verwendet wird, werden Prompts und Leitplanken zentral gepflegt, versioniert und mit Katalogmodellen verknüpft, anstatt Ad-hoc-Textfragmente zu sein.

Kommentare in Publikationen wie dem Harvard Business Review und The Information deuten darauf hin, dass Unternehmen, die "KI-Pluming" (Infrastruktur, Modelle, Sicherheit) von "KI-Choreografie" (Prompts, Workflows, Geschäftsregeln) trennen, sich schneller anpassen werden. In dieser Ansicht werden Product-Discovery-Plattformen zu Orchestrierungs-Hubs: Sie verbinden sich mit dem Product Information Management System, Analytics, Experimentier-Tools und dem Storefront und stellen gleichzeitig eine No-Code-Ebene für Experimente und Governance bereit.

Differenzierung in den nächsten fünf Jahren: Daten, Governance und Ausrichtung

Die zentrale Behauptung hinter der Perspektive des CMO von Luigi's Box ist, dass die KI-Fähigkeiten selbst auf dem Weg der Kommodifizierung sind. Da Basismodelle für Sprache und Empfehlungen weithin verfügbar werden, sinkt die Eintrittsbarriere für eine einfache KI-gestützte Suche und Personalisierung. Was schwierig bleiben wird – und daher differenziert – ist die Ausrichtung zwischen vier Elementen:

• Tiefe und Sauberkeit der Produktdaten.
• Robustheit der Katalogstandards und Taxonomien.
• Reife der Content- und Merchandising-Workflows.
• Governance darüber, wie KI angewendet, geprüft und iteriert wird.

Diese Sichtweise stimmt mit einer breiteren Industriehypothese überein: Mittelfristig geht der Wettbewerbsvorteil weniger von exklusiven Algorithmen aus, sondern von proprietärem, gut strukturiertem Produktwissen und von der operativen Fähigkeit, KI verantwortungsvoll und schnell in Content-Prozessen einzusetzen. Marken, die Feeds, die Katalogstruktur und den PDP-Content weiterhin nur als operative Back-Office-Belange behandeln, riskieren, KI-Tools zu wenig zu nutzen und schwächere Ergebnisse zu erzielen, selbst wenn sie die gleichen Technologien wie ihre Wettbewerber einsetzen.

Gleichzeitig stellt sich die Frage, wie weit die Automatisierung gehen kann, ohne die wahrgenommene Markendistinktheit zu schmälern. Einige Experten argumentieren, dass eine übermäßige Abhängigkeit von generativen Vorlagen zu homogenen PDPs bei den Einzelhändlern führen kann, wodurch es für Kunden schwieriger wird, zwischen Angeboten zu unterscheiden. Andere argumentieren, dass die Standardisierung von Informationsinhalten (Spezifikationen, Funktionen, Kompatibilität) von Vorteil ist und dass sich die Differenzierung auf das Erlebnisdesign, das Serviceniveau und die Community verlagern wird und nicht auf den Schreibstil. Dies bleibt eine anhaltende Debatte und sollte als eine sich entwickelnde Hypothese und nicht als ein endgültiges Ergebnis behandelt werden.

Auswirkungen für E-Commerce- und Content-Teams

Für Praktiker im E-Commerce und Content-Betrieb hat die aktuelle Welle der KI-gestützten Produktdiscovery mehrere praktische Auswirkungen:

• Katalogarbeit wird strategisch. Taxonomie-Design, Attribut-Governance und Feed-Qualität sind keine "Datenhygiene"-Aufgaben mehr, sondern die wichtigsten Hebel für Suchqualität und Konversion.
• Content-Teams rücken näher an die Datenteams heran. Autoren und Redakteure müssen Attributmodelle verstehen, während Datenverantwortliche die Anforderungen an Erzählungen und UX berücksichtigen müssen.
• No-Code-Fähigkeiten gewinnen an Bedeutung. Die Fähigkeit, KI-Workflows zu konfigurieren, Prompts zu verwalten und Ranking-Richtlinien ohne Code anzupassen, wird zu einer Kernkompetenz für Merchandiser und Produktmanager.
• Die Messung verlagert sich auf Discovery-Metriken. Über herkömmliche Konversionsraten hinaus verfolgen Teams zunehmend die Auffindbarkeit, Relevanzwerte, Suchanfragen ohne Ergebnis und die Zeit bis zur Entdeckung neuer Sortimente.

In diesem Umfeld veranschaulicht das Interview mit dem CMO von Luigi's Box einen breiteren Branchenwandel: KI im Commerce bewegt sich von isolierten Experimenten zu einer Infrastrukturebene, die Feeds, Katalogstandards, PDP-Qualität, Markteinführungsgeschwindigkeit und No-Code-Automatisierung miteinander verbindet. Die Differenzierung in den nächsten fünf Jahren wird wahrscheinlich nicht darauf beruhen, wer "KI hat", sondern darauf, wer seine Content- und Dateninfrastruktur umgestaltet, damit die KI-Produktdiscovery effektiv und transparent arbeiten kann.

Bei NotPIM erkennen wir die entscheidende Bedeutung von Datenqualität und -governance in dieser sich entwickelnden Landschaft. Unsere Plattform wurde speziell entwickelt, um die in diesem Artikel hervorgehobenen Herausforderungen zu bewältigen. Wir ermöglichen E-Commerce-Unternehmen die Straffung der Datenverwaltung, die Standardisierung von Produktinformationen und die Anreicherung ihrer Kataloge, um sicherzustellen, dass sie KI-gestützte Produktdiscovery-Technologien voll ausschöpfen können. Dies ermöglicht es unseren Kunden, sich auf strategische Initiativen, das Erlebnisdesign und den Aufbau von Markendifferenzierung zu konzentrieren.