### Einführung des KI-Assistenten in der mobilen App
Magnit hat seinen proprietären KI-Assistenten namens Mёdik (Magic) direkt in die mobile App "Magnit: Aktionen und Lieferung" integriert. Der Assistent wurde intern vom Technologie-Team des Unternehmens unter Verwendung von Open-Source-Technologien und einem kommerziellen Large Language Model (LLM) eines Drittanbieters entwickelt und ermöglicht es Benutzern, Produkte anhand bestimmter Kriterien wie Mahlzeiten auszuwählen. Er unterstützt auch die Abfrage des Bestellstatus und die Lösung von Problemen, ohne den Kundenservice kontaktieren zu müssen.
Zukünftige Erweiterungen werden die Fähigkeiten erweitern, maximale Rabatte auf Artikel zu identifizieren, Tipps zur Navigation im Geschäft zu geben, bei Selbstbedienungs-Kassen zu helfen und Kosmetik- und Hautpflegeprodukte zu empfehlen, die auf die individuellen Hautmerkmale zugeschnitten sind. Magnit positioniert dies als den ersten KI-Assistenten, der in den mobilen Anwendungen des Lebensmitteleinzelhandels eingeführt wurde.
### Technische Grundlage und erste Implementierung
Die KI nutzt einen hybriden Ansatz: Open-Source-Frameworks für Kernfunktionalitäten kombiniert mit einem kommerziellen LLM für fortschrittliche Verarbeitung natürlicher Sprache. Diese Konfiguration ermöglicht Echtzeit-Produktabgleiche aus riesigen Katalogen, die auf strukturierten Daten wie Attributen, Preisen und Verfügbarkeit basieren. Die aktuellen Funktionen konzentrieren sich auf empfehlungsbasierte Abfragen und wandeln vage Benutzereingaben – wie "Zutaten für das Abendessen" – in präzise Sortimente um, wodurch der Shopping-Entdeckungsprozess optimiert wird.
Die Integration erfolgt nativ innerhalb der App, die bereits Aktionen, Lieferung und Treueprogramme verwaltet, was sich in ihrer Kernrolle in Magnits Multi-Format-Einzelhandelsaktivitäten widerspiegelt. Dadurch wird KI in tägliche Benutzerinteraktionen eingebettet, ohne dass separate Tools erforderlich sind.
### Auswirkungen auf Produkt-Feeds im E-Commerce
KI-Assistenten wie Mёdik beeinflussen Produkt-Feeds direkt, indem sie dynamische Filterung und Personalisierung zur Abfragezeit ermöglichen. Traditionelle Feeds basieren auf statischen Regeln oder manueller Kuration, aber LLM-gesteuerte Abgleichsprozesse verarbeiten die Absicht des Benutzers anhand von Feed-Attributen – Preis, Kategorie, Ernährungsbedürfnisse – und beschleunigen die Relevanz ohne aufwändiges Vorab-Tagging. Dies reduziert die Latenz bei Feed-Updates, da sich Katalogänderungen in Echtzeit sofort auf Empfehlungen auswirken.
Für den Lebensmittele-Commerce, in dem die Sortimente Tausende von SKUs mit verderblichen oder aktionsbedingten Schwankungen überschreiten, minimieren solche Systeme die Exposition gegenüber veralteten Daten. Die kriterienbasierte Auswahl des Assistenten deutet auf Vektoreinbettungen oder semantische Suche über Feeds hin, wodurch die Auffindbarkeit von Long-Tail-Artikeln verbessert wird, die starre Feeds übersehen. Wenn Sie Hilfe bei Ihrem eigenen **Produkt-Feed** suchen, lesen Sie diesen Blog: [/blog/product_feed/](https://notpim.com/blog/product_feed/).
### Verbesserung der Katalogstandardisierung
Die Katalogisierung im Einzelhandel leidet oft unter inkonsistenten Standards zwischen den Lieferanten, was zu fragmentierten Daten führt. Mёdiks Einsatz erzwingt eine implizite Standardisierung: Durch die Abfrage nach Mahlzeitenarten oder Hautmerkmalen fordert er einheitliche Attribute in Backend-Katalogen – Ernährungsprofile, Zutatenlisten, dermatologische Tags. Im Laufe der Zeit führt dies zu Verbesserungen in vorgelagerten Bereichen, da unvollständige Daten zu schlechten Empfehlungen führen, wodurch Teams unter Druck gesetzt werden, sich an neu entstehende Schemata anzupassen.
Im E-Commerce, wo 70-80 % der Kataloge von verschiedenen Anbietern stammen, fungiert KI als Qualitätstor. Nicht standardmäßige Einträge beeinträchtigen die LLM-Genauigkeit und fördern die Einführung von Protokollen wie GS1 oder benutzerdefinierten Ontologien. Magnits Eigenentwicklung deutet auf proprietäre Verfeinerungen zur Handhabung regionaler Produktnuancen hin und setzt einen Maßstab für die skalierbare Kataloghygiene.
### Verbesserung der Produkt-Card-Qualität und -Vollständigkeit
Produkt-Cards in Lebensmittel-Apps mangelt es häufig an Tiefe – Allergene, Kombinationen oder Ersatzstoffe fehlen – was die Konversion einschränkt. Mёdik behebt dies, indem er die Vollständigkeit aus Interaktionen ableitet: Unvollständige Karten scheitern an komplexen Abfragen und offenbaren Lücken für iterative Anreicherung. Zukünftige Hautpflegeempfehlungen erfordern beispielsweise Attribute wie pH-Werte oder hypoallergene Kennzeichnungen, was zu umfassenderen, kontextbezogenen Cards führt.
Dies verlagert den E-Commerce von beschreibenden zu prädiktiven Cards, bei denen KI fehlende Felder über Inferenz ausfüllt (z. B. Hochrechnung der Eignung für Mahlzeiten aus Zutaten). Ergebnis: höheres Benutzervertrauen und weniger Retouren, da die Empfehlungen mit den tatsächlichen Bedürfnissen übereinstimmen. Für die Content-Infrastruktur automatisiert es Anreicherungsworkflows und priorisiert Artikel mit hohem Traffic. Um sicherzustellen, dass Ihre **Produktbeschreibungen** erstklassig sind, können Sie einen großen Unterschied machen. Erfahren Sie mehr: [/blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/](https://notpim.com/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/).
### Beschleunigung der Bereitstellungsgeschwindigkeit von Sortimenten
Geschwindigkeit bei der Ausgabe neuer Sortimente definiert den wettbewerbsorientierten E-Commerce, insbesondere im aktionslastigen Lebensmittelbereich. Die manuelle Einarbeitung – Testen von Feeds, Cards, Aktionen – dauert Tage; KI reduziert dies auf Minuten. Die Rabattjagd-Funktion von Mёdik, die zur Einführung geplant ist, scannt Live-Feeds nach optimalen Übereinstimmungen und ermöglicht das sofortige Anzeigen von Blitzverkäufen oder saisonalen Einführungen ohne erneutes Crawling.
No-Code-Elemente verstärken dies: Open-Source-Basen ermöglichen Drag-and-Drop-Prompt-Tuning und Regel-Overlays, wodurch Warteschlangen für Entwickler umgangen werden. Einzelhändler können KI-Verhalten an Teilmengen des Sortiments A/B-testen und die Gewinner schnell app-weit einsetzen. Im Fall von Magnit deutet die Verknüpfung von KI mit dem Self-Checkout und der In-Store-Anleitung auf eine Omnichannel-Synchronisierung hin, bei der App-Erkenntnisse reale Layouts in Echtzeit optimieren.
### No-Code-KI- und Content-Automatisierungs-Synergien
No-Code-Plattformen in Kombination mit LLMs senken Barrieren für den KI-Einsatz, wie Mёdiks Open-Source-Grundlage zeigt. Einzelhandels-Tech-Teams konfigurieren Verhaltensweisen über visuelle Oberflächen – Prompt-Chaining für Abfragen, Integrations-Hooks für Bestell-APIs – ohne tiefes Coding. Dies demokratisiert Content-Prozesse: Vermarkter definieren Empfehlungslogik, Ops erledigen Support-Flows und beschleunigen die Iteration.
Für die E-Commerce-Infrastruktur schaltet es generativen Content im großen Maßstab frei: automatische Generierung von Card-Beschreibungen, Promo-Text oder personalisierten Bundles aus Feed-Daten. Magnits Support-Lösung über KI ist ein Beispiel dafür, dass Tickets durch die Synthese von Bestellhistorie und Richtlinien präemptiv bearbeitet werden. Hypothese: Wenn sich die Modelle weiterentwickeln, wird No-Code die KI kettenübergreifend standardisieren und Entwicklungszyklen von Monaten auf Wochen verkürzen, während gleichzeitig benutzerdefinierte Vorteile erhalten bleiben. Die Verwaltung Ihrer Daten für diese Tools wird durch ein Tool wie ein **Preislistenbearbeitungsprogramm** erleichtert – lesen Sie diesen Artikel: [/blog/price-list-processing-program/](https://notpim.com/blog/price-list_processing_program/).
Retailer's.ru berichtete über den Start und unterstrich damit seinen Pionierstatus im Lebensmittelbereich. VentureBeat berichtete über verwandte KI-Innovationen für die Belegschaft und hob das breitere Plattformpotenzial hervor. Die Verwaltung Ihrer E-Commerce-Aktivitäten hängt oft vom richtigen Format Ihrer Daten ab. Werfen Sie einen Blick auf unsere ausführlichen Anleitungen zu den **CSV- und JSON-Formaten**: [/blog/csv-format-how-to-structure-product-data-for-smooth-integration/](https://notpim.com/blog/csv-format-how-to-structure-product-data-for-smooth-integration/) oder [/blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/](https://notpim.com/blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/)
Die Einführung des KI-Assistenten von Magnit unterstreicht einen wichtigen Trend zur Nutzung von KI zur Produktsuche und zur Verbesserung der Kundenerfahrung, insbesondere im Zusammenhang mit dem E-Commerce im Lebensmittelsektor. Dieser Schritt signalisiert einen Vorstoß zur Katalogstandardisierung und zu reichhaltigeren Produktdaten zur Speisung von KI-Modellen. Für Plattformen wie NotPIM unterstreicht dies die wachsende Bedeutung des Product Information Management bei der Unterstützung anspruchsvoller KI-gestützter Funktionalitäten. Wir sehen diese Entwicklung als einen positiven Schritt in Richtung intelligenterer und effizienterer E-Commerce-Abläufe.