KI im PIM: Produktinformationen pflegen.

Das PIM-System ist in vielen mittelständischen Unternehmen das ungeliebte Backend — eingeführt vor Jahren, halb gepflegt, von keiner Abteilung wirklich verantwortet, aber zentral für jeden Vertriebskanal. Wer dort hineinschaut, findet meist ein Mischbild: einige Attribute exzellent gepflegt, andere lückenhaft, manche in fünf Schreibweisen, die meisten ohne Übersetzung. Gleichzeitig steigen die Anforderungen aus Marktplätzen, Konfiguratoren und Shops kontinuierlich. KI verspricht hier nicht den großen Wurf, sondern systematische Hilfsarbeit: Daten klassifizieren, fehlende Felder auf Basis bestehender Informationen ergänzen, übersetzen, in unterschiedliche Kanalformate übertragen. Damit das funktioniert, muss man verstehen, wo KI sinnvoll ansetzt, wo sie eine schon verlorene Datenbasis nicht retten kann und wo Mitarbeitende anders eingesetzt werden müssen.

Warum das PIM mehr Aufmerksamkeit braucht, als es bekommt.

Das Product Information Management ist die Datenquelle, die im Hintergrund alles speist: Webshop, Marktplätze, Konfiguratoren, Print-Katalog, Vertriebsunterlagen, ERP-Anbindungen. Schwankungen in der Qualität schlagen direkt auf die Kanäle durch — fehlende Attribute führen zu Filterproblemen, falsche Klassifizierungen zu Listing-Ablehnungen, Übersetzungslücken zu unvollständigen Auslandsseiten.

Trotzdem ist das PIM in fast jedem mittelständischen Unternehmen unterbesetzt. Häufig wird die Pflege als Aufgabe „nebenbei“ im Produktmanagement, im E-Commerce oder im Service erledigt. Klare Verantwortlichkeiten, definierte Pflegestandards und konsistente Workflows fehlen.

Hier kommt KI ins Spiel — nicht als Ersatz für die fehlende Organisation, sondern als Werkzeug, das die manuelle Pflegelast reduziert und es realistisch macht, größere Sortimente sauber zu führen. Wer allerdings hofft, mit KI die Organisationslücke zu schließen, wird enttäuscht: Ohne klare Pflegehoheit landen auch KI-Vorschläge wieder im Niemandsland.

Klassifizierung: Artikel in Kategorien einsortieren.

Eine der zeitfressendsten PIM-Aufgaben ist die Einordnung neuer Artikel in die hauseigene Kategoriestruktur — oft mit hunderten Kategorien und überlappenden Klassifizierungslogiken. Bei größeren Sortimenten geht hier ein nennenswerter Teil der Pflegezeit verloren.

KI kann diese Klassifikation auf Basis von Produktbezeichnung, Beschreibung und vorhandenen Attributen vorschlagen. Sinnvoll umgesetzt sind das nicht „Entscheidungen“, sondern Vorschläge mit Konfidenzwerten: Bei 95 Prozent Konfidenz wird die Klassifizierung direkt übernommen, bei 70 bis 95 zur Bestätigung vorgelegt, unter 70 Prozent manuell geprüft.

In der Praxis erreichen solche Modelle nach kurzer Trainingsphase Trefferquoten zwischen 85 und 95 Prozent — abhängig davon, wie stringent die Kategoriestruktur ist. Wo Kategorien überlappen oder unsauber definiert sind, wird auch die KI unzuverlässig. Das ist meist ein Hinweis, die Struktur selbst zu überarbeiten, bevor man Hilfsmittel auf sie loslässt.

Attribute anreichern: Lücken systematisch füllen.

Der zweite große Hebel liegt in der Anreicherung fehlender Attribute. Wenn von 5.000 Artikeln 3.000 das Attribut „Material“ gepflegt haben und 2.000 nicht, lassen sich für die fehlenden Werte oft Vorschläge ableiten — aus Produktnamen, aus Lieferantendokumenten, aus ähnlichen Artikeln derselben Kategorie.

Konkrete Anwendungsfälle:

• Materialerkennung aus dem Produkttitel oder Datenblatt.
• Maße aus PDF-Spezifikationen extrahieren und in strukturierte Felder schreiben.
• Farbcode-Zuordnung aus Bildanalyse oder Lieferantenangaben.
• Energieeffizienz oder Sicherheitskennzeichen aus Lieferantendokumenten ableiten.

Wichtig ist hier die Disziplin, KI-vorgeschlagene Werte als solche zu markieren — etwa über ein Feld „manuell geprüft ja/nein“. So entsteht keine falsche Sicherheit über die Datenqualität. Auch bei guten Modellen liegt eine Restfehlerquote im einstelligen Prozentbereich, die in regulierten Branchen problematisch sein kann.

Texte und Übersetzungen für viele Kanäle.

Die dritte typische PIM-Aufgabe ist die Texterzeugung in unterschiedlichen Längen und Sprachen. Für den Webshop braucht es eine ausführliche Beschreibung, für den Marktplatz eine knappe Variante, für den Katalog vielleicht einen anderen Stil. Multipliziert mit fünf bis fünfzehn Sprachen entstehen schnell unbeherrschbare Volumina.

Hier liefert KI heute solide Ergebnisse — vorausgesetzt, die Attribute sind sauber. Aus einem gut gepflegten Attribut-Set lässt sich ein 60-Wort-Marktplatztext, ein 150-Wort-Shoptext und ein 30-Wort-Vergleichstabelleneintrag erzeugen, jeweils in mehreren Sprachen. Die Übersetzungsqualität reicht für Standardprodukte in europäischen Sprachen meist aus. Bei technischen Spezialprodukten oder Märkten mit eigenen sprachlichen Konventionen (Asien, Osteuropa) ist eine menschliche Endkontrolle weiterhin notwendig.

Sinnvoll ist eine Trennung zwischen Pflegeschicht und Ausgabeschicht: Die Attribute werden zentral gepflegt, die Texte für die jeweiligen Kanäle on-demand generiert. Das spart Speicherplatz und hält die Konsistenz hoch, weil eine Änderung an den Attributen automatisch alle abgeleiteten Texte aktualisiert.

Bilder, Datenblätter und unstrukturierte Quellen.

Ein großer Teil der Produktinformationen im Mittelstand liegt nicht in strukturierter Form vor, sondern in Lieferantenkatalogen, PDFs, E-Mails und Excel-Listen. Hier können moderne KI-Systeme (insbesondere multimodale Modelle) helfen, strukturierte Daten aus diesen Quellen zu extrahieren.

Aus einem Lieferanten-Datenblatt lassen sich Maße, Materialien, Spezifikationen und Sicherheitshinweise automatisch in PIM-Felder übertragen. Aus Produktbildern lassen sich Farben, Stilrichtung, gegebenenfalls Maßverhältnisse ableiten. Aus Excel-Lieferantenlisten lassen sich Stammdatenfelder mappen — auch wenn die Lieferanten unterschiedliche Spaltennamen verwenden.

Der Nutzen ist erheblich, wenn die Vorarbeit stimmt: Welche Felder will man füllen, welche Quellen liefern sie, welche Fehlerraten sind akzeptabel. Wer hier unscharf startet, bekommt eine technisch beeindruckende Lösung, die im Alltag nicht stabil läuft. Wer scharf startet, kann den Onboarding-Aufwand neuer Lieferantenartikel um 40 bis 70 Prozent reduzieren.

Datenqualität messen — und sichtbar machen.

Eine unterschätzte Anwendung von KI im PIM ist nicht die Anreicherung selbst, sondern die kontinuierliche Qualitätsüberwachung. Welche Artikel haben Pflichtfelder unausgefüllt? Welche Werte sind plausibel inkonsistent (gleicher Hersteller mit drei verschiedenen Namen)? Welche Kategorien haben besonders schwache Pflegequalität?

Hier wirken KI-Modelle als Audit-Werkzeug. Sie können auf Anomalien hinweisen, die durch klassische Regeln (Pflichtfeld leer = Fehler) nicht erkennbar wären. Etwa: ein Produkt mit unrealistischen Dimensionen relativ zur Kategorie, ein Preis, der drei Standardabweichungen von vergleichbaren Artikeln entfernt liegt, ein Bild, das nicht zur Beschreibung passt.

Ein Dashboard, das diese Auffälligkeiten regelmäßig sichtbar macht, hilft, die Pflege zu steuern. Es ersetzt nicht die Verantwortung — aber es zeigt, wo das organisatorische Problem liegt, und liefert objektive Daten gegen die typische Aussage „läuft eigentlich gut“.

Grenzen und Risiken im PIM-Kontext.

Eine ehrliche Bestandsaufnahme der Grenzen ist wichtig. KI kann fehlende Daten nur dort ergänzen, wo sich aus vorhandenen Daten plausible Werte ableiten lassen. Bei vollständig fehlenden Attributen (keine Lieferantenquelle, keine ähnlichen Produkte) bleibt nur die manuelle Pflege.

Zweitens: Bei regulierten Sortimenten — Lebensmittel, Pharmazie, technische Sicherheitsprodukte — sind Datenfehler nicht „unschön“, sondern abmahnfähig. Hier braucht es zwingend eine zweite Prüfungsebene, die nicht algorithmisch ist. KI-Vorschläge dürfen niemals ungeprüft in einen rechtlich relevanten Kanal gelangen.

Drittens: PIM-Konsolidierung ist ein politisches Projekt. Wer entscheidet, welcher Wert „der richtige“ ist, wenn Vertrieb und Service unterschiedliche Bezeichnungen pflegen? Wer hat das letzte Wort bei der Kategoriestruktur? Diese Fragen klärt kein Algorithmus. KI macht die organisatorischen Lücken sichtbar und stellt damit oft die Geduldsprobe für die Geschäftsführung — die nun entscheiden muss, wer die Datenhoheit trägt.

Wie ein PIM-KI-Projekt sinnvoll startet.

Der häufigste Fehler ist die simultane Renovierung mehrerer Bereiche: PIM-System wechseln, KI einführen, Kategoriestruktur überarbeiten — alles gleichzeitig. Das wird ein Mehrjahresprojekt mit unsicherem Ausgang. Sinnvoller ist ein gestaffelter Ansatz.

Phase eins: Bestandsaufnahme der aktuellen Datenqualität, definiert als messbare Kennzahlen pro Kategorie. Phase zwei: KI-gestützte Anreicherung in einer überschaubaren Pilotkategorie — typischerweise 500 bis 2.000 Artikel — mit klarer Erfolgsmessung. Phase drei: Roll-out auf weitere Kategorien mit definierten Akzeptanzkriterien.

Wichtig ist die Verantwortungsfrage: Wer im Unternehmen besitzt die PIM-Datenqualität? Solange das nicht eindeutig geklärt ist, hilft kein KI-Werkzeug. Erst wenn eine Person oder ein kleines Team verbindlich für Standards und Pflegestand verantwortlich ist, lohnt die Investition in KI-Werkzeuge. Andernfalls automatisiert man ein Vakuum.

Sie überlegen, Ihre PIM-Datenpflege mit KI zu entlasten? Unverbindlich anfragen — wir schauen gemeinsam auf Datenqualität, Verantwortlichkeiten und sinnvolle Pilotbereiche.