Wo KI bei Produktdaten wirklich hilft – und warum Einheiten, Varianten und Freigaben weiterhin kontrolliert werden müssen.
Ein Lieferant sendet eine neue Preisliste als Tabellenblatt, technische Daten als PDF und Produktbilder über einen Downloadlink. Ein anderer verwendet andere Bezeichnungen, Einheiten und Variantenlogiken. Der Aufwand liegt nicht nur im Übertragen. Mitarbeitende müssen verstehen, vergleichen, Rückfragen stellen und entscheiden, welche Angabe im eigenen System verbindlich ist.
KI kann unstrukturierte Dokumente lesen, Felder vorschlagen und Abweichungen markieren. Sie kann jedoch nicht ohne Weiteres wissen, ob „12“ Millimeter, Stück oder Verpackungseinheiten bedeutet, welche Quelle im Konfliktfall gilt oder ob eine Variante im eigenen Sortiment zulässig ist. Der wirtschaftliche Nutzen entsteht deshalb nicht durch vollautomatische Übernahme, sondern durch eine kontrollierte Vorverarbeitung.
Der häufigste Denkfehler: Extraktion mit Wahrheit verwechseln
Wenn ein Sprach- oder Dokumentenmodell einen Wert ausgibt, ist damit nur gesagt, dass es ein Muster erkannt hat. Die fachliche Richtigkeit muss über Datenregeln, Quellenbezug und Freigaben abgesichert werden. Gute Produktdaten sind vollständig, konsistent, aktuell und für ihren Zweck verständlich. GS1 beschreibt hierfür standardisierte Produktattribute und ein Data Quality Framework; auch außerhalb eines vollständigen GDSN-Einsatzes ist die Grundidee nützlich: Begriffe, Pflichtfelder und Zuständigkeiten müssen eindeutig sein.
Ein risikoarmer Zielprozess
- Zielattribute festlegen: Welche Felder werden für Einkauf, Verkauf, Lager, Webshop und Compliance tatsächlich benötigt?
- Quellen priorisieren: Für jedes Attribut wird festgelegt, welche Lieferantenquelle im Konfliktfall maßgeblich ist.
- KI extrahieren lassen: Das System schlägt Werte vor und speichert Dokument, Fundstelle und gegebenenfalls Konfidenzhinweis.
- Regeln prüfen: Einheiten, Wertebereiche, Pflichtfelder, Variantenbeziehungen und Dubletten werden maschinell validiert.
- Risikoabhängig freigeben: Kritische Felder wie Preis, Gefahrgut, technische Eignung oder Verpackungseinheit benötigen eine qualifizierte Prüfung.
- Änderung protokollieren: Freigabe, Quelle und spätere Korrekturen bleiben nachvollziehbar.
| Feldart | Beispiel | Geeignete Kontrolle |
|---|---|---|
| Niedriges Risiko | Marketing-Kurztext | Stichprobe und Stilregel |
| Mittleres Risiko | Abmessung oder Gewicht | Einheit, Wertebereich und Quellenvergleich |
| Hohes Risiko | Preis, Gefahrstoffangabe, technische Kompatibilität | Fachliche Freigabe vor Übernahme |
| Beziehungsdaten | Variante, Zubehör, Ersatzteil | Referenzprüfung gegen bestehende Stammdaten |
Ein fiktives Praxisbeispiel
Ein technischer Großhändler testet den Ansatz mit einem Lieferanten und fünfzig Artikeln. Die KI darf zunächst nur Vorschläge in eine Prüfmaske schreiben. Jede Angabe zeigt die Fundstelle im Lieferantendokument. Das Team misst Zeitaufwand, Korrekturen und unklare Felder. Nach dem Pilot werden nur stabile, niedrig riskante Attribute automatisch übernommen. Preis, Einheit und technische Zuordnung bleiben freigabepflichtig. Dadurch wird nicht maximale Automatisierung, sondern ein kontrollierter Durchsatz erreicht.
Datenschutz und Vertraulichkeit: Vor dem Einsatz externer KI-Dienste ist zu klären, welche Lieferanten- oder personenbezogenen Daten verarbeitet werden, wo dies geschieht und welche vertraglichen sowie technischen Schutzmaßnahmen erforderlich sind.
Welche Kennzahlen eine Entscheidung tragen
- Bearbeitungszeit je neuem oder geändertem Artikel
- Anteil der vorgeschlagenen Felder, die unverändert freigegeben werden
- Fehler nach Freigabe, getrennt nach Attribut und Risiko
- Anteil fehlender oder widersprüchlicher Pflichtfelder
- Rückfragen an Lieferanten je Datenpaket
Eine hohe Übernahmequote ist allein kein Qualitätsbeweis. Sie kann auch bedeuten, dass zu oberflächlich geprüft wird. Besser ist eine Kombination aus Zeit, Fehlern, Nachvollziehbarkeit und Risikoklasse.
Was vor dem Pilot geklärt sein sollte
- Datenmodell und Pflichtfelder sind dokumentiert.
- Einheiten und Varianten folgen einheitlichen Regeln.
- Die zulässigen Quellen und Freigaberollen sind benannt.
- Testfälle enthalten auch schlechte Scans, Widersprüche und fehlende Angaben.
- Ein Rückfallweg ohne KI ist vorhanden.
Fazit
KI kann die mühsame Sichtung von Lieferantenunterlagen erheblich vorbereiten. Sie ersetzt aber weder ein sauberes Datenmodell noch fachliche Verantwortung. Der beste Einstieg ist ein begrenzter, messbarer Pilot mit Quellenbezug, Validierungsregeln und risikobasierter Freigabe.
FAQ
Kann KI Produktdaten vollständig automatisch anlegen?
Technisch ist viel möglich. Wirtschaftlich und qualitativ sinnvoll ist eine Vollautomatisierung nur bei stabilen Quellen, eindeutigen Regeln und niedrigen Risiken. Für kritische Attribute bleibt eine Freigabe meist angemessen.
Müssen wir zuerst ein PIM-System einführen?
Nein. Zuerst braucht es ein konsistentes Ziel-Datenmodell und klare Verantwortlichkeiten. Ein PIM kann anschließend die Pflege und Verteilung unterstützen.
Was ändert der EU AI Act für einen solchen Einsatz?
Die konkrete Einordnung hängt von Rolle, System und Verwendung ab. Der EU AI Act ist seit dem 2. August 2026 grundsätzlich anwendbar; einzelne Pflichten gelten nach einem gestaffelten Zeitplan. Für KI-Systeme in bestimmten Hochrisikobereichen gelten die entsprechenden Vorgaben ab dem 2. Dezember 2027. Ob ein konkreter Produktdatenprozess darunter fällt, muss anhand des tatsächlichen Einsatzes geprüft werden. Dieser Beitrag ist keine Rechtsberatung.
Nächster sinnvoller Schritt
Wählen Sie einen Lieferanten mit wiederkehrenden Datenpaketen. Definieren Sie zwanzig Zielattribute, drei Risikoklassen und eine Prüfstichprobe. Erst danach vergleichen Sie manuelle Bearbeitung und KI-unterstützten Ablauf.
Quellen und fachliche Grundlage
- GS1 – Global Data Model
- GS1 – GDSN Standards und Data Quality Framework
- Europäische Kommission – AI Act
- ISO/IEC 42001:2023 – AI management systems
Redaktioneller Hinweis: Der Beitrag bietet eine fachliche Orientierung. Fiktive Beispiele und mögliche Kennzahlen sind keine Ergebnisgarantie. Maßnahmen sind anhand des konkreten Betriebs, der Datenlage und der geltenden Anforderungen zu bewerten.
