Produktdaten für KI-Agenten: Welche Attribute wirklich zählen (Checkliste)

Veröffentlicht von Florian Müller (GF) 21.05.2026 · Kategorie(n): E-Commerce

Dein Produktfeed entscheidet künftig darüber, ob KI-Agenten dein Sortiment empfehlen oder einfach übergehen.

Warum lückenhafter Produktdaten KI-Agenten dazu bringen, deinen Wettbewerber zu empfehlen
Welche Attribute tatsächlich zählen – strukturiert als praxisnahe Checkliste
Wie du unvollständige Feeds gezielt anreicherst, bevor die Lücken Umsatz kosten

1. Was KI-Agenten von klassischen Suchmaschinen unterscheidet

Maschinenlesbare Produktdaten für KI-Agenten sind nicht dasselbe wie gute SEO-Texte für Google. Ein Mensch liest eine Produktbeschreibung, lässt Unvollständigkeiten klaglos durchgehen und füllt Lücken mental auf. Ein KI-Agent tut das nicht. Er parst strukturierte Felder, baut daraus ein Datenbild und entscheidet dann: empfehlen oder ignorieren.

Dieser Unterschied hat handfeste Konsequenzen. In einem Produktions-Audit eines US-amerikanischen Shopify-Stores wurden über 40 % des Inventars von KI-Shopping-Assistenten übergangen, weil der Feed strukturierte Attribute und stabile Identifier vermissen ließ. Kein einziger Marketingtext half dabei, diesen Ausfall zu kompensieren.

Der Mechanismus dahinter: KI-Agenten übersetzen Attribute in Bedeutung, nicht umgekehrt. Ein Eintrag wie „Material: 18/10 Edelstahl“ ist für sich genommen ein Datenpunkt. Erst wenn dieser Datenpunkt im Kontext von Wandstärke, Verwendungszweck und Pflegehinweis steht, kann ein LLM daraus eine Kaufempfehlung mit Konfidenz ableiten. Fehlen diese Felder, schlussfolgert das Modell. Im besten Fall liegt es richtig.

Marktentwicklung: Laut Shopify wuchsen KI-agentenvermittelte Bestellungen auf der Plattform im Jahr 2026 um den Faktor 15 gegenüber dem Vorjahr. Das KI-Referral-Traffic-Wachstum lag im gleichen Zeitraum beim Faktor 8 – die Bestellquote übertrifft also den Traffic-Zuwachs deutlich. KI-Agenten sind längst kein Entdeckungskanal mehr, sie sind ein eigenständiger Kaufkanal.

2. Das Problem: Klassische PIM-Daten reichen nicht mehr

Die meisten Shops haben irgendeine Form von Produktdatenpflege. Titel, Preis, ein Bild, vielleicht eine kurze Beschreibung. Für Google Shopping war das lange Zeit ausreichend. Für KI-Agenten ist es eine Einladung, dein Produkt aus dem Empfehlungs-Set auszuschließen.

Thin Content – also Seiten mit zu wenig oder zu schwachem Inhalt – war schon immer ein Rankings-Problem. Im Zeitalter des Agentic Commerce wird daraus ein Sichtbarkeitsproblem auf einer anderen Ebene: Wer relevante Felder nicht befüllt, erscheint schlicht nicht. Fehlende Informationen führen dazu, dass ein Produkt bei der KI-Filterung ausgeschlossen wird, noch bevor der Nutzer überhaupt eine Empfehlung sieht.

Aus Kundenprojekten bei der Online Solutions Group GmbH (OSG) kennen wir dieses Muster: Ein Gartenbedarf-Händler mit rund 8.000 SKUs hatte für etwa zwei Drittel seines Katalogs weder normierte Materialangaben noch Verwendungszwecke hinterlegt. Als ChatGPT Shopping eingeführt wurde, war dieser Teil des Sortiments de facto unsichtbar. Nicht wegen eines Algorithmus-Updates. Wegen fehlender Datenfelder.

Kritisches Risiko: Ein vollständig fehlendes strukturiertes Datenfeld (z. B. GTIN, Availability oder Material) bewirkt nicht nur schwächeres Ranking – es verhindert, dass das Produkt überhaupt in den Entscheidungsprozess eines KI-Agenten eintritt. Eine überzeugende Produktbeschreibung ersetzt das nicht.

2.1 Warum schlechte Produktdaten Marktanteile kosten

Laut einer Akeneo-Studie wechseln 65 % der Käufer die Produktmarke, wenn ein Wettbewerber bessere Produktinformationen liefert. Das war bereits relevant, als ein Mensch diese Informationen las. Jetzt liest sie zuerst ein Algorithmus. Der Schwellenwert für „ausreichend gut“ ist gestiegen.

Ergänzend dazu: Laut ecommercenews.eu halten 83 % der Online-Käufer Produktinformationen für kaufentscheidend, und 53 % kaufen bei mangelhaften Informationen woanders ein. Diese Zahlen beschreiben menschliches Verhalten. KI-Agenten sind noch rigider. Sie tolerieren keine Lücken, sie kompensieren sie auch nicht.

Produktvergleich ohne vollständige Attribute fällt zugunsten des besser gepflegten Wettbewerbers aus
Fehlende GTINs verhindern die Aufnahme in Shopping-Graphen wie Googles Universal Commerce Protocol
Vage Verfügbarkeitsangaben führen zu Halluzinationen oder zum kompletten Ausschluss aus der Empfehlung
Unstrukturierte Beschreibungstexte können von LLMs nicht zuverlässig geparst werden

3. Die Checkliste: Pflichtattribute für KI-Agenten

Nicht alle Datenfelder sind gleich gewichtig. KI-Agenten verarbeiten strukturierte Felder in einer bestimmten Reihenfolge, beginnend mit Identifikatoren und Kerndaten, dann erst Anreicherungsfelder. Wer die Reihenfolge versteht, weiß, wo er zuerst investieren muss.

3.1 Ebene 1: Pflichtfelder – ohne diese kein Einstieg

Diese Felder sind die Mindestbasis. Fehlt eines davon, riskierst du den vollständigen Ausschluss aus KI-gesteuerten Empfehlungsprozessen.

Produkttitel: Marke + Produkttyp + Hauptmerkmal + Differenzierungsmerkmal – kein generisches Label
GTIN / EAN: verifizierter globaler Produktidentifier – Pflichtfeld für Google Shopping Graph, ChatGPT Shopping und vergleichbare Systeme
MPN (Manufacturer Part Number): besonders relevant im B2B und bei Industriebedarf oder Werkzeug
Markenname: exakt und konsistent, kein Freitext-Wildwuchs
Kategorie (Google Product Taxonomy): normierte Einordnung, nicht Eigenbezeichnung
Preis und Sonderpreis: aktuell, mit Währungsangabe, maschinenlesbar
Verfügbarkeit: in_stock / out_of_stock / preorder – keine Freitext-Varianten
Produktzustand: new / used / refurbished
Bild-URL: hochauflösend, stabil, crawlbar (kein JavaScript-Rendering)
Produkt-URL: kanonisch, dauerhaft, kein Session-Parameter

Praxis-Tipp: GTIN-Prüfung vor Feed-Upload

Prüfe deinen gesamten Katalog auf GTIN-Vollständigkeit, bevor du einen Feed für KI-Kanäle einreichst. In Projekten zeigt sich regelmäßig, dass 15–30 % aller SKUs keine valide GTIN tragen – oft weil Eigenmarken, ältere Artikel oder Import-Ware historisch ohne Identifier eingepflegt wurden. Eine automatisierte Feed-Anreicherung über Websearch kann diese Lücke für viele Artikel schließen.

3.2 Ebene 2: Anreicherungsfelder – hier entscheidet sich die Empfehlungsqualität

Diese Felder differenzieren dein Produkt im KI-Empfehlungs-Set. Wenn zwei Angebote identische Pflichtfelder haben, zieht der Algorithmus diese Ebene heran, um zu priorisieren. Wer hier leer ist, verliert gegen den besser gepflegten Mitbewerber.

Material: exakt und normiert – „100 % Bio-Baumwolle“, nicht „hochwertig“
Maße und Gewicht: zwingend bei Heimtextilien, Möbeln, Werkzeug, Sportartikeln – ohne diese Angaben kann kein KI-Agent Passgenauigkeit bestätigen
Farbe und Größe: normiert, keine Phantasienamen (kein „Ozeanblau“, sondern „Blau“)
Zielgruppe / Altersgruppe / Geschlecht: für Mode, Sportartikel und Kinderprodukte entscheidend
Verwendungszweck / Anwendungsbereich: ermöglicht semantische Zuordnung bei kontextreichen Prompts
Technische Spezifikationen: Wattzahl, Akkukapazität, Schutzklasse, Tragfähigkeit – je nach Branche
Zertifizierungen und Konformitätsnachweise: CE, TÜV, Bio, FSC – relevant für regulatorische Anfragen und Trust-Signale
Lieferzeit und Versandoptionen: KI-Agenten schließen Produkte ohne Lieferzeitangabe häufig aus zeitkritischen Empfehlungen aus
Rückgabe- und Garantiebedingungen: strukturiert als Feld, nicht als Fließtext in der Beschreibung

3.3 Ebene 3: Kontextdaten – für konversationelle Anfragen unersetzlich

KI-Agenten beantworten keine simplen Stichworte mehr. Sie verarbeiten Prompts wie: „Welche wasserdichte Winterjacke eignet sich für Radfahren bei null Grad unter 200 Euro?“ Für diese Art von Anfragen braucht dein Feed eine dritte Datenschicht.

Strukturiertes Q&A-Block: vordefinierte Antworten auf häufige Produktfragen direkt im Datenfeed
Kompatibilitätsinformationen: passende Zubehörteile, kompatible Systeme, Vorgängermodelle
Anwendungsszenarien / Einsatzkontexte: „geeignet für Outdoor“, „ideal für Allergiker“, „für Profi-Anwender“
Kundenbewertungen (strukturiert): Schema-konform eingebunden, als Vertrauenssignal für LLMs
Nachhaltigkeitsangaben: konkret (recycelte Materialien, CO₂-Bilanz), kein Marketing-Floskeln

Benchmark: Laut der ECC Köln Clubstudie (2025) schätzen 66 % der KI-Nutzer die hohe Zeitersparnis durch KI-gestützte Produktsuche. Sie erhalten dabei deutlich bessere Empfehlungen als über klassische Suche – allerdings nur, wenn KI-Systeme auf standardisierte Daten zugreifen können.

4. Technische Anforderungen: Wie KI-Agenten deinen Feed lesen

Strukturierte Inhalte allein reichen nicht. Die technische Bereitstellung entscheidet darüber, ob ein KI-Crawler deine Daten überhaupt erfasst. GPTBot, ClaudeBot und PerplexityBot führen kein JavaScript aus. Wer Produktdaten client-seitig injiziert, liefert für diese Crawler faktisch leere Seiten.

4.1 Pflicht-Formate für KI-Agenten-Feeds

Je nachdem, wo deine Käufer aktiv sind, brauchst du unterschiedliche Feed-Formate. Die Standardisierung schreitet schnell voran: ChatGPT Shopping nutzt den OpenAI Commerce Feed, Google AI Mode und der Shopping Graph verlangen den UCP-konformen Google Merchant Center Feed, Claude-basierte Agenten bedienen sich zunehmend über MCP-Server (Model Context Protocol) für Echtzeit-Daten zu Lagerbestand und Preis.

JSON-LD mit Schema.org-Markup auf jeder Produktseite – server-seitig gerendert, nicht client-injiziert
Google Merchant Center Feed mit vollständig befüllten Pflichtattributen (inkl. GTIN, Availability, Shipping)
OpenAI Commerce Feed für Sichtbarkeit in ChatGPT Shopping
MCP-Server-Anbindung für Echtzeit-Datenzugriff durch Claude und ähnliche Agenten

JSON-LD hält dabei mit weitem Abstand den höchsten Marktanteil unter Structured-Data-Formaten. Der praktische Vorteil: Es kann ohne HTML-Traversal geparst werden, was es zum effizientesten Format für KI-Crawler macht.

kostenloser Beratungstermin

4.2 Ladezeit als Ranking-Faktor für KI-Crawler

KI-Crawler arbeiten mit strikten Timeouts. Wer seinen Shop länger als etwa 2,5 Sekunden zum Laden braucht, riskiert, dass der Crawler abbricht und stattdessen eine schnellere Konkurrenzseite als Quelle heranzieht. Technische Performance ist damit direkt mit der Sichtbarkeit in KI-Empfehlungen verknüpft, nicht nur mit dem klassischen Core Web Vitals-Score.

5. Feed-Anreicherung: Was tun, wenn der eigene Katalog Lücken hat?

Die Realität in den meisten Shops: Der Feed ist gut genug für den Shop selbst, aber zu lückenhaft für KI-Agenten. Fehlende GTINs, nicht normierte Materialangaben, unklare Verfügbarkeiten. Das ist kein Versagen, das ist der Ausgangszustand von 80 % der Kataloge, die wir bei OSG analysieren.

Die Frage ist nicht, ob Lücken da sind. Die Frage ist, wie schnell du sie schließt. Bulk-Generierung mit Websearch-Integration erlaubt es, fehlende Attribute für tausende Produkte automatisiert anzureichern, statt Produkt für Produkt manuell nachzupflegen.

5.1 Priorisierung der Anreicherung nach Reichweite

Nicht jedes Attribut muss sofort für alle SKUs gepflegt werden. Priorisiere nach dem Verhältnis aus Suchvolumen und aktuellem Datenlückengrad:

Schritt 1: GTIN-Vollständigkeit für umsatzstarke Top-SKUs herstellen
Schritt 2: Verfügbarkeits- und Lieferzeitangaben normieren (größter sofortiger Impact auf KI-Filterlogik)
Schritt 3: Materialien, Maße und Verwendungszwecke für die meistgesuchten Kategorien ergänzen
Schritt 4: Q&A-Blöcke und Kontextdaten für High-Margin-Produkte aufbauen
Schritt 5: Schema.org JSON-LD für alle Produktseiten vollständig implementieren

Aus einem Projekt mit einem Heimtextilien-Händler: Allein die Normierung der Materialangaben und das Ergänzen fehlender Maßangaben für die 500 umsatzstärksten Produkte führte innerhalb von acht Wochen zu messbaren Zuwächsen in den Google AI Overview-Impressionen – ohne sonstige Änderungen am Shop oder Feed.

Praxis-Tipp: Normierung vor Ergänzung

Bevor du fehlende Attribute ergänzt, normiere zuerst die vorhandenen. Phantasiefarben, inkonsistente Materialbezeichnungen und Einheitenmischmasch (cm vs. mm, kg vs. g) erzeugen Datennoise, den KI-Systeme nicht tolerant behandeln. Sauberkeit schlägt Vollständigkeit, wenn du priorisieren musst.

6. Differenzierung nach Rolle: Wer braucht was aus dieser Checkliste?

Je nach Perspektive steht ein anderer Teil der Checkliste im Vordergrund. Die inhaltliche Grundlage ist dieselbe, die Priorität verschiebt sich.

Rolle	Primäre Attribut-Priorität	Kennzahl im Fokus
Head of E-Commerce	Ebene 1 vollständig, Verfügbarkeit normiert	Time-to-Market, KI-Sichtbarkeit
SEO-Manager	JSON-LD, Schema.org, GEO-Optimierung	AI Overview-Impressionen, Organic Traffic
Category Manager	Verwendungszweck, Q&A-Blöcke, Kompatibilität	Conversion Rate, Retouren-Quote
PIM-Verantwortlicher	GTIN-Vollständigkeit, Normierung, Feed-Formate	Datenqualitäts-Score, Feed-Akzeptanzrate
Geschäftsführung	Priorisierung Ebene 1–2 für Top-SKUs	ROI der Datenanreicherung, Umsatz KI-Kanal

7. Von Daten zu Texten: Attribute automatisiert in Kaufargumente übersetzen

Strukturierte Attribute sind die Voraussetzung. Aber sie sind nicht das Endprodukt, das Käufer überzeugt. Die eigentliche Hebelwirkung entsteht, wenn Rohdaten in Kaufargumente übersetzt werden, die sowohl für KI-Agenten maschinenlesbar als auch für Menschen lesbar sind.

Genau hier setzt feed2content.ai ® an. Die Plattform verarbeitet deinen Produktfeed (CSV, XML, JSON, TXT) und generiert daraus Produktbeschreibungen, Kategorie- und Landingpage-Texte sowie Meta-Daten, die über 0,80 € pro Text und ohne Abo-Modell skalieren. Jeder Text durchläuft dabei über 100 SEO- und Qualitätschecks. Für unvollständige Feeds greift die integrierte Websearch-Funktion ein und ergänzt fehlende Kontextinformationen automatisch.

Das bedeutet konkret: Du kannst einen Feed mit 5.000 SKUs einlesen, den Attribut-Qualitätsstand analysieren lassen und innerhalb von weniger als 24 Stunden vollständig betextete, strukturierte und KI-optimierte Produktseiten ausgeben. Weitere Praxisbeispiele aus realen Shop-Projekten findest du in den Referenzen.

Marktkontext: Laut McKinsey wollen über 60 % der führenden Unternehmen ihren Online-Kanal gezielt mit GenAI-Tools ausbauen; 30 % dieser Unternehmen planen, mehr als ein Zehntel ihres E-Commerce-Budgets in KI-Anwendungen zu investieren. Wer bis dahin seinen Produktfeed nicht auf KI-Agenten vorbereitet hat, verliert nicht nur Sichtbarkeit – er verliert strukturell an Boden.

8. Häufige Fehler bei der Attribut-Pflege

Wer eine Checkliste abarbeitet, kann trotzdem scheitern, wenn er dabei systematische Fehler macht. Die drei häufigsten aus der Praxis:

Freitext statt normierter Werte: „Robust und langlebig“ als Materialangabe hilft keinem KI-System. „Aluminium, eloxiert, Wandstärke 2 mm“ schon.
Inkonsistente Attribut-Schreibweisen: „blau“, „Blau“, „Blue“ und „Dunkelblau“ erzeugen vier verschiedene Datensätze für dasselbe Produkt. KI-Systeme deduplizieren das nicht automatisch.
Statische Verfügbarkeitsangaben: Ein Produkt, das im Feed als „in_stock“ geführt wird, obwohl es seit Wochen ausverkauft ist, erzeugt nicht nur Kundenfrustration. Es beschädigt das Vertrauen des KI-Agenten in die Datenbasis des gesamten Feeds.

Das vierte Problem ist subtiler: viele Shops pflegen Ebene-1-Daten für ihre Hauptkategorie, vergessen aber identische Attribute für Cross-Selling-Produkte, Saisonware oder kürzlich importierte Sortimentsteile. KI-Agenten bewerten nicht einzelne Produkte – sie bewerten den Katalog als Ganzes. Konsistenz über das gesamte Sortiment ist deshalb kein Qualitätsmerkmal für den Endkunden, sondern ein technisches Zugangsticket.

Mehr zum Thema Feed-Qualität und automatisierte Textgenerierung findest du im feed2content.ai Magazin.

9. Häufige Fragen zu Produktdaten für KI-Agenten

Welche Produktdaten-Attribute sind für KI-Agenten am wichtigsten?

Die wichtigsten Attribute lassen sich in drei Ebenen gliedern. Ebene 1 sind Pflichtfelder ohne die ein Produkt nicht in den Empfehlungsprozess eintreten kann: GTIN, Markennamen, normierten Produkttitel, Preis, Verfügbarkeit, Produktkategorie (Google Product Taxonomy) und Bild-URL. Ebene 2 umfasst Anreicherungsfelder wie Material, Maße, Gewicht, Zielgruppe, Verwendungszweck und Zertifizierungen, die bei identischen Pflichtfeldern den Unterschied im Ranking machen. Ebene 3 sind Kontextdaten wie strukturierte Q&A-Blöcke und Kompatibilitätsinformationen, die für konversationelle KI-Anfragen mit 15 bis 30 Wörtern erforderlich sind.

Was ist der Unterschied zwischen klassischem SEO und KI-Agenten-Optimierung?

Klassisches SEO optimiert für Keyword-Relevanz und Backlink-Autorität, damit Suchmaschinen Seiten ranken und Menschen auf Links klicken. KI-Agenten-Optimierung (auch Agentic Commerce Optimization oder GEO genannt) zielt darauf ab, dass autonome Systeme Produkte korrekt verstehen, einordnen und eigenständig empfehlen können. Statt Keyword-Dichte sind normierte Attribute, maschinenlesbare Formate und strukturierte Identifikatoren wie GTIN die entscheidenden Signale. Die Optimierungslogik ist grundlegend verschieden.

Warum reicht eine gute Produktbeschreibung nicht mehr aus?

KI-Crawler wie GPTBot, ClaudeBot oder PerplexityBot führen kein JavaScript aus und lesen keine Fließtexte so wie Menschen. Sie parsen strukturierte Felder und bauen daraus ein Datenbild des Produkts. Eine überzeugende Produktbeschreibung ohne hinterlegte strukturierte Daten (JSON-LD, normierte Feed-Attribute) ist für diese Systeme faktisch unsichtbar. Inhalt und Struktur müssen zusammenspielen.

Was ist ein MCP-Server und brauche ich einen für meinen Shop?

MCP steht für Model Context Protocol, ein offener Standard ursprünglich von Anthropic, der KI-Agenten ermöglicht, in Echtzeit auf Produktdaten, Lagerbestand und Preise zuzugreifen. Während statische Feeds gecachte Daten liefern, ermöglicht ein MCP-Server die Abfrage aktueller Informationen. Für Shops mit häufig wechselnden Preisen, saisonalen Lagerbeständen oder B2B-Individualpreisen ist ein MCP-Server mittelfristig relevant. Im ersten Schritt wichtiger ist jedoch die Vollständigkeit der Pflichtattribute in Ebene 1.

Wie erkenne ich, ob mein Produktfeed für KI-Agenten ungeeignet ist?

Typische Warnsignale: mehr als 10 Prozent der SKUs ohne valide GTIN, Verfügbarkeitsangaben als Freitext statt normierter Werte, fehlende Maße oder Gewichtsangaben bei physischen Produkten, Materialbezeichnungen als Marketing-Adjektive statt technische Angaben sowie Produktkategorien in Eigenbezeichnung statt Google Product Taxonomy. Auch fehlende JSON-LD-Implementierung auf Produktseiten ist ein klares Warnsignal, da KI-Crawler ohne server-seitig gerendertes Schema-Markup keine verwertbaren Daten extrahieren können.

Wie viele Produkte lassen sich realistisch in kurzer Zeit auf KI-Agenten-Standard anreichern?

Mit automatisierter Bulk-Generierung und Websearch-Integration lassen sich tausende Produkte in unter 24 Stunden mit KI- und SEO-optimierten Texten sowie angereicherten Attributen versehen. Entscheidend ist dabei die Priorisierung: Umsatzstarke Top-SKUs, für die lückenhafte Daten unmittelbar Umsatz kosten, sollten zuerst bearbeitet werden. Eine manuelle Nachpflege ist danach nur noch für produktspezifische Sonderfälle notwendig.

Gilt die Checkliste auch für B2B-Shops mit Industriebedarf oder Werkzeug?

Ja, mit ergänzenden Anforderungen. Im B2B-Bereich sind neben GTIN und MPN besonders technische Spezifikationen, Normkonformitätsnachweise und Kompatibilitätsangaben mit bestehenden Systemen entscheidend. KI-Agenten im B2B-Einkauf extrahieren spezifische Parameter und erstellen daraus Vergleichstabellen für Einkäufer. Wer hier keine strukturierten Felder liefert, verliert gegen Lieferanten, die ihre Daten professionell aufbereitet haben. Für erklärungsbedürftige B2B-Produkte sind Q&A-Blöcke und Anwendungsszenarien besonders wertvoll.

10. Nächste Schritte: 40 € Startguthaben sichern

Du willst sehen, wie feed2content.ai in deinem Shop funktioniert? Lade deinen
Produktfeed hoch und generiere deine ersten Texte – mit 40 € Startguthaben,
ohne Abo, ohne Risiko. Das Angebot gilt nur bis Ende Mai.

40 € Startguthaben sichern