Mangelnde Datenreife als primärer Blocker für Unternehmens-KI

Händler investieren massiv in generative KI und autonome Einkaufs-Agenten, weil sie das Potenzial sehen, die Customer-Journey zu beschleunigen und Kosten zu senken. Doch ohne eine standardisierte, qualitativ hochwertige Produktdatenbasis (PIM) laufen diese Investitionen Gefahr, in kostspielige Fehlentscheidungen, hohe Retourenquoten und Kaufabbrüche zu münden. Das klassische Informatik-Axiom „Garbage-in, Garbage-out“ gilt im Zeitalter autonomer Shopping-Bots sogar verstärkt.

Warum eine standardisierte Produktdatenbasis unverzichtbar ist

Agentic Commerce – das Konzept, bei dem KI-Agenten eigenständig Kaufentscheidungen treffen – setzt strukturierte, maschinenlesbare Schnittstellen und konsistente Attribute voraus. Ohne diese Grundlagen können KI-Systeme keine zuverlässigen Empfehlungen aussprechen.

• Generative Modelle operieren auf statistischen Wahrscheinlichkeiten, nicht auf Fakten.
• Fehlende oder widersprüchliche Attribute führen zu Halluzinationen – falsche, aber plausibel klingende Produktbeschreibungen.
• Autonome Agenten können fehlende Attribute nicht intuitiv ergänzen, sie schließen fehlerhafte Produkte aus der Selektion aus.

„Der Enthusiasmus um Agentic Commerce und generative Assistenten im Handel trifft auf eine harte operative Realität: Künstliche Intelligenz behebt kein strukturelles Datenchaos, sie beschleunigt es.“ – Benedikt Merl

Datenqualität als kritischer Erfolgsfaktor

Die Destatis-Erhebung von 2025 zeigt, dass 44 % der deutschen Unternehmen bei KI-Initiativen an mangelhafter Datenverfügbarkeit oder -qualität scheitern. Gartner prognostiziert, dass bis 2026 60 % der KI-Projekte ohne standardisierte Datenbasis abgebrochen werden. Diese Zahlen belegen, dass die Datenhygiene das größte operative Risiko bei KI-Investitionen darstellt.

Wirtschaftliche Konsequenzen mangelhafter Produktdaten

Im E-Commerce wirken sich ungenaue Spezifikationen und fehlerhafte Attribute unmittelbar auf geschäftskritische Kennzahlen aus:

• Durchschnittliche jährliche Kosten mangelhafter Daten: 12,9 Mio. US-$ pro Unternehmen (Gartner 2024).
• Rund 50 % der Online-Käufer brechen den Kaufvorgang ab, wenn Produktinformationen unvollständig sind (2024).
• Hohe Retourenquoten entstehen, weil autonome KI-Agenten fehlerhafte Produkte nicht korrekt filtern können.

„KI ist keine Müllabfuhr für schlechte Produktdaten.“ – Dominik Grollmann

Quantitative Belege für das Risiko

Die folgenden Kennzahlen verdeutlichen das Ausmaß der Probleme:

• Jährliche Verluste durch mangelhafte Datenqualität: 12,9 Mio. US-$ (2024, Quelle S1).
• Anteil von Unternehmen mit Daten-Barrieren bei KI: 44 % (2025, Quelle S2).
• Prognostizierte Projektabbruchquote ohne AI-ready Daten: 60 % (2024, Quelle S3).
• Führungskräfte, die volles Vertrauen in die Genauigkeit ihrer Daten haben: 36 % (2025, Quelle S4).

Strategische Ansätze zur Datenreife

Um die genannten Risiken zu minimieren, sollten Händler folgende Maßnahmen ergreifen:

1. Product Information Management (PIM) implementieren, das konsistente Taxonomien und APIs bereitstellt.
2. Deterministische Validierungsregeln und Human-in-the-Loop-Workflows etablieren, um Halluzinationen zu verhindern.
3. Iterative MVP-Ansätze für Pilotkategorien wählen, statt sofort eine perfekte Datenbasis für das gesamte Sortiment zu verlangen.
4. Moderne multimodale LLMs gezielt zur Vorstrukturierung unstrukturierter Quellen (PDFs, Bilder) einsetzen, jedoch immer mit nachgelagerter Qualitätskontrolle.

Ein „Agentic Ready“ Datenmanagement bedeutet demnach, dass Produktinformationen nicht nur für Menschen, sondern auch für Maschinen in klar definierten, maschinenlesbaren Formaten vorliegen.

Schnellüberblick:

Warum kann moderne generative KI schlechte Produktdaten nicht einfach selbst reparieren?

Generative Modelle operieren auf Basis statistischer Wahrscheinlichkeiten. Fehlen wesentliche technische Attribute oder widersprechen sich Datensätze, neigt die KI zur Halluzination und erfindet plausible, aber falsche Angaben, was zu Haftungsrisiken und Retouren führt.

Was bedeutet ‚Agentic Ready‘ für das Produktdatenmanagement?

Es bedeutet, dass Produktinformationen nicht nur für menschliche Augen formatiert sind, sondern als konsistente, maschinenlesbare Taxonomien und APIs vorliegen, damit autonome Shopping-Agenten Produkte präzise filtern, vergleichen und ordern können.

Quellen

• https://www.gartner.com/en/data-analytics/topics/data-quality
• https://www.destatis.de
• https://www.gartner.com
• https://www.salesforce.com