Wie bereitet man Mode-Produktdatenfeeds für KI-Agenten vor: 20 Attributprüfungen
Strukturierte Produktdaten bestimmen, ob Bekleidung in ChatGPT Shopping und konversationeller Entdeckung erscheint. Diese 20 Attribut- und Formatanforderungen bereiten Kataloge auf Agent-Ranking vor.

DAS WICHTIGSTE Zusammenfassung der Redaktion
- Die Produktfeed-Spezifikation von OpenAI definiert 79 Felder mit 18 Pflichtfeldern, einschliesslich stabiler Kennungen, Preis mit Währungscode, Verfügbarkeitsstatus und Produkt-URLs.
- Jede Modevariante benötigt eine eindeutige GTIN pro Farb- und Grössenkombination, wobei Markenbekleidung ohne gültige Barcodes von Google- und ChatGPT-Oberflächen ausgeschlossen wird.
- KI-Agenten analysieren Materialzusammensetzung, Passformtyp, Masse und Pflegehinweise als entscheidungskritische Attribute, die Produkte aus konversationellen Abfragen filtern.
- Produktfeeds müssen Lagerbestand und Preise innerhalb eines 15-Minuten-Fensters aktualisieren, wobei Unstimmigkeiten zwischen Feed-Daten und On-Page-Markup von Agenten als Qualitätsmangel behandelt werden.
Welche Produktdaten benötigen KI-Shopping-Agenten von Modekatalogen?
Die Produktfeed-Spezifikation von OpenAI definiert 79 Felder, von denen 18 erforderlich sind, während KI-Agenten vollständige Product-Schemas einschliesslich AggregateRating-, Review-, Offer-, ShippingDeliveryTime- und MerchantReturnPolicy-Objekten analysieren. Seit März 2026 macht Shopify Produkte standardmässig in ChatGPT auffindbar und listet sie in Microsoft Copilot, Google AI Mode und der Gemini-App auf. Fast die Hälfte der Konsumenten berichten von KI-Nutzung beim Einkaufen irgendwann in 2025, wobei 11 Prozent angeben, es zum ersten Mal beim Feiertagseinkauf ausprobiert zu haben, und Bekleidungs- und Mode-Prompts lösen in 62 Prozent der Fälle Shopping-Karten aus.
Seit März 2026 wird ChatGPT Shopping für Produktentdeckung verwendet, wobei Händler ihren Produktfeed zusammen mit ihren Werbeaktionen teilen. KI-Agenten beziehen Daten aus Produktfeeds, Bewertungen, Markeninhalten und Drittanbieterdaten, wobei Marken, die in strukturierte Produktdaten investieren, eher empfohlen werden. Die betriebliche Anforderung ist streng: Produktfeeds müssen Lagerstatus und Preise innerhalb eines 15-Minuten-Verzögerungsfensters aktualisieren.
Welche Kennungen und kommerziellen Felder sind obligatorisch?
Fünf Kernfelder bilden den minimal lebensfähigen Produktdatensatz. Die ACP-Produktfeed-Spezifikation erfordert item_id als eindeutige Kennung mit maximal 100 Zeichen, die stabil bleiben muss, title als Produktname mit maximal 150 Zeichen, description mit maximal 5000 Zeichen, url als Produktseiten-URL, die HTTP 200 zurückgeben muss, und price als Zahl mit ISO-4217-Währungscode. Availability muss als Aufzählungswert deklariert werden: in_stock, out_of_stock, pre_order, backorder oder unknown.
Die Datei-Upload-Produktspezifikation von OpenAI besagt ausdrücklich, item_id, group_id und offer_id stabil zu halten, wenn sich Preis, Lagerbestand, Titel oder Bilder ändern, wobei das ACP-Produktfeed-RFC ähnlich verlangt, dass Varianten-IDs über Feed-Updates hinweg stabil bleiben. Wenn On-Page-Markup und Feed-Daten nicht übereinstimmen, behandelt der Agent dies als Qualitätsmangel.
Warum benötigt jede Bekleidungsvariante eine separate GTIN?
Jede verkaufbare Produktvariation, einschliesslich jeder Farb- und Grössenkombination, erfordert eine eindeutige GTIN-Zuweisung. Produkte ohne GTINs werden von Googles vertrauensbasierten Ebenen ausgeschlossen und erhalten vom Commerce-Engine von ChatGPT reduziertes Vertrauen. Eine Analyse von 2026 schätzte, dass etwa 60 Prozent der E-Commerce-Kataloge fehlende GTINs, inkonsistente Attributbenennung oder veraltete Lagerbestandszustände aufweisen, was alles dazu führt, dass Agenten Produkte herabstufen oder ganz ausschliessen.
Für Modehändler betrifft die GTIN-Anforderung jede SKU. Markenbekleidung erfordert eine gültige GTIN, wobei Produkte von Nike, Adidas, Levi's oder jeder anderen etablierten Marke eine gültige GTIN für jedes Produkt benötigen. Googles Anforderungen bleiben, dass GTIN für alle Produkte obligatorisch ist, denen vom Hersteller eine zugewiesen wurde, wobei jede eindeutige Produktvariante ihre eigene eindeutige GTIN benötigt. Die einzige Ausnahme: Meta und Google Shopping haben ein identifier_exists-Feld, das für handgefertigte Sonderanfertigungen auf false gesetzt werden kann, obwohl für jedes Industrieprodukt, Bekleidung oder Standard-Einzelhandelsartikel eine GTIN erforderlich ist, um die Anzeigenleistung zu maximieren.
Welche bekleidungsspezifischen Attribute analysieren Agenten zur Filterung?
Konversationelle Abfragen werden auf strukturierte Felder abgebildet. Konversationelle Abfragen wie «schwarzer Wollmantel unter 300 Pfund, Versand bis Freitag» werden sauber auf strukturierte Produktattribute abgebildet, wodurch Bekleidungshändler 2026 zu den am höchsten konvertierenden KI-Shopping-Traffic gehören. Die Produktattributabdeckung misst, wie konsistent die wichtigen Attribute eines Produkts über einen Katalog hinweg ausgefüllt sind, wobei diese Attribute für Mode Farbe, Material, Muster, Passform, Länge, Ärmeltyp, Ausschnitt, Anlass und Stil umfassen.
KI-Agenten beziehen Grösseninformationen aus strukturierten Daten, Produktbeschreibungen und Kundenbewertungen, und wenn Grössendaten an Konsistenz und Struktur mangeln oder unbeschriftete Körper- und Kleidungsmasse vermischen, können Agenten nicht zuverlässig die richtige Grösse für Käufer empfehlen. Produkte mit vollständigen Attributdaten weisen typischerweise 30 Prozent höhere Conversion und 25 Prozent weniger Retouren auf.
Schema.org-Markup verstärkt Feed-Daten. Die Schema-Felder mit dem höchsten ROI für Bekleidung umfassen color als exakte Farbbezeichnung, die mit dem Produkttitel übereinstimmt, size mit SizeSpecification mit suggestedMeasurement für internationale Grössen, material als Stoffzusammensetzung und ein image-Array von mindestens drei Bildern pro Produkt. Empfohlene Offer-Eigenschaften umfassen availability, itemCondition, url, priceValidUntil, validFrom, validThrough, hasMerchantReturnPolicy und shippingDetails, während Product-Eigenschaften brand.name, sku, mpn, die gtin-Familie, description, category, color, size, material, pattern, audience, hasCertification, review, aggregateRating, inProductGroupWithID, isVariantOf und subjectOf umfassen.
Wie sollten Modehändler Variantenbeziehungen strukturieren?
Das aktuelle Feed-Format von OpenAI erfordert eine separate Zeile für jede Variantenauswahl mit einer eindeutigen Item-ID, einer gemeinsamen Gruppen-ID und einem strukturierten Varianten-Dictionary. Die ACP-Spezifikation umfasst item_group_id plus Variantenattribute für Farbe und Grösse und definiert Eltern-Kind-Gruppierung, sodass Agenten Varianten in einem Schritt auflösen. Diese Struktur verhindert, dass die falsche Variante ausgewählt wird oder Varianten in eine mehrdeutige Zeile zusammenfallen.
Ein Hosenstil in sieben Farben, zehn Grössen und drei Längen ergibt 210 SKUs, wobei jede Attribute trägt, die es wert sind, erfasst zu werden: Materialzusammensetzung, Passform, Leibhöhe, Länge, Pflegehinweise und Saisonalität. Jede Beschreibung sollte mindestens fünf maschinenlesbare Fakten enthalten: explizite Abmessungen, Gewicht oder Kapazität mit Einheiten, Materialzusammensetzung mit Prozentsätzen und mindestens einen konkreten Anwendungsfall.
Welche Versand- und Rückgabedaten zeigen Agenten Käufern an?
KI-Agenten analysieren ShippingDeliveryTime-Objekte, wobei hasMerchantReturnPolicy kritisch für Agenten ist, die nach Rückgabeflexibilität filtern, und shippingDetails für Agenten erforderlich ist, die Lieferzeitvergleiche anzeigen. Diese Felder beantworten Abfragen, die Erfüllungseinschränkungen angeben, wie etwa Lieferung bis zu einem bestimmten Datum oder kostenlose Rücksendungen innerhalb eines definierten Zeitfensters.
Versanddaten sind zum Pflichtstoff für konversationellen Handel geworden. Abfragen mit «Versand bis Freitag» erfordern strukturierte Versand- und Verfügbarkeitsdaten für die Übereinstimmung, während Händlerlisten-Markup auf Seiten abzielt, auf denen der Besucher beim Händler kauft, wobei Bekleidungsgrössen, Versand und Rücksendungen und das Ausfüllen der erforderlichen Händlerlisten-Eigenschaften die Seite im Allgemeinen für Produkt-Snippets geeignet machen.
Welche Bewertungs- und Rating-Signale beeinflussen Agenten-Empfehlungen?
OpenAI-Forscher teilten Reportern mit, dass das Modell organische Bewertungen und andere hochwertige Webinhalte bei der Empfehlung spezifischer Produkte berücksichtigt und bemerkten, dass sie das Modell speziell auf vertrauenswürdige Quellen ausgerichtet haben. Laut OpenAI-Vertretern, die Reporter informierten, berücksichtigt das System ausdrücklich «Nutzererfahrungen, die auf Reddit geteilt werden, können als vertrauenswürdiger angesehen werden als bezahltes Marketing oder Bewertungen, die auf einer Produktseite veröffentlicht wurden».
Strukturierte Rating-Daten bleiben wesentlich. Die Schema.org-Product-Markup-Elemente mit höchster Priorität für KI-Agenten-Abruf umfassen aggregateRating, wobei das Produktschema alle Kernfelder enthalten muss: Product, Offer, Brand, AggregateRating, Review und Availability. In ChatGPT angezeigte Produktbewertungen stammen aus verschiedenen Online-Quellen, einschliesslich Verlagen und Nutzerforen wie Reddit.
| Attributklasse | Erforderliche Felder | Agenten-Anwendungsfall | Fehlermodus |
|---|---|---|---|
| Kennung | GTIN, item_id, SKU | Händlerübergreifende Deduplizierung | Produkt erscheint als mehrere unabhängige Einträge |
| Kommerziell | Price, priceCurrency, availability | Budget- und Lagerfilterung | Artikel fällt aus preis- oder lagerbezogenen Abfragen |
| Variantenstruktur | item_group_id, colour, size | Trennung von Varianten und eigenständigen Produkten | Falsche Variante ausgewählt oder Varianten fallen zusammen |
| Material & Passform | Material composition, fit type, measurements | Filterung konversationeller Abfragen | Produkt aus attributspezifischen Suchen ausgeschlossen |
| Erfüllung | ShippingDeliveryTime, hasMerchantReturnPolicy | Abgleich von Liefereinschränkungen | Produkt verborgen bei zeitkritischen Abfragen |
| Vertrauenssignale | AggregateRating, Review, brand.name | Ranking- und Empfehlungssicherheit | Niedrigere Position oder Ausschluss aus Ergebnissen |
Zwanzig Produktdatenprüfungen bereiten Modekataloge auf Agenten-Entdeckung vor:
- Stabile item_id jedem Produkt zuweisen und Konsistenz über Feed-Updates und Preisänderungen hinweg aufrechterhalten
- Produkttitel unter 150 Zeichen und Beschreibung unter 5000 Zeichen mit maschinenlesbaren Fakten bereitstellen
- Funktionierende Produktseiten-URL einschliessen, die HTTP-200-Status zurückgibt
- Preis als numerischen Wert mit ISO-4217-Währungscode deklarieren
- Availability auf Aufzählungswert setzen: in_stock, out_of_stock, pre_order, backorder oder unknown
- Eindeutige GTIN jeder verkaufbaren Variante zuweisen, alle Farb- und Grössenkombinationen abdeckend
- GTIN über GS1 für Markenbekleidung registrieren, die über Einzelhandels- oder Marktplatzkanäle verkauft wird
- Item_group_id ausfüllen, um Varianten zu verknüpfen, die denselben Stil teilen
- Farbe mit exakter Bezeichnung definieren, die mit Produkttitel übereinstimmt, mehrdeutige oder Marketing-Begriffe vermeiden
- Grösse mit SizeSpecification-Schema angeben, einschliesslich Klärung von Körper- oder Kleidungsmass
- Material als Stoffzusammensetzung mit Prozentsätzen deklarieren
- Passformtyp als strukturiertes Attribut hinzufügen
- Kleidungsmasse oder Passformanleitung einschliessen, um Grössenunsicherheit zu reduzieren
- Pflegehinweise als analysierbaren Text oder strukturiertes Feld angeben
- Muster, Ausschnitt, Ärmeltyp, Anlass und Stil wo zutreffend ausfüllen
- HasMerchantReturnPolicy mit Rückgabefenster und Bedingungen hinzufügen
- ShippingDetails mit Lieferzeitspanne einschliessen
- AggregateRating und Review-Markup auf Produktseiten bereitstellen
- Feed-Lagerbestand und Preise innerhalb eines 15-Minuten-Fensters aktualisieren
- Sicherstellen, dass On-Page-Schema.org-Markup mit übermittelten Feed-Daten übereinstimmt
Häufige Fragen
Benötigt jede Modeprodukt-Variante ihre eigene GTIN für KI-Agenten-Entdeckung?
Ja. Jede eindeutige Produktvariante, einschliesslich jeder einzelnen Kombination von Farbe und Grösse, benötigt ihre eigene eindeutige GTIN. Produkte ohne GTINs werden von Googles vertrauensbasierten Ebenen ausgeschlossen und erhalten vom Commerce-Engine von ChatGPT reduziertes Vertrauen. Die einzige Ausnahme sind handgefertigte oder Sonderanfertigungen, die identifier_exists in Feed-Daten auf false setzen können.
Welche Produktattribute sind für ChatGPT Shopping obligatorisch?
Die Produktfeed-Spezifikation von OpenAI definiert 18 erforderliche Felder von insgesamt 79. Die obligatorischen Attribute umfassen item_id als stabile eindeutige Kennung, title unter 150 Zeichen, description unter 5000 Zeichen, Produktseiten-url, price mit ISO-4217-Währungscode und Verfügbarkeitsstatus als Aufzählungswert. Für Mode im Speziellen ist GTIN für alle Markenbekleidung erforderlich.
Wie schnell müssen Mode-Produktfeeds für KI-Agenten-Genauigkeit aktualisieren?
Produktfeeds müssen Lagerstatus und Preise innerhalb eines 15-Minuten-Verzögerungsfensters aktualisieren. Wenn On-Page-Markup und Feed-Daten nicht übereinstimmen, behandeln KI-Agenten dies als Qualitätsmangel. Veraltete Preis- oder Verfügbarkeitsdaten führen dazu, dass Agenten Produkte herabstufen oder ausschliessen, insbesondere bei Abfragen mit Liefer- oder Budgetbeschränkungen.
Quellen
- OpenAI: Powering product discovery in ChatGPT
- Feedarc: Agentic Commerce Product Feeds guide
- Opascope: AI Shopping Assistant Guide 2026
- WWD: Consumers turning to AI for clothing shopping advice
- SPS Commerce: UPC, GTIN and style number basics for apparel
- 1 Digital Agency: 2026 Fashion Ecommerce SEO Playbook
