KI für Produktdaten in der Mode: Attribute, Tech Packs und Anreicherung im grossen Massstab

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI-gestützte Produktdatenanreicherung nutzt Bilderkennung und Sprachmodelle, um bei Tausenden von Produkten Attribute zu ergänzen, Beschreibungen zu verfassen, Inhalte zu übersetzen und fehlende oder widersprüchliche Felder zu markieren.
2. Matalan berichtete 2024, dass sein Tool für generative KI rund hundert Produktbeschreibungen in 30 Minuten erstellte, verglichen mit höchstens rund hundert pro Tag durch Texterinnen und Texter, wobei das Texterteam die Richtigkeit weiterhin prüfte.
3. Zalando erklärte im März 2026, den Anteil KI-generierten Produktcontents innerhalb eines Jahres von fast null auf 90 Prozent gesteigert zu haben.
4. Der McKinsey-Bericht State of Fashion 2026 rät Marken, semantisch reichhaltige, über APIs zugängliche Produktdaten zu priorisieren, damit ihre Produkte für KI-Modelle und Shopping-Agenten sichtbar bleiben.
5. Faktenfelder wie Faserzusammensetzung, Pflegehinweise und Herkunft müssen aus verifizierten Quellen stammen und dürfen nicht von KI abgeleitet werden, weil Fehler rechtliche und Compliance-Risiken schaffen.

KI-gestützte Produktdatenanreicherung bedeutet, Bilderkennung und Sprachmodelle einzusetzen, um Produktdatensätze im grossen Massstab zu vervollständigen und zu verbessern: Attribute wie Farbe, Ausschnitt oder Ärmellänge aus Bildern extrahieren, Beschreibungen verfassen und übersetzen, Produkte den Kategorien jedes Kanals zuordnen und Lücken oder Widersprüche markieren. Das nimmt einen Grossteil der repetitiven Arbeit hinter jedem Webshop, jedem Marktplatzlisting und jedem Wholesale-Katalog ab. Verifizierte Quelldaten bleiben dennoch unverzichtbar, besonders für regulierte Felder wie Zusammensetzung und Pflege.

Warum sind Produktdaten in der Mode so wichtig?

Ein einzelner Style kann in mehreren Farben und einem Dutzend Grössen existieren, die jeweils Bilder, Attribute, Beschreibungen, Preise und Bestandsinformationen in mehreren Sprachen brauchen. Diese Daten gelangen in den eigenen Shop der Marke, auf Marktplätze, in die Systeme der Wholesale-Kunden und zunehmend zu Suchmaschinen und KI-Assistenten. Jedes Ziel verlangt eine andere Struktur. Unvollständige oder inkonsistente Daten führen dazu, dass Produkte schwer zu finden sind, aus Suchergebnissen herausgefiltert oder von Partnern abgelehnt werden.

Das Aufkommen von KI-Shopping-Assistenten erhöht den Einsatz. Der McKinsey-Bericht State of Fashion 2026 hält fest, dass grosse Sprachmodelle verändern, wie Kundinnen und Kunden Produkte suchen und vergleichen, und rät Marken, semantisch reichhaltige Daten und über APIs zugängliche Inhalte zu priorisieren, damit ihre Produkte für KI-Modelle sichtbar bleiben. Ein Produkt, das ein Assistent nicht versteht, ist faktisch ein Produkt, das er nicht empfehlen wird.

Welche Aufgaben rund um Produktdaten kann KI übernehmen?

Lesen Sie auch

Produktstammdaten: der unscheinbare Schlüssel zur digitalen Mode

Wie nutzen Händler KI für Produktdaten?

Der am häufigsten genannte Einsatz ist die Contenterstellung. Der britische Händler Matalan lancierte 2024 ein Tool für generative KI für Produktbeschreibungen, das laut Retail Systems hundert Beschreibungen in 30 Minuten erstellen konnte, verglichen mit höchstens rund hundert pro Tag durch menschliche Texterinnen und Texter. Das Tool liest Produktmetadaten und Bilder, und die Beschreibungen werden vom Texterteam auf ihre Richtigkeit überwacht.

In grösserem Massstab erklärte Zalando im März 2026 laut FashionUnited, den Anteil KI-generierten Produktcontents innerhalb eines Jahres von fast null auf 90 Prozent gesteigert zu haben. Ausserhalb der Mode berichtete Walmart, mit generativer KI über 850 Millionen Datenpunkte in seinem Produktkatalog erstellt oder verbessert zu haben, und der Resale-Marktplatz Depop führte ein Tool ein, das aus einem einzigen Foto Listing-Beschreibungen generiert und Attribute wie Farbe, Kategorie und Marke ausfüllt, wie eMarketer 2024 berichtete.

Wie sieht ein guter Workflow für die KI-Anreicherung aus?

Erfolgreiche Setups folgen meist demselben Ablauf. Verifizierte Quelldaten wie das Tech Pack, Zusammensetzungserklärungen der Lieferanten und freigegebene Masse gelangen zuerst in ein zentrales System. Danach schlägt KI visuelle Attribute vor und entwirft Texte, die gegen ein kontrolliertes Vokabular und automatisierte Regeln geprüft werden (zum Beispiel kann ein als ärmellos verschlagwortetes Produkt nicht zugleich eine Ärmellänge haben). Artikel, die gegen die Regeln verstossen oder unter einer Konfidenzschwelle liegen, landen in einer Warteschlange zur manuellen Prüfung. Freigegebene Daten werden aus demselben Datensatz an jeden Kanal ausgespielt, sodass eine einmal vorgenommene Korrektur jedes Ziel erreicht. Der Anteil der Artikel, die ohne menschliches Eingreifen durchlaufen, ist ein nützliches Mass für die Reife, sofern parallel Stichproben der Fehlerquote gezogen werden.

Wie hilft KI bei Tech Packs und Wholesale-Produktdaten?

Produktdaten beginnen nicht im E-Commerce. Sie entstehen in der Entwicklung, in Tech Packs und PLM-Datensätzen, und fliessen über Wholesale-Line-Sheets und Auftragssysteme, bevor sie einen Webshop erreichen. KI kann auch an diesen früheren Stellen helfen: lange Lieferantendokumente zusammenfassen, prüfen, ob für jede Grösse Masse vorliegen, ein Tech Pack mit den Kommentaren zum freigegebenen Muster abgleichen und Attributwerte erkennen, die nicht zum kontrollierten Vokabular passen.

Im Wholesale ist der Nutzen praktisch. Handelspartner brauchen einheitliche Attribute, Bilder und Beschreibungen, um Produkte rasch in ihren eigenen Systemen zu listen, und Einkäufer brauchen vollständige Informationen, um während des Orderfensters zu entscheiden. Wer Daten einmal, früh und strukturiert anreichert und sie über Entwicklung, Sell-in- und Sell-out-Kanäle hinweg wiederverwendet, vermeidet später erneute Erfassung und Widersprüche.

Welche Risiken bergen KI-generierte Produktdaten?

• Erfundene Fakten: Sprachmodelle können plausible, aber falsche Details hinzufügen, etwa eine Stoffeigenschaft, die das Produkt nicht hat.
• Regulierte Felder: Faserzusammensetzung, Pflegekennzeichnung und Herkunftsangaben sind mit rechtlichen Pflichten verbunden und müssen aus verifizierten Lieferantendaten stammen.
• Nachhaltigkeitsaussagen: KI sollte keine Umweltaussagen generieren; diese brauchen Belege und eine rechtliche Prüfung.
• Uneinheitliche Vokabulare: Freitext-Attribute aus KI zersplittern Filter und Analysen, sofern sie nicht auf freigegebene Werte beschränkt werden.
• Drift über die Zeit: Modelle und Prompts ändern sich, deshalb muss die Qualität laufend überwacht und nicht nur einmal geprüft werden.

Die Regulierung schafft neue Datenanforderungen. Die EU-Ökodesign-Verordnung für nachhaltige Produkte ist seit dem 18. Juli 2024 in Kraft, und laut der Europäischen Kommission wird ihr Digitaler Produktpass Informationen zu Materialien und Herkunft, Reparatur, Recycling und Umweltauswirkungen enthalten. Das sind Daten, die KI ordnen helfen, aber nicht erfinden kann.

Lesen Sie auch

PIM erklärt: Warum Produktdaten der verborgene Wert einer Modemarke sind

Wie sollte eine Marke die Anreicherung im grossen Massstab aufsetzen?

1. Definieren Sie ein kontrolliertes Attributvokabular und eine einzige verbindliche Datenquelle, typischerweise ein PIM- oder PLM-System.
2. Teilen Sie die Felder ein in KI-generiert mit Prüfung, KI-geprüft und ausschliesslich von Menschen verifiziert.
3. Beginnen Sie mit Aufgaben mit hohem Volumen und geringem Risiko wie visuellen Attributen, Beschreibungen und Übersetzungen.
4. Messen Sie die Genauigkeit mit regelmässigen Stichproben und erfassen Sie die Fehlerarten.
5. Spielen Sie Korrekturen in die Quelldaten zurück, nicht nur in den Kanal, in dem sie entdeckt wurden.

Häufige Fragen

Was ist Produktdatenanreicherung in der Mode?

Es ist der Prozess, Produktdatensätze mit Attributen, Beschreibungen, Bildern, Übersetzungen und kanalspezifischen Informationen zu vervollständigen und zu verbessern. KI automatisiert heute einen Grossteil davon, indem sie Produktbilder und Dokumente liest und Inhalte zur Prüfung entwirft.

Kann KI Produktbeschreibungen für Mode schreiben?

Ja, und Händler setzen sie in grossem Umfang ein. Matalan etwa berichtete von einem Tool, das rund hundert Beschreibungen in 30 Minuten erstellt, wobei die Texterinnen und Texter die Richtigkeit prüfen. Die Prüfung durch Menschen bleibt wichtig, weil Modelle falsche Details hinzufügen können.

Kann KI Produktattribute aus Bildern ausfüllen?

Bildmodelle können sichtbare Merkmale wie Farbe, Muster, Ausschnitt und Länge zuverlässig verschlagworten. Verborgene Fakten wie Faserzusammensetzung, Pflegehinweise oder Herkunftsland können sie nicht zuverlässig ableiten; diese müssen aus verifizierten Lieferantendaten stammen.

Warum sind Produktdaten für KI-Shopping-Assistenten wichtig?

KI-Assistenten empfehlen Produkte, die sie verstehen. Der McKinsey-Bericht State of Fashion 2026 rät Marken, semantisch reichhaltige, über APIs zugängliche Produktdaten bereitzustellen, damit ihre Produkte sichtbar bleiben, wenn immer mehr Konsumenten über KI-Tools suchen und einkaufen.

LeitfadenDer umfassende Leitfaden zu KI in Modedesign und ProduktentwicklungDen ganzen Leitfaden lesen