Kund:innen verlassen einen Onlineshop nicht mit dem Gedanken: „Was für eine gute Attributspflege.“ Trotzdem entscheidet genau diese Arbeit darüber, ob Besucher:innen finden, was sie suchen.
Farbe, Material, Größe, Passform oder Schnitt sind nicht einfach nur zusätzliche Produktinformationen. Sie sind die Datenbasis für Suche, Filter, Empfehlungen und damit für Sichtbarkeit. Stimmen sie, taucht ein Produkt an der richtigen Stelle auf. Fehlen sie, bleibt es unsichtbar, egal wie gut das Produktbild ist.
Wenn kleine Inkonsistenzen große Auswirkungen haben
Bisher wurde diese Arbeit oft still im Hintergrund erledigt. Wird Wert für Wert, Artikel für Artikel gepflegt, passiert es fast zwangsläufig, dass derselbe Schnitt beim ersten Produkt „schmal geschnitten“ heißt und beim hundertsten „Slim Fit“. Beides ist für sich genommen richtig. In Kombination sorgt es dafür, dass Filter und Suche nicht mehr zuverlässig funktionieren und damit leidet das gesamte Einkaufserlebnis.
Von Produktbildern zu strukturierten Attributen
Hier setzt unsere KI-Attributsextraktion an: ein Feature, das ich als Projektmanagerin im PIM bei der ACL vom Prototyp zum fertigen Feature verantworten durfte. Die Idee ist schnell erklärt: KI erkennt relevante Attribute direkt aus Produktbildern und befüllt diese im Produktinformationsmanagement-System, kurz PIM. Für Backend-User bleibt am Ende ein Häkchen zu setzen statt langer Klickarbeit.
Heute ist das über den ACL AI Layer angebundene Feature bereits im Hintergrund aktiv und hat im Livebetrieb über 1.500 Extraktionen erfolgreich verarbeitet. Damit sorgt es nicht nur für konsistentere Produktdaten und ein besseres Shop-Erlebnis, sondern spart auch aktiv Arbeitszeit und Kosten.
Der Mensch behält die Kontrolle
Eine KI, die aus einem Bild irgendeinen Wert ableitet, lässt sich mit den neuesten Tools schnell bauen. Für gute Produktdaten reicht das nicht. Entscheidend ist, dass Ergebnisse verlässlich sind, ohne dass jedes einzelne Feld manuell kontrolliert werden muss. Deshalb wurde das Feature auf klaren Prinzipien aufgebaut.
Die KI generiert Daten nicht willkürlich, die zulässigen Werte werden aus dem Artikelstamm des Kunden vorgegeben. Die KI wählt also aus einer definierten Liste aus und entscheidet etwa zwischen „normal geschnitten“ und „schmal geschnitten“, statt neue Begriffe wie „leicht tailliert“ zu generieren.
Zusätzlich wird ein Wert nur übernommen, wenn der Confidence-Score hoch genug ist. Dieser Wert zeigt, wie sicher die KI bei einer Zuordnung ist. Ein Attribut wird nur dann übernommen, wenn das Ergebnis bei wiederholter Prüfung stabil bleibt und mit sehr hoher Wahrscheinlichkeit korrekt ist. Über alle bisher verarbeiteten Artikel liegt der Confidence-Score im Schnitt bei 81 Prozent.
Alle generierten Attribute, die diesen Schwellenwert nicht erreichen, werden zur manuellen Kontrolle weitergeleitet. So bleibt die Qualität der Produktdaten gesichert. Diese Entscheidung ist wichtiger als jede KPI: Ein leeres Attributfeld ist schnell befüllt, wohingegen ein falscher Wert, der richtig aussieht, deutlich teurer ist, denn er muss erst gefunden und korrigiert werden.
Kontext macht den Unterschied
Die KI bewertet nicht isoliert das Foto, sondern bezieht Marke, Kategorie und Artikelbezeichnung mit ein, um Mehrdeutigkeiten zu reduzieren.
Gleichzeitig gibt es Entscheidungen, die bewusst keinem System überlassen werden, z.B. exakte Maße oder markenspezifische Bezeichnungen. Das ist kein Bildmerkmal, sondern Fachwissen aus anderen Datenquellen. Genau diese Abgrenzung ist entscheidend, denn KI soll nicht alles entscheiden. Sie soll dort unterstützen, wo sie schnell, strukturiert und verlässlich Mehrwert schafft.
Aus Eintippen wird Freigeben
Deshalb schafft Attributsextraktion die Datenpflege nicht ab, sie verändert lediglich die Rolle dahinter. Aus Werte eintippen, wird Ergebnisse prüfen, steuern und freigeben. Denn wer festlegt, worauf KI Zugriff hat, welche Werte erlaubt sind und wo klare Grenzen liegen, bestimmt die Qualität der Artikeldaten und damit der gesamten Omnichannel-Experience.
Ein technisch sauberes Modell kann trotzdem falsche Ergebnisse liefern. Deshalb zählt für mich persönlich am Ende nicht nur der Confidence-Score, sondern vor allem die Korrekturquote: Wie oft muss ein Mensch einen KI-Wert noch überprüfen, anpassen oder korrigieren? Diese Frage entscheidet darüber ob KI den Arbeitsalltag erleichtert oder zusätzliche Arbeit schafft.
Warum das Feature allein nicht den Unterschied macht
KI aus Bildern zu extrahieren, ist 2026 längst kein Alleinstellungsmerkmal mehr. Die entscheidende Frage ist eine andere: Wie kompatibel und verlässlich funktioniert so ein Feature in gewachsenen Datenmodellen, komplexen Abläufen und mit echten Freigabeprozessen?
Unser Ziel ist es, KI so zu integrieren, dass sie im Livebetrieb stabil läuft, bestehende Strukturen annimmt und den versprochenen Mehrwert tatsächlich liefert. Darin liegt die Erfahrung der ACL: Features nicht isoliert zu betrachten, sondern sauber auf Datenmodell, Prozesse und Wording der Kund:innen zuzuschneiden. Am Ende macht nicht das Modell allein den Unterschied, sondern die Fähigkeit, es sinnvoll in ein bestehendes System einzubetten.
Möchtest du herausfinden, wie KI auch eure Produktdatenpflege im PIM unterstützen kann? Dann vereinbare ein unverbindliches Erstgespräch mit unseren ACL PIM-Expert:innen. Let’s talk!
6 min
