Warum generative KI ohne starke Stammdaten scheitert

In vielen Gesprächen mit unterschiedlichen Herstellern und Händlern zeigt sich jedoch ein Muster: Die Projekte starten beim sichtbaren Teil der KI – der Oberfläche – und nicht bei der eigentlichen Basis. Genau hier liegt das Problem. Die meisten Unternehmen unterschätzen, wie stark der Erfolg von generative KI von der Qualität und Struktur ihrer Produkt- und Stammdaten abhängt.

Wer heute ernsthaft mit Künstlicher Intelligenz arbeiten möchte, kommt an guten Daten nicht vorbei. PIM, MDM und Data Governance haben eine zentrale Bedeutung. 

Generative KI braucht mehr als gute Texte

Lange Zeit war PIM vor allem die Maschine für Produktkommunikation: Artikeltexte verfassen, Attribute pflegen, Bilder verwalten, Übersetzungen organisieren. Mit KI hat sich die Perspektive verschoben.

LLMs, Copilots und Shopping-Bots „lesen“ nicht nur Texte. Sie konsumieren strukturierte Daten, interpretieren Attribute, navigieren durch Kataloge und ziehen Beziehungen zwischen Produkten heran, um passende Empfehlungen auszusprechen. Sie versuchen, aus dem, was sie vorfinden, ein Gesamtbild zu erzeugen.

Ob das gelingt, hängt stark davon ab, wie die Produktdaten heute aussehen. Sind Attribute vollständig und konsistent? Ist die Klassifikation nachvollziehbar? Gibt es klare Beziehungen zwischen Produkten, Varianten und Sets? Wenn hier Lücken oder Widersprüche bestehen, dann verstärkt KI diese Probleme – statt sie zu lösen.

Mit anderen Worten: Die Frage ist nicht, wie „intelligent“ das KI-System ist, sondern wie „verständnisfähig“ sind die Daten.

PIM als Fundament für sinnvolle KI-Anwendungen

Ein zeitgemäßes PIM-System liefert dafür die Grundlage. Es sorgt nicht nur für Struktur, sondern auch für Kontext.

Ein Beispiel aus der Praxis: Nehmen wir einen Hersteller mit mehreren tausend Produkten und internationalen Vertriebskanälen. Die Produktinformationen liegen über Jahre historisch gewachsen in ERP, Excel-Listen, Lokalsystemen von Landesgesellschaften und individuellen Datenhaltungen einzelner Abteilungen. Für den täglichen Betrieb mag das gerade noch funktionieren. Für KI ist es Gift.

Erst wenn die relevanten Produktinformationen in einem zentralen System zusammengeführt, bereinigt und strukturiert sind, kann Künstliche Intelligenz daraus etwas Sinnvolles machen.

Dann wird aus einem unübersichtlichen Datenbestand ein konsistentes Modell, das sowohl für Menschen als auch für Maschinen verständlich ist.

Auf dieser Basis kann die KI Texte variieren, Attribute ergänzen, Lücken schließen oder kanal- und zielgruppenspezifische Inhalte erzeugen, ohne die fachliche Logik zu verlassen. PIM stellt die Ordnung her, KI nutzt sie. Beides gehört zusammen.

MDM als semantische Schicht für KI

PIM allein reicht jedoch nicht, wenn Unternehmen über mehrere Datenbereiche hinweg arbeiten: Produkt, Kunde, Lieferant, Standortdaten, Serviceinformationen. An dieser Stelle kommt Multidomain Master Data Management (MDM) ins Spiel.

MDM sorgt dafür, dass nicht nur die Produktdaten sauber und konsistent sind, sondern das gesamte Stammdatengerüst. Es stellt die berühmte „Single Source of Truth“ bereit – die verlässliche Referenz, aus der sich andere Systeme bedienen. Für KI ist diese Wahrheit entscheidend.

Eine KI, die etwa Empfehlungen für Vertrieb oder Service geben soll, muss verstehen, wie Produktdaten mit Kundenhistorien, Preislogiken oder Lieferketten zusammenhängen. MDM modelliert diese Beziehungen und schafft eine semantische Schicht: Aus einzelnen Datensätzen wird ein vernetztes Bild des Unternehmens – also ein 360° Blick.

Auf dieser Grundlage können agentische KI-Systeme überhaupt erst sinnvoll handeln. Sie erkennen Muster, ziehen Schlussfolgerungen und schlagen Maßnahmen vor. Zum Beispiel zur Sortimentsbereinigung, zur besseren Zielgruppenansprache oder zur Minimierung von Komplexität. Ohne MDM-System bleiben diese Analysen oberflächlich und oft zufällig.

Data Governance: Der Rahmen für Verantwortung und Vertrauen

Mit PIM und MDM ist die technologische Basis gelegt. Was noch fehlt, ist der Rahmen, in dem sich KI sicher bewegen kann: Data Governance.

Mit steigenden regulatorischen Anforderungen wird die Frage nach Herkunft, Qualität und Nutzung von Daten zunehmend kritisch. Unternehmen müssen nachvollziehen können, mit welchen Daten KI arbeitet, wer sie freigegeben hat, wie sie gepflegt werden und welche Regeln und gelten.

Data Governance beantwortet diese Fragen. Sie definiert Verantwortlichkeiten, regelt Zugriffe, legt Standards fest und schafft Mechanismen zur laufenden Qualitätssicherung. Sie macht aus der Datenlandschaft ein kontrollierbares System statt einer Blackbox.

Für Künstliche Intelligenz ist das nicht nur eine Compliance-Frage. Es geht auch um Vertrauen. Eine KI, die auf unsicheren oder widersprüchlichen Daten arbeitet, produziert zwar Ergebnisse, aber nicht zwingend verlässliche. Gerade im Zusammenspiel mit agentischer KI, die eigenständig Aufgaben übernimmt, Prozesse anstößt oder Korrekturen vornimmt, ist ein klarer Governance-Rahmen unverzichtbar.

Sonst laufen Unternehmen Gefahr, dass autonome Systeme auf intransparenten Grundlagen Entscheidungen treffen – mit allen damit verbundenen Risiken.

Praktische Szenarien

Die Verbindung von PIM, MDM, Data Governance und KI ist kein theoretisches Konzept. Sie zeigt ihre Wirkung bereits in ganz konkreten Szenarien.

• Ein Beispiel ist das digitale Regal. Händler, Marktplätze und Plattformen verlangen heute eine wachsende Menge an Produktinformationen, und zwar in standardisierten Formaten. Wer diese Anforderungen nicht erfüllt, fällt im Ranking zurück, wird schlechter sichtbar oder verzögert die Time-to-Market.
• Unternehmen, die ihre Produktdaten im PIM sauber strukturieren und kanalabhängig ausspielen, können generative KI gezielt dafür nutzen, Inhalte zu verfeinern und zu optimieren. KI sorgt für bessere Texte, konsistentere Beschreibungen und Varianten für unterschiedliche Märkte – immer auf Basis eines kontrollierten Datenmodells. Ein agentischer Ansatz kann hier zusätzlich helfen, indem automatisierte Prüfungen sicherstellen, dass alle Pflichtfelder erfüllt sind und Ausspielungen in den Kanälen keine Überraschungen bergen.
• Ein weiteres Beispiel ist die Datenqualität im Omnichannel-Commerce. Viele Organisationen kämpfen mit der Realität, dass unterschiedliche Systeme unterschiedliche Bilder derselben Daten liefern. Ein manueller Abgleich ist anstrengend und fehleranfällig.
• In einer MDM-gestützten Architektur lassen sich Regeln zur Datenqualität zentral festlegen. Agentische KI überwacht diese Regeln kontinuierlich, erkennt Abweichungen und schlägt Korrekturen vor. PIM und MDM bilden das Gerüst, auf dem die KI arbeitet; Data Governance sorgt dafür, dass die vorgeschlagenen Maßnahmen im richtigen Prozessumfeld landen. So entsteht ein Kreislauf aus Monitoring, Verbesserung und Freigabe, der die Fachabteilungen entlastet, ohne sie zu entmündigen.

Was Unternehmen jetzt tun sollten

Vor diesem Hintergrund stellt sich nicht die Frage, ob KI im Unternehmene eingeführt werden soll, sondern wie. Der Einstieg über sichtbare Use Cases ist naheliegend, reicht aber nicht aus.

• Der erste Schritt besteht darin, die eigene Datenbasis ehrlich zu beurteilen. Wie vollständig sind die Produktdaten oder auch andere Datendomainen? Wie konsistent sind Klassifikationen über Länder, Marken und Geschäftsbereiche hinweg? Wie viele manuelle Korrekturen braucht es, bevor Daten in einen Shop oder zu einem Marktplatz gelangen?
• Diese Bestandsaufnahme ist oft ernüchternd – aber sie ist der notwendige Ausgangspunkt. Darauf aufbauend lässt sich gezielt entscheiden, welche PIM- oder MDM-Maßnahmen priorisiert werden müssen, um KI überhaupt sinnvoll einsetzen zu können.
• Parallel dazu lohnt sich ein Blick auf die organisatorische Seite. PIM- und MDM-Projekte dürfen nicht als reine IT-Initiativen verstanden werden. Sie berühren direkt Marketing, Vertrieb, E-Commerce, Einkauf und Produktmanagement und teilweise noch viele weitere Fachabteilungen. Wer KI erfolgreich nutzen will, muss diese Bereiche in die Datenstrategie einbinden.
• Schließlich ist es sinnvoll, generative KI nicht als Selbstzweck zu betrachten, sondern an klaren Problemen auszurichten: etwa der Beschleunigung von Produktlaunches, der Verbesserung von Content-Qualität, der Reduktion von Retouren durch bessere Informationen oder der Vereinfachung von internen Abstimmungsprozessen. Pilotprojekte sollten so gewählt werden, dass sie sowohl einen sichtbaren Mehrwert liefern als auch auf einer Datenbasis aufsetzen, die man kontrollieren und weiterentwickeln kann.

Wie SDZeCOM dabei unterstützt

Wir arbeitet seit vielen Jahren mit Unternehmen, die ihre Produkt- und Stammdaten professionalisieren möchten. Die aktuellen Entwicklungen rund um generative KI und agentische KI verstärken einen Punkt, den wir immer wieder sehen: Datenqualität, Struktur und Governance sind nicht „nice to have“, sondern erfolgskritisch.

Unsere Arbeit umfasst strategische Analysen, die klären, wie AI-ready die vorhandenen Daten heute sind, und welche Schritte nötig sind, um PIM- und MDM-Landschaften auf ein Niveau zu bringen, das KI tragen kann. Wir entwickeln Zielbilder für Datenarchitekturen, die klassische Stammdatenthemen mit den neuen Möglichkeiten von KI sinnvoll verbinden, und wir unterstützen bei der Umsetzung in Projekten, aber auch beim Enablement der beteiligten Teams.

Ein weiterer Schwerpunkt liegt auf Data Governance. Gemeinsam mit unseren Kunden definieren wir Rollen, Prozesse und Regeln, die sicherstellen, dass KI nicht auf einem zufälligen Datenfundament agiert, sondern auf einem bewusst gestalteten, verantwortungsvoll geführten Datenmodell.

Dass KI enorme Potenziale bietet, steht außer Frage. Die Kunst besteht darin, diese Potenziale nicht isoliert zu betrachten, sondern sie in eine durchdachte Datenstrategie einzubetten. Genau dort liegt unser Auftrag: Wir helfen Unternehmen, ihre Produkt- und Stammdaten so aufzustellen, dass KI nicht zum Experiment, sondern zum verlässlichen Bestandteil ihres Geschäfts wird.

Sie wollen mehr erfahren?

Tauschen Sie sich gerne unverbindlich mit uns aus:

Zum Austausch

Autor

Stephan Bösel
SDZeCOM GmbH & Co. KG – Marketingleiter & Prokurist

Tel.: +49 7361 594-538
E-Mail: s.boesel@sdzecom.de