Zum Inhalt springen
UCP
Menü

Pfeiler · Daten

Produktkataloge für KI-Systeme

Umwandlung eines PIM-Feeds in eine von Agenten abrufbare, richtlinienbewusste, semantisch adressierbare Produktoberfläche, das konkrete Modell.

Aktualisiert : April 2026 · Hauptsuchanfrage : Produktkatalog für KI-Agenten

Ein agentenbereiter Produktkatalog ist ein Katalog, den ein KI-Agent abrufen, analysieren, interpretieren und darauf reagieren kann, ohne zu scrapen, zu raten oder zu folgern. Diese Seite definiert die Zielform, den minimalen Attributsatz und die Validierungsschritte, die einen Feed, der „funktioniert“, von einem Katalog, der interoperabel ist, unterscheiden.

Arbeitsdefinition

Definition

Ein Produktkatalog ist agentenbereit, wenn jede SKU über Folgendes verfügt: einen kanonischen Identifikator, eine adressierbare URL, typisierte Attribute, die die Abfrageoberfläche der Kategorie abdecken, explizite Richtlinienfelder und einen Status (Preis + Verfügbarkeit), der innerhalb eines klar definierten Freshness-SLA aktuell ist.

Fünf Eigenschaften eines agentenbereiten Katalogs

  1. Identifizierbar. Jede SKU löst sich in einen kanonischen Identifikator auf (GTIN, oder MPN+Brand, oder eine stabile interne SKU).
  2. Adressierbar. Jede SKU hat eine permanente URL, die strukturierte Daten ohne Login oder Zustimmungsbarrieren zurückgibt.
  3. Typisiert. Attribute haben Namen, Einheiten, aufgezählte Werte, nicht nur Marketingprosa.
  4. Richtlinienbewusst. Rücksendungen, Garantie, Versand, Alters-/Geobeschränkungen werden als strukturierte Daten ausgedrückt, nicht nur als Rechtstext.
  5. Aktuell. Preis und Verfügbarkeit haben ein dokumentiertes Aktualisierungsfenster, und Feeds entsprechen diesem Fenster.

Minimaler Attributsatz

Die genaue Liste hängt von der Kategorie ab. Das Folgende ist die Basislinie, die jeder Agent für ein physisches Konsumgut erwarten wird.

FeldBeispielWarum Agenten es brauchen
idSKU-39281Interne Referenz, Deduplizierung
gtin5012345678900Händlerübergreifende Identität
brandPatagoniaFiltern, Vertrauen, Abgleich
titleDamen Torrentshell 3L RegenjackeMenschenorientiert, Abfrageabgleich
description(semantisch, attributreich)Einbettung / Abruf
categoryBekleidung > Oberbekleidung > RegenjackenTaxonomieplatzierung
price129.00 EURRanking, Filterung
price_effective_until2026-04-30T23:59:59ZEhrlichkeit bei Aktionen
availabilityin_stock / pre_order / out_of_stockZuverlässigkeit
stock_qty14Knappheitssignal
shipping{region, cost, handling_time, delivery_time}Anpassung an Käuferbeschränkungen
returns{window, cost, method}Vertrauen vor dem Kauf
warranty2 Jahre HerstellergarantieBerücksichtigung
attributes{material, waterproof_rating, weight_g, …}Abfragefilterung
variants[{size, color, gtin, stock_qty, price}]Die richtige SKU auflösen
images[{url, role, alt}]Visuelle Überprüfung
urlhttps://merchant.com/p/torrentshellÜbergabe / Attribution
localeen-GB, fr-FR, …Regionales Routing
updated_atISO 8601 ZeitstempelAktualität

Anti-Muster

Muster, die wir regelmäßig sehen und die die Agentenleistung stillschweigend beeinträchtigen:

  • Nur Marketing-Titel. "Ultimativer Regenschutz für echte Abenteurer", nicht durchsuchbar. Bevorzugen Sie "Damen 3L Regenjacke, Torrentshell, Patagonia".
  • Attribute in der Beschreibungsprosa. Ein Agent muss sie extrahieren. Typisieren Sie sie.
  • Regionssensitive PDPs ohne strukturierte Lokalisierung. Der Agent sieht eine französische Seite, die in EUR für einen US-Käufer bepreist ist.
  • Preisunterschied zwischen Feed und PDP. Agenten überprüfen dies; Abweichungen zerstören das Vertrauen.
  • Lagerbestand auf "verfügbar" gesetzt, obwohl die Nachbestellfrist 6 Wochen beträgt. Verwenden Sie strukturierte Verfügbarkeitszustände.
  • Rückgaberichtlinie als einzelner Freitextabsatz. Strukturieren Sie sie.

Die drei Ausdrücke desselben Katalogs

Ein agentenbereiter Katalog sollte in drei parallelen Formen ausdrückbar sein. Jede Form dient einem anderen Abrufkanal; alle drei sollten sich abstimmen.

  1. Strukturierte Daten auf der PDP, JSON-LD unter Verwendung von schema.org Product, Offer, AggregateRating, MerchantReturnPolicy, ShippingRateSettings.
  2. Feed, Google Merchant Center XML/CSV (oder Äquivalent), angereichert um Richtlinienfelder abzudecken.
  3. API / MCP-Tool, programmatischer Endpunkt für Agenten-Orchestratoren. Nur-Lese-Endpunkte für Katalog, Angebote, Inventar, Richtlinien.

Die drei Formen müssen sich auf Identifikatoren und Preise einigen. Die Abstimmung ist eine operative Disziplin, keine einmalige Exportaktion.

Validierung und Telemetrie

So wissen Sie, dass Sie agentenbereit sind:

  • Google Rich Results Test, JSON-LD wird als Produkt und Angebot geparst.
  • Merchant Center Diagnosen, keine schwerwiegenden Fehler.
  • Feed-Abdeckung, >95% der SKUs haben Marke + GTIN (oder MPN+Brand).
  • Preiskonsistenz, Feed und PDP stimmen bei >99% der Stichproben-SKUs überein.
  • Lagerbestandskonsistenz, Verfügbarkeitszustände stimmen mit dem Kaufverhalten bei >98% überein.
  • Strukturierte Rücksendungen / Versand, JSON-LD ist auf >90% der PDPs vorhanden.
  • Agenten-Crawl-Volumen, messbarer Traffic von OAI, Anthropic, Perplexity, Amazon, GoogleBot-Agenten; Sie verfolgen dies über Server-Logs.

Dieser Satz ist der Kern unserer Audit-Methodik.

Shopify, WooCommerce, Salesforce, benutzerdefinierte Stacks

Plattformspezifische Hinweise:

  • Shopify, strukturierte Daten sind standardmäßig teilweise vorhanden; Metafelder sind der Hebel. Stellen Sie reichhaltige Attribute über Shop / Shopify Shopping APIs bereit, wenn sich die Agenten-Endpunkte entwickeln.
  • WooCommerce, Plugins wie RankMath / Yoast decken die Schema-Grundlagen ab; strukturierte Daten für Rücksendungen/Versand erfordern typischerweise benutzerdefinierte Snippets.
  • BigCommerce / Adobe Commerce / Salesforce Commerce Cloud, agentenseitige APIs erscheinen in Produkt-Roadmaps; verfolgen Sie die Release Notes des Anbieters.
  • Benutzerdefiniert, die Chance ist am größten und die erforderliche Disziplin am höchsten. Investieren Sie von Anfang an in Schema, Feed und API-Konsistenz.

Nächste Schritte

Vertiefungen