Produktfeed für KI-Produktberatung optimieren: Der technische Leitfaden 2026
Eine KI-Produktberatung ist nur so gut wie der Produktfeed dahinter. Der Leitfaden zeigt, welche Attribute, Variantenbeziehungen und Aktualisierungszyklen ein Shop Agent 2026 braucht und wie du die Beratungsreife deines Feeds mit echten Kundenfragen testest.

Produktfeed für KI-Produktberatung optimieren: Der technische Leitfaden 2026
TL;DR: Das Wichtigste in 30 Sekunden
- Kernaussage: Eine KI-Produktberatung empfiehlt nur so gut, wie dein Produktfeed strukturiert ist. Fehlt ein Attribut, kann der Agent danach weder filtern noch vergleichen.
- Vier Datenebenen: Ein beratungsfähiger Feed enthält Identifikation (ID, GTIN, Marke), Beratungsmerkmale (Material, Maße, Einsatzzweck), Beziehungen (Varianten, Zubehör, Kompatibilität) und Aktualität (Preis, Bestand, Lieferzeit).
- Struktur schlägt Textmenge: Jede Eigenschaft gehört in ein eigenes Feld mit einheitlicher Einheit und festen Werten. Fakten, die nur im Werbetext stehen, kann die KI nicht zuverlässig auswerten.
- Retourenhebel: Im KPMG Consumer Snapshot zum Retourenverhalten nennen 60,4 % der Online-Shopper ungenaue Beschreibungen oder Abweichungen von Produktbildern als Grund für Rücksendungen.
- Ein Feed, mehrere Kanäle: Ein sauberer Feed bedient den Shop Agent im eigenen Shop, das Google Merchant Center und KI-Shopping-Kanäle wie ChatGPT gleichzeitig.
- Testen statt hoffen: Prüfe den Feed vor dem Go-live mit echten Kundenfragen aus Chat, Tickets und Shopsuche.
Definition:
Ein Produktfeed für KI-Produktberatung ist eine strukturierte Datei oder Schnittstelle, die jedes Produkt mit eindeutiger ID, beratungsrelevanten Attributen, Variantenbeziehungen sowie aktuellem Preis und Bestand beschreibt. Ein KI-Agent nutzt diese Daten, um Kundenbedürfnisse in natürlicher Sprache passenden Produkten zuzuordnen, Produkte zu vergleichen und Fragen faktenbasiert zu beantworten.
Einen Produktfeed für KI-Produktberatung optimierst du, indem du jede beratungsrelevante Eigenschaft in ein eigenes, einheitlich befülltes Feld überführst, Varianten und Zubehör sauber verknüpfst und Preis sowie Bestand aktuell hältst. Die Produktbeschreibung bleibt für Kund:innen wichtig, doch die KI braucht dieselben Fakten zusätzlich in strukturierter Form. Dieser Leitfaden zeigt, welche Attribute ein Feed 2026 braucht, wie du Werte normalisierst, wie du Daten aus Shopware und Shopify anbindest und wie du die Beratungsreife mit echten Kundenfragen testest.
Warum entscheidet der Produktfeed über die Qualität der KI-Beratung?
Der Produktfeed ist die Wissensquelle, aus der ein KI-Agent seine Produktempfehlungen ableitet. Was dort fehlt oder widersprüchlich ist, kann der Agent nicht korrekt beantworten.
Moderne Beratungsagenten arbeiten mit Retrieval-Augmented Generation (RAG). Bei diesem Verfahren sucht das System zu jeder Kundenfrage die passenden Datensätze aus dem Katalog heraus und formuliert die Antwort auf dieser Grundlage. Das Sprachmodell liefert Sprachverständnis und Formulierung, die Fakten kommen aus deinem Feed. Fragt eine Kundin nach einem Rucksack für Tagestouren unter 1,2 kg mit Fach für eine Trinkblase, muss der Agent drei Bedingungen prüfen: Einsatzzweck, Gewicht und Ausstattung. Steht das Gewicht nur als „besonders leicht“ im Werbetext, scheitert der Abgleich. Der Agent empfiehlt dann unpassende Produkte oder bleibt vage.
Die Folgen reichen bis in die Retourenquote. Im KPMG Consumer Snapshot zum Retourenverhalten in Deutschland vom Dezember 2025 nennen 72,6 % der Online-Shopper eine falsche Größe und 60,4 % ungenaue Beschreibungen oder Abweichungen von Produktbildern als Retourengrund. Beide Ursachen hängen direkt an der Qualität der Produktdaten. Eine KI-Beratung, die Größen, Maße und Materialien aus sauberen Feldern liest, setzt genau dort an.
Was unterscheidet einen Beratungs-Feed von einem Shopping-Feed?
Ein Shopping-Feed ist für die Ausspielung in Suchmaschinen gebaut, ein Beratungs-Feed für das Gespräch mit Kund:innen. Der Shopping-Feed muss vor allem Pflichtfelder erfüllen. Der Beratungs-Feed muss zusätzlich jede Frage beantworten können, die eine erfahrene Verkäuferin im Laden beantworten würde.
Die Produktdatenspezifikation des Google Merchant Center legt Pflichtattribute wie ID, Titel, Beschreibung, Produktlink, Bildlink, Preis und Verfügbarkeit fest. Als häufige Probleme nennt Google falsche Werte bei Produktkategorie oder GTIN sowie fehlende Variantenattribute wie item_group_id, Farbe oder Größe. Dieser Feed ist ein guter Ausgangspunkt, weil er bereits eindeutige IDs, Preise und Varianten enthält. Für die Beratung reicht er selten. Ihm fehlen meist genau die Merkmale, nach denen Kund:innen fragen: Für welchen Einsatz eignet sich das Produkt? Mit welchem Gerät ist es kompatibel? Fällt die Größe normal aus?
Der Unterschied liegt in der Perspektive. Der Shopping-Feed beschreibt, was ein Produkt ist. Der Beratungs-Feed beschreibt zusätzlich, für wen und wofür es passt. Ein KI-Agent versteht Bedürfnisse, kann sie aber nur auf Produkte übertragen, wenn die passenden Merkmale im Feed stehen.
Welche Attribute braucht ein Produktfeed für KI-Produktberatung?
Ein beratungsfähiger Produktfeed braucht Attribute auf vier Ebenen: Identifikation, Beratungsmerkmale, Beziehungen und Aktualität. Die Grafik zeigt, wie sich ein typischer Werbetext auf diese vier Ebenen verteilt.
Identifikation: Woran erkennt die KI ein Produkt eindeutig?
Jedes Produkt braucht eine stabile, eindeutige ID, die sich bei Updates nicht ändert. Ergänze Marke, Modellname, Herstellerartikelnummer (MPN) und, wo vorhanden, die GTIN. Die GTIN (Global Trade Item Number, früher EAN) ist eine weltweit überschneidungsfreie Artikelnummer, deren Vergabe in Deutschland GS1 Germany organisiert. Sie hilft der KI, identische Produkte über Kanäle hinweg zu erkennen. Dubletten erscheinen so nicht als zwei verschiedene Empfehlungen.
Beratungsmerkmale: Wonach fragen Kund:innen wirklich?
Beratungsmerkmale sind alle Eigenschaften, die eine Kaufentscheidung beeinflussen. Dazu gehören Material, Maße, Gewicht, Größe und Passform, Einsatzzweck, Zielgruppe, Erfahrungsniveau, Pflegehinweise und technische Kennwerte. Welche Merkmale zählen, hängt vom Sortiment ab. Ein Bettenshop braucht Liegefläche, Holzart und Belastbarkeit. Ein Shop für Fahrradteile braucht Laufradgröße, Achsstandard und Bremssystem. Ein Modeshop braucht Schnitt, Passform und Größenhinweise wie „fällt klein aus“.
Besonders wirksam ist ein eigenes Feld für den Einsatzzweck. Kund:innen beschreiben selten technische Werte, sondern Situationen: „für Einsteiger“, „für den Winter“, „für kleine Wohnungen“. Führt dein Feed solche Einsatzkontexte als feste Werte, schlägt die KI die Brücke vom Bedürfnis zum Produkt zuverlässig.
Beziehungen: Wie hängen Produkte zusammen?
Beziehungen verbinden ein Produkt mit seinen Varianten, seinem Zubehör und kompatiblen Produkten. Varianten wie Farben und Größen gehören über eine gemeinsame Gruppen-ID zusammen, im Google-Feed über item_group_id. So erkennt der Agent, dass ein Rucksack in Blau und derselbe Rucksack in Grün ein Modell sind, und fragt gezielt nach der gewünschten Variante. Kompatibilität und Zubehör sind die Grundlage für sinnvolles Cross-Selling. Fehlen diese Verknüpfungen, schlägt die KI Zubehör nur auf Basis von Textähnlichkeit vor, und das führt schnell zu Fehlempfehlungen.
Aktualität: Welche Daten müssen tagesaktuell sein?
Preis, Verfügbarkeit, Lagerbestand und Lieferzeit ändern sich laufend. Diese Felder brauchen die kürzesten Aktualisierungszyklen. Empfiehlt ein Agent ein ausverkauftes Produkt oder nennt einen alten Preis, verliert er das Vertrauen der Kund:innen schneller als durch jede ungenaue Formulierung.
Wie strukturierst du Attribute, damit die KI sie zuverlässig auswertet?
Strukturiere Attribute nach drei Regeln: ein Wert pro Feld, eine Einheit pro Zahlenwert und feste Wertelisten. Diese Normalisierung entscheidet darüber, ob die KI filtern, sortieren und vergleichen kann.
Die erste Regel betrifft Mischfelder. Ein Feld „Details“ mit dem Inhalt „30 l, 1,1 kg, Polyamid, blau“ ist für Menschen lesbar, für einen Vergleich aber unbrauchbar. Teile solche Felder in Volumen, Gewicht, Material und Farbe auf. Die zweite Regel betrifft Einheiten. Steht das Gewicht einmal in Gramm, einmal in Kilogramm und einmal als „ca. 1 kg“, kann der Agent nicht sicher sortieren. Lege pro Attribut eine Einheit fest und speichere Zahlen als Zahlen. Die dritte Regel betrifft Wertelisten. Heißt ein Material mal „Polyamid“, mal „Nylon“ und mal „PA“, sind das für eine Filterlogik drei verschiedene Werte. Definiere pro Attribut eine Liste erlaubter Werte und pflege Synonyme an einer zentralen Stelle, idealerweise im PIM-System (Product Information Management, die zentrale Datenbank für Produktinformationen).
Halte außerdem Leerstellen ehrlich. Ein leeres Feld ist besser als ein geschätzter Wert. Ein Agent mit sauberer RAG-Anbindung antwortet dann, dass zu diesem Punkt keine Angabe vorliegt, und übergibt im Zweifel an dein Team. Ein falsch befülltes Feld führt dagegen zu einer falschen Empfehlung, die überzeugend klingt. Fachleute sprechen in diesem Fall von einer Halluzination, obwohl der Fehler eigentlich in den Daten liegt.
Wie wichtig sind Produkttitel und Beschreibungen für die KI?
Titel und Beschreibungen bleiben wichtig, aber sie ergänzen die Attribute, statt sie zu ersetzen. Die KI nutzt den Text, um Nutzen und Kontext zu verstehen. Für harte Fakten stützt sie sich auf die Felder.
Formuliere Titel nach einem festen Muster aus Marke, Produkttyp, Modell und dem wichtigsten Unterscheidungsmerkmal. Google begrenzt den Titel im Merchant Center auf 150 Zeichen, eine Länge, die sich auch für die Beratung eignet. Schreibe Beschreibungen so, dass sie Fakten erklären, statt sie nur zu wiederholen: Warum eignet sich das Material für Regen? Für welche Tourlänge reicht das Volumen? Solche Erklärungen helfen der KI, Kund:innen den Nutzen in eigenen Worten zu vermitteln.
Kritisch sind Widersprüche. Steht im Feld „Gewicht: 1.100 g“ und im Text „nur 900 Gramm leicht“, muss der Agent raten. Prüfe deshalb, ob Text und Attribute dieselben Werte nennen. Bei großen Sortimenten lohnt sich ein automatisierter Abgleich, der Zahlen im Fließtext mit den strukturierten Feldern vergleicht.
Wie bindest du den Produktfeed an einen KI-Agenten an?
Für die Anbindung gibt es drei gängige Wege: eine direkte Schnittstelle zum Shopsystem, eine regelmäßig abgerufene Feed-URL oder einen Datei-Upload als CSV. Welcher Weg passt, hängt vom Shopsystem und davon ab, wie oft sich deine Daten ändern.
Die direkte Schnittstelle ist für Preis und Bestand die beste Wahl, weil der Agent Änderungen ohne Exportlauf sieht. Shopware 6 und Shopify stellen dafür APIs bereit, über die Produkte, Varianten und Verfügbarkeiten abrufbar sind. Eine Feed-URL eignet sich für Systeme wie WooCommerce oder Magento und für Shops, die ohnehin einen Feed für Google erzeugen. Der CSV-Upload ist der einfachste Einstieg, passt aber nur zu Sortimenten, die sich selten ändern. Als Faustregel gilt: Preis und Bestand so nah an Echtzeit wie möglich, statische Merkmale bei jeder Änderung, mindestens aber täglich.
Anbieter wie melibo kombinieren diese Wege. Der Shop Agent wird über die Shopware-Integration oder direkt an Shopify angebunden, andere Shopsysteme liefern ihre Produktdaten per Feed-URL oder CSV in den melibo Knowledge Hub. Bei der Einrichtung schlägt ein KI-Assistent vor, welches Feld deines Feeds welchem Beratungsattribut entspricht, etwa wenn ein Feld intern „mat_1“ statt „Material“ heißt. Beratungsagenten bieten auch andere Anbieter, zum Beispiel moinAI mit seinem KI-Produktberater oder trbo mit dem trbo Agent. Für alle gilt: Die Plattform liefert Sprachverständnis und Gesprächsführung, die Beratungsqualität bestimmt dein Feed.
Schritt für Schritt: So optimierst du deinen Produktfeed in sechs Schritten
Die folgende Reihenfolge beginnt bewusst mit den Fragen der Kund:innen und nicht mit der vorhandenen Datenstruktur.
1. Kundenfragen sammeln:
Werte Chatverläufe, Tickets und Suchbegriffe aus der Shopsuche aus und notiere, nach welchen Eigenschaften Kund:innen fragen. Diese Liste ist dein Soll-Bild für die Attribute.
2. Ist-Zustand prüfen:
Exportiere deinen Feed und ermittle pro Attribut den Füllgrad. Markiere Felder mit Mischwerten, uneinheitlichen Einheiten oder reinem Freitext.
3. Attributschema festlegen:
Definiere pro Kategorie die Pflichtmerkmale, eine Einheit pro Zahlenwert und feste Wertelisten. Lege den Einsatzzweck als eigenes Feld an.
4. Daten anreichern und normalisieren:
Zerlege Mischfelder, vereinheitliche Werte und ergänze fehlende Angaben aus Herstellerdaten oder Datenblättern. Lass Felder leer, wenn ein Wert nicht belegt ist.
5. Beziehungen verknüpfen:
Fasse Varianten über eine Gruppen-ID zusammen und hinterlege Kompatibilität sowie passendes Zubehör als Verweise auf Produkt-IDs.
6. Aktualisierung automatisieren:
Lege fest, welche Felder per Schnittstelle in Echtzeit kommen und welche per Feed-Export, und überwache den Export auf Abbrüche.
Wie testest du, ob dein Feed beratungsreif ist?
Teste deinen Feed mit einem festen Set echter Kundenfragen, bevor der Agent live geht. Als Startpunkt empfehlen wir 50 bis 100 Fragen, die alle wichtigen Kategorien und typischen Bedürfnisse abdecken.
Bewerte jede Antwort nach drei Fehlerbildern. Empfiehlt der Agent ein unpassendes Produkt, fehlt meist ein Merkmal oder ein Wert ist falsch zugeordnet. Bleibt die Antwort vage, ist das Attribut zwar vorhanden, aber dünn befüllt oder nur im Fließtext versteckt. Nennt der Agent eine Eigenschaft, die das Produkt nicht hat, liegt fast immer ein Widerspruch zwischen Text und Feldern oder ein falsch zugeordneter Wert vor. Jedes Fehlerbild führt dich zu einer konkreten Stelle im Feed zurück.
Nach dem Go-live geht der Test im Betrieb weiter. Gesprächsanalysen zeigen, an welchen Fragen der Agent scheitert. In melibo übernimmt das der Trainingsbereich Bot Gym, in dem du Gespräche auswertest und Beratungsregeln nachschärfst. Kennzahlen wie die Klickrate auf vorgeschlagene Produkte und der über den Chat erzielte Umsatz zeigen dir, ob deine Verbesserungen am Feed wirken.
Lohnt sich der Aufwand auch für Google und ChatGPT?
Ja, denn derselbe strukturierte Feed bedient 2026 mehrere KI-Kanäle gleichzeitig. Neben deinem eigenen Shop Agent lesen auch externe Einkaufsassistenten Produktdaten aus Feeds und strukturierten Daten.
OpenAI beschreibt in seinen Spezifikationen für Produktfeeds, wie Händler Katalogdaten für Produktsuche und Kauf in ChatGPT bereitstellen. Google versorgt Shopping-Flächen über das Merchant Center. Auf der Website selbst sorgt das Vokabular schema.org/Product dafür, dass Maschinen Produktdaten direkt aus dem HTML auslesen. Für Eigenschaften ohne eigenes schema.org-Feld gibt es dort die Property additionalProperty, für Identifikatoren die Property gtin. Wie KI-Agenten diese Daten im Kaufprozess nutzen, erklärt der Beitrag zu Agentic Commerce 2026.
Der Unterschied liegt in der Kontrolle. Im eigenen Shop bestimmst du über Beratungsregeln, welche Rückfragen der Agent stellt und welche Produkte er priorisiert. In externen KI-Kanälen entscheidet die Plattform. Ein guter Feed verbessert beide Seiten, doch nur im eigenen Shop steuerst du Markenstimme, Beratungslogik und Kundendaten selbst. Welche Ergebnisse das in der Praxis bringt, zeigt der Artikel zur KI-Produktberatung im Onlineshop.
Welche Fehler machen Shops beim Produktfeed am häufigsten?
Die häufigsten Fehler sind Fakten im Fließtext, uneinheitliche Werte und veraltete Bestände. Sie entstehen meist nicht aus Nachlässigkeit, sondern weil der Feed ursprünglich für einen anderen Zweck gebaut wurde.
Viele Shops pflegen Produktwissen dort, wo es für Menschen gut sichtbar ist: in Beschreibungen, Bildunterschriften oder PDF-Datenblättern. Für die KI ist dieses Wissen schwer zugänglich. Ein zweiter Klassiker sind gewachsene Kategoriebäume, in denen gleiche Produkte unterschiedlich einsortiert sind. Der Agent vergleicht dann Produkte, die nicht vergleichbar sind. Ein dritter Fehler betrifft Varianten, die als eigenständige Produkte geführt werden. Kund:innen bekommen dann fünf fast identische Empfehlungen statt einer Empfehlung in der passenden Größe.
Häufig unterschätzt wird die Verantwortung für die Daten. Ohne festen Owner verfällt die Feed-Qualität schleichend. Lege deshalb fest, wer neue Attribute definiert, wer Lücken schließt und wer Fehler aus der Gesprächsanalyse behebt.
Häufige Fragen zum Produktfeed für KI-Produktberatung
Welche Attribute sind für eine KI-Produktberatung am wichtigsten?
Am wichtigsten sind die Merkmale, nach denen deine Kund:innen tatsächlich fragen. In fast jedem Sortiment gehören Material, Maße, Größe oder Passform, Einsatzzweck, Zielgruppe und Kompatibilität dazu. Ergänzt werden sie durch eindeutige IDs, Variantengruppen sowie aktuelle Preise und Bestände.
Reicht mein Google-Shopping-Feed für einen KI-Shop-Agenten?
Er ist ein guter Startpunkt, reicht aber selten allein. Der Google-Feed enthält IDs, Preise, Verfügbarkeiten und Varianten. Für die Beratung fehlen meist Merkmale wie Einsatzzweck, Kompatibilität oder Passformhinweise.
Wie oft sollte ein Produktfeed für KI-Beratung aktualisiert werden?
Preis, Bestand und Lieferzeit sollten so nah an Echtzeit wie möglich synchronisiert werden, idealerweise über eine direkte Schnittstelle zum Shopsystem. Statische Merkmale wie Material oder Maße reichen bei jeder Änderung im Shop oder PIM-System, mindestens aber einmal täglich.
Kann eine KI fehlende Produktdaten selbst ergänzen?
KI hilft beim Aufbereiten, etwa beim Zerlegen von Mischfeldern oder beim Zuordnen von Feldnamen. Fehlende Fakten sollte sie nicht erfinden. Werte wie Gewicht, Material oder Kompatibilität gehören aus belegten Quellen wie Herstellerdaten oder Datenblättern in den Feed.
Wie lange dauert es, einen Produktfeed beratungsreif zu machen?
Das hängt von Sortimentsgröße und Ausgangsqualität ab. Shops mit gepflegtem Google-Feed und PIM-System müssen oft nur Beratungsmerkmale ergänzen. Bei melibo liegt die durchschnittliche Zeit von Vertragsunterschrift bis Go-live eines Shop Agents bei rund 30 Business-Tagen, das Team unterstützt dabei auch bei der Strukturierung des Feeds.
Fazit
Eine KI-Produktberatung ist kein Ersatz für gute Produktdaten, sondern macht sie sichtbar. Je klarer dein Feed Identifikation, Beratungsmerkmale, Beziehungen und Aktualität abbildet, desto präziser empfiehlt der Agent und desto seltener kommen Produkte als Retoure zurück. Starte mit den Fragen deiner Kund:innen, baue das Attributschema danach auf und teste die Beratung, bevor sie live geht.




