AI Product Data Manager: Warum das erste echte AI-Team im Commerce in den Produktdaten sitzt

Suchen Sie einmal im Organigramm Ihres Unternehmens nach dem AI-Team.

In den meisten Fällen finden Sie es entweder gar nicht – oder Sie finden eine Stabsstelle in der IT. Ein „AI Center of Excellence“, zwei bis drei Personen, die Piloten begleiten, Richtlinien schreiben und Use Cases sammeln.

Was Sie dort mit ziemlicher Sicherheit nicht finden: die Abteilung, in der KI heute schon in Serie produktiv arbeitet, jeden Tag, mit direkter Wirkung auf den Umsatz. Diese Abteilung heißt in Ihrem Organigramm vermutlich noch Produktdatenpflege, Stammdaten oder Content-Management.

Das erste echte AI-Team im Commerce entsteht nicht in der IT. Es entsteht dort, wo Produktdaten gemacht werden.

Agentic PIM ist dabei nicht nur eine neue Softwarekategorie. Es ist der Grund, warum sich in genau diesen Teams gerade ein Berufsbild neu sortiert.

Der Beruf hat sich längst verändert. Nur der Titel nicht.

Ein Lieferant schickt einen Katalog: 4.800 Artikel, ein Teil als Excel, der Rest als PDF-Datenblätter mit Maßangaben in drei verschiedenen Schreibweisen. Zielkanäle: der eigene Shop, zwei Marktplätze, ein B2B-Portal. Jeder davon verlangt sein eigenes Kategoriemodell und zwischen 40 und 60 Pflichtattribute.

Vor drei Jahren war das ein Projekt: eine Person, sechs Wochen, Copy-und-Paste, am Ende eine Liste mit Lücken, die niemand mehr schließt.

Heute laufen Research Agent und Enrichment Agent über Nacht. Am Morgen liegen 4.800 angereicherte Datensätze vor – mit Quellenangabe und Confidence-Wert pro Attribut. Und dann beginnt die eigentliche Arbeit: Welche Regel hat systematisch danebengelegen? Welche 120 Fälle brauchen echtes Urteilsvermögen? Welche Attribute darf ein Agent grundsätzlich nie allein setzen, weil ein Fehler dort teuer wird – Sicherheitshinweise, Konformitätsangaben, Preisstaffeln?

Die Arbeit ist nicht weniger geworden. Sie ist eine andere geworden. Und sie ist deutlich anspruchsvoller.

Drei Titel, ein Berufsbild

In Stellenmärkten und Organigrammen tauchen gerade drei Bezeichnungen für dieselbe Bewegung auf.

Der AI Product Data Manager verantwortet eine Datendomäne. Er definiert, welcher Agent in welcher Kategorie mit welchen Regeln arbeiten darf, wo die Qualitätsschwellen liegen und was freigegeben wird.

Der AI Data Manager denkt breiter: Produktdaten, Mediendaten, Lieferantendaten, Kundendaten. Sein Thema ist die Governance über Systemgrenzen hinweg – wer darf was automatisiert verändern, und woran erkennt man es hinterher.

Der AI Commerce Manager denkt von außen nach innen: Welcher Kanal, welcher Marktplatz, welche KI-Oberfläche – und wie müssen Daten aussehen, um dort überhaupt zu bestehen.

Alle drei beschreiben denselben Übergang: weg vom Bearbeiten einzelner Datensätze, hin zum Führen von Systemen, die Datensätze bearbeiten.

Orchestrierung ist eine andere Fähigkeit als Pflege

Das Weltwirtschaftsforum rechnet damit, dass sich bis 2030 rund 39 Prozent der heute geforderten Fähigkeiten verändern. Gartner erwartet, dass bereits 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische AI Agents mitbringen – 2025 waren es weniger als fünf Prozent. Agenten kommen also nicht als Projekt ins Haus, sondern als Grundausstattung. McKinsey nennt das Zielbild die agentic organization – Menschen rücken „above the loop“: Sie führen den Prozess, statt jeden Schritt selbst zu gehen.

Für die Produktdaten heißt das im Alltag: Regeln formulieren, statt Felder füllen. Stichproben ziehen, statt alles zu kontrollieren. Fehlerklassen erkennen, statt Einzelfehler zu korrigieren. Und entscheiden, wann ein Agent nicht entscheiden darf.

Das ist der unbequeme Teil: Wer bisher besonders schnell manuell gepflegt hat, ist nicht automatisch gut in dieser Arbeit. Es ist eine andere Kompetenz – näher an Qualitätsmanagement und Prozessverantwortung als an Datenerfassung.

Warum ausgerechnet Produktdaten das Zentrum werden

Weil sich dort gerade zwei Entwicklungen treffen. Die eine: KI übernimmt die Arbeit an den Daten. Die andere: KI wird zum Leser dieser Daten.

Salesforce misst, dass agentische Suche als erster Schritt der Kaufreise binnen eines Jahres um 200 Prozent zugelegt hat; 86 Prozent der befragten Verantwortlichen erwarten, dass Sprachmodelle innerhalb eines Jahres zentral für die Produktentdeckung sind. Adobe kommt bei der Prüfung von Produktseiten auf einen KI-Sichtbarkeitswert von durchschnittlich 66 Prozent – ein Drittel der Information auf der wichtigsten Seite kommt bei der Maschine also gar nicht an.

Produktdaten sind der einzige Unternehmensbereich, in dem KI gleichzeitig das Werkzeug und der Kunde ist.

Genau das hebt dieses Team aus der Rolle des Kostenblocks heraus. Es entscheidet nicht mehr nur, wie ein Produkt aussieht, wenn jemand es gefunden hat. Es entscheidet, ob ein Einkaufsagent das Produkt überhaupt in Betracht zieht.

Woran man dieses Team misst

Ein Team, das weiterhin „3.400 Produkte gepflegt“ berichtet, wird auf Dauer wie eine Erfassungsabteilung behandelt – und irgendwann entsprechend budgetiert.

Die naheliegende Kennzahl ist eine andere: die Agent Coverage Rate – der Anteil der Produktdatenänderungen, die ein Agent vollständig erledigt hat, ohne menschlichen Eingriff und ohne spätere Korrektur. Sie beschreibt, wie viel Prozess das Team tatsächlich automatisiert im Griff hat.

Dazu gehört eine Gegengröße, sonst wird die erste gefährlich: die Qualität der Eskalationen. Wie viele Fälle sind zur Prüfung gekommen, die tatsächlich eine Prüfung gebraucht haben? Eine Agent Coverage Rate von 95 Prozent ist wertlos, wenn die verbleibenden 5 Prozent die falschen sind.

Wer beides misst, führt ein Agenten-Team. Wer nur Stückzahlen misst, führt weiterhin eine Erfassungsabteilung mit besseren Werkzeugen.

ainavio als Arbeitsplatz für dieses Team

Genau für diese Arbeitsweise ist ainavio als agentischer Workspace gebaut – nicht als Sammlung von KI-Funktionen, sondern als Team aus zehn AI Agents, das ein Mensch führt.

Research Agent und Enrichment Agent übernehmen Recherche und Anreicherung, Classification und Mapping Agent die Zuordnung auf Kategorien, Shops und Marktplätze, der Quality Agent findet Lücken, Dubletten und Inkonsistenzen, der Publishing Agent prüft vor jedem Export gegen die Anforderungen des Zielkanals.

Führbar wird das durch die Kontrollpunkte drumherum: Jedes per Deep Research ergänzte Attribut kommt mit Quelle und Confidence-Bewertung – die Grundlage, um zu prüfen statt zu vertrauen. Pflichtattribute verhindern, dass ein unvollständiges Produkt überhaupt veröffentlicht wird. Der Workflow Agent automatisiert Freigaben und Aufgaben entlang des Product-Data-Lifecycle. Der Analytics Agent beantwortet Fragen zum Datenbestand in natürlicher Sprache, ohne dass jemand einen Export bauen muss.

ainavio nimmt dem Team die Verantwortung nicht ab. Es gibt ihm die Oberfläche, auf der sich Verantwortung überhaupt ausüben lässt.

Zurück ins Organigramm

In zwei, drei Jahren wird dort ein Kasten stehen, in dem AI Product Data Management steht – oder ein Titel, der dasselbe meint. Mit Budget, mit Mandat und mit direkter Linie zu Vertrieb und Kanalstrategie.

Die Vorarbeit dafür läuft längst. Sie läuft in Teams, die heute noch unter „Stammdaten“ geführt werden und deren Aufgabe sich in den letzten achtzehn Monaten vollständig gedreht hat, ohne dass jemand die Rollenbeschreibung angefasst hat.

Die Frage ist nicht, ob Sie ein AI-Team bekommen. Die Frage ist, ob Sie bemerken, dass Sie längst eines haben.