AGRAVIS im Interview: Warum Produktdaten, PIM und KI künftig über Sichtbarkeit entscheiden

Wie verändern Künstliche Intelligenz, PIM und neue Suchtechnologien die Anforderungen an Produktdaten im E-Commerce? Warum reichen klassische Keyword-Strategien heute nicht mehr aus und weshalb werden Kontext, Datenqualität und semantische Strukturen immer wichtiger für digitale Sichtbarkeit? Darüber haben wir mit Nik Ernstschneider von der AGRAVIS Raiffeisen AG gesprochen. Im Vorfeld der PROKOM Data Days 2026 erklärt er, wie Unternehmen ihre Produktdaten fit für KI-gestützte Suche, moderne PIM-Prozesse und die Zukunft der digitalen Produktkommunikation machen können.

Über die AGRAVIS Raiffeisen AG

Die AGRAVIS Raiffeisen AG gehört zu den führenden Unternehmen im Agrarhandel und betreibt in der Sparte Raiffeisen-Märkte unter anderem E-Commerce und in dem Kontext digitale Produktkommunikation. Dabei spielen Produktdatenmanagement, PIM-Prozesse sowie die Optimierung von Sichtbarkeit und Conversion im digitalen Handel eine zentrale Rolle.

Über Nik Ernstschneider

Nik Ernstschneider ist bei der AGRAVIS Raiffeisen AG am Standort Münster im E-Commerce für den Bereich Raiffeisen-Märkte tätig und verantwortet dort als Channel-Manager das Online-Category & Merchandising. Der Fokus liegt neben der Weiterentwicklung der Verkaufsplattform auf der optimalen Steuerung von Sortimenten und Produktinformationen. Ziel ist es, E-Commerce-Anforderungen mit PIM-Prozessen und Content-Strategien zu einer ganzheitlichen Produktkommunikation zu vereinen. Ein besonderer Schwerpunkt liegt auf der Verbesserung von Sichtbarkeit, Auffindbarkeit und Conversion im digitalen Handel – verbunden mit der Fragestellung, wie künstliche Intelligenz darauf einwirkt.

Interview mit Nik Ernstschneider

Herr Ernstschneider, was fasziniert Sie aktuell am meisten an der Entwicklung rund um PIM und Künstliche Intelligenz?

Am meisten fasziniert mich, welche Effizienzgewinne durch den gezielten Einsatz von KI im PIM-Umfeld realistisch werden. Wir reden nicht mehr nur über schnellere Texterstellung, sondern über eine grundlegende Entlastung entlang der gesamten Produktdaten-Wertschöpfungskette. KI kann heute Aufgaben übernehmen, die bisher extrem zeit- und ressourcenintensiv waren. Fehlende Attribute identifizieren, Produktinformationen aus Datenblättern strukturieren, Inkonsistenzen erkennen oder Inhalte kanal- und kategoriespezifisch vorbereiten. Das führt dazu, dass Teams weniger Zeit mit manueller Pflege verbringen und mehr Zeit für Steuerung, Priorisierung und Qualitätssicherung gewinnen.

Besonders spannend finde ich dabei, dass Effizienz nicht zulasten der Qualität geht. Im Gegenteil: Durch die Automatisierung von Standards steigt die Datenqualität, Durchlaufzeiten verkürzen sich und die Time-to-Market wird deutlich schneller.

Was macht aus Ihrer Sicht heute wirklich „gute“ Produktdaten aus – über klassische Kriterien wie Vollständigkeit hinaus?

Vollständigkeit ist nur die Basis. Gute Produktdaten müssen aus meiner Sicht vor allem kontextfähig sein. Das bedeutet, dass Daten so beschrieben sind, dass sie in unterschiedlichen Nutzungssituationen und je nach Kanal sinnvoll eingesetzt werden können. Darüber hinaus müssen Produktdaten entscheidungsfähig sein. Sie sollten Kunden aktiv bei der Kaufentscheidung unterstützen – durch klare Differenzierung, echte Nutzenargumente, Vergleichbarkeit und belastbare Spezifikationen. Ebenso wichtig ist eine semantisch saubere Struktur. Es reicht nicht aus, dass lediglich Attribute gefüllt sind. Begriffe müssen konsistent verwendet werden, Einheiten korrekt sein, Variantenlogiken nachvollziehbar aufgebaut und Referenzen eindeutig definiert werden.

In Ihrer Keynote sprechen Sie vom Wandel „vom Keyword zum Kontext“. Was bedeutet das konkret für Unternehmen?

„Keyword“ bedeutet: Ich optimiere auf einzelne Begriffe. „Kontext“ bedeutet: Ich optimiere auf Intentionen, Situationen und Zusammenhänge. Menschen – und zunehmend auch Systeme – suchen heute nicht mehr nur nach „Akkuschrauber 18V“, sondern beispielsweise nach „Akkuschrauber für Terrassendielen, leise, leicht, mit zwei Akkus“ oder „Was ist der beste Akkuschrauber zum Montieren von Terrassendielen?“. Generative Systeme interpretieren Anfragen, vergleichen Optionen und sprechen Empfehlungen aus. Dafür benötigen sie Struktur und Kontext, beispielsweise Einsatzfälle, Kompatibilitäten, Vor- und Nachteile oder Differenzierungsmerkmale.

Produktdaten müssen daher künftig „antwortfähig“ werden. Sie dürfen nicht nur beschreiben, was ein Produkt ist, sondern auch, wofür es geeignet ist, wann es nicht geeignet ist und wie es sich innerhalb des Sortiments einordnet. Kurz gesagt: Wer Kontext liefert, wird in der neuen Suche sichtbar. Wer nur Keywords liefert, wird austauschbar.

Ist klassisches SEO damit ein Auslaufmodell oder wie verändert sich dessen Bedeutung im Zusammenspiel mit generativen Systemen?

SEO ist kein Auslaufmodell, sondern bildet weiterhin die wichtige Basis. Die technische Grundlage bleibt bestehen: Crawling, Indexierung, Performance, saubere Datenstrukturen und interne Verlinkung bleiben weiterhin essenziell. Der große Wandel findet jedoch in der Content-Strategie und im Datenmodell statt. Systeme bewerten zunehmend, ob Inhalte hilfreich, präzise und konsistent sind und ob sie Fragen tatsächlich beantworten. Hinzu kommt, dass Sichtbarkeit immer weniger ausschließlich über klassische Rankings entsteht, sondern zunehmend direkt in KI-generierten Antworten.

Sie führen den Begriff „Prompt Research“ ein. Wie unterscheidet sich dieser Ansatz vom klassischen Keyword Research?

Keyword Research fragt: „Welche Begriffe werden gesucht und wie ranke ich dafür?“. Prompt Research fragt hingegen: „Welche Fragen, Aufgaben und Entscheidungssituationen formulieren Nutzer und welche Antwort muss mein Content liefern?“. In der Praxis zeigt sich der Unterschied sehr deutlich. Ein Prompt ist häufig ein Mini-Briefing aus Ziel, Kontext und Einschränkungen und eben nicht nur ein einzelnes Keyword.

Darüber hinaus analysieren wir sogenannte Intent-Cluster. Dazu gehören beispielsweise Fragen wie „für welchen Einsatz“, „welche Alternativen“, „welche Kompatibilität“, „welche Risiken“ oder „welche Größe/Norm“ sowie unterschiedliche Suchintentionen wie „search intent“, „information intent“ oder „buy intent“.

Das Ergebnis ist nicht nur eine reine Keyword-Liste, sondern vielmehr eine konkrete Daten- und Content-Anforderung. Unternehmen müssen sich beispielsweise fragen: Welche Attribute fehlen? Welche Vergleichslogik wird benötigt? Welche FAQs sollten strukturiert vorliegen?

Was müssen Unternehmen konkret tun, um ihre Produktdaten für diese neue Art der Auffindbarkeit fit zu machen?

Unternehmen müssen sich zunächst intensiv mit den neuen Anforderungen auseinandersetzen und daraus Rückschlüsse beziehungsweise konkrete Use Cases für das eigene Geschäft ableiten. Darauf aufbauend sollte Content strukturiert werden – nicht nur als Fließtext, sondern auch in Form von Features, Benefits, FAQs, How-tos, Vergleichstabellen und strukturierten Daten.

Sie zeigen in Ihrem Vortrag, wie KI den PIM-Workflow verändert. Wo sehen Sie aktuell die größten Potenziale – eher in der Texterstellung, der Datenanreicherung oder der Qualitätssicherung?

Wenn ich priorisieren müsste, dann bringen Qualitätssicherung sowie Strukturierung beziehungsweise Datenanreicherung aktuell den größten kurzfristigen Hebel. Textgenerierung ist oft sichtbarer, aber nicht zwangsläufig der größte Effizienzgewinn. Im Bereich der Qualitätssicherung kann KI-Inkonsistenzen, Fehler, widersprüchliche Merkmale oder Dubletten erkennen. Bei der Datenanreicherung unterstützt KI beispielsweise bei der Ableitung von Attributen aus Datenblättern, bei Klassifikationen oder bei Vorschlägen für Cross-Selling-Potenziale. Die Texterstellung ist ebenfalls sehr wertvoll, funktioniert aber nur dann nachhaltig gut, wenn die Datenbasis stimmt, die Markensprache definiert ist und der Faktor Mensch weiterhin in die Inhalte einfließt.

Welche typischen Fehler beobachten Sie bei Unternehmen, die gerade mit KI im PIM-Umfeld starten?

Die häufigsten Fehler, die ich beobachte, beginnen häufig damit, einfach „KI über alles drüberzukippen“. Das bekannte Prinzip „shit in, shit out“ gilt hier mehr denn je. Hinzu kommen oft unklare Use Cases sowie fehlende Qualitätsdefinitionen und Regeln. Außerdem werden Themen wie Compliance, Quellen, Markenrechte oder regulatorische Anforderungen häufig unterschätzt oder vollständig ignoriert.

Wie setzen Sie bei AGRAVIS Künstliche Intelligenz konkret im Umgang mit Produktdaten ein – können Sie uns einen Einblick geben?

Aktuell wird KI bei AGRAVIS im PIM Kontext noch losgelöst vom eigentlichen PIM-System eingesetzt und vor allem zur Datenvorbereitung genutzt. Dazu gehören beispielsweise Klassifikationen, Recherchen, Texte oder die Vorbereitung von Attributen, die anschließend ins PIM-System übernommen werden.

Wie wird sich das Produktdatenmanagement in den nächsten drei Jahren Ihrer Meinung nach verändern?

Wir werden eine intensive Automatisierung der Prozesse entlang der gesamten Produktdatenkette erleben. Dabei wird sich die Rolle des Menschen verändern. Wiederkehrende und strukturelle Aufgaben werden zunehmend wegfallen. Stattdessen wird der Fokus stärker auf der Steuerung von Systemen und Prozessen liegen – im Sinne eines „Human in the Loop“-Ansatzes.

Darüber hinaus werden semantische Modelle und Automatisierung deutlich wichtiger. Workflows werden zunehmend „AI-nativ“ aufgebaut sein. Manuelles Copy-and-Paste wird stark reduziert und gleichzeitig steigen die Anforderungen an Datenqualität und Kontexttiefe erheblich. Sichtbarkeit entsteht künftig weniger über einzelne Keywords, sondern vielmehr über die Fähigkeit, konkrete Fragen sinnvoll beantworten zu können.

Wenn Sie nur einen zentralen Rat zum Thema Produktdaten und KI geben dürften – welcher wäre das?

Behandeln Sie Produktdaten als strategisches Asset und investieren Sie zuerst in Kontext, Governance und messbare Qualität, bevor Sie KI skalieren. KI ist ein Hebel. Aber dieser Hebel funktioniert nur dann, wenn der Untergrund stabil ist.

PIM in einem Satz?

PIM ist der zentrale Ordnungs- und Kontextlayer, der aus Produktinformationen verlässliche, kanalfähige und KI-lesbare Produktdaten macht.

PROKOM Data Days 2026 – Die Zukunft von Produktdaten, KI & digitaler Produktkommunikation erleben

Wie verändern Künstliche Intelligenz, PIM und neue Suchtechnologien die digitale Produktkommunikation? Welche Strategien sorgen künftig für Sichtbarkeit, Conversion und effiziente Prozesse? Genau diese Fragen stehen im Mittelpunkt der PROKOM Data Days 2026.

Freuen Sie sich auf zwei Tage voller praxisnaher Insights, strategischer Impulse und spannender Best Practices rund um PIM, Produktdatenmanagement, Omnichannel-Kommunikation, E-Commerce und Customer Experience. Branchenexpertinnen und -experten zeigen, wie Unternehmen ihre Produktdaten fit für KI, generative Suche und die Anforderungen der digitalen Zukunft machen.

Nutzen Sie die Gelegenheit zum Austausch mit führenden Köpfen der Branche, entdecken Sie innovative Ansätze für Ihre Produktkommunikation und nehmen Sie konkrete Impulse für Ihr Unternehmen mit.

📍 11. – 12.06.2026 | Düsseldorf

Das vollständige Programm sowie alle Informationen zur Anmeldung finden Sie hier: PROKOM Data Days 2026 – Programm & Tickets