Orthogonale Daten: Was KI nicht über Ihre Produkte erraten kann

Auf ChatGPT, Gemini oder im AI Mode von Google suchen Nutzerinnen und Nutzer nicht mehr nach einem „Kaschmirpullover“, sondern nach einem „Kaschmirpullover, der nicht pillt“. Herkömmliche Produktseiten reichen für solche Anfragen nicht mehr aus. Der Wettbewerbsvorteil verlagert sich zunehmend auf eine andere Kategorie von Informationen: Daten, die KI weder ableiten noch erfinden kann – sogenannte orthogonale Daten. Warum das so ist, erfahren Sie hier.

Fragen Sie einen KI-Assistenten nach „einem Kaschmirpullover, der nicht pillt“. Er wird Ihnen selbstbewusst einige Optionen nennen. Aber worauf stützt er seine Antwort? Keine Marke schreibt auf ihrer Produktseite, dass ihr Pullover „nicht pillt“, und niemand macht Versprechungen darüber, wie sich Strickwaren im Laufe der Zeit halten werden.

Wenn offizielle Informationen fehlen, behilft sich das Modell anders. Es greift auf Kundenbewertungen, Reddit-Threads und Blogs zurück, also auf anekdotische und zufällige Daten. Im besten Fall leitet es seine Antwort aus technischen Spezifikationen ab, sofern diese verfügbar sind: Faserdurchmesser und -länge, Herkunft (Kaschmir aus der Inneren Mongolei soll weniger zum Pilling neigen) und zweifädige Verarbeitung.

Seit fünfzehn Jahren stützt sich der E-Commerce auf strukturierte Produktdaten. Mit seiner Taxonomie und seinen Feldern (Titel, Kategorie, Preis, Marke, Farbe, Größe, Material, Verfügbarkeit usw.) hat sich der Google-Shopping-Feed zum De-facto-Mindeststandard entwickelt. Und das zu Recht: Für die meisten etablierten E-Commerce-Unternehmen zählt die Verbesserung der Zuverlässigkeit dieses Feeds nach wie vor zu den Investitionen mit dem höchsten Grenzertrag, da er kanalübergreifend genutzt wird und jede Verbesserung eine spürbare Kettenreaktion auslöst.

Eine Stärke dieses Modells liegt darin, dass es sich perfekt für herkömmliche Suchanfragen nach dem Schema „Substantiv + Adjektiv“ eignet, wie beispielsweise „Kaschmirpullover“, „grauer Pullover“ oder „Serum mit LSF 15″. Allerdings verändert sich die Lage durch das Aufkommen KI-basierter Suchmaschinen.

KI kann diese Attribute inzwischen eigenständig extrahieren. Steht in einer Beschreibung beispielsweise „Feinstrick aus 100 % Kaschmir“, erkennt ein LLM das Material, selbst wenn das dafür vorgesehene Feld nicht ausgefüllt wurde. Wird der Farbton im Titel genannt, wird die Farbe automatisch abgeleitet. Google Shopping füllt fehlende Felder zunehmend automatisch aus, und neue Werbeplattformen wie ChatGPT Ads extrapolieren alles, was sich ableiten lässt. Mit anderen Worten: Eine saubere Pflege der grundlegenden Produktdaten im Feed bleibt zwar Voraussetzung, genügt aber nicht mehr, um sich von der Masse abzuheben.

Eine weitere, noch tiefgreifendere Veränderung verdient die Aufmerksamkeit von Marketing- und E-Commerce-Teams: Mit dialogbasierter KI verändern sich die Suchanfragen selbst. Laut Google sind Fragen, die im KI-Modus gestellt werden, im Durchschnitt dreimal so lang wie herkömmliche Suchanfragen.

Es mag den Anschein haben, als würden Nutzer einfach nur mehr Adjektive aneinanderreihen. Das ist jedoch nicht der Fall: Sie wechseln von einem „Substantiv + Adjektiv“-Ansatz zu einem „Konzept + Bedingungen“-Ansatz. Bei der Nutzung von KI suchen sie beispielsweise nicht mehr nach „einer tierversuchsfreien Serum-Foundation mit LSF 15″, sondern nach „der günstigsten tierversuchsfreien Serum-Foundation mit einem LSF über 15″. Sie suchen nicht mehr nach „schwarzen Lederstiefeln“, sondern nach „einem Paar schwarzer Lederstiefel, die bequem genug sind, um den ganzen Tag darin zu laufen, und die regenfest sind“.

Eine herkömmliche Suchanfrage lässt sich durch das Auslesen von Feldern beantworten, während eine Suchanfrage nach dem Prinzip „Konzept + Bedingungen“ dagegen logisches Schlussfolgern erfordert: den niedrigsten Preis ermitteln, eine ganze Bandbreite von LSF-Werten akzeptieren, erkennen, dass ein Siegel wie „Leaping Bunny“ für „tierversuchsfrei“ steht, und im Fall von „den ganzen Tag bequem“ nach Informationen suchen, die auf der Produktseite schlichtweg nicht existieren. Da KI-Systeme jedoch lieber eine schlechte Antwort liefern als gar keine, gewöhnen sich die Nutzer und Nutzerinnen an diese komplexen Anfragen, selbst wenn die Datenbasis dafür fehlt.

Um die Zuverlässigkeit von KI-Ergebnissen zu verbessern, hat Google damit begonnen, das Merchant Center um dialogorientierte Attribute auszubauen, darunter auch ein Frage-und-Antwort-Feld. Das ist eine nützliche Lösung, reicht jedoch nach wie vor nicht aus. Ohne eine passende Methode, mit der bestimmt werden kann, was in diese Fragen und Antworten gehören soll, verwerten die meisten Unternehmen lediglich das, was sie ohnehin schon veröffentlichen. Sie wären besser beraten, ihre Ressourcen auf den Aufbau von Datenbanken mit orthogonalen Produktdaten zu konzentrieren.

Orthogonale Daten sind Informationen, die sich nicht aus bereits veröffentlichten Angaben zu einem Produkt ableiten, extrapolieren oder erschließen lassen. Sie sind sowohl für Verbraucher als auch für LLMs, Suchmaschinen und alle anderen Recherchetools neu.

Mit einem einfachen Test lässt sich feststellen, ob Daten wirklich orthogonal sind: Könnte ein KI-Modell diese Information aus meiner aktuellen Produktseite ableiten? Falls ja, sind sie nicht orthogonal. Material, Farbe oder Größe lassen sich beispielsweise ableiten. Die Abriebfestigkeit einer Hose, die Lautstärke eines Reiskochers oder die Türbreite, die erforderlich ist, um ein Sofa hindurchschieben, dagegen nicht.

Diese Daten bieten Marken mehrere Vorteile: Sie verringern Halluzinationen von KI-Assistenten, erweitern die Bandbreite der Anfragen, die ein Produkt beantworten kann, und verbessern die Sichtbarkeit in dialogbasierten Suchmaschinen sowie neuen Suchoberflächen. Vor allem aber sind sie für Wettbewerber deutlich schwerer zu replizieren!

Leider sind die nützlichsten Daten oft nicht verfügbar, teuer in der Beschaffung oder können von der Marke selbst aus Reputations- oder Haftungsgründen nicht veröffentlicht werden.

Dennoch stehen mehrere Optionen zur Verfügung. Für Marken besteht ein erster Schritt darin, die in ihren internen Systemen (PIM, DAM, ERP, CMS) schlummernden Daten endlich ans Licht zu bringen. Händler wiederum müssen ihre Bemühungen verstärken, wenn sie Produkte in ihre Kataloge aufnehmen. Einige nutzen bereits Computer Vision bei Produktfotoshootings, um Merkmale zu identifizieren, die von den Herstellern nicht angegeben werden.

Gleichzeitig können redaktionelle Partnerschaften ein weiterer Weg sein, Produktinformationen anzureichern, insbesondere in Branchen mit Fachmedien und Enthusiasten-Communities. Spezialisierte Websites, die Produkte testen, vermessen und detailliert beschreiben, verfügen über besonders wertvolle Informationen: Manche schneiden Sportschuhe auf, um die Dicke und Dichte der Sohle zu messen; andere überwachen die Temperatur einer Matratze über die gesamte Nacht hinweg, zeichnen das Geräusch von Tastaturtasten auf oder bewerten deren haptisches Feedback … All dies sind Messwerte, die auf keiner Produktseite zu finden sind und die kein Modell ableiten kann.

Eine weitere Möglichkeit sind nutzergenerierte Inhalte, die nach wie vor viel zu selten genutzt werden. Sie sind der ideale Weg, um Informationen sichtbar zu machen, die stark nachgefragt werden, die die Marke jedoch nicht selbst bereitstellen kann. Ein besserer Umgang mit nutzergenerierten Inhalten kann verschiedene Formen annehmen: das Zusammenstellen von Gründen für Rücksendungen und Kundenservice-Anfragen zur Anreicherung der Produktseite („dieses Modell fällt klein aus“), das Belohnen von Kunden, die das Produkt in der Anwendung durch Fotos oder Videos dokumentieren, das Sammeln von durch Kunden verifizierten Informationen und vieles mehr.

All diese Ansätze verdienen einen Platz auf einer Roadmap für 2027. Da KI nicht erraten kann, was sie nicht weiß, sind orthogonale Daten zum neuen Schauplatz im E-Commerce geworden. Und dabei hat jeder seine Rolle zu spielen. Marken allein verfügen über einen Großteil dieser Informationen zu ihren eigenen Produkten. Multibrand-Händler sind wiederum die Einzigen, die neutral bleiben und das gesamte Sortiment abbilden können. Nur sie liefern auch die Daten, mit denen sich zwei Produkte wirklich vergleichen lassen und die offenlegen, welches davon das schwächere ist. Denn keine Marke würde jemals die Schwächen der eigenen Produkte ansprechen.

Kontaktieren Sie uns