Wenn KI Produktdaten strukturiert: ZEG automatisiert mit Data Agent
In vielen Branchen entscheidet die Qualität von Produktdaten darüber, ob digitale Geschäftsmodelle skalieren oder im operativen Aufwand stecken bleiben. Heterogene Datenquellen, historisch gewachsene Strukturen und manuelle Pflegeprozesse bremsen Wachstum, Effizienz und die Time-to-Market.
Genau bei dieser Herausforderung setzte valantic gemeinsam mit der ZEG Zentraleinkauf Holz + Kunststoff eG und Pimcore an: Ziel war es, eine belastbare Daten- und Prozessarchitektur zu entwickeln, mit der KI Produktdaten im großen Maßstab strukturieren, überprüfen und automatisiert verarbeiten kann.
Im Mittelpunkt der Lösung steht eine gemeinsam mit ZEG realisierte Agentic-AI-Anwendung, die auf der offenen Pimcore Plattform aufsetzt und von valantic in die bestehende Systemlandschaft integriert wurde. Dabei galt es, heterogene Produktinformationen so aufzubereiten, dass sie für digitale Vertriebskanäle der ZEG nutzbar werden – nachvollziehbar, kontrollierbar und mit klaren Qualitätsmechanismen.
Im Interview teilen die Projektbeteiligten ihre Erfahrungen aus dem Transformationsprojekt.
Im Gespräch: KI-Datenmanagement & Automatisierung im digitalen Handel
Sebastian (valantic)
Martin, bei der ZEG arbeitet ihr daran, eure digitalen Vertriebs- und Handelswege weiter auszubauen. Warum spielen strukturierte Produktdaten für euch eine so zentrale Rolle?
Martin (ZEG)
Unser Sortiment ist sehr heterogen, von Fußböden über Türen bis zu Tischlerplatten. Das bedeutet unterschiedliche Lieferanten, Datenquellen und Attributlogiken. Insgesamt sprechen wir von rund 170.000 Artikeln, die mit technisch präzisen Produktinformationen gepflegt werden müssen. Viele dieser Informationen lagen bisher unstrukturiert in Excel- und PDF-Dateien oder Herstellerdokumenten vor, was die Vergleichbarkeit und digitale Nutzung der Daten erheblich erschwerte.
Sebastian (valantic)
Welche Auswirkungen hatte das auf eure Prozesse und tägliche Arbeit?
Martin (ZEG)
Zum einen war der manuelle Aufwand für die Datenpflege enorm – zeitlich, personell und finanziell. Zum anderen war die Datenqualität sehr uneinheitlich. Wir konnten Produktdaten nicht so nutzen, wie wir sie für digitale Vertriebskanäle brauchten. Hinzu kommt, dass Standards wie BMEcat oder E-TIM in unserer Branche noch nicht konsequent eingesetzt werden. Das hat die Skalierbarkeit und Automatisierung von Prozessen zusätzlich erschwert.
Sebastian (valantic)
Genau hier setzte valantic im Projekt an: Nicht mit der isolierten Frage, welches KI-Modell zum Einsatz kommen soll, sondern mit der Entwicklung eines klaren Zielbilds für die Datenstruktur, Integrationslogik und Qualitätssicherung. Philipp, warum ist Datenstrukturierung aus technologischer Sicht eine zentrale Voraussetzung für Automatisierung und welche Rolle spielt dabei eine offene Plattform-Architektur?
Philipp (Pimcore)
Im Projekt wurde deutlich, dass reine KI-Nutzung ohne eine belastbare Datenarchitektur zu kurz greift. Automatisierte Prozesse laufen nur dann zuverlässig, wenn Daten fachlich sauber eingeordnet und technisch konsistent verarbeitet werden. Bei der Datenaufbereitung und -strukturierung können spezialisierte Data Agents gezielt unterstützen. Pimcore bietet eine offene Plattformarchitektur, über die sich agentenbasierte Systeme und eigene Modelle flexibel integrieren lassen. Vorteil dabei ist, dass Unternehmen die Datenhoheit behalten.
Key Learnings: Data Agent Best Practice mit "Human in the loop"
Sebastian (valantic)
Für die ZEG haben wir gemeinsam einen Data Agent entwickelt und eine Anwendung für das KI-Datenmanagement etabliert, die fachliche Logik, Daten-Mapping und Qualitätssicherung zusammenführt. Philipp, wie fügt sich dieser Ansatz in Pimcore ein und macht ihn belastbar für den produktiven Einsatz?
Philipp (Pimcore)
Im Projekt übernimmt ein auf Pimcore aufsetzender Data Agent Aufgaben wie Strukturierung, Attributzuordnung, Inkonsistenz-Erkennung und Optimierungshinweise. Er hilft zum Beispiel bei der Zuordnung von Attributen, erkennt Zusammenhänge in Dokumenten – auch bei unterschiedlichen Schreibweisen –, macht Inkonsistenzen sichtbar und liefert Optimierungsvorschläge.
Sebastian (valantic)
Martin, wie geht ihr mit den automatisierten Vorschlägen um?
Martin (ZEG)
Transparenz und Nachvollziehbarkeit der KI-Empfehlungen sind entscheidend. Für uns zählt das Prinzip „Human in the loop“: Das KI-System übernimmt die Vorverarbeitung, zeigt Auffälligkeiten, begründet Entscheidungen und weist Empfehlungen mit einem Confidence-Wert bzw. einer Einschätzung der Verlässlichkeit aus. Das letzte Wort hat ein Mitarbeitender, der empfohlene Änderungen aktiv bestätigen muss. Über den in Pimcore sichtbaren Data Quality Score erkennt unser Redaktionsteam, wo Handlungsbedarf besteht und welche Datensätze vor der Veröffentlichung geprüft werden müssen.
Sebastian (valantic)
Wie habt ihr Vertrauen in die KI-Empfehlungen gewonnen und wie hat sich die Zusammenarbeit mit dem Data Agent mit der Zeit verändert?
Martin (ZEG)
Wir haben am Anfang jeden Vorschlag der KI manuell überprüft, um die Trefferquote einschätzen zu können. Nach und nach konnten wir Vertrauen in die Zahlen aufbauen und die manuelle Arbeit signifikant reduzieren.
Sebastian (valantic)
Was sind eure wichtigsten Erkenntnisse aus dem Projekt und diesem Agentic AI Use Case?
Martin (ZEG)
Um es auf drei Takeaways zu beschränken:
- Eine strategische Zielsetzung ist unverzichtbar. Wir mussten zu Beginn klar definieren, wofür wir welche Produktdaten brauchen und verwenden, etwa für die Suche, Vergleichbarkeit oder digitale Beratung im Vertrieb.
- Der Mensch bleibt in der Hauptverantwortung, wird aber deutlich entlastet. Der Data Agent leistet Vorabreitet wie ein Detektiv: Er deckt blinde Flecken in Datenstrukturen auf und schafft bessere Voraussetzungen für Datenqualität und Automatisierung.
- Der erfolgreiche Einsatz von Agentic AI bedeutet mehr als die Implementierung der Technologie: Datenstrukturen, Prozesse, Governance und Integration müssen ganzheitlich gedacht und umgesetzt werden. Es „zwingt“ einen quasi dazu, saubere Datenstrukturen aufzubauen. Das mag zu Beginn anspruchsvoll sein, zahlt sich aber langfristig aus. So wurden in unserem Fall Produktdaten vom operativen Engpass zur strategischen Basis für Digitalisierung und Wachstum.
Sebastian (valantic)
Philipp, welchen strategischen Mehrwert siehst du in solchen Projekten?
Philipp (Pimcore)
Das Projekt ist aus meiner Sicht ein Paradebeispiel dafür, wie strukturierte Daten ein belastbares Fundament für Automatisierung und digitale Vertriebskanäle schaffen. Und es zeigt, welches Potenzial in Data Agents steckt, wenn sie vorausschauend in bestehende Prozesse und Systemlandschaften eingebettet werden und nicht isoliert arbeiten. Der Mehrwert entsteht dort, wo strukturierte Daten, transparente Entscheidungslogiken und klar definierte Qualitätsmechanismen zusammenspielen.
Sebastian (valantic)
Bei valantic sehen wir es als unsere Aufgabe und Kernkompetenz, genau diese Basis für digitale Innovationen zu schaffen und Transformationsprojekte ganzheitlich zu begleiten: von der Datenstrategie bis zur Integration, Automatisierung und fortlaufenden Optimierung für den effektiven und nachhaltigen Einsatz.
Vielen Dank, dass ihr euch die Zeit genommen und eure Erfahrungen geteilt habt!
Vom Agentic AI Use Case zum nachhaltigen Business Impact
Das Projekt mit der ZEG zeigt exemplarisch, worauf es bei Agentic-AI-Anwendungen in der Praxis ankommt: Echter Mehrwert entsteht durch das Zusammenspiel einer sauberen Datenstruktur, durchdachten Systemarchitektur, nachvollziehbarer Entscheidungslogik und klar definierten Qualitätsprozessen.
Für Unternehmen bedeutet das: Wer Agentic AI wirksam einsetzen und daraus einen tragfähigen Business Case entwickeln will, muss nicht nur über Modelle sprechen, sondern über Prozesse, Integration und Steuerbarkeit – unabhängig vom jeweiligen Anwendungsszenario.
Nähere Details zum valantic Data Agent und dem Agentic AI Use Case bei der ZEG finden Sie in unserem aktuellen KI-Guide:
Agentic AI im Einsatz: Wie intelligente Orchestrierung Marketing, Service & Commerce neu definiert
Turn your vision into reality: Female Digital Impact
