In maart 2026 gebruik je ChatGPT, Gemini of Google AI al om te ontdekken wat je wilt kopen. Je typt: “zwart T shirt maat M, biologisch katoen, tot 120 euro, dat goed past onder een pak of geschikt is om mee te golfen.” Een LLM zoals ChatGPT geeft direct relevante suggesties, vaak met context uit je zoekgeschiedenis. Iets vergelijkbaars zie je in Google's AI Overviews / Search Generative Experience en in Microsoft's Copilot voor commerce. Voor veel retailers is dit fantastisch nieuws. Voor anderen een wake up call: zonder serieuze investering in AI shopping productdata blijven hun producten onzichtbaar. Wie nu structureel werk maakt van AI & automatisering in PIM, bepaalt straks de winkelervaring in plaats van eraan onderworpen te zijn. AI shopping productdata is de nieuwe valuta van e-commerce: AI-gestuurd winkelen vereist accurate en gestructureerde productdata. Het direct implementeren van AI zonder een solide databasis leidt tot foutieve informatie en frustratie bij de consument. Door te investeren in Product Information Management (PIM) kunnen bedrijven hun AI shopping productdata harmoniseren, verrijken en centraliseren. Dit garandeert dat AI-modellen consistente en betrouwbare informatie verstrekken, wat essentieel is voor een positieve winkelervaring en commercieel succes. ConnectingTheDots biedt de tools die dit proces mogelijk maken. AI shopping productdata: waarom retailers met een PIM toch falen “We hebben een PIM-systeem, dus we zijn AI-ready” is net zoiets als zeggen: “We hebben een ERP, dus onze finance is perfect.” Tooling alleen zegt niets over je datakwaliteit. In de praktijk zie ik bij retailers in fashion en electronics dezelfde valkuilen terugkomen: - Attributen zijn inconsistent (“katoen”, “100 procent cotton”, leeg) - Belangrijke context zit verstopt in marketingtekst in plaats van gestructureerde velden - Ieder merk of leverancier hanteert zijn eigen taxonomie - Variantstructuur is chaotisch (kleur en maat zitten door elkaar) - Er zijn geen use case attributen zoals occasion, activiteit of klimaat - Prijs, voorraad en afbeeldingen zijn niet altijd actueel - Data wordt klakkeloos naar alle kanalen gepusht zonder optimalisatie - Niemand is eindverantwoordelijk voor datakwaliteit (governance ontbreekt) Fashion case: onzichtbaar bij AI-discovery Een mode retailer had tienduizenden T shirts in het PIM-systeem. Bij de prompt “shirt dat netjes genoeg is voor onder een pak maar niet te warm voor de zomer” kwamen hun producten nauwelijks naar voren. Waarom? Er was geen attribuut voor “occasion”, “laagjesgeschiktheid” of “ademend vermogen”. De AI had simpelweg geen bewijs. Electronics case: ontbrekende context voor AI Een elektronicawinkel met 25.000 producten miste bij AI vragen als “compacte monitor voor thuiswerken met veel daglicht” bijna volledig. Attributen als “anti glare”, “kleine ruimte” en “thuiswerken” zaten verborgen in beschrijvingen of ontbraken volledig. De AI kon de match niet maken. Resultaat in beide gevallen: je staat online, maar je bent onzichtbaar in AI gedreven discovery exact het probleem dat goede productdata oplost. De 5 non-negotiables voor LLM-ready productdata AI vraagt niet om meer data, maar om beter gestructureerde en contextuele data. Dit zijn de vijf absolute must haves: 1. Consistente taxonomie – Eenduidige categorieën en waarden, afgestemd op Google's productdata-specificatie voor Merchant Center. 2. Volledige, genormaliseerde attributen – Alles expliciet vastgelegd in schema.org/Product volgens Google's structured data richtlijnen, niets verstopt in tekst. 3. Context- en use-case-attributen – Occasion, situatie, combinaties, intent. Dit is de grootste blinde vlek en de echte differentiator. 4. Correcte productstructuur – Duidelijke parent-variantrelaties en koppelingen. 5. Actuele en distributie-klare data – Prijs, voorraad en media altijd up to date. Wat het meest wordt onderschat? Punt 3: context-attributen. Vroeger was dat “marketingpraat”. Voor AI is het de sleutel tot zichtbaarheid. Hoe meet je of je data AI-ready is? - Data Quality Score (basis hygiëne) - Context Coverage Score (hoeveel procent van je producten heeft echte use-case-info?) - Matchability Test (test met realistische AI-prompts en kijk of jouw producten terugkomen) Vaak scoren retailers 80 tot 90 procent op basisdata, maar lager dan 20 procent op context. Daar zit het gat. “We lossen het wel op met AI erbovenop” is een illusie Steeds vaker hoor je: “We gooien er gewoon een LLM overheen, die fixt onze rommelige data wel.” Fout. Dat is alsof je een slimme vertaler zet op een incompleet woordenboek. Je krijgt mooie zinnen, maar de betekenis klopt niet. Onderzoek van OpenAI naar hallucinaties en de OpenAI GPT-4 capabilities documentatie laten zien dat LLM's met onvoldoende grounding structureel verkeerde feiten genereren. Gevolgen: - Hallucinaties: AI verzint “ademend” of “geschikt voor kantoor” terwijl het nergens staat - Verkeerde verwachtingen bij de klant, hogere retouren - Jouw product w