AI Shopping Begint Niet bij ChatGPT, Maar bij Jouw Productdata

“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)

AI shopping productdata vergelijking: ongestructureerde marketingtekst versus gestructureerde, LLM-ready attributen

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 wordt niet geselecteerd omdat de concurrent wel context heeft
• Je verliest controle over hoe jouw merk wordt gepresenteerd

Kortom: AI maakt slechte productdata niet beter, het maakt slechte productdata schaalbaar. Echte productdata begint daarom bij de bron, niet bij het model.

Hoe ConnectingTheDots het anders aanpakt

De meeste PIM-leveranciers zeggen: “Wij beheren productdata.” Wij zeggen: “Wij zorgen dat productdata begrijpbaar wordt, voor mensen én voor AI.”

Dat doen we met één samenhangende keten:

1. Integratieplatform – We halen data op bij de bron (leveranciers, Excel, API’s, systemen) en normaliseren chaos voordat het in het PIM systeem komt. 90 procent van de problemen ontstaat hier.
2. PIM met sterke modellering – We bouwen niet alleen opslag, maar een datamodel met business rules, taxonomie en governance.
3. Gecontroleerde AI-verrijking – AI voegt context toe op basis van harde attributen, nooit ad hoc.

Resultaat? Eén consistente bron van waarheid die klaar is voor je webshop, Google Merchant Center, marketplaces en toekomstige AI-feeds (ACP/UCP). Geen losse tools, geen hallucinaties, wel schaalbare en interpreteerbare productdata.

1. Voer een Context Coverage Audit uit – Test 20 tot 50 realistische AI-prompts en kijk hoe vaak jouw producten terugkomen en waarom niet.
2. Fix taxonomie en variantstructuur – Maak dit waterdicht. Dit is de fundering.
3. Voeg context-attributen toe per productfamilie – Begin met occasion, situatie en combinaties. Gebruik AI om dit slim te schalen, niet handmatig.
4. Optimaliseer voor kanalen – Maak je data specifiek klaar voor Google Merchant Center structured data en feed-specificaties.
5. Bouw governance in – Zorg dat iemand eigenaar is van datakwaliteit en dat updates structureel gebeuren.

Elke stap brengt je data dichter bij LLM-ready niveau.

AI shopping is geen hype meer. De verschuiving naar AI gedreven discovery is al zichtbaar en versnelt. Wie nu zijn productdata behandelt als strategisch asset — gestructureerd, contextrijk en begrijpbaar — wint disproportioneel in de nieuwe customer journey. Wie wacht, riskeert onzichtbaar te worden voordat de klant überhaupt op zijn site komt.

Wil je weten hoe jouw productdata scoort op Context Coverage en AI-matchability? Neem gerust contact met ons op voor een snelle, vrijblijvende audit. We helpen je graag om van rommelige catalogusdata naar LLM-ready beslisinformatie te gaan.

Plan jouw persoonlijke demo

Geen verplichtingen, wel direct inzicht in hoe je jouw productdataketen slimmer inricht.

Lees verder: AI & automatisering in PIM.

Kortom: dit is geen technologievraagstuk maar een datavraagstuk. Wie zijn productdata op orde brengt, bouwt aan een duurzaam concurrentievoordeel in de nieuwe AI-gedreven customer journey.