In 50 Wörtern
Was bedeutet KI-ready – und was bedeutet decision-ready?
KI-ready bedeutet, dass Maschinen Produktinformationen technisch erreichen und strukturiert lesen können. Decision-ready bedeutet, dass diese Informationen aktuell, eindeutig, ausreichend und für eine konkrete Kundenabsicht nutzbar sind – einschließlich Ausschlussgründen und expliziten Unknowns.
Schema.org, ein Feed oder eine API können einen Katalog maschinenlesbar machen. Damit ist aber nicht automatisch beantwortet, ob eine angezeigte Edition die richtige Sprache hat, eine Erweiterung ohne Grundspiel funktioniert oder ein Erlebnis für die gewünschte Gruppe passt.
Der Weg zur belastbaren Auswahl
Maschinenlesbarkeit ist eine Station, nicht das Ziel.
Vom Datensatz zur Entscheidung
KI-ready deckt vor allem Schritt 1 und 2 ab. Decision-ready verlangt zusätzlich Schritt 3 und 4.
Nicht dasselbe in Grün
Der Unterschied im direkten Vergleich.
| Dimension | KI-ready | Decision-ready |
|---|---|---|
| Kernfrage | Kann eine Maschine die Information erreichen und lesen? | Kann ein Agent das Produkt für diesen Kundenkontext sicher qualifizieren? |
| Typische Daten | Name, Beschreibung, Kategorie, Bilder, Preisfeld | Eindeutige Identität, aktueller Gesamtpreis, Bestand, Fachattribute, Relationen und Regeln |
| Qualitätslogik | Feld vorhanden und technisch korrekt dargestellt | Feld belegt, aktuell, passend zum Use Case und mit Fehlerverhalten versehen |
| Fehlende Information | Bleibt häufig leer oder wird aus Text abgeleitet | Wird als Unknown, nicht anwendbar oder blockiert ausgewiesen |
| Ergebnis | Produkt kann verarbeitet oder erwähnt werden | Produkt kann aufgenommen, ausgeschlossen oder bewusst zurückgestellt werden |
| Nachweis | Markup-, Feed- oder API-Prüfung | Reproduzierbare Kundenfrage plus Selection Delta und fachlicher Review |
Eine echte Fachhandelsfrage
„Kooperativ für fünf, unter 60 Minuten, auf Deutsch und bis Freitag lieferbar.“
Ein KI-ready Katalog kann mehrere kooperative Spiele liefern. Für eine belastbare Auswahl fehlen aber oft genau die Daten, die den Unterschied machen:
Kaufbarkeit
Ist genau diese SKU verfügbar? Was kostet sie mit Versand? Ist die Lieferzusage für die Zieladresse belastbar?
Identität
Handelt es sich um die deutsche Ausgabe, die richtige Edition und ein eigenständiges Grundspiel?
Fach-Fit
Ist das Spiel laut Regel und belastbaren Spielerzahl-Signalen wirklich für fünf geeignet? Passt die reale Dauer?
Grenzen
Welche Aussage ist belegt, welche nur abgeleitet – und was bleibt unbekannt?
Decision-ready heißt nicht perfekt: Ein Agent darf auch zu dem Ergebnis kommen, dass keine Option ausreichend belegt ist. Ein ehrliches „nicht sicher qualifizierbar“ ist besser als eine erfundene Passung.
Prüfreihenfolge
Wann ist ein Katalogausschnitt decision-ready?
- Die Kundenfrage ist konkret: Ziel, Einschränkungen und notwendige Ausschlusskriterien sind benannt.
- Tier 1 ist belastbar: Identität, Preis, Bestand, Lieferung, Rückgabe und Freshness haben klare Quellen.
- Tier 2 beantwortet den Fit: Fachattribute, Relationen und Kompatibilitäten sind normalisiert und überprüfbar.
- Unknowns bleiben Unknowns: Fehlende Fakten werden nicht als Marketingtext oder Modellschätzung getarnt.
- Die Änderung wird getestet: Dieselbe Kundenfrage läuft vor und nach der Datenänderung durch einen kontrollierten Vergleich.
Die zugrunde liegende Priorisierung lehnt sich an das Drei-Tier-Modell aus Stefan Wenzels Agentic Commerce (2026) an. Shelfkind operationalisiert es als Decision Core und vertikale Decision Packs. Das Modell ist keine veröffentlichte Ranglogik eines konkreten Shopping Agents.
Kurz beantwortet
Häufige Fragen
Ist ein Shop mit vollständigem JSON-LD automatisch decision-ready?
Nein. JSON-LD strukturiert Informationen. Ob sie aktuell, fachlich ausreichend und für eine Kundenfrage belastbar sind, muss separat geprüft werden.
Braucht jeder Katalog alle denkbaren Felder?
Nein. Decision Data beginnt bei priorisierten Kundenentscheidungen. Benötigt werden die Daten, Relationen und Regeln, die für diese Entscheidungen einen relevanten Unterschied machen.
Garantiert decision-ready eine Empfehlung?
Nein. Es verbessert die Voraussetzungen für Qualifizierung und Auswahl. Modell, Quellenmix, Nutzerpräferenz und Plattformlogik bleiben außerhalb der Kontrolle des Händlers.
Vom Label zum Befund
Finde heraus, welche Entscheidung dein Katalog heute tragen kann.
Der Decision Data Audit verbindet reale Kundenfragen mit den Produkten, Datenlücken und Quellen, die für eine belastbare Antwort fehlen.
Decision Data Audit ansehenMethodische Grenze: „Decision-ready“ ist Shelfkinds operative Kategorie für belastbar qualifizierbare Produktdaten. Die Tier-Priorisierung ist eine eigene Operationalisierung auf Basis von Stefan Wenzel, Agentic Commerce (2026), und wird je Sortiment und Kundenfrage getestet.