Single Source of Truth reicht nicht: Was Agentic AI von PIM und DAM braucht
Christoph Könninger24.9.2026
Welche Rolle PIM und DAM in Zeiten von Agentic AI spielen und wie der Umstieg auf den eigenen KI-Agenten gelingt
Inhalt
- Was ist eine Single Source of Truth genau?
- Welche Aufgaben übernehmen PIM und DAM bisher?
- Was können KI-Agenten in der Datenpflege?
- Brauchen wir mit Agentic AI noch ein PIM?
- Brauchen wir mit Agentic AI noch ein DAM?
- Warum bleiben PIM und DAM auch mit Agentic AI wichtig?
- Wie gelingt der Umstieg auf Agentic AI?
- Wie verändert Agentic AI PIM und DAM künftig?
Das Wichtigste in Kürze
- Trotz fortschreitender Agentic AI bleiben PIM und DAM unverzichtbar, da KI-Agenten eine strukturierte und verlässliche Single Source of Truth benötigen, um autonom handeln zu können.
- KI-Agenten übernehmen künftig komplexe, systemübergreifende Prozesse in der Datenpflege, sind dabei aber zwingend auf maschinenlesbare Beziehungen, Metadaten und definierte Zugriffsrechte angewiesen.
- Die klassischen Verwaltungssysteme entwickeln sich zu vernetzten Content-Hubs weiter, die Produktdaten und Kontext für Menschen, APIs und KI gleichermaßen bereitstellen.
- Für einen erfolgreichen und sicheren KI-Einsatz ist ein starkes Governance-Modell entscheidend, weshalb Unternehmen den Wandel mit einzelnen, klar abgegrenzten Prozessen starten sollten.
Wissen von den Besten: Dieser Artikel stammt von sorgfältig ausgewählten Branchen-Expert*innen. Unser Anspruch: fundierte Insights und praxiserprobte Tipps, die dich und dein Projekt wirklich weiterbringen. Erfahre hier mehr über die Autor*innen.
Brauchen wir mit Agentic AI überhaupt noch Product Information Management (PIM) und Digital Asset Management (DAM)? Meine Antwort: Ja, aber ihre Rolle verändert sich. Je mehr KI-Agenten selbstständig mit Produktdaten, Assets und Content arbeiten, desto wichtiger wird eine verlässliche Single Source of Truth (SSOT). Ein Agent braucht nicht nur Zugriff auf Informationen. Er muss wissen, welche Information gilt, wie sie mit anderen Informationen zusammenhängt und was er damit tun darf. Agentic AI geht einen Schritt weiter als generative KI. Statt nur einzelne Aufgaben wie Texte, Übersetzungen oder Bildanalysen zu erledigen, können KI-Agenten mehrere Arbeitsschritte planen und ausführen, auch über verschiedene Systeme hinweg. Damit laufen Prozesse, die heute noch über PIM, DAM, CMS, Schnittstellen und manuelle Übergaben gehen, zunehmend durchgängig.
Trotzdem bedeutet Agentic AI für mich nicht das Ende von PIM und DAM. Die Funktionen dieser Systeme werden weiterhin gebraucht. Entscheidend ist, wie Produktdaten, Assets, Content, Kontext, Rechte und Prozesse künftig zusammenspielen und wie Menschen, Systeme und KI-Agenten damit arbeiten.
Was ist eine Single Source of Truth genau?
Eine Single Source of Truth, oft auch Single Point of Truth genannt, ist eine zentrale, belastbare Informationsquelle für Menschen und Systeme. Produktinformationen haben eine definierte Quelle, statt über verschiedene Datensilos und voneinander getrennte Systeme verteilt zu sein. Teams ändern Daten nur dort, alle anderen Bereiche greifen anschließend darauf zu. Das reduziert Datenredundanz und schafft einen gemeinsamen Informationsstand.
Wichtig: Eine SSOT muss nicht bedeuten, dass alle Daten physisch in einem einzigen System liegen. Sie müssen eindeutig zugeordnet, aktuell und nachvollziehbar sein.
Für Agentic AI reicht eine zentrale Datenquelle allein nicht aus. Ein KI-Agent muss erkennen, welche Informationen aktuell und freigegeben sind, was zusammengehört, welche Markt- und Sprachversion gilt und welche Regeln greifen. Dafür braucht es eine gemeinsame Ebene für Struktur, Beziehungen, Kontext, Rechte und Prozesse. Dabei spielt es keine Rolle, ob alle Informationen physisch in einem System liegen.
Welche Aufgaben übernehmen PIM und DAM bisher?
Ein PIM-System bringt Struktur in interne Prozesse, damit bei deinen Kund*innen konsistente und korrekte Produktinformationen ankommen. Konkret unterstützt es dein Team bei drei Aufgaben: Datenerfassung, Datenmanagement und Datenverteilung. Damit ist PIM auch ein wichtiger Bestandteil des Stammdatenmanagements beziehungsweise Master Data Managements (MDM): Teams pflegen und strukturieren Produktinformationen zentral und spielen sie in alle Kanäle aus.
Welche Funktionen ein modernes PIM konkret abdeckt, zeigen beispielsweise Lösungen wie viingx oder Akeneo. Neben der zentralen Verwaltung von Produktinformationen geht es um Datenqualität, Anreicherung und die Bereitstellung für unterschiedliche Kanäle. In meinem vorherigen Artikel erfährst du mehr über PIM-Systeme und deren Einführung; die OMR-Kategorie Product Information Management bietet außerdem einen Überblick über verschiedene Tools.
Ein DAM kümmert sich dagegen um Bilder, Videos, PDFs und andere digitale Assets. Es verwaltet Versionen, Metadaten, Nutzungsrechte und die Bereitstellung für unterschiedliche Kanäle. KI unterstützt dabei schon heute, etwa bei Verschlagwortung, Metadatengenerierung oder semantischer Suche. Einen Überblick dazu gibt der OMR-Guide zu KI im Digital Asset Management.
Zusammengefasst: Das PIM weiß, was ein Produkt ist. Das DAM weiß, wie es aussieht.
In der Realität ist es komplizierter. Produktdaten und Medien gehören zusammen, genauso wie Marketingtexte, Übersetzungen, Märkte, Kanäle und Freigaben. Trotzdem liegen Produktdaten oft im ERP oder PIM, Bilder im DAM, Marketing-Content im CMS und zusätzliche Informationen in Excel. Datenintegration verbindet diese unterschiedlichen Quellen und macht relevante Informationen systemübergreifend nutzbar.
Für Agentic AI wird diese Trennung schnell zum Problem. Ein KI-Agent muss verstehen, welche Informationen zusammengehören, welche Version gültig ist, in welchem Markt sie gilt und was er damit tun darf. Die Systeme halten häufig die Informationen. Der Kontext steckt aber noch in Prozessen und im Wissen der Mitarbeiter*innen.
Diese Situation begegnet mir in der Praxis häufig. Deshalb denke ich trotz der Kategorien PIM und DAM stärker in zusammenhängenden Content-Prozessen: Produktdaten, Assets und Marketing-Content müssen verbunden und ihr Kontext maschinenlesbar sein.
Was können KI-Agenten in der Datenpflege?
Datenpflege klingt zunächst nach einer einfachen Aufgabe. In der Praxis müssen Produktdaten aber aus unterschiedlichen Quellen zusammengetragen, geprüft, angereichert, übersetzt und für Kanäle aufbereitet werden. Dazu kommen Freigaben und Qualitätskontrollen. Einen Überblick über KI in der Produktdatenpflege gibt OMR Reviews.
Mit Agentic AI werden aus einzelnen KI-Hilfen zusammenhängende Abläufe. Ein Agent kann Informationen aus verschiedenen Quellen einbeziehen, innerhalb definierter Regeln handeln und den nächsten Prozessschritt anstoßen.
1. Daten aus verschiedenen Quellen zusammenführen
Produktdaten stammen häufig aus ERP, PIM, CMS, Herstellerunterlagen, PDFs und Tabellen. Ein Agent kann sie zusammentragen, abgleichen und Lücken oder Widersprüche erkennen. Diese Datenkonsolidierung schafft eine gemeinsame Grundlage, auf der Produktinformationen weiterverarbeitet und für unterschiedliche Kanäle aufbereitet werden können. So sinkt der manuelle Wechsel zwischen Systemen.
2. Daten prüfen und Fehler erkennen
Ein Agent kann prüfen, ob Pflichtfelder vollständig sind, Einheiten stimmen oder Produktbeschreibungen Widersprüche enthalten. Neben festen Validierungsregeln kann er Informationen zunehmend im Kontext bewerten.
3. Produktdaten anreichern und Inhalte erstellen
Fehlen Informationen oder müssen Daten für Kanäle aufbereitet werden, kann ein Agent Texte erstellen, übersetzen oder vorhandenes Material anpassen. Bei Assets kann er passende Bilder auswählen, Metadaten ergänzen und prüfen, ob das richtige Material vorliegt.
4. Aufgaben selbstständig ausführen
Ein Agent kann auf Basis definierter Regeln auch selbstständig handeln: Produktinformationen einlesen, Lücken erkennen, Daten ergänzen, Sprachversionen erstellen, Assets zuordnen und den Workflow auf „Prüfen“ setzen. An einer definierten Freigabe stoppt er und übergibt an einen Menschen.
Brauchen wir mit Agentic AI noch ein PIM?
Ja. Die Funktionen eines PIM bleiben relevant und werden für Agentic AI teilweise sogar wichtiger. Was sich verändert, ist die Art, wie Menschen und KI-Agenten mit diesen Funktionen arbeiten.
KI-Agenten können Aufgaben übernehmen, die bisher Mitarbeiter*innen direkt im PIM erledigt haben: Daten zusammenführen, Lücken erkennen, Inhalte anreichern oder Übersetzungen erstellen. Dafür brauchen sie weiterhin einen sauberen Golden Record, eindeutige Beziehungen, Statusinformationen und Qualitätsregeln.
Das PIM wird damit zur gemeinsamen Arbeitsgrundlage für Menschen, Systeme und KI-Agenten. Zugleich werden KI-Systeme selbst zu Empfängern von Produktdaten. OpenAI baut die Produktsuche in ChatGPT und agentische Commerce-Szenarien aus. Für Hersteller heißt das: Produktdaten müssen für Shops, Marktplätze und zunehmend auch für KI-Systeme vollständig, aktuell und maschinenlesbar sein. Auch die Anbieterlandschaft bewegt sich. entitys.io verbindet beispielsweise PIM und DAM mit KI-gestützter Automatisierung. Ob solche Funktionen langfristig in einem eigenständigen PIM, in umfassenderen Plattformen oder verteilt über verbundene Systeme liegen, wird sich je nach Unternehmen unterscheiden.
Bei viingx setzen wir auf einen Marketing-Content-Hub, der PIM-, DAM- und Headless-CMS-Funktionen auf einer gemeinsamen Daten- und Prozessbasis verbindet und bei Bedarf externe Systeme über APIs einbezieht. Beziehungen, Rollen, Rechte, Freigaben und Workflows werden so für Menschen, Systeme und KI-Agenten nutzbar und stecken nicht mehr nur im Wissen einzelner Mitarbeiter*innen.
Brauchen wir mit Agentic AI noch ein DAM?
Ja. Ein DAM bleibt auch mit Agentic AI wichtig. Gerade wenn KI-Agenten Assets selbstständig auswählen und in Prozesse einbeziehen, müssen Metadaten, Beziehungen, Versionen, Nutzungsrechte und Freigaben eindeutig maschinenlesbar sein.
Bilder und Videos werden nicht weniger wichtig, nur weil eine KI sie suchen kann. Wenn KI-Agenten Inhalte selbstständig zusammenstellen, muss klar sein, welches Asset zu welcher Produktvariante gehört, für welchen Markt es freigegeben ist und ob es im gewünschten Kanal verwendet werden darf. Metadaten, Versionierung, Nutzungsrechte und Zugriffskontrollen bleiben deshalb zentral.
Das DAM wird damit zur belastbaren Grundlage für agentische Asset-Prozesse. Ein Agent muss neben dem passenden Bild auch dessen Kontext und Nutzbarkeit verstehen.
Warum bleiben PIM und DAM auch mit Agentic AI wichtig?
Agentic AI ersetzt PIM und DAM nicht automatisch. Für mich sind fünf Dinge besonders wichtig, bevor ein KI-Agent zuverlässig handeln kann: Struktur, Beziehungen, Regeln, Kontext und Prozess.
1. Struktur
Produkte, Attribute, Varianten und andere Inhaltstypen brauchen ein verständliches Datenmodell. Ein Agent sollte nicht bei jedem Prozess neu raten müssen, welche Information gilt.
2. Beziehungen und Kontext
Ein Bild gehört zu einem Produkt, einer Variante, einem Markt oder einer Kampagne. Auch Sprache, Kanal und Status müssen eindeutig sein. Erst diese Beziehungen machen Informationen für KI-Agenten zuverlässig nutzbar.
3. Regeln und Rechte
Nicht alles, was technisch auffindbar ist, darf verwendet oder verändert werden. Nutzungsrechte, Rollen und Zugriffsbeschränkungen müssen deshalb auch für KI-Agenten gelten.
4. Freigaben und Handlungsrahmen
Ein KI-Agent kann Daten verändern, Content erstellen oder Workflows ausführen. Unternehmen müssen festlegen, welche Schritte autonom laufen dürfen und wo eine Freigabe nötig ist.
5. Prozess und Governance
Ein Agent muss wissen, welcher Schritt folgt und was er ausführen darf. Seine Aktionen sollten außerdem nachvollziehbar bleiben. Die Deloitte-Studie „The State of AI in the Enterprise“ aus dem Jahr 2026 mit 3.235 Business- und IT-Verantwortlichen aus 24 Ländern zeigt die Lücke: Nur 21 Prozent berichten von einem ausgereiften Governance-Modell für Agentic AI.
Mit der Automatisierung skaliert auch die Qualität der Informationsbasis, im Guten wie im Schlechten. Ein Mensch stoppt bei widersprüchlichen Daten vielleicht und fragt nach. Ein Agent kann dieselbe falsche Entscheidung in Sekunden in mehrere Sprachen, Inhalte und Kanäle weitertragen. Eine verlässliche Single Source of Truth gewinnt dadurch an Bedeutung.
Wie gelingt der Umstieg auf Agentic AI?
Der Einstieg in Agentic AI verlangt keine neue Systemlandschaft. Ich würde mit einem konkreten Prozess beginnen und klären, welche Informationen, Beziehungen, Regeln und Freigaben dafür nötig sind. Laut dem McKinsey-Report „Building the foundations for agentic AI at scale“ aus dem Jahr 2026 nennen acht von zehn Unternehmen Einschränkungen bei ihren Daten als Hindernis für die Skalierung von Agentic AI.
1. Einen relevanten Prozess auswählen
Starte mit einem klar abgegrenzten Prozess, bei dem viele manuelle Übergaben entstehen, zum Beispiel bei einer Produkteinführung, einer Übersetzung für einen neuen Markt oder der Aufbereitung von Produktdaten für einen Kanal. So wird schnell sichtbar, welche Informationen wirklich gebraucht werden und wo Kontext fehlt.
2. Informationen und Systeme agentenfähig machen
ERP, PIM, DAM, CMS oder Shop müssen nicht alle ersetzt werden. Wichtig ist eine gemeinsame Ebene, die relevante Informationen, Beziehungen, Regeln und Prozesse zusammenführt und externe Systeme über APIs einbezieht. Menschen arbeiten dort weiter über die GUI, Systeme über APIs und KI-Agenten zunehmend über Schnittstellen wie das Model Context Protocol (MCP). Eine native MCP-Schnittstelle dafür bietet beispielsweise viingx. KI-Agenten können darüber das konfigurierte Datenmodell und freigegebene Funktionen erkennen und innerhalb bestehender Rollen und Rechte arbeiten. Ihre Änderungen bleiben nachvollziehbar.
Wenn du dabei PIM und DAM sowie weitere Systeme in einer Plattform zusammenführen möchtest, ist Pimcore ein möglicher Ansatz. Wie du eine solche Plattform erfolgreich einführst, zeigt der Guide zur Pimcore-Implementierung.
3. Kontext, Regeln und Freigaben definieren
Für den ausgewählten Prozess sollte klar sein, welche Informationen zusammengehören, welche Version gilt, welche Rechte greifen und welche Schritte ein Agent selbstständig ausführen darf. Governance gehört bei Agentic AI damit direkt zur Arbeitsgrundlage.
4. Den Prozess mit einem Agenten erproben
Ein KI-Agent muss nicht gleich dein ganzes Unternehmen steuern. Ein klar abgegrenzter Prozess zeigt schneller, wo Agentic AI wirklich Arbeit abnimmt, wo Grenzen liegen und an welchen Stellen menschliche Kontrolle sinnvoll bleibt. Einen Überblick über geeignete KI-Agenten und Einsatzmöglichkeiten findest du bei OMR Reviews.
5. Autonomie schrittweise erweitern
Nicht jeder Prozessschritt braucht dauerhaft eine menschliche Freigabe. Unternehmen sollten die Autonomie aber bewusst erweitern: mit klaren Grenzen starten, Ergebnisse beobachten und den Handlungsrahmen anschließend schrittweise vergrößern.
Wie verändert Agentic AI PIM und DAM künftig?
Einen starren Fünfjahresplan würde ich bei diesem Thema nicht aufstellen, dafür verändert sich der Markt zu schnell. Die Richtung zeichnet sich trotzdem ab: PIM- und DAM-Anbieter bauen agentische Funktionen auf, während Plattformen wie ChatGPT Produkte zunehmend direkt suchen, vergleichen und in Commerce-Prozesse einbeziehen. Ein Teil der täglichen Arbeit verlagert sich damit von der Oberfläche in agentische Abläufe.
Gleichzeitig lohnt sich ein nüchterner Blick. Gartner prognostiziert in einer Pressemitteilung aus dem Jahr 2025, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden. Gründe sind unter anderem Kosten, unklarer Business Value oder unzureichende Risikokontrollen. Das spricht für pragmatisches Vorgehen statt für einen Wettlauf um möglichst viele KI-Agenten.
Mein Ausblick: PIM und DAM werden bleiben, aber ihre Rolle verschiebt sich. Menschen arbeiten über Benutzeroberflächen, Systeme über APIs und KI-Agenten über Schnittstellen wie MCP. Eine gemeinsame Content-Ebene verbindet Unternehmensdaten wie Produkt- und Kundeninformationen mit Assets, Beziehungen, Regeln und Prozessen. Sie macht nachvollziehbar, wer oder was etwas verändert hat. So entsteht eine Infrastruktur, mit der Menschen und KI-Agenten gleichermaßen arbeiten.
Werde Gastautor*in: Du hast in einem bestimmten Bereich richtig Ahnung und möchtest dein Wissen teilen? Dann schreibe uns einfach an reviews-experten@omr.com und bring deine Expertise ein. Wir freuen uns auf spannende Einblicke direkt aus der Praxis.
Autor*In
Christoph Könninger
Christoph Könninger ist Director Business Development bei viingx, einem Marketing Content Hub, der PIM, DAM und Headless CMS in einer Plattform vereint. Er verantwortet den Ausbau von Kundenbeziehungen und strategischen Partnerschaften und begleitet Unternehmen bei der Digitalisierung und Transformation von Marketingprozessen. Sein Schwerpunkt liegt auf der Vernetzung und Automatisierung von Produktinformationen, Content und Prozessen – vom Daten-Onboarding bis zur Bereitstellung in Marketing- und Vertriebskanälen. Ein besonderer Fokus seiner Arbeit ist heute der Einsatz von KI und Agentic AI.
