Dein Datenblatt ist fertig, und trotzdem ist dein Produkt in den Filtern des Großhandels unsichtbar. Nimm einen Planer, der im Shop deines Großhändlers nach „Leitungsschutzschalter, 16 A, Charakteristik B, 3-polig“ filtert. Dein Schalter erfüllt alle vier Kriterien, so steht es auf Seite 1 deines Datenblatts. In der Trefferliste fehlt er, der Wettbewerber steht drin. Der Grund: Im ETIM-Datensatz ist das Merkmal für den Bemessungsstrom leer.
Das PDF hat die Werte: Bemessungsstrom, Polzahl, Charakteristik, Maße. Nur stehen sie dort als Fließtext und Tabelle, und der Großhändler braucht sie als Klasse plus Merkmale plus Werte im vorgegebenen Format. Das passiert typischerweise, wenn ein Hersteller ETIM als Exportformat behandelt und nicht als Teil seiner Produktdaten. Dazwischen sitzt dann ein Produktmanager mit Excel und einer Deadline. ETIM-Daten zu erstellen kann eine KI heute weitgehend vorbereiten, wenn du verhinderst, dass dabei ein geratener Wert in deinen Katalog rutscht.
Warum unvollständige Merkmale Listung und Shop-Filter kosten
Eine ETIM-Klasse ohne gefüllte Merkmale ist wie ein Adressfeld ohne Hausnummer: Der Großhändler übernimmt deinen Artikel vielleicht ins Sortiment. Seine Filter laufen aber über Merkmale, und ohne Wert fällt der Artikel aus jeder Suche danach.
Beispielszenario: Ein Hersteller liefert 4.000 Artikel mit korrekter Klasse, aber nur mit den Stammdaten aus dem ERP: Artikelnummer, Bezeichnung, Verpackungseinheit. Die Merkmale der Klasse bleiben leer. Der Großhändler listet, die Filter greifen nicht, und der Außendienst beantwortet am Telefon Fragen, die ein Datensatz beantworten könnte.
Dasselbe Loch hast du im eigenen Shop-Filter. Und wenn ein Planer seine Recherche an ChatGPT oder Perplexity gibt, fehlt der Wert auch dort, wo der Assistent nach einer belastbaren Angabe sucht.
ETIM, ECLASS und BMEcat: wer was regelt
Kurz gesagt: ETIM und ECLASS legen fest, was über ein Produkt gesagt werden muss. BMEcat und ETIM xChange legen fest, wie die Datei aussieht, in der du es sagst.
ETIM ordnet jedem Produkt eine Klasse zu, jede Klasse hat definierte Merkmale mit Datentyp. Stand Oktober 2026 gilt ETIM 10.0, laut ETIM International im Dezember 2024 erschienen, mit 5.640 Klassen und 17.377 Merkmalen nach den Zahlen von ETIM Deutschland. ETIM 11.0 ist seit dem 15. Oktober 2026 in der Beta, der Release ist für den 1. Dezember 2026 angekündigt.
| Standard | Aufgabe | Träger | Stand Oktober 2026 |
|---|---|---|---|
| ETIM | Klassifikation: Klasse, Merkmale, Werte | ETIM International, in Deutschland ETIM Deutschland e.V. | ETIM 10.0, 11.0 in der Beta, Release für 1.12.2026 angekündigt |
| ECLASS | Klassifikation, branchenübergreifend, stark im Einkauf | ECLASS e.V. | Release 16.0 seit 28.11.2025, 17.0 für Ende November 2026 geplant |
| BMEcat (ETIM-Guideline) | Austauschformat, XML | BME e.V. (BMEcat 2005), Guideline: ETIM International | Guideline 5.0 von 2021, letzte Version, in Deutschland weiter im Einsatz |
| ETIM xChange | Austauschformat, JSON | ETIM International | Version 1.1 |
Für deine Lieferung zählt vor allem die Formatfrage. Die ETIM-BMEcat-Guideline 5.0 aus dem Juni 2021 ist laut der Ankündigung der Guideline 5.0 bei ETIM International die letzte Version dieser Leitlinie, als Nachfolger gibt es das JSON-Format ETIM xChange. Welches Format bevorzugt wird, legt jede nationale ETIM-Organisation selbst fest. In Deutschland bleibt BMEcat laut der BMEcat-Seite von ETIM Deutschland die Kommunikationsgrundlage. Wer heute an deutsche Großhändler liefert, schickt also BMEcat und hält xChange im Blick.
ETIM-Daten mit KI erstellen, vom Datenblatt bis zur Prüfung
Dass Sprachmodelle in der Klassifikation angekommen sind, zeigt ECLASS selbst. Im Release 16.0 wurden rund 23.300 neue Klassendefinitionen mit KI erzeugt und im Attribut „source of definition“ als „machine generated by GPT-4o mini“ gekennzeichnet. Für deine Merkmalsdaten heißt das: Die eigentliche Arbeit liegt in der Prüfung der KI-Vorschläge und darin, ihre Herkunft zu kennen.
Die klassischen Wege sind manuell im PIM oder in Excel, ein Datendienstleister oder ein Klassifizierungswerkzeug. Für ein paar Dutzend Artikel reicht der manuelle Weg. Ein Dienstleister liefert schnell, aber das Wissen über deine Klassen bleibt bei ihm, und beim nächsten Release beauftragst du den Lauf erneut. Ab einigen Hundert Artikeln oder bei einem Release-Wechsel empfehle ich eine Pipeline mit vier Stufen, von denen nur die letzte menschlich ist. Als Beispielszenario läuft dein dreipoliger Leitungsschutzschalter, 16 A, Charakteristik B, durch alle vier.
Stufe 1: Extraktion aus dem Datenblatt
Am Anfang steht die Extraktion. Ein multimodales Sprachmodell liest das Datenblatt als PDF und gibt ein rohes Attribut-Set zurück: „Bemessungsstrom 16 A“, „Auslösecharakteristik B“, „Polzahl 3“, jeweils mit Fundstelle wie „S. 1, Tabelle Technische Daten“. Die Fundstelle brauchst du später für die Prüfung. Werte aus Maßzeichnungen sind besonders fehleranfällig, deshalb markiert die Pipeline sie für die Prüfung gesondert.
Stufe 2: ETIM-Klasse zuordnen
Bei der Klasse liegt das typische Risiko: Ein Modell formuliert eine plausible Klasse, die es in ETIM gar nicht gibt. Deshalb durchsucht es die echte ETIM-Klassenliste samt Synonymen, statt frei zu formulieren, und liefert drei Kandidaten mit Begründung. Bei deinem Schalter liegen zwei davon nah beieinander: Leitungsschutzschalter oder kombinierter FI/LS-Schalter. Das Datenblatt nennt keinen Bemessungsfehlerstrom, also Leitungsschutzschalter. Ist der Abstand knapp und gibt das Datenblatt kein Unterscheidungsmerkmal her, geht der Fall in die manuelle Prüfung.
Stufe 3: Merkmals-Mapping nach Datentyp
Danach kommt das Merkmals-Mapping, und hier entscheidet der Merkmalstyp, was das Modell darf. Bei alphanumerischen Merkmalen wie der Auslösecharakteristik wählt es nur aus der ETIM-Werteliste. Bei numerischen wie dem Bemessungsstrom rechnet es in die Einheit um, die ETIM für dieses Merkmal vorgibt.
Bereichsmerkmale, etwa eine Temperaturspanne, bekommen Unter- und Obergrenze, Ja/Nein-Merkmale true oder false. Gibt das Datenblatt einen Wert nicht her, weil er zum Beispiel nur im Prüfbericht steht, bleibt das Feld leer und wird als Lücke markiert.
Ein geratener Wert ist schlimmer als ein leeres Feld, weil ihn niemand mehr sucht. Eine Lücke landet auf der Prüfliste. Ein halluzinierter Bemessungsstrom landet in allen Händlerkatalogen, die deine Daten beziehen.
Stufe 4: Prüfung durch einen Menschen
Die vierte Stufe ist die Prüfung durch einen Menschen. Ein Produktmanager sieht Klasse, Merkmale, Konfidenz und die Fundstelle im Datenblatt nebeneinander und bestätigt, korrigiert oder lehnt ab. Die Falle kommt nach den ersten sauberen Durchläufen: Wer 50 korrekte Vorschläge gesehen hat, klickt beim 51. auf Bestätigen, ohne hinzusehen.
Damit die Prüfung schnell bleibt und trotzdem echt, lenkt die Oberfläche den Blick. Lücken kommen zuerst: Für den fehlenden Wert aus Stufe drei fragt der Produktmanager bei der Entwicklung nach oder lässt das Feld bewusst leer. Danach folgen die unsicheren Vorschläge, sichere nur als Stichprobe, die Fundstelle steht immer direkt daneben.
Jede Korrektur landet als Beispiel im Prompt der nächsten Runde. Ob der Anteil ohne Korrektur dadurch steigt, misst du im Pilot. Der Engpass dieser Pipeline ist am Ende die Prüfzeit pro Artikel, nicht das Modell.
Ein Datensatz für Großhandel, Shopware-Shop und KI-Suche
Ein typischer Fehler nach der Klassifizierung ist, die ETIM-Daten in einer Exporttabelle zu parken, die nur für den Großhändler existiert. Dann lebt dein Shop mit anderen Produktdaten als dein Händler, und beim nächsten Release-Wechsel pflegst du doppelt. Klasse und Merkmale gehören an das Produkt selbst, in ein PIM oder zumindest in eine führende Produktdatenquelle, aus der alle Kanäle lesen. Ob sich dafür ein eigenes System lohnt, hängt an Katalogbreite, Kanälen und Sprachen, bei 4.000 klassifizierten Artikeln meist ja.
Der Großhändler bekommt aus dieser Quelle seinen BMEcat nach ETIM-Guideline 5.0 oder, wo er das schon annimmt, ETIM xChange. Dein Shopware-Shop bekommt dieselben Merkmale als Eigenschaften. Einmal eingerichtet, übersetzt ein Import-Mapping jedes ETIM-Merkmal in eine Eigenschaftsgruppe, inklusive Filter-Sichtbarkeit, und danach füllt sich der Facettenfilter ohne Handarbeit pro Artikel.
Im Beispiel hat die Kategorie „Leitungsschutzschalter“ vorher nur Filter für Hersteller und Preis. Nachher filtert der Kunde nach Bemessungsstrom, Auslösecharakteristik, Polzahl und Bemessungsschaltvermögen. Beim Großhändler passiert dasselbe in groß: In Shops im Elektrogroßhandel mit sechsstelligen Artikelzahlen können deine vollständigen Merkmale im Filter landen, sofern der Händler sie aus deiner Lieferung übernimmt.
Ein spezielles Markup für KI-Funktionen verlangt Google nach eigener Aussage nicht, empfiehlt aber, dass strukturierte Daten zum sichtbaren Text passen. Eine sichtbare Merkmalstabelle auf der Produktseite, gespeist aus denselben ETIM-Daten wie dein Produkt-Markup, erfüllt das. Fragt der Planer aus dem Einstieg einen Assistenten nach „Leitungsschutzschalter 16 A, 3-polig, Charakteristik B“, steht die Antwort auf deiner Seite so, dass nichts offenbleibt. Ob ein Assistent sie zitiert, steuerst du nicht. Einen leeren Wert zitiert er sicher nicht.
Pilot mit 50 bis 100 Artikeln: so startest du
Fang nicht mit dem ganzen Katalog an. Nimm 50 bis 100 Artikel aus zwei oder drei ETIM-Klassen mit guten Datenblättern, und such dir einen Großhändler, der die Daten tatsächlich prüft. Damit triffst du echte Sonderfälle, und ein Produktmanager kann noch jeden Datensatz ansehen. Im Beispiel wären Leitungsschutzschalter und FI/LS-Schalter gute Pilotklassen, weil die Klassenzuordnung genau bei diesem Paar wackelt.
Im Pilot misst du:
- die Trefferquote der Klassenzuordnung gegen die manuelle Entscheidung,
- den Füllgrad der Merkmale vor und nach dem Lauf,
- die Prüfzeit pro Artikel.
Miss vor dem Start, wie lange die manuelle Pflege von zehn Artikeln dauert, und leg damit fest, ab welcher Trefferquote und Prüfzeit du skalierst. Liegt die Prüfzeit im Pilot nicht deutlich unter dem manuellen Wert, skaliert die Pipeline nicht. Wer die Schwelle erst hinterher festlegt, findet immer einen Grund weiterzumachen.
Lass die Dateien anschließend validieren: ETIM Deutschland prüft BMEcat-XML seiner Mitglieder, für xChange gibt es ein Validierungswerkzeug bei ETIM International. Erst wenn der Pilot stabil läuft, lohnt sich die Anbindung an ERP und Shopware, damit Preise, Bestände und ETIM-Merkmale aus derselben Quelle kommen. Integrierst du vorher, baust du die Schnittstelle zweimal, weil sich das Datenmodell im Pilot noch ändert.
ETIM-Daten sind Produktdaten, keine Pflichtabgabe
Der Druck kommt aus dem Release-Zyklus. Jede neue ETIM-Version bringt geänderte Klassen und Merkmale, die gemappt werden müssen, bei ETIM 11.0 genauso wie bei jedem Release danach. Wer manuell pflegt, macht diese Arbeit mit jeder Version neu. Eine Pipeline wiederholt den Lauf und legt dir nur die Änderungen zur Prüfung vor.
Die KI übernimmt dabei die Übersetzungsarbeit, die Entscheidung über jeden Datensatz bleibt bei deinem Produktmanagement. Ob du die Pipeline selbst baust, ein Werkzeug einsetzt oder einen Partner holst, entscheidet vor allem eine Frage: Wer bei dir intern die Prüfzeit aufbringt. Der erste Schritt ist in jedem Fall derselbe: Such dir diese Woche die zwei ETIM-Klassen mit den besten Datenblättern aus. Das ist dein Pilot.
