Uw productdata is compleet. Een AI-assistent kan er niets mee.
5 juni 2026
Vraag AI naar boter
Stel een AI-assistent de vraag: welke eigenschappen zijn belangrijk voor een consument die smeerbare boter koopt?
Het antwoord is direct herkenbaar. Smeerbaarheid. Smaak. Romigheid. Versheid. Natuurlijke ingrediënten. Vetgehalte. Gezondheid. Geschiktheid voor gebruik. Houdbaarheid. Prijs-kwaliteitverhouding.
Tien eigenschappen. Geen ervan verrassend. Elke consument zou ze herkennen als de redenen waarom ze het ene pakje kiezen en het andere laten staan.
Open nu de productpagina van diezelfde smeerbare boter bij een willekeurige supermarkt.
Het valt mee, op het eerste gezicht. In de marketingtekst staat “makkelijker smeerbaar en romig en puur van smaak.” De bullets vermelden “extra zachte roomboter” en “makkelijker smeerbaar.” De voedingswaarden staan keurig in een tabel: energie 3031 kJ, vet 81 g, verzadigd vet 56 g, koolhydraten 1 g, eiwitten 1 g, zout 0,6 g. Er is een Nutri-Score. De ingrediënten staan er. De houdbaarheid staat er.
Het lijkt compleet. Maar probeer nu drie boters naast elkaar te leggen en te vergelijken op smeerbaarheid.
Dat kan niet. “Makkelijker smeerbaar” is een marketingzin, geen attribuut. Er is geen veld “smeerbaarheid” met een waarde die u kunt vergelijken. Er is geen genormaliseerd attribuut “romigheid” waarmee een systeem kan zeggen: deze boter scoort 8, die scoort 6. Er is geen gestructureerde indicatie of de boter geschikt is voor bakken, voor op toast, of alleen voor op brood.
Wat er staat, is geschreven voor een mens die scrolt en leest. Niet voor een systeem dat vergelijkt en rangschikt.
Dit is geen bug. Dit is het ontwerp.
Die voedingswaarden staan er niet per ongeluk. Ze staan er omdat ze verplicht zijn. De Europese etiketteringsverordening schrijft voor welke informatie bij voedingsmiddelen getoond moet worden. Uw productdata is gebouwd om aan die verplichting te voldoen. En dat doet het.
Maar het is gebouwd voor een etiket. Niet voor een koopbeslissing.
Een consument die in de winkel voor het schap staat, pakt een kuipje, voelt hoe zwaar het is, leest de voorkant, en kiest. De verpakking communiceert smeerbaarheid, romigheid en smaak. De voedingswaarden op de achterkant leest vrijwel niemand.
Op een webshop werkt dat anders. De verpakking is een foto. De consument kan niet voelen, niet ruiken, niet vergelijken door twee pakjes naast elkaar te houden. Alles wat de consument weet, komt uit de data die u levert.
En die data beschrijft wat er ín het product zit. Niet wat het product ís.
Het is niet alleen boter
Dit patroon is niet uniek voor zuivel. Het zit in elke productcategorie. Soms groter, soms kleiner. Maar het is er altijd.
Parfum. Vraag een AI wat een consument belangrijk vindt bij parfum. Geur, intensiteit, houdbaarheid op de huid, geurspoor, geschiktheid voor de gelegenheid, het seizoen. Tien eigenschappen. Kijk dan wat er in de productdata staat bij een parfumerie: inhoud, type (eau de toilette), en geurfamilie. Drie van de tien.
Kleding. Dezelfde vraag levert pasvorm, comfort, stijl, kwaliteit, seizoen en onderhoudsgemak op. De data vermeldt de materiaalsamenstelling, de maat en het wasvoorschrift. De technische kern staat er. Maar hoe de stof valt na drie keer wassen, of het kreukt in een koffer, of het geschikt is voor een zakelijke setting. Dat is nergens gestructureerd vastgelegd.
Verf. Hier zien we iets opvallends. Verf is een technisch product, en de data is navenant. Glansgraad, drogtijd, rendement per vierkante meter, geschiktheid voor de ondergrond. Het staat er allemaal. Vijf of zes van de tien attributen zijn gestructureerd. Het gat is kleiner. Maar het is er nog steeds: of de verf geurarm is, makkelijk aanbrengt, of de kleur geschikt is voor een donkere ruimte. Dat staat nergens.
In elke categorie hetzelfde patroon. De data die er staat, is correct. Maar het is niet de data die een koopbeslissing ondersteunt. Het is de data die een verplichting afdekt of een logistiek proces voedt.
Waarom dit nu een probleem wordt
Op een webshop is dit altijd al zo geweest. Maar op een webshop heeft de consument geleerd ermee om te gaan. Ze scrollen door foto’s, lezen reviews, en vullen de ontbrekende informatie zelf aan. Het is niet ideaal, maar het werkt.
Bij AI werkt dat niet meer.
Een AI-assistent die een consument wil helpen kiezen tussen drie smeerbare boters, heeft gestructureerde data nodig. Niet een productfoto waarop “romig” staat. Niet een marketingtekst die “heerlijk zacht” belooft. Gestructureerde, vergelijkbare attributen die machine-leesbaar zijn.
Die attributen bestaan niet als vergelijkbare velden. De woorden staan er. De getallen staan er. Maar er is geen genormaliseerd attribuut “smeerbaarheid” of “romigheid” waarmee een systeem drie producten naast elkaar kan leggen.
“Maar het staat toch in de productomschrijving?” Waarschijnlijk wel. Ergens in een marketingtekst staat “romig en zacht” of “heerlijk smeerbaar.” En ja, een AI-assistent kan die tekst prima lezen en begrijpen. Maar een AI kan ongestructureerde marketingteksten niet objectief vergelijken. Als merk A zichzelf “heerlijk romig” noemt en merk B schrijft over “traditionele zachtheid”, hoe legt een AI die twee dan naast elkaar? Niet. Een AI-assistent heeft gestructureerde, genormaliseerde attributen nodig om te kunnen wegen, filteren en rangschikken. Een productfeed vol bijvoeglijke naamwoorden is geen data, dat is een reclamefolder. En op een reclamefolder kun je geen betrouwbaar algoritme bouwen.
Hetzelfde geldt voor productfeeds. Google Shopping, vergelijkingssites, marktplaatsen, ze werken allemaal met gestructureerde attributen. Als uw productdata wel “romig” vermeldt in een omschrijving maar geen vergelijkbaar attribuut “romigheid” heeft, kan het systeem uw product niet vergelijken op de eigenschappen die de consument gebruikt om te kiezen.
Het gevolg: uw product wordt gevonden op prijs en merk. Niet op wat het product onderscheidt.
Uw PIM is niet het probleem
Uw PIM kan dit aan. Technisch is het triviaal om attributen als “smeerbaarheid” of “dekkracht” toe te voegen. Dat is een veld, een waardelijst, en een koppeling naar het juiste kanaal. Maar een PIM garandeert geen datakwaliteit. Het publiceert wat u erin stopt.
Het probleem is niet het systeem. Het probleem is dat niemand heeft gedefinieerd welke attributen er moeten zijn. Niet vanuit de wettelijke verplichting, die is afgedekt. Maar vanuit de vraag: wat heeft een consument nodig om te kiezen? En straks: wat heeft een AI-assistent nodig om te adviseren? De kosten van dat gat zijn concreet, maar zelden zichtbaar.
Dat is geen technische vraag. Dat is een ontwerpvraag. Wie bepaalt welke productinformatie u vastlegt? Op basis van welk criterium? En wie controleert of het ook daadwerkelijk wordt ingevuld?
In de meeste organisaties die wij onderzoeken, is het antwoord: niemand. De attributen die er zijn, zijn er omdat ze wettelijk verplicht zijn, omdat een leverancier ze aanlevert, of omdat ze ooit door iemand zijn aangemaakt die er inmiddels niet meer werkt.
De vraag die voor u ligt
Uw productdata is gebouwd voor etiketten. Niet voor gesprekken.
Dat was jarenlang geen probleem. De webshop compenseerde met foto’s, teksten, en het geduld van de consument. Maar de kanalen die nu opkomen, Google Shopping, AI-assistenten, vergelijkingsplatforms, die compenseren niet. Die werken met wat ze krijgen. Of ze werken niet.
De vraag is niet of uw data compleet is. Volgens uw systeem is het dat. De vraag is: compleet voor wie?
Wilt u zien welke productdata uw systemen missen vanuit consumentperspectief? Start een Inzichtsprint of stel uw vraag.