Nå kan AI snakke rett med produktdataene dine
feed PIM eksponerer allerede et fullverdig API. Det betyr at en AI-agent som Claude kan koble seg rett på katalogen og gjøre på minutter det et rapportverktøy eller en utvikler tidligere måtte bygge for hånd.
De fleste PIM-systemer sitter på enorme mengder produktdata: attributter, varianter, bilder, oversettelser, relasjoner. Problemet har aldri vært mangel på data, men mangelen på tid og verktøy til å faktisk bruke den: hver ny analyse eller opprydding har krevd et BI-verktøy, en eksport til Excel, eller en utvikler som skriver et skript.
Det er dette bildet som nå endrer seg. feed eksponerer produktkatalogen gjennom et strukturert API, og det betyr at en AI-agent som f.eks. Claude kan kobles rett på: lese spesifikasjonen (Swagger), forstå datamodellen, og deretter svare på spørsmål eller utføre oppgaver direkte mot systemet. Ingen dashboard må bygges først.
Hvordan det fungerer i praksis
Prinsippet er enkelt. Agenten får tilgang til feed API-spesifikasjon og nødvendige tilganger (API klient/bruker). Deretter kan den:
Slå opp produkter, varianter og attributter via de samme endepunktene som feeds egne integrasjoner bruker.
Tolke svarene og forklare dem i klartekst: «disse 340 produktene mangler norsk beskrivelse», ikke en rå JSON-fil.
Foreslå eller gjennomføre endringer, avhengig av hvor mye tillit man gir agenten.
Fordi kommunikasjonen skjer i naturlig språk, kan spørsmål som tidligere krevde en rapportbestilling til IT nå stilles direkte: «Hvor mange produkter i kategori Sko mangler bilde?» eller «Finn varianter med avvikende enhet mellom marked NO og SE.»
Fig. 1: Agenten leser feed API-spesifikasjon, tolker spørsmålet, og henter eller endrer data direkte i katalogen.
Spørsmål som før krevde en rapportbestilling kan nå stilles direkte til katalogen, på vanlig norsk.
To praktiske eksempler
1. Automatisert produktberikelse
Problemet: Tusenvis av SKU-er mangler beskrivelser, attributter eller er ufullstendig oversatt til alle markeder.
Agent-flyten: Agenten henter alle produkter med mangelfulle felt via API, genererer forslag til tekst basert på eksisterende attributter og bilder, og legger forslagene i en kø for godkjenning. Når en redaktør godkjenner, skriver agenten forslaget tilbake til feed via samme API.
Resultat: Det som var uker med manuelt arbeid blir en godkjenningskø som kan tømmes på en ettermiddag.
2. Datakvalitet og avviksdeteksjon
Problemet: Duplikate SKU-er, inkonsistente enheter, eller attributter som ikke stemmer mellom markeder, feil som ofte forblir usynlige til de dukker opp i nettbutikken.
Agent-flyten: Agenten kjører periodiske spørringer mot katalogen, sammenligner varianter og lokaliseringer, og produserer en strukturert avviksrapport med konkrete produkt-ID-er, ikke bare en generell advarsel.
Resultat: Feil fanges opp før de når kunden, uten at noen må bygge og vedlikeholde en egen valideringsjobb.
Hvorfor dette er enklere enn det høres ut
Tre grunner gjør denne typen AI-bruk mer tilgjengelig enn tradisjonell systemintegrasjon:
Ingen ny integrasjonsflate. feed eksponerer allerede et strukturert API: agenten bruker de samme endepunktene som eksisterende integrasjoner.
Naturlig språk fjerner terskelen. Man trenger ikke kunne skrive spørringer eller bygge rapporter for å stille spørsmål til katalogen.
Agenter kan gis avgrenset ansvar. En agent kan ha ansvar for berikelse, en annen for kvalitetskontroll, med mennesker som godkjenner før noe skrives tilbake.
Det siste punktet er også det viktigste forbeholdet: AI-agenter erstatter ikke godkjenningsrutiner. De gjør derimot arbeidet med å finne, forstå og forberede endringer betydelig raskere, slik at menneskene i loopen kan bruke tiden sin på beslutninger, ikke på å grave i data
